فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگو

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگو

موضوع کلی: مبانی برنامه نویسی ساخت یافته

موضوع میانی: مفاهیم یادگیری عمیق (Deep Learning) - در سطح مقدماتی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر شبکه‌های عصبی کانولوشنی
• 2. تکامل شبکه‌های عصبی برای پردازش تصویر
• 3. مفهوم کانولوشن و فیلترها
• 4. لایه‌های کانولوشن: هسته اصلی CNN
• 5. فیلترهای کانولوشن: استخراج ویژگی‌های پایه
• 6. گام (Stride) در لایه کانولوشن
• 7. Padding در لایه کانولوشن
• 8. ابعاد خروجی پس از کانولوشن
• 9. لایه‌های Pooling: کاهش ابعاد و جلوگیری از بیش‌برازش
• 10. Max Pooling: انتخاب حداکثر مقادیر
• 11. Average Pooling: میانگین مقادیر
• 12. لایه‌های فعال‌سازی: معرفی غیرخطی بودن
• 13. تابع فعال‌سازی ReLU (Rectified Linear Unit)
• 14. مزایای ReLU در شبکه‌های عمیق
• 15. تابع فعال‌سازی Sigmoid و کاربردهای آن
• 16. تابع فعال‌سازی Tanh
• 17. لایه‌های کاملاً متصل (Fully Connected Layers)
• 18. نقش لایه‌های کاملاً متصل در طبقه‌بندی
• 19. لایه‌های Softmax برای خروجی احتمالاتی
• 20. تابع هزینه (Loss Function) در CNN
• 21. Entropy متقابل (Cross-Entropy Loss)
• 22. بهینه‌سازها (Optimizers)
• 23. گرادیان کاهشی تصادفی (Stochastic Gradient Descent - SGD)
• 24. SGD با Momentum
• 25. Adam Optimizer: بهینه‌سازی پیشرفته
• 26. RMSprop Optimizer
• 27. معماری‌های پایه CNN: LeNet-5
• 28. توضیح لایه‌های LeNet-5
• 29. ALexNet: یک معماری انقلابی
• 30. مراحل آموزش AlexNet
• 31. VGGNet: عمق بیشتر با فیلترهای کوچک
• 32. VGG16 و VGG19
• 33. GoogLeNet (Inception): ماژول‌های Inception
• 34. مفهوم ماژول Inception
• 35. ResNet: شبکه‌های با باقی‌مانده (Residual Networks)
• 36. مسیرهای باقی‌مانده (Residual Connections)
• 37. مزایای ResNet در شبکه‌های عمیق
• 38. DenseNet: اتصال متراکم لایه‌ها
• 39. مفهوم اتصال متراکم
• 40. کاربرد CNN در تشخیص اشیاء
• 41. شبکه‌های R-CNN
• 42. شبکه‌های Faster R-CNN
• 43. شبکه‌های YOLO (You Only Look Once)
• 44. مفهوم YOLO در تشخیص اشیاء
• 45. شبکه‌های SSD (Single Shot MultiBox Detector)
• 46. مقایسه YOLO و SSD
• 47. کاربرد CNN در بخش‌بندی تصویر (Image Segmentation)
• 48. شبکه‌های U-Net
• 49. مراحل اجرای U-Net
• 50. شبکه‌های FCN (Fully Convolutional Networks)
• 51. کاربرد CNN در تشخیص چهره
• 52. مراحل تشخیص چهره با CNN
• 53. کاربرد CNN در تحلیل احساسات تصویر
• 54. مفاهیم پایه تحلیل احساسات
• 55. کاربرد CNN در تشخیص متن در تصویر (OCR)
• 56. مراحل OCR با CNN
• 57. کاربرد CNN در تصویربرداری پزشکی
• 58. تشخیص بیماری‌ها با CNN
• 59. کاربرد CNN در خودروهای خودران
• 60. تشخیص موانع و علائم راهنمایی
• 61. پیش‌پردازش تصاویر برای CNN
• 62. نرمال‌سازی (Normalization)
• 63. افزایش داده (Data Augmentation)
• 64. تکنیک‌های افزایش داده: چرخش، جابجایی
• 65. تکنیک‌های افزایش داده: برش، زوم
• 66. کاهش ابعاد با PCA
• 67. استخراج ویژگی دستی در مقابل CNN
• 68. تفاوت با شبکه‌های عصبی پرسپترون چندلایه
• 69. معماری‌های CNN برای وظایف خاص
• 70. CNN برای تشخیص تصاویر سه‌بعدی
• 71. CNN برای پردازش ویدئو
• 72. شبکه‌های LSTM و CNN ترکیبی
• 73. کاربرد CNN در گراف‌ها (Graph Convolutional Networks)
• 74. مقدمه بر GCN
• 75. لایه‌های GCN
• 76. محدودیت‌های CNN
• 77. مشکلات مربوط به حجم داده
• 78. مشکلات مربوط به نیاز به GPU
• 79. مشکلات مربوط به تفسیرپذیری
• 80. روش‌های تفسیرپذیری CNN
• 81. نقشه‌های فعال‌سازی (Activation Maps)
• 82. تکنیک Grad-CAM
• 83. کاربرد CNN در یادگیری انتقالی (Transfer Learning)
• 84. استفاده از مدل‌های از پیش آموزش‌دیده
• 85. تنظیم دقیق (Fine-tuning) مدل‌ها
• 86. مزایای یادگیری انتقالی
• 87. چالش‌های یادگیری انتقالی
• 88. معماری‌های CNN مدرن
• 89. EfficientNet
• 90. Vision Transformer (ViT)
• 91. شباهت‌ها و تفاوت‌های ViT و CNN
• 92. ملاحظات پیاده‌سازی CNN
• 93. انتخاب فریم‌ورک (TensorFlow، PyTorch)
• 94. مدیریت داده‌ها و محاسبات
• 95. ارزیابی عملکرد مدل CNN
• 96. معیارهای ارزیابی: دقت، صحت، بازیابی
• 97. منحنی ROC و AUC
• 98. تنظیم هایپرپارامترها
• 99. تکنیک‌های تنظیم هایپرپارامترها
• 100. جستجوی شبکه‌ای (Grid Search)