دوره CNN و کاربردهای آن در بینایی کامپیوتر پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره CNN و کاربردهای آن در بینایی کامپیوتر پیشرفته

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی کانولوشنال (CNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 2. آشنایی با ساختار اساسی CNN
• 3. لایه کانولوشن: هسته و فیلترها
• 4. عملکرد لایه کانولوشن
• 5. لایه فعال‌سازی (ReLU) و اهمیت آن
• 6. لایه Pooling: کاهش ابعاد و استخراج ویژگی
• 7. انواع لایه‌های Pooling (Max Pooling, Average Pooling)
• 8. لایه Fully Connected (تراکم کامل)
• 9. تابع فعال‌سازی در لایه‌های نهایی (Softmax)
• 10. تابع هزینه (Loss Function) در CNN
• 11. بهینه‌سازها (Optimizers): گرادیان کاهشی
• 12. یادگیری و پس‌انتشار خطا (Backpropagation)
• 13. معماری‌های کلاسیک CNN: LeNet-5
• 14. معماری AlexNet و نوآوری‌های آن
• 15. معماری VGG و عمق شبکه‌ها
• 16. معماری GoogLeNet (Inception)
• 17. معماری ResNet و مشکل گرادیان محوشونده
• 18. شبکه‌های GAN (Generative Adversarial Networks)
• 19. کاربرد CNN در تشخیص اشیاء
• 20. تکنیک‌های تشخیص اشیاء: R-CNN
• 21. تکنیک‌های تشخیص اشیاء: Fast R-CNN
• 22. تکنیک‌های تشخیص اشیاء: Faster R-CNN
• 23. تکنیک‌های تشخیص اشیاء: YOLO
• 24. تکنیک‌های تشخیص اشیاء: SSD
• 25. کاربرد CNN در بخش‌بندی تصویر (Image Segmentation)
• 26. بخش‌بندی معنایی (Semantic Segmentation)
• 27. بخش‌بندی نمونه (Instance Segmentation)
• 28. معماری U-Net برای بخش‌بندی
• 29. معماری Mask R-CNN
• 30. کاربرد CNN در تشخیص چهره
• 31. مراحل تشخیص چهره با CNN
• 32. استخراج ویژگی چهره
• 33. مقایسه و تطابق چهره
• 34. کاربرد CNN در تولید تصویر
• 35. تولید تصویر با شبکه‌های GAN
• 36. تکنیک‌های افزایش کیفیت تصویر
• 37. کاربرد CNN در پردازش زبان طبیعی (NLP)
• 38. CNN برای طبقه‌بندی متن
• 39. CNN برای تشخیص احساسات
• 40. CNN برای ترجمه ماشینی
• 41. انتقال یادگیری (Transfer Learning)
• 42. استفاده از مدل‌های از پیش آموزش‌دیده
• 43. تنظیم دقیق (Fine-tuning) مدل‌ها
• 44. پیش‌پردازش داده‌ها برای CNN
• 45. حجم‌دهی داده‌ها (Data Augmentation)
• 46. نرمال‌سازی داده‌ها
• 47. کدنویسی CNN با TensorFlow
• 48. کدنویسی CNN با Keras
• 49. کدنویسی CNN با PyTorch
• 50. محیط‌های توسعه برای CNN
• 51. مبانی یادگیری عمیق
• 52. تفاوت یادگیری عمیق و یادگیری ماشین سنتی
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. شبکه‌های LSTM و GRU
• 55. کاربرد RNN در پردازش دنباله‌ها
• 56. شبکه‌های ترنسفورمر (Transformer)
• 57. توجه (Attention Mechanism) در ترنسفورمر
• 58. کاربرد ترنسفورمر در NLP
• 59. کاربرد ترنسفورمر در بینایی کامپیوتر
• 60. شبکه‌های عصبی گراف (GNN)
• 61. مبانی شبکه‌های عصبی گراف
• 62. کاربرد GNN در تحلیل شبکه‌ها
• 63. کاربرد GNN در شیمی و داروسازی
• 64. معماری‌های پیشرفته CNN
• 65. شبکه‌های DenseNet
• 66. شبکه‌های MobileNet
• 67. شبکه‌های EfficientNet
• 68. کاربرد CNN در پزشکی
• 69. تشخیص بیماری‌ها از روی تصاویر پزشکی
• 70. تحلیل تصاویر رادیولوژی
• 71. تحلیل تصاویر پاتولوژی
• 72. کاربرد CNN در خودروهای خودران
• 73. تشخیص موانع با CNN
• 74. درک محیطی با CNN
• 75. تصمیم‌گیری در خودروهای خودران
• 76. کاربرد CNN در امنیت سایبری
• 77. شناسایی بدافزارها
• 78. تشخیص نفوذ
• 79. تحلیل ترافیک شبکه
• 80. کاربرد CNN در کشاورزی
• 81. تشخیص آفات و بیماری‌های گیاهی
• 82. تحلیل تصاویر ماهواره‌ای کشاورزی
• 83. بهینه‌سازی مصرف منابع
• 84. کاربرد CNN در هنر و خلاقیت
• 85. تولید آثار هنری
• 86. بازسازی تصاویر تاریخی
• 87. سبک‌دهی تصاویر
• 88. ملاحظات اخلاقی در CNN
• 89. حریم خصوصی در تصاویر
• 90. سوگیری در داده‌ها و مدل‌ها
• 91. مسئولیت‌پذیری در سیستم‌های مبتنی بر CNN
• 92. آینده CNN و بینایی کامپیوتر
• 93. تحولات جدید در معماری‌ها
• 94. کاربردهای نوظهور
• 95. چالش‌های پیش رو
• 96. جمع‌بندی و مسیرهای تحقیقاتی آینده
• 97. آموزش مدل‌های CNN بر روی سخت‌افزارهای موازی (GPU)
• 98. نکات عملی در پیاده‌سازی CNN
• 99. ارزیابی عملکرد مدل‌های CNN
• 100. شاخص‌های ارزیابی (Accuracy, Precision, Recall)