دوره معماری‌های CNN پیشرفته (ResNet, Inception) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری‌های CNN پیشرفته (ResNet, Inception)

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
• 2. انواع لایه‌های کانولوشنال
• 3. تابع فعال‌سازی ReLU
• 4. لایه‌های Pooling: Max Pooling و Average Pooling
• 5. لایه‌های Fully Connected
• 6. تابع فعال‌سازی Softmax
• 7. بهینه‌سازی گرادیان کاهشی
• 8. الگوریتم‌های بهینه‌سازی: Adam و SGD
• 9. تنظیم نرخ یادگیری
• 10. تکنیک‌های Regularization: Dropout و L2
• 11. اعتبارسنجی متقابل (Cross-validation)
• 12. تکنیک‌های Augmentation داده
• 13. معماری‌های اولیه CNN: LeNet-5
• 14. معماری AlexNet
• 15. معماری VGGNet
• 16. آشنایی با معماری‌های پیشرفته CNN
• 17. مفهوم Residual Connections
• 18. معماری ResNet
• 19. بلوک‌های Residual در ResNet
• 20. انواع ResNet: ResNet-18, ResNet-34, ResNet-50
• 21. بلوک‌های Inception
• 22. معماری GoogLeNet (Inception v1)
• 23. Inception v2 و v3
• 24. Inception v4 و Inception-ResNet
• 25. تکنیک‌های Batch Normalization
• 26. اهمیت Batch Normalization در ResNet
• 27. مفهوم Squeeze-and-Excitation Networks (SENet)
• 28. معماری SENet
• 29. کاربرد SENet در بهبود عملکرد CNN
• 30. معماری EfficientNet
• 31. مقیاس‌بندی مدل در EfficientNet
• 32. مفهوم Depthwise Separable Convolutions
• 33. معماری MobileNet
• 34. کاربرد MobileNet در دستگاه‌های موبایل
• 35. معماری ShuffleNet
• 36. مفهوم Channel Shuffle
• 37. معماری DenseNet
• 38. بلوک‌های متراکم در DenseNet
• 39. مزایای DenseNet
• 40. مفهوم Attention Mechanisms
• 41. خود-توجهی (Self-Attention)
• 42. مکانیسم‌های توجه در CNN
• 43. معماری Transformer و کاربردهای آن
• 44. مفهوم Transfer Learning
• 45. استفاده از وزن‌های از پیش آموزش‌دیده
• 46. Fine-tuning مدل‌ها
• 47. کاربرد Transfer Learning در تشخیص تصویر
• 48. Object Detection: مفاهیم پایه
• 49. معماری R-CNN
• 50. معماری Fast R-CNN
• 51. معماری Faster R-CNN
• 52. معماری YOLO (You Only Look Once)
• 53. YOLO v1 تا v5
• 54. معماری SSD (Single Shot MultiBox Detector)
• 55. مفهوم Anchor Boxes
• 56. مفهوم Non-Maximum Suppression (NMS)
• 57. Semantic Segmentation: مفاهیم پایه
• 58. معماری FCN (Fully Convolutional Networks)
• 59. معماری U-Net
• 60. کاربرد U-Net در تصویربرداری پزشکی
• 61. معماری DeepLab
• 62. مفهوم Atrous Convolution
• 63. مفهوم Atrous Spatial Pyramid Pooling (ASPP)
• 64. مفهوم Instance Segmentation
• 65. معماری Mask R-CNN
• 66. کاربرد Mask R-CNN
• 67. تکنیک‌های Data Augmentation پیشرفته
• 68. تکنیک‌های CutMix و Mixup
• 69. تکنیک‌های AutoAugment
• 70. مفاهیم GANs (Generative Adversarial Networks)
• 71. معماری DCGAN
• 72. کاربرد GANs در تولید تصویر
• 73. مفاهیم Style Transfer
• 74. معماری‌های Style Transfer
• 75. کاربرد Style Transfer
• 76. مفاهیم Explainable AI (XAI)
• 77. تکنیک‌های LIME و SHAP
• 78. کاربرد XAI در CNN
• 79. مفاهیم Federated Learning
• 80. کاربرد Federated Learning در حفظ حریم خصوصی
• 81. مفاهیم Continual Learning
• 82. چالش‌های Continual Learning
• 83. معماری‌های پیشرفته برای Continual Learning
• 84. مفاهیم Graph Neural Networks (GNNs)
• 85. کاربرد GNNs در داده‌های ساختاریافته
• 86. مفاهیم Self-Supervised Learning
• 87. کاربردهای Self-Supervised Learning
• 88. مفاهیم Contrastive Learning
• 89. کاربرد Contrastive Learning
• 90. مفاهیم Meta-Learning
• 91. کاربرد Meta-Learning
• 92. مفاهیم Few-Shot Learning
• 93. چالش‌های Few-Shot Learning
• 94. معماری‌های Few-Shot Learning
• 95. مفاهیم Neural Architecture Search (NAS)
• 96. روش‌های NAS
• 97. کاربرد NAS در طراحی CNN
• 98. مفاهیم Model Compression
• 99. تکنیک‌های Pruning و Quantization
• 100. مفاهیم Knowledge Distillation