دوره مدل‌های کانولوشنی (CNNs) در یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های کانولوشنی (CNNs) در یادگیری عمیق

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی کانولوشنی
• 2. مقدمه‌ای بر یادگیری عمیق
• 3. معماری پایه‌ای شبکه‌های کانولوشنی
• 4. لایه کانولوشن و فیلترها
• 5. تابع فعال‌سازی ReLU
• 6. لایه‌های Pooling (Max Pooling, Average Pooling)
• 7. لایه‌های Fully Connected
• 8. تابع فعال‌سازی Softmax
• 9. تابع هزینه Cross-Entropy
• 10. بهینه‌سازهای مبتنی بر گرادیان (SGD, Adam)
• 11. روش‌های تنظیم پارامتر (Learning Rate Scheduling)
• 12. تنظیم‌گری (Regularization) در CNNs
• 13. Dropout و مزایای آن
• 14. Batch Normalization
• 15. معماری‌های معروف CNN (AlexNet, VGG)
• 16. معماری GoogleNet (Inception)
• 17. معماری ResNet
• 18. معماری MobileNet
• 19. معماری DenseNet
• 20. استفاده از CNN در طبقه‌بندی تصاویر
• 21. پیش‌پردازش داده‌های تصویری
• 22. افزایش داده (Data Augmentation)
• 23. کاربرد CNN در تشخیص اشیاء (Object Detection)
• 24. مفاهیم اولیه تشخیص اشیاء
• 25. معماری‌های تشخیص اشیاء (YOLO, SSD)
• 26. معماری Faster R-CNN
• 27. معماری Mask R-CNN
• 28. کاربرد CNN در قطعه‌بندی تصاویر (Image Segmentation)
• 29. مفاهیم اولیه قطعه‌بندی تصاویر
• 30. معماری‌های قطعه‌بندی تصاویر (U-Net, DeepLab)
• 31. معماری FCN (Fully Convolutional Networks)
• 32. کاربرد CNN در تولید تصاویر (Image Generation)
• 33. شبکه‌های مولد تخاصمی (GANs)
• 34. معماری‌های GAN برای تولید تصویر
• 35. کاربرد CNN در تشخیص چهره
• 36. مبانی تشخیص چهره
• 37. الگوریتم‌های تشخیص چهره مبتنی بر CNN
• 38. کاربرد CNN در تحلیل احساسات تصاویر
• 39. تحلیل احساسات با استفاده از CNN
• 40. کاربرد CNN در پردازش زبان طبیعی (NLP)
• 41. مقدمه‌ای بر NLP و CNN
• 42. مدل‌های مبتنی بر CNN برای طبقه‌بندی متن
• 43. مدل‌های مبتنی بر CNN برای استخراج ویژگی متن
• 44. کاربرد CNN در سیستم‌های توصیه‌گر
• 45. مبانی سیستم‌های توصیه‌گر
• 46. استفاده از CNN در تحلیل داده‌های تصویری پزشکی
• 47. کاربرد CNN در تشخیص بیماری‌ها از روی تصاویر پزشکی
• 48. کاربرد CNN در تحلیل تصاویر ماهواره‌ای
• 49. کاربرد CNN در پیش‌بینی آب و هوا
• 50. کاربرد CNN در رباتیک و بینایی ماشین
• 51. مبانی بینایی ماشین
• 52. استفاده از CNN در ناوبری ربات‌ها
• 53. کاربرد CNN در بازی‌های ویدئویی
• 54. مبانی یادگیری تقویتی
• 55. استفاده از CNN در عامل‌های یادگیری تقویتی
• 56. کاربرد CNN در تحلیل داده‌های سری زمانی
• 57. مبانی تحلیل داده‌های سری زمانی
• 58. استفاده از CNN در پیش‌بینی سری‌های زمانی
• 59. کاربرد CNN در تشخیص ناهنجاری (Anomaly Detection)
• 60. مبانی تشخیص ناهنجاری
• 61. استفاده از CNN در تشخیص ناهنجاری در تصاویر
• 62. کاربرد CNN در پردازش سیگنال
• 63. مبانی پردازش سیگنال
• 64. استفاده از CNN در تحلیل سیگنال‌های صوتی
• 65. کاربرد CNN در تشخیص صدا
• 66. مبانی تشخیص صدا
• 67. استفاده از CNN در تحلیل الگوهای پیچیده
• 68. کاربرد CNN در کشف دانش از داده‌ها
• 69. مبانی استخراج دانش
• 70. کاربرد CNN در داده‌کاوی
• 71. مبانی داده‌کاوی
• 72. کاربرد CNN در یادگیری فعال (Active Learning)
• 73. مبانی یادگیری فعال
• 74. کاربرد CNN در یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 75. مبانی یادگیری نیمه‌نظارتی
• 76. کاربرد CNN در یادگیری انتقال (Transfer Learning)
• 77. مبانی یادگیری انتقال
• 78. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 79. کاربرد CNN در مدل‌سازی گراف (Graph CNNs)
• 80. مبانی شبکه‌های گراف
• 81. شبکه‌های کانولوشنی روی گراف
• 82. کاربرد CNN در پردازش تصاویر سه‌بعدی
• 83. مبانی پردازش تصاویر سه‌بعدی
• 84. استفاده از CNN در تحلیل داده‌های پزشکی سه‌بعدی
• 85. کاربرد CNN در واقعیت افزوده و مجازی
• 86. مبانی واقعیت افزوده و مجازی
• 87. استفاده از CNN در سیستم‌های تشخیص چهره پیشرفته
• 88. مبانی تشخیص چهره پیشرفته
• 89. کاربرد CNN در سیستم‌های تشخیص هویت
• 90. مبانی تشخیص هویت
• 91. کاربرد CNN در تحلیل ترافیک شهری
• 92. مبانی تحلیل ترافیک
• 93. استفاده از CNN در مدیریت هوشمند شهری
• 94. مبانی مدیریت هوشمند شهری
• 95. کاربرد CNN در کشاورزی دقیق
• 96. مبانی کشاورزی دقیق
• 97. استفاده از CNN در نظارت بر سلامت محصولات کشاورزی
• 98. مبانی نظارت بر سلامت محصولات
• 99. کاربرد CNN در امنیت سایبری (تحلیل بدافزار)
• 100. مبانی امنیت سایبری