دوره مفاهیم کلیدی یادگیری نظارت شده در توسعه خودروهای خودران همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مفاهیم کلیدی یادگیری نظارت شده در توسعه خودروهای خودران

موضوع کلی: خودروهای خودران و حمل و نقل هوشمند

موضوع میانی: یادگیری نظارت شده (Supervised Learning)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری نظارت شده
• 2. تعریف داده های برچسب دار
• 3. اهمیت داده های تمیز
• 4. فرایند جمع آوری داده
• 5. انواع ویژگی ها در یادگیری نظارت شده
• 6. مهندسی ویژگی برای داده های خودرویی
• 7. تحلیل اکتشافی داده ها
• 8. تصویرسازی داده های خودرویی
• 9. مفهوم تابع هزینه
• 10. بهینه سازی تابع هزینه
• 11. گرادیان نزولی
• 12. آموزش مدل های خطی
• 13. رگرسیون خطی
• 14. محدودیت های رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. مفهوم طبقه‌بندی
• 17. متریک های ارزیابی طبقه‌بندی
• 18. دقت و بازیابی
• 19. امتیاز F1
• 20. منحنی ROC و AUC
• 21. ماشین بردار پشتیبان (SVM)
• 22. هسته ها در SVM
• 23. شبکه های عصبی مصنوعی
• 24. شبکه های عصبی کانولوشنال (CNN)
• 25. کاربرد CNN در پردازش تصویر خودرو
• 26. لایه های CNN
• 27. لایه‌های pooling
• 28. لایه‌های تمام اتصال
• 29. آموزش شبکه های عصبی
• 30. پس انتشار خطا
• 31. تنظیم نرخ یادگیری
• 32. توقف زودهنگام
• 33. منظم سازی (Regularization)
• 34. L1 و L2 regularization
• 35. Drop out
• 36. افزایش داده (Data Augmentation)
• 37. تکنیک های افزایش داده برای تصاویر خودرو
• 38. یادگیری انتقالی (Transfer Learning)
• 39. مزایای یادگیری انتقالی
• 40. مدل های از پیش آموزش دیده
• 41. تنظیم دقیق (Fine-tuning)
• 42. استفاده از مدل های از پیش آموزش دیده برای تشخیص اشیاء
• 43. تشخیص اشیاء در تصاویر خودرو
• 44. معماری های تشخیص اشیاء (YOLO, SSD)
• 45. آبجکت دیتکشن در زمان واقعی
• 46. تشخیص و ردیابی عابر پیاده
• 47. تشخیص علائم راهنمایی و رانندگی
• 48. تشخیص خطوط جاده
• 49. شناسایی موانع
• 50. پیش بینی مسیر حرکت خودرو
• 51. تحلیل داده های LiDAR
• 52. پردازش ابر نقاط
• 53. شناسایی اشیاء با LiDAR
• 54. تشخیص اشیاء در شرایط نوری ضعیف
• 55. فیلتر کردن نویز در داده ها
• 56. آموزش مدل با داده های مختلط (تصویر و LiDAR)
• 57. همگرایی مدل ها
• 58. تنوع داده ها و جلوگیری از بیش برازش (Overfitting)
• 59. عیب یابی مدل های یادگیری نظارت شده
• 60. تحلیل خطاها
• 61. بهبود عملکرد مدل
• 62. انتخاب بهترین مدل
• 63. مدل های ensemble
• 64. ترکیب مدل ها
• 65. حفظ حریم خصوصی در داده ها
• 66. استانداردهای امنیتی داده ها
• 67. کاربرد یادگیری نظارت شده در سیستم های ADAS
• 68. تطبیق پذیری سیستم های خودران
• 69. مدل سازی رفتار راننده
• 70. شناسایی الگوی رفتاری
• 71. یادگیری تقویتی در مقابل نظارت شده
• 72. همکاری یادگیری نظارت شده و تقویتی
• 73. مدل سازی پیش بینی کننده
• 74. پیش بینی وضعیت ترافیک
• 75. سیستم های تشخیص خواب آلودگی راننده
• 76. تشخیص حواس پرتی راننده
• 77. سیستم های هشدار برخورد
• 78. سیستم های پارک خودکار
• 79. نظارت بر سلامت خودرو
• 80. تشخیص نقص های نرم افزاری
• 81. مدل سازی برای تصمیم گیری در شرایط بحرانی
• 82. شبیه سازی محیط های رانندگی
• 83. تست و ارزیابی مدل ها در شبیه ساز
• 84. تفسیرپذیری مدل های یادگیری نظارت شده
• 85. تشریح تصمیمات مدل
• 86. شفافیت در سیستم های خودران
• 87. اخلاق در هوش مصنوعی خودرویی
• 88. مسئولیت پذیری در تصادفات
• 89. چالش های داده های نامتوازن
• 90. تکنیک های مقابله با عدم توازن داده
• 91. یادگیری از داده های اندک
• 92. یادگیری خودنظارت شده (Self-supervised learning)
• 93. کاربرد یادگیری خودنظارت شده در خودروهای خودران
• 94. یادگیری تقویتی عمیق
• 95. ترکیب یادگیری نظارت شده و عمیق
• 96. پایپ لاین توسعه مدل های خودرویی
• 97. ابزارها و فریمورک ها (TensorFlow, PyTorch)
• 98. مدیریت چرخه عمر مدل
• 99. استقرار مدل ها در خودرو
• 100. مانیتورینگ عملکرد مدل در عمل