اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت مدل‌های پیش‌بینی تصویر با استفاده از Azure AI Custom Vision

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های پیش‌بینی تصویر با استفاده از Azure AI Custom Vision

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش تصویر و بینایی ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. یادگیری نظارت‌شده در مقابل یادگیری نظارت‌نشده
• 4. انواع مسائل یادگیری ماشین
• 5. مقدمه‌ای بر پردازش تصویر
• 6. مفاهیم پایهٔ تصویر دیجیتال
• 7. پردازش تصویر در یادگیری ماشین
• 8. مقدمه‌ای بر Azure AI Custom Vision
• 9. معرفی پلتفرم Azure AI
• 10. کاربرد Custom Vision در دنیای واقعی
• 11. مراحل ساخت مدل Custom Vision
• 12. جمع‌آوری داده‌های تصویری
• 13. برچسب‌گذاری و دسته‌بندی تصاویر
• 14. اهمیت کیفیت داده‌ها
• 15. مقدمه‌ای بر طبقه‌بندی تصویر
• 16. معماری‌های رایج شبکه‌های عصبی کانولوشنال (CNN)
• 17. لایهٔ کانولوشن
• 18. لایهٔ پولینگ
• 19. لایهٔ کاملاً متصل
• 20. توابع فعال‌سازی
• 21. تابع زیان (Loss Function)
• 22. بهینه‌سازها (Optimizers)
• 23. تنظیم فراپارامترها (Hyperparameter Tuning)
• 24. مقدمه‌ای بر تشخیص اشیاء
• 25. روش‌های تشخیص اشیاء
• 26. مدل‌های مبتنی بر دو مرحله‌ای (Two-stage detectors)
• 27. مدل‌های مبتنی بر تک مرحله‌ای (One-stage detectors)
• 28. آشنایی با Azure Machine Learning Studio
• 29. ایجاد یک پروژهٔ Custom Vision
• 30. وارد کردن تصاویر به پروژه
• 31. برچسب‌گذاری تصاویر در Custom Vision
• 32. آموزش مدل طبقه‌بندی تصویر
• 33. ارزیابی عملکرد مدل طبقه‌بندی
• 34. معیارهای ارزیابی مدل (دقت، صحت، فراخوانی)
• 35. تنظیمات آموزش مدل
• 36. افزایش داده (Data Augmentation)
• 37. کاربرد افزایش داده در Custom Vision
• 38. بازآموزی مدل با داده‌های جدید
• 39. انتشار مدل Custom Vision
• 40. استفاده از API مدل منتشرشده
• 41. مثال عملی: ساخت مدل تشخیص گل
• 42. مثال عملی: ساخت مدل تشخیص حیوانات
• 43. مثال عملی: ساخت مدل تشخیص انواع میوه
• 44. مثال عملی: ساخت مدل تشخیص عیوب صنعتی
• 45. مقدمه‌ای بر تشخیص اشیاء با Custom Vision
• 46. آموزش مدل تشخیص اشیاء
• 47. برچسب‌گذاری نواحی اشیاء
• 48. ارزیابی مدل تشخیص اشیاء
• 49. تنظیمات آموزش مدل تشخیص اشیاء
• 50. کاربرد تشخیص اشیاء در اتوماسیون صنعتی
• 51. کاربرد تشخیص اشیاء در نظارت تصویری
• 52. کاربرد تشخیص اشیاء در پزشکی
• 53. مقدمه‌ای بر مدل‌های سفارشی (Custom Models)
• 54. تفاوت مدل‌های از پیش آموزش‌داده‌شده با مدل‌های سفارشی
• 55. تنظیمات پیشرفته در Custom Vision
• 56. استفاده از Azure Blob Storage برای داده‌ها
• 57. مدیریت مجموعه داده‌ها
• 58. تکنیک‌های پیشرفتهٔ برچسب‌گذاری
• 59. اعتبارسنجی متقابل (Cross-validation)
• 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 61. استفاده از مدل‌های از پیش آموزش‌داده‌شده
• 62. تنظیم دقیق (Fine-tuning) مدل‌ها
• 63. ملاحظات اخلاقی در هوش مصنوعی
• 64. حریم خصوصی در پردازش تصویر
• 65. امنیت داده‌ها در Azure
• 66. ملاحظات مربوط به داده‌های حساس
• 67. پیاده‌سازی مدل در برنامه‌های کاربردی
• 68. استفاده از SDKهای Azure
• 69. توسعهٔ برنامه‌های کاربردی با مدل Custom Vision
• 70. مقیاس‌پذیری مدل‌های Custom Vision
• 71. بهینه‌سازی عملکرد مدل
• 72. عیب‌یابی مدل‌های Custom Vision
• 73. مقدمه‌ای بر مفاهیم پیشرفتهٔ یادگیری ماشین
• 74. شبکه‌های عصبی بازگشتی (RNN)
• 75. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 76. شبکه‌های مولد تخاصمی (GAN)
• 77. کاربرد GAN در تولید تصویر
• 78. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 79. شباهت‌های NLP و پردازش تصویر
• 80. مقدمه‌ای بر اینترنت اشیاء (IoT) و بینایی ماشین
• 81. کاربرد بینایی ماشین در IoT
• 82. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 83. مبانی یادگیری تقویتی
• 84. کاربرد یادگیری تقویتی در بینایی ماشین
• 85. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 86. معماری‌های پیشرفتهٔ یادگیری عمیق
• 87. مقدمه‌ای بر مدل‌های گراف عصبی (GNN)
• 88. کاربرد GNN در بینایی ماشین
• 89. مقدمه‌ای بر محاسبات ابری (Cloud Computing)
• 90. مزایای استفاده از Azure برای هوش مصنوعی
• 91. ملاحظات امنیتی و انطباق در Azure
• 92. مقدمه‌ای بر هوش مصنوعی توضیحی (Explainable AI - XAI)
• 93. اهمیت XAI در بینایی ماشین
• 94. ملاحظات مربوط به تعصب در مدل‌های هوش مصنوعی
• 95. شناسایی و کاهش تعصبات
• 96. مقدمه‌ای بر پردازش سه‌بعدی تصویر
• 97. کاربرد پردازش سه‌بعدی تصویر
• 98. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 99. کاربرد یادگیری فدرال در پردازش تصویر
• 100. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)