دوره معرفی و کاربرد ترنسفورمرهای بینایی (Vision Transformers) با رویکرد عملی در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معرفی و کاربرد ترنسفورمرهای بینایی (Vision Transformers) با رویکرد عملی در پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و هوش مصنوعی
• 2. مقدمه‌ای بر شبکه‌های عصبی
• 3. ساختار پرسپترون تک لایه
• 4. توابع فعال‌سازی در شبکه‌های عصبی
• 5. پس‌انتشار خطا (Backpropagation)
• 6. بهینه‌سازی گرادیان نزولی
• 7. انواع بهینه‌سازها (SGD, Adam, RMSprop)
• 8. شبکه‌های عصبی چند لایه (MLP)
• 9. مقدمه‌ای بر یادگیری عمیق
• 10. شبکه‌های عصبی کانولوشنی (CNN)
• 11. لایه‌های کانولوشن و پولینگ
• 12. کاربرد CNN در تشخیص تصویر
• 13. شبکه‌های عصبی بازگشتی (RNN)
• 14. حافظه کوتاه‌مدت طولانی (LSTM)
• 15. شبکه‌های عصبی ترنسفورمر
• 16. معماری ترنسفورمر: مکانیزم توجه
• 17. مکانیزم توجه خودی (Self-Attention)
• 18. کاربرد ترنسفورمر در پردازش زبان طبیعی (NLP)
• 19. مقدمه‌ای بر ترنسفورمرهای بینایی (ViT)
• 20. ساختار اصلی ترنسفورمرهای بینایی
• 21. تقسیم تصویر به پچ (Patches)
• 22. جاسازی پچ‌ها (Patch Embeddings)
• 23. کدگذاری موقعیت (Positional Encoding)
• 24. لایه ترنسفورمر در ViT
• 25. مکانیزم توجه در ViT
• 26. دسته‌بندی تصاویر با ViT
• 27. تشخیص اشیاء با ViT
• 28. تقسیم‌بندی معنایی با ViT
• 29. مدل‌های از پیش آموزش‌دیده ViT
• 30. انتقال یادگیری (Transfer Learning)
• 31. تنظیم دقیق (Fine-Tuning) مدل‌های ViT
• 32. آماده‌سازی مجموعه داده برای ViT
• 33. پیش‌پردازش تصاویر برای ViT
• 34. تکنیک‌های افزایش داده (Data Augmentation)
• 35. پیاده‌سازی ViT با PyTorch
• 36. پیاده‌سازی ViT با TensorFlow/Keras
• 37. آموزش مدل ViT از ابتدا
• 38. تنظیم دقیق مدل ViT برای وظایف جدید
• 39. ارزیابی عملکرد مدل ViT
• 40. معیارهای ارزیابی در بینایی ماشین
• 41. مصرف حافظه و زمان آموزش ViT
• 42. بهینه‌سازی سرعت آموزش ViT
• 43. کاهش پیچیدگی محاسباتی ViT
• 44. مدل‌های ترکیبی CNN-Transformer
• 45. کاربرد ViT در تحلیل پزشکی
• 46. ViT برای تشخیص بیماری‌ها
• 47. ViT در سیستم‌های نظارتی
• 48. ViT در رباتیک و بینایی ماشین
• 49. ViT برای تولید تصویر (Generative Models)
• 50. چالش‌ها و محدودیت‌های ViT
• 51. آینده ترنسفورمرهای بینایی
• 52. مفاهیم پیشرفته در ViT
• 53. تقویت یادگیری (Reinforcement Learning)
• 54. شبکه‌های مولد تخاصمی (GANs)
• 55. یادگیری انتقالی برای داده‌های نامتوازن
• 56. تفسیرپذیری مدل‌های یادگیری عمیق
• 57. روش‌های توضیح‌پذیری در ViT
• 58. حریم خصوصی در مدل‌های هوش مصنوعی
• 59. اخلاق در هوش مصنوعی
• 60. کاربرد هوش مصنوعی در صنعت
• 61. هوش مصنوعی در کشاورزی
• 62. هوش مصنوعی در حمل و نقل
• 63. هوش مصنوعی در آموزش
• 64. هوش مصنوعی در بهداشت و درمان
• 65. هوش مصنوعی در امور مالی
• 66. مقدمه‌ای بر پردازش سیگنال
• 67. پردازش سیگنال‌های صوتی
• 68. پردازش سیگنال‌های زمانی
• 69. کاربرد ViT در پردازش سیگنال
• 70. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 71. ترکیب اطلاعات تصویری و متنی
• 72. مدل‌های چندوجهی مبتنی بر ترنسفورمر
• 73. کاربرد ViT در خلاصه‌سازی تصویر
• 74. تولید شرح تصویر (Image Captioning)
• 75. پرسش و پاسخ تصویری (Visual Question Answering)
• 76. جستجوی تصویر بر اساس متن
• 77. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 78. پیاده‌سازی یادگیری فدرال با ViT
• 79. ملاحظات امنیتی در ViT
• 80. تکنیک‌های منظم‌سازی (Regularization)
• 81. مدیریت بیش‌برازش (Overfitting)
• 82. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 83. استفاده از GPU برای آموزش ViT
• 84. مفاهیم پایه پایتون برای یادگیری ماشین
• 85. کتابخانه NumPy برای محاسبات عددی
• 86. کتابخانه Pandas برای تحلیل داده
• 87. کتابخانه Matplotlib برای بصری‌سازی
• 88. آشنایی با PyTorch
• 89. آشنایی با TensorFlow
• 90. اصول برنامه‌نویسی تمیز
• 91. مدیریت پروژه در یادگیری ماشین
• 92. مستندسازی کد و مدل‌ها
• 93. مرور مقالات کلیدی در زمینه ViT
• 94. تکنیک‌های پیشرفته Fine-Tuning
• 95. مدل‌های کوچک‌تر و کارآمدتر ViT
• 96. کاربرد ViT در واقعیت افزوده
• 97. مقدمه‌ای بر یادگیری عمیق در لبه (Edge AI)
• 98. پیاده‌سازی ViT بر روی دستگاه‌های لبه
• 99. ملاحظات سخت‌افزاری برای ViT
• 100. آینده پژوهش در ترنسفورمرهای بینایی