دوره معیارهای ارزیابی کارایی طبقه‌بندی تصویر در بینایی ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معیارهای ارزیابی کارایی طبقه‌بندی تصویر در بینایی ماشین

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: ارزیابی سیستم‌های بینایی ماشین

📋 سرفصل‌های دوره

• 1. مقدمه بر طبقه‌بندی تصویر
• 2. مبانی طبقه‌بندی تصویر
• 3. هدف از طبقه‌بندی تصویر
• 4. کاربردها در بینایی ماشین
• 5. مفاهیم کلیدی در ارزیابی
• 6. اهمیت معیارهای ارزیابی
• 7. دسته‌بندی معیارهای ارزیابی
• 8. معیارهای پایه
• 9. دقت (Accuracy)
• 10. مفهوم دقت
• 11. محاسبه دقت
• 12. نقاط ضعف دقت
• 13. سوگیری در داده‌ها
• 14. دقت برای مجموعه داده‌های نامتوازن
• 15. مقدمه بر ماتریس درهم‌ریختگی (Confusion Matrix)
• 16. ساختار ماتریس درهم‌ریختگی
• 17. درک اجزای ماتریس
• 18. ماتریس درهم‌ریختگی دوکلاسه
• 19. ماتریس درهم‌ریختگی چندکلاسه
• 20. مزایای ماتریس درهم‌ریختگی
• 21. محدودیت‌های ماتریس درهم‌ریختگی
• 22. مفاهیم مشتق شده از ماتریس درهم‌ریختگی
• 23. صحت (Precision)
• 24. تعریف صحت
• 25. محاسبه صحت
• 26. اهمیت صحت
• 27. صحت و نتایج مثبت کاذب
• 28. صحت در مقابل صحت کلی
• 29. حساسیت (Recall) یا پوشش (Coverage)
• 30. تعریف حساسیت
• 31. محاسبه حساسیت
• 32. اهمیت حساسیت
• 33. حساسیت و نتایج منفی کاذب
• 34. حساسیت در مقابل صحت کلی
• 35. ویژگی (F1-Score)
• 36. تعریف ویژگی
• 37. محاسبه ویژگی
• 38. اهمیت ویژگی
• 39. توازن بین صحت و حساسیت
• 40. کاربرد ویژگی
• 41. معیارهای مبتنی بر احتمال
• 42. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 43. مفهوم منحنی ROC
• 44. محورهای منحنی ROC
• 45. نقطه آستانه (Threshold)
• 46. نمودار ROC
• 47. تفسیر منحنی ROC
• 48. مساحت زیر منحنی ROC (AUC)
• 49. محاسبه AUC
• 50. اهمیت AUC
• 51. AUC و توانایی تفکیک
• 52. منحنی دقت-پوشش (Precision-Recall Curve)
• 53. مفهوم منحنی PR
• 54. محورهای منحنی PR
• 55. تفسیر منحنی PR
• 56. تفاوت ROC و PR
• 57. کاربرد منحنی PR
• 58. مساحت زیر منحنی PR
• 59. معیارهای متنی (Contextual Metrics)
• 60. کالیبراسیون مدل (Model Calibration)
• 61. اهمیت کالیبراسیون
• 62. نحوه ارزیابی کالیبراسیون
• 63. نمودار کالیبراسیون
• 64. کالیبراسیون با استفاده از نمایش حرارتی (Reliability Diagrams)
• 65. معیارهای مرتبط با ریسک
• 66. هزینه خطاهای طبقه‌بندی
• 67. تعریف هزینه خطا
• 68. مدل‌سازی هزینه خطا
• 69. تابع هزینه (Cost Function)
• 70. بهینه‌سازی با تابع هزینه
• 71. معیارهای اقتصادی
• 72. معیارهای مرتبط با کاربرد
• 73. کارایی در دنیای واقعی
• 74. سنجش سرعت اجرا
• 75. مصرف حافظه
• 76. توان محاسباتی مورد نیاز
• 77. پیاده‌سازی و استقرار
• 78. معیارهای مرتبط با عدم قطعیت
• 79. آنتروپی (Entropy)
• 80. اندازه‌گیری عدم قطعیت
• 81. آنتروپی در طبقه‌بندی
• 82. آنتروپی متقابل (Cross-Entropy)
• 83. کاربرد آنتروپی متقابل
• 84. انتروپی شانون (Shannon Entropy)
• 85. مدل‌های بیزی (Bayesian Models)
• 86. استفاده از احتمالات پسین (Posterior Probabilities)
• 87. مدیریت عدم قطعیت پیش‌بینی
• 88. معیارهای مبتنی بر فاصله
• 89. فاصله اقلیدسی (Euclidean Distance)
• 90. فاصله منهتن (Manhattan Distance)
• 91. فاصله کسینوسی (Cosine Similarity)
• 92. تأثیر فاصله بر طبقه‌بندی
• 93. معیارهای خاص برای تسک‌های بینایی ماشین
• 94. تشخیص اشیاء (Object Detection)
• 95. جعبه احاطه‌کننده (Bounding Box)
• 96. همپوشانی (IoU - Intersection over Union)
• 97. متریک‌های تشخیص اشیاء
• 98. بخش‌بندی معنایی (Semantic Segmentation)
• 99. پیکسل صحیح (Correct Pixel)
• 100. دقت پیکسل (Pixel Accuracy)