اپلیکیشن اندرویدی فلش‌کارت آموزشی استخراج بینش از داده‌های بصری با استفاده از خدمات ابری Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استخراج بینش از داده‌های بصری با استفاده از خدمات ابری Azure

موضوع کلی: هوش مصنوعی و پردازش داده

موضوع میانی: بینایی ماشین و تحلیل داده‌های بصری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش داده
• 2. اصول یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مبانی پردازش داده
• 8. مراحل پردازش داده
• 9. پاکسازی و پیش‌پردازش داده
• 10. مهندسی ویژگی
• 11. مقیاس‌بندی داده
• 12. کاهش ابعاد
• 13. مقدمه‌ای بر بینایی ماشین
• 14. مفاهیم بنیادی بینایی ماشین
• 15. پردازش تصویر
• 16. فیلترهای تصویری
• 17. تشخیص لبه
• 18. تشخیص ویژگی
• 19. توصیف ویژگی
• 20. استخراج ویژگی
• 21. مقدمه‌ای بر خدمات ابری Azure
• 22. آشنایی با Azure Machine Learning
• 23. محیط‌های توسعه Azure
• 24. ایجاد یک فضای کاری در Azure
• 25. مدیریت داده‌ها در Azure
• 26. ذخیره‌سازی داده‌ها در Azure Blob Storage
• 27. اتصال به منابع داده
• 28. کار با Azure Data Lake Storage
• 29. مقدمه‌ای بر Azure Cognitive Services
• 30. قابلیت‌های Azure Cognitive Services
• 31. بینایی کامپیوتر در Azure
• 32. تشخیص اشیاء
• 33. طبقه‌بندی تصاویر
• 34. تشخیص چهره
• 35. تحلیل احساسات تصاویر
• 36. OCR (تشخیص کاراکتر نوری)
• 37. ترکیب قابلیت‌های بینایی کامپیوتر
• 38. ساخت مدل‌های سفارشی در Azure
• 39. آموزش مدل‌های سفارشی
• 40. ارزیابی مدل‌های سفارشی
• 41. استقرار مدل‌های سفارشی
• 42. استفاده از مدل‌های استقرار یافته
• 43. تحلیل داده‌های بصری در Azure
• 44. تجسم داده‌های بصری
• 45. داشبوردهای Azure
• 46. کار با Azure Power BI
• 47. یکپارچه‌سازی Azure با Power BI
• 48. تحلیل داده‌های سری زمانی بصری
• 49. شناسایی الگوهای بصری
• 50. پیش‌بینی روندها
• 51. استفاده از داده‌های بصری در تصمیم‌گیری
• 52. کاربردهای بینایی ماشین در صنعت
• 53. بینایی ماشین در کشاورزی
• 54. بینایی ماشین در تولید
• 55. بینایی ماشین در خرده‌فروشی
• 56. بینایی ماشین در بهداشت و درمان
• 57. بینایی ماشین در حمل و نقل
• 58. بینایی ماشین در امنیت
• 59. مباحث پیشرفته در بینایی ماشین
• 60. یادگیری عمیق برای بینایی ماشین
• 61. شبکه‌های عصبی کانولوشونی (CNN)
• 62. معماری‌های CNN
• 63. آموزش CNN ها
• 64. استفاده از CNN ها برای طبقه‌بندی
• 65. استفاده از CNN ها برای تشخیص اشیاء
• 66. شبکه‌های مولد تخاصمی (GAN)
• 67. کاربرد GAN ها در تولید تصویر
• 68. پردازش زبان طبیعی (NLP)
• 69. ارتباط NLP با بینایی ماشین
• 70. تحلیل متن در تصاویر
• 71. استخراج اطلاعات از اسناد تصویری
• 72. ملاحظات اخلاقی در بینایی ماشین
• 73. حریم خصوصی در پردازش تصویر
• 74. سوگیری در مدل‌های بینایی ماشین
• 75. مسئولیت‌پذیری در هوش مصنوعی
• 76. امنیت در سیستم‌های بینایی ماشین
• 77. پیاده‌سازی راهکارهای بینایی ماشین در Azure
• 78. طراحی معماری راهکار
• 79. انتخاب ابزارها و خدمات مناسب
• 80. مراحل پیاده‌سازی
• 81. تست و اعتبارسنجی
• 82. بهینه‌سازی عملکرد
• 83. پایش و نگهداری سیستم
• 84. یادگیری مداوم و بهبود مدل
• 85. مدیریت چرخه عمر مدل
• 86. استفاده از Azure DevOps برای بینایی ماشین
• 87. فریم‌ورک‌های توسعه بینایی ماشین
• 88. کتابخانه‌های متن‌باز
• 89. مقدمه‌ای بر پردازش سه‌بعدی
• 90. استخراج اطلاعات از داده‌های سه‌بعدی
• 91. کاربردهای پردازش سه‌بعدی
• 92. مروری بر آخرین روندها در بینایی ماشین
• 93. هوش مصنوعی مولد در بینایی ماشین
• 94. بینایی ماشین خودران
• 95. پردازش ویدئو
• 96. تحلیل ویدئو در Azure
• 97. استخراج فریم از ویدئو
• 98. تشخیص فعالیت در ویدئو
• 99. ردیابی اشیاء در ویدئو
• 100. مقدمه‌ای بر داده‌های مکانی-زمانی