اپلیکیشن اندرویدی فلش‌کارت آموزشی مدل‌های یادگیری عمیق با شبکه‌های عصبی کانولوشنال (CNN)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های یادگیری عمیق با شبکه‌های عصبی کانولوشنال (CNN)

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
• 2. مبانی شبکه‌های عصبی مصنوعی
• 3. معماری شبکه‌های عصبی عمیق
• 4. لایه کانولوشن: اصول و کاربردها
• 5. فیلترها و کرنل‌ها در شبکه‌های کانولوشنال
• 6. عمق، عرض و ارتفاع در لایه‌های کانولوشن
• 7. عملکرد نگاشت ویژگی (Feature Mapping)
• 8. تابع فعال‌سازی ReLU
• 9. پدینگ (Padding) در لایه‌های کانولوشن
• 10. استراید (Stride) در لایه‌های کانولوشن
• 11. لایه پولینگ (Pooling) و انواع آن
• 12. پولینگ ماکس (Max Pooling)
• 13. پولینگ اوریج (Average Pooling)
• 14. کاربرد لایه‌های پولینگ در کاهش ابعاد
• 15. لایه نرمال‌سازی دسته‌ای (Batch Normalization)
• 16. اهمیت نرمال‌سازی دسته‌ای
• 17. لایه خروجی و تابع فعال‌سازی Softmax
• 18. آرگومان‌های تابع Softmax
• 19. آموزش شبکه‌های عصبی کانولوشنال
• 20. تابع هزینه (Loss Function) برای طبقه‌بندی
• 21. بهینه‌سازهای گرادیان نزولی
• 22. نرخ یادگیری (Learning Rate)
• 23. بهینه‌ساز Adam
• 24. بهینه‌ساز SGD با مومنتوم
• 25. پس‌انتشار خطا (Backpropagation) در CNN
• 26. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 27. اعتبارسنجی متقابل (Cross-Validation)
• 28. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 29. بیش‌برازش (Overfitting) و راه‌های مقابله
• 30. روش‌های منظم‌سازی (Regularization)
• 31. L1 و L2 Regularization
• 32. Dropout: مکانیزم و کاربرد
• 33. اهمیت داده‌های برچسب‌دار
• 34. پیش‌پردازش داده‌ها برای CNN
• 35. تکنیک‌های افزایش داده (Data Augmentation)
• 36. چرخش و مقیاس‌بندی تصاویر
• 37. تغییر رنگ و برش تصاویر
• 38. معماری‌های معروف CNN: LeNet-5
• 39. معماری معروف CNN: AlexNet
• 40. معماری معروف CNN: VGGNet
• 41. معماری معروف CNN: GoogLeNet (Inception)
• 42. معماری معروف CNN: ResNet
• 43. شبکه‌های عصبی کانولوشنال برای تشخیص اشیاء
• 44. شبکه‌های عصبی کانولوشنال برای بخش‌بندی تصاویر
• 45. کاربرد CNN در پردازش زبان طبیعی (NLP)
• 46. CNN برای تحلیل احساسات متون
• 47. CNN در تشخیص چهره
• 48. CNN در تشخیص پزشکی (تصویربرداری)
• 49. CNN در سیستم‌های توصیه‌گر
• 50. CNN در پردازش ویدئو
• 51. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 52. شباهت‌ها و تفاوت‌های CNN و ترنسفورمر
• 53. محدودیت‌های شبکه‌های کانولوشنال
• 54. ملاحظات امنیتی در پیاده‌سازی CNN
• 55. حفظ حریم خصوصی در داده‌های تصویری
• 56. اصول اخلاقی در توسعه هوش مصنوعی
• 57. مسئولیت‌پذیری در قبال خروجی مدل‌ها
• 58. کاربرد CNN در صنعت خودرو (خودران)
• 59. CNN در بازیابی اطلاعات تصویری
• 60. CNN در تولید محتوای خلاقانه
• 61. شبکه‌های عصبی کانولوشنال مولد (GAN)
• 62. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 63. کاربرد CNN در رباتیک
• 64. CNN در تحلیل بازارهای مالی
• 65. CNN در پیش‌بینی آب و هوا
• 66. CNN در تشخیص ناهنجاری (Anomaly Detection)
• 67. CNN در سیستم‌های نظارتی
• 68. CNN در پردازش صدا
• 69. CNN در تحلیل داده‌های سنسورها
• 70. CNN در بهینه‌سازی فرآیندها
• 71. CNN در کشف دارو
• 72. CNN در مدیریت هوشمند شهری
• 73. CNN در آموزش مجازی
• 74. CNN در تحلیل شبکه‌های اجتماعی
• 75. CNN در کشف تقلب
• 76. CNN در بهینه‌سازی مصرف انرژی
• 77. CNN در کشاورزی هوشمند
• 78. CNN در واقعیت افزوده (AR)
• 79. CNN در واقعیت مجازی (VR)
• 80. CNN در طراحی معماری
• 81. CNN در تحلیل زیست‌شناسی مولکولی
• 82. CNN در مهندسی مواد
• 83. CNN در فیزیک ذرات
• 84. CNN در نجوم
• 85. CNN در تحلیل داده‌های زمین‌شناسی
• 86. CNN در علوم محیط زیست
• 87. CNN در بهداشت عمومی
• 88. CNN در حقوق و جرم‌شناسی
• 89. CNN در مدیریت بحران
• 90. CNN در بهینه‌سازی زنجیره تأمین
• 91. CNN در خدمات مشتریان
• 92. CNN در تحلیل رقبا
• 93. CNN در توسعه بازی‌های ویدئویی
• 94. CNN در طراحی رابط کاربری (UI)
• 95. CNN در بهینه‌سازی موتورهای جستجو
• 96. CNN در تحلیل ترافیک
• 97. CNN در مدیریت منابع انسانی
• 98. CNN در برنامه‌ریزی درسی
• 99. CNN در ارزیابی عملکرد