دوره مبانی بینایی ماشین با پایتون و PyTorch همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی بینایی ماشین با پایتون و PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بینایی ماشین و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای بینایی ماشین
• 2. نصب و راه‌اندازی محیط توسعه
• 3. آشنایی با کتابخانه‌های کلیدی (NumPy, Matplotlib)
• 4. مفاهیم پایه تصویر در پایتون
• 5. عملیات پایه‌ای روی تصاویر (تغییر اندازه، برش، چرخش)
• 6. تبدیلات رنگی (RGB, Grayscale, HSV)
• 7. فیلترهای تصویر (کانولوشن، گوسی، میانه)
• 8. آشنایی با کتابخانه OpenCV
• 9. خواندن و نوشتن تصاویر با OpenCV
• 10. ترسیم اشکال هندسی روی تصاویر
• 11. کار با ویدئو در OpenCV
• 12. مفاهیم پایه یادگیری ماشین
• 13. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 14. پیش‌پردازش داده‌ها
• 15. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 16. متریک‌های ارزیابی مدل‌ها
• 17. مبانی شبکه‌های عصبی
• 18. نورون مصنوعی و توابع فعال‌سازی
• 19. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 20. گرادیان کاهشی و پس‌انتشار خطا
• 21. آشنایی با PyTorch
• 22. نصب و پیکربندی PyTorch
• 23. تنسورها در PyTorch
• 24. عملیات روی تنسورها
• 25. مبانی محاسبات گرادیانی در PyTorch
• 26. ساخت مدل‌های ساده با PyTorch
• 27. آموزش مدل‌های MLP با PyTorch
• 28. کار با داده‌ست‌های تصویری
• 29. بارگذاری داده‌ست‌های استاندارد (MNIST, CIFAR-10)
• 30. ساخت DataLoaders در PyTorch
• 31. آشنایی با شبکه‌های عصبی کانولوشنی (CNN)
• 32. لایه کانولوشن و پارامترهای آن
• 33. لایه‌های Pooling (Max Pooling, Average Pooling)
• 34. ساخت شبکه‌های CNN با PyTorch
• 35. آموزش CNN برای طبقه‌بندی تصاویر
• 36. تنظیم ابرپارامترها در CNN
• 37. تکنیک‌های افزایش داده (Data Augmentation)
• 38. انتقال یادگیری (Transfer Learning)
• 39. استفاده از مدل‌های از پیش آموزش‌دیده
• 40. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 41. مبانی تشخیص اشیاء
• 42. معماری‌های تشخیص اشیاء (Faster R-CNN, YOLO)
• 43. پیاده‌سازی تشخیص اشیاء با PyTorch
• 44. ارزیابی مدل‌های تشخیص اشیاء
• 45. مبانی بخش‌بندی تصاویر (Image Segmentation)
• 46. معماری‌های بخش‌بندی (U-Net, Mask R-CNN)
• 47. پیاده‌سازی بخش‌بندی تصاویر با PyTorch
• 48. ارزیابی مدل‌های بخش‌بندی
• 49. مبانی تشخیص چهره
• 50. روش‌های استخراج ویژگی چهره
• 51. مدل‌های تشخیص و شناسایی چهره
• 52. پیاده‌سازی تشخیص چهره با PyTorch
• 53. مبانی پردازش زبان طبیعی (NLP) برای بینایی ماشین
• 54. کاربرد NLP در تحلیل تصاویر
• 55. مدل‌های توصیف تصویر (Image Captioning)
• 56. پیاده‌سازی توصیف تصویر با PyTorch
• 57. مبانی تولید تصویر (Image Generation)
• 58. شبکه‌های مولد تخاصمی (GAN)
• 59. پیاده‌سازی GANهای ساده با PyTorch
• 60. مبانی تفسیرپذیری مدل‌های یادگیری عمیق
• 61. روش‌های توضیح پیش‌بینی مدل
• 62. کاربرد تفسیرپذیری در بینایی ماشین
• 63. اصول اخلاقی در هوش مصنوعی و بینایی ماشین
• 64. حریم خصوصی و امنیت داده‌های تصویری
• 65. سوگیری در مدل‌های بینایی ماشین
• 66. راهکارهای کاهش سوگیری
• 67. کاربرد بینایی ماشین در صنعت
• 68. بینایی ماشین در پزشکی
• 69. بینایی ماشین در کشاورزی
• 70. بینایی ماشین در خودروهای خودران
• 71. بینایی ماشین در رباتیک
• 72. مبانی پردازش سه‌بعدی تصاویر
• 73. نمایش داده‌های سه‌بعدی
• 74. کاربرد بینایی ماشین در فضای سه‌بعدی
• 75. پروژه‌های عملی در بینایی ماشین
• 76. ساخت یک اپلیکیشن تشخیص اشیاء ساده
• 77. طراحی یک مدل طبقه‌بندی تصاویر سفارشی
• 78. پیاده‌سازی بخش‌بندی تصاویر پزشکی
• 79. ساخت سیستم توصیف تصویر
• 80. تولید تصاویر با استفاده از GAN
• 81. پیشرفت‌های اخیر در بینایی ماشین
• 82. آخرین معماری‌ها و تکنیک‌ها
• 83. چالش‌های آینده در بینایی ماشین
• 84. کاربرد هوش مصنوعی در خدمات شهری
• 85. پایش تصویری هوشمند
• 86. تحلیل رفتار در فضاهای عمومی
• 87. مدیریت ترافیک با بینایی ماشین
• 88. کاربرد هوش مصنوعی در حفظ محیط زیست
• 89. تشخیص آلودگی با تصاویر ماهواره‌ای
• 90. پایش حیات وحش با بینایی ماشین
• 91. کاربرد هوش مصنوعی در آموزش
• 92. سیستم‌های آموزشی هوشمند
• 93. ارزیابی هوشمند تکالیف تصویری
• 94. کاربرد هوش مصنوعی در هنر
• 95. تولید آثار هنری با هوش مصنوعی
• 96. تحلیل و دسته‌بندی آثار هنری
• 97. کاربرد هوش مصنوعی در امنیت
• 98. تشخیص ناهنجاری در تصاویر نظارتی
• 99. سیستم‌های احراز هویت تصویری
• 100. کاربرد هوش مصنوعی در حقوق