فلش‌کارت‌های آموزشی ساخت مدل‌های تشخیص اشیاء سفارشی با استفاده از NVIDIA و Azure ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های تشخیص اشیاء سفارشی با استفاده از NVIDIA و Azure ML

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش تصویر و بینایی ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت‌شده
• 5. یادگیری نظارت‌نشده
• 6. یادگیری تقویتی
• 7. شبکه‌های عصبی مصنوعی
• 8. مقدمه‌ای بر پردازش تصویر
• 9. مفاهیم پایه در پردازش تصویر
• 10. کتابخانه‌های پردازش تصویر در پایتون
• 11. آشنایی با OpenCV
• 12. عملیات پایه‌ای در OpenCV
• 13. فیلترهای تصویر
• 14. لبه‌یابی در تصویر
• 15. آستانه‌گذاری تصویر
• 16. تحلیل هیستوگرام تصویر
• 17. تشخیص ویژگی در تصویر
• 18. توصیف‌گرهای ویژگی
• 19. الگوریتم SIFT
• 20. الگوریتم SURF
• 21. الگوریتم ORB
• 22. مقدمه‌ای بر تشخیص اشیاء
• 23. چالش‌های تشخیص اشیاء
• 24. کاربرد تشخیص اشیاء
• 25. روش‌های سنتی تشخیص اشیاء
• 26. مقدمه‌ای بر یادگیری عمیق
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. معماری‌های معروف CNN
• 29. شبکه‌های عصبی کانولوشنی برای تشخیص اشیاء
• 30. مقدمه‌ای بر تشخیص اشیاء مبتنی بر یادگیری عمیق
• 31. فریم‌ورک‌های یادگیری عمیق
• 32. TensorFlow
• 33. PyTorch
• 34. Keras
• 35. آشنایی با NVIDIA
• 36. کارت‌های گرافیک NVIDIA
• 37. CUDA و cuDNN
• 38. کاربرد NVIDIA در یادگیری عمیق
• 39. آشنایی با Azure Machine Learning
• 40. محیط Azure ML
• 41. ابزارهای Azure ML
• 42. آموزش مدل در Azure ML
• 43. استقرار مدل در Azure ML
• 44. ساخت مدل‌های تشخیص اشیاء سفارشی
• 45. مراحل توسعه مدل تشخیص اشیاء
• 46. جمع‌آوری و برچسب‌گذاری داده‌ها
• 47. مجموعه داده‌های عمومی تشخیص اشیاء
• 48. برچسب‌گذاری دستی داده‌ها
• 49. ابزارهای برچسب‌گذاری داده‌ها
• 50. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 51. آماده‌سازی داده‌ها برای آموزش
• 52. تغییر اندازه و نرمال‌سازی تصاویر
• 53. افزایش داده (Data Augmentation)
• 54. تکنیک‌های افزایش داده
• 55. استفاده از NVIDIA برای آموزش مدل
• 56. تنظیمات سخت‌افزاری NVIDIA
• 57. بهینه‌سازی آموزش با CUDA
• 58. انتخاب معماری مناسب مدل
• 59. معماری‌های تشخیص اشیاء (مانند YOLO, SSD, Faster R-CNN)
• 60. تنظیم پارامترهای مدل
• 61. تابع هزینه (Loss Function)
• 62. بهینه‌سازها (Optimizers)
• 63. نرخ یادگیری (Learning Rate)
• 64. آموزش مدل با Azure Machine Learning
• 65. استفاده از Azure ML Designer
• 66. استفاده از Azure ML SDK
• 67. نظارت بر فرآیند آموزش
• 68. ارزیابی عملکرد مدل
• 69. معیارهای ارزیابی (مانند IoU, mAP)
• 70. تحلیل نتایج ارزیابی
• 71. تنظیم مجدد هایپرپارامترها
• 72. تکرار فرآیند آموزش و ارزیابی
• 73. استفاده از مدل‌های از پیش آموزش‌دیده (Transfer Learning)
• 74. تنظیم دقیق مدل (Fine-tuning)
• 75. ذخیره و بارگذاری مدل آموزش‌دیده
• 76. استقرار مدل تشخیص اشیاء
• 77. روش‌های استقرار مدل
• 78. استقرار در Azure ML Endpoints
• 79. استقرار برای کاربردهای Real-time
• 80. استقرار برای کاربردهای Batch
• 81. بهینه‌سازی مدل برای استقرار
• 82. کوانتیزاسیون مدل
• 83. پالایش مدل
• 84. تست و اعتبارسنجی مدل مستقر شده
• 85. نظارت بر عملکرد مدل مستقر شده
• 86. بهبود مستمر مدل
• 87. بازآموزی مدل با داده‌های جدید
• 88. مدیریت نسخه مدل‌ها
• 89. کاربردهای پیشرفته تشخیص اشیاء
• 90. تشخیص اشیاء در ویدئو
• 91. تشخیص اشیاء چندتایی
• 92. ردیابی اشیاء
• 93. مثال‌های عملی از ساخت مدل تشخیص اشیاء
• 94. تشخیص چهره
• 95. تشخیص خودرو
• 96. تشخیص محصولات
• 97. ملاحظات اخلاقی در تشخیص اشیاء
• 98. حریم خصوصی
• 99. سوگیری در داده‌ها و مدل‌ها
• 100. مسئولیت‌پذیری