فلش‌کارت‌های آموزشی کاربرد یادگیری عمیق در تشخیص الگو برای دستگاه‌های توکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری عمیق در تشخیص الگو برای دستگاه‌های توکار

موضوع کلی: کامپیوترهای تک‌برد و سیستم‌های توکار

موضوع میانی: مبانی یادگیری عمیق (Deep Learning) برای سیستم‌های توکار

📋 سرفصل‌های دوره

• 1. مقدمه ای بر دستگاه های توکار
• 2. معماری های رایج دستگاه های توکار
• 3. چالش های پردازشی در دستگاه های توکار
• 4. محدودیت های حافظه در دستگاه های توکار
• 5. محدودیت های انرژی در دستگاه های توکار
• 6. مقدمه ای بر تشخیص الگو
• 7. کاربرد تشخیص الگو در دنیای واقعی
• 8. مبانی یادگیری ماشین
• 9. انواع الگوریتم های یادگیری ماشین
• 10. معرفی یادگیری عمیق
• 11. شبکه های عصبی مصنوعی
• 12. پس انتشار و بهینه سازی
• 13. توابع فعال سازی
• 14. لایه های شبکه عصبی
• 15. شبکه های کانولوشنی (CNN)
• 16. ساختار لایه های کانولوشنی
• 17. عمق و عرض شبکه های کانولوشنی
• 18. فیلترها و نقشه های ویژگی
• 19. استخر گذاری (Pooling)
• 20. لایه های کاملاً متصل
• 21. شبکه های بازگشتی (RNN)
• 22. شبکه های حافظه طولانی کوتاه مدت (LSTM)
• 23. واحد بازگشتی دروازه دار (GRU)
• 24. معماری های پیشرفته CNN
• 25. شبکه های ResNet
• 26. شبکه های Inception
• 27. شبکه های MobileNet
• 28. معماری های پیشرفته RNN
• 29. شبکه های Transformer
• 30. کاربرد یادگیری عمیق در پردازش تصویر
• 31. تشخیص اشیا
• 32. قطعه بندی تصویر (Segmentation)
• 33. شناسایی چهره
• 34. تشخیص متن (OCR)
• 35. کاربرد یادگیری عمیق در پردازش صدا
• 36. تشخیص گفتار
• 37. تشخیص صدا
• 38. موسیقی و تشخیص الگو
• 39. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 40. تحلیل احساسات
• 41. ترجمه ماشینی
• 42. خلاصه سازی متن
• 43. مدل های زبانی
• 44. آموزش مدل های یادگیری عمیق
• 45. مجموعه داده ها و پیش پردازش
• 46. مهندسی ویژگی
• 47. تقویت داده ها (Data Augmentation)
• 48. تنظیم فراپارامترها (Hyperparameter Tuning)
• 49. اعتبارسنجی متقابل (Cross-Validation)
• 50. شبکه های عصبی گراف (GNN)
• 51. مقدمه ای بر سخت افزار دستگاه های توکار
• 52. پردازنده های ARM
• 53. پردازنده های DSP
• 54. واحد پردازش گرافیکی (GPU)
• 55. واحد پردازش عصبی (NPU)
• 56. شتاب دهنده های سخت افزاری
• 57. فشرده سازی مدل های یادگیری عمیق
• 58. روش های کوانتیزاسیون (Quantization)
• 59. هرس کردن (Pruning)
• 60. تقطیر دانش (Knowledge Distillation)
• 61. طراحی مدل های سبک وزن
• 62. معماری های CNN برای دستگاه های توکار
• 63. MobileNetV1, V2, V3
• 64. ShuffleNet
• 65. EfficientNet
• 66. SqueezeNet
• 67. پیاده سازی مدل های یادگیری عمیق بر روی سخت افزار توکار
• 68. فریمورک های توسعه یادگیری عمیق برای توکار
• 69. TensorFlow Lite
• 70. PyTorch Mobile
• 71. ONNX Runtime
• 72. ملاحظات توان مصرفی
• 73. بهینه سازی الگوریتم ها برای مصرف توان
• 74. مدیریت حافظه در دستگاه های توکار
• 75. تکنیک های تخصیص حافظه
• 76. حافظه پنهان (Cache)
• 77. دسترسی به حافظه
• 78. مدیریت انرژی در دستگاه های توکار
• 79. مدل های مدیریت انرژی
• 80. حالت های خواب (Sleep Modes)
• 81. تشخیص الگو در زمان واقعی
• 82. محدودیت های زمان پاسخگویی
• 83. بهینه سازی برای سرعت
• 84. پردازش لبه (Edge Computing)
• 85. ملاحظات امنیتی در دستگاه های توکار
• 86. امنیت مدل های یادگیری عمیق
• 87. حملات خصمانه (Adversarial Attacks)
• 88. دفاع در برابر حملات
• 89. حفظ حریم خصوصی داده ها
• 90. کاربرد در اینترنت اشیا (IoT)
• 91. دستگاه های پوشیدنی
• 92. خانه های هوشمند
• 93. صنعت و اتوماسیون
• 94. مراقبت های بهداشتی
• 95. وسایل نقلیه خودران
• 96. پایش محیط زیست
• 97. مطالعات موردی (Case Studies)
• 98. تشخیص پزشکی با CNN
• 99. تشخیص عیب در تولید
• 100. تشخیص الگو در رباتیک