فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 2. مبانی یادگیری عمیق و شبکه‌های عصبی
• 3. ساختار لایه‌های کانولوشنی
• 4. عملکرد کرنل‌ها (فیلترها) در CNN
• 5. فضاهای ویژگی و استخراج آن‌ها
• 6. لایه‌های فعال‌سازی (ReLU و انواع آن)
• 7. لایه‌های پولینگ (Pooling) برای کاهش ابعاد
• 8. انواع لایه‌های پولینگ (Max Pooling, Average Pooling)
• 9. ساختار کلی یک شبکه عصبی کانولوشنی
• 10. لایه‌های کاملاً متصل (Fully Connected Layers)
• 11. تابع هزینه (Loss Function) در CNN
• 12. بهینه‌سازها (Optimizers) در CNN
• 13. الگوریتم پس‌انتشار خطا (Backpropagation)
• 14. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 15. تنظیم‌کننده‌ها (Regularization) برای جلوگیری از بیش‌برازش
• 16. روش‌های تنظیم‌کننده (Dropout, L1, L2)
• 17. پیش‌پردازش داده‌های تصویری
• 18. افزایش داده (Data Augmentation) برای تصاویر
• 19. مجموعه داده‌های استاندارد در پردازش تصویر (MNIST, CIFAR-10)
• 20. بارهای از پیش آموزش‌دیده (Pre-trained Models)
• 21. انتقال یادگیری (Transfer Learning)
• 22. معماری‌های معروف CNN (LeNet-5)
• 23. معماری AlexNet و نوآوری‌های آن
• 24. معماری VGG و عمق شبکه‌ها
• 25. معماری GoogLeNet (Inception Modules)
• 26. معماری ResNet و اتصالات باقی‌مانده
• 27. شبکه‌های عصبی کانولوشنی برای طبقه‌بندی تصویر
• 28. تشخیص اشیاء (Object Detection) با CNN
• 29. مبانی شبکه‌های YOLO
• 30. مبانی شبکه‌های Faster R-CNN
• 31. مبانی شبکه‌های SSD
• 32. تقسیم‌بندی معنایی تصویر (Semantic Segmentation)
• 33. مبانی شبکه‌های FCN
• 34. مبانی شبکه‌های U-Net
• 35. مبانی شبکه‌های DeepLab
• 36. تشخیص چهره با CNN
• 37. شناسایی چهره و کاربردهای آن
• 38. تولید تصویر با شبکه‌های مولد (GANs)
• 39. مبانی شبکه‌های مولد تخاصمی (GAN)
• 40. کاربرد CNN در تحلیل تصاویر پزشکی
• 41. تشخیص بیماری‌ها از روی تصاویر پزشکی
• 42. کاربرد CNN در پردازش ویدئو
• 43. تحلیل حرکات و تشخیص رویدادها در ویدئو
• 44. CNN برای بازسازی تصویر
• 45. حذف نویز از تصاویر با CNN
• 46. افزایش وضوح تصاویر با CNN
• 47. کاربرد CNN در استخراج ویژگی‌های تصویر
• 48. توصیف تصویر (Image Captioning) با CNN
• 49. تحلیل احساسات از روی تصاویر
• 50. کاربرد CNN در بازیابی تصویر مبتنی بر محتوا (CBIR)
• 51. شبکه‌های عصبی کانولوشنی در رباتیک
• 52. بینایی ماشین و کاربردهای صنعتی
• 53. CNN برای خودران کردن وسایل نقلیه
• 54. پردازش تصاویر ماهواره‌ای با CNN
• 55. کاربرد CNN در کشاورزی هوشمند
• 56. تشخیص آفات و بیماری‌های گیاهی
• 57. CNN برای تحلیل الگوهای ترافیکی
• 58. کاربرد CNN در امنیت و نظارت تصویری
• 59. تشخیص رفتارهای مشکوک
• 60. CNN برای تولید هنر دیجیتال
• 61. تحلیل آثار هنری با CNN
• 62. کاربرد CNN در طراحی مد و لباس
• 63. شبکه‌های عصبی کانولوشنی در بازی‌سازی
• 64. پردازش تصاویر سه‌بعدی با CNN
• 65. کاربرد CNN در واقعیت افزوده (AR)
• 66. کاربرد CNN در واقعیت مجازی (VR)
• 67. شبکه‌های عصبی کانولوشنی در سیستم‌های توصیه‌گر
• 68. تحلیل تصاویر محصولات برای توصیه‌گرها
• 69. CNN برای تشخیص دست‌نوشته
• 70. تشخیص ارقام و حروف دست‌نویس
• 71. CNN برای تحلیل تصاویر میکروسکوپی
• 72. کاربرد CNN در علوم مواد
• 73. تحلیل تصاویر متالورژیکی
• 74. CNN برای تشخیص کیفیت محصولات
• 75. کاربرد CNN در حوزه محیط زیست
• 76. پایش تغییرات محیطی با تصاویر
• 77. CNN برای تشخیص گونه‌های جانوری
• 78. کاربرد CNN در بهینه‌سازی فرآیندها
• 79. تحلیل تصاویر خطوط تولید
• 80. CNN برای تشخیص عیوب سطحی
• 81. کاربرد CNN در صنعت نفت و گاز
• 82. تحلیل تصاویر بازرسی خطوط لوله
• 83. CNN برای تشخیص نشت
• 84. کاربرد CNN در سیستم‌های تشخیص چهره در اماکن عمومی (با رعایت حریم خصوصی)
• 85. تحلیل الگوهای رفتاری در فضاهای عمومی
• 86. CNN برای تشخیص و طبقه‌بندی تصاویر سه بعدی (Point Clouds)
• 87. پردازش داده‌های حسگرهای لایدار
• 88. CNN برای بازسازی تصاویر سه بعدی
• 89. تلفیق CNN با سایر معماری‌های یادگیری عمیق
• 90. CNN و پردازش زبان طبیعی (NLP)
• 91. CNN در تحلیل متن
• 92. شبکه‌های عصبی بازگشتی (RNN) و CNN
• 93. شبکه‌های ترنسفورمر (Transformer) و CNN
• 94. ملاحظات اخلاقی در استفاده از CNN
• 95. حفظ حریم خصوصی در پردازش تصاویر
• 96. سوگیری (Bias) در داده‌های آموزشی CNN
• 97. تفسیرپذیری (Interpretability) مدل‌های CNN
• 98. روش‌های ارزیابی عملکرد مدل‌های CNN
• 99. شاخص‌های ارزیابی (Accuracy, Precision, Recall, F1-score)
• 100. تحلیل ماتریس درهم‌ریختگی (Confusion Matrix)