فلش‌کارت‌های آموزشی یادگیری عمیق تصاویر با PyTorch: از مبانی تا کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق تصاویر با PyTorch: از مبانی تا کاربردها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری عمیق و پردازش تصویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و پردازش تصویر
• 2. نصب و راه‌اندازی PyTorch
• 3. مبانی تنسورها در PyTorch
• 4. عملیات پایه‌ای تنسورها
• 5. شبکه‌های عصبی مصنوعی: اصول اولیه
• 6. تابع فعال‌سازی: معرفی و انواع
• 7. پس‌انتشار خطا: محاسبه گرادیان
• 8. بهینه‌سازها: معرفی و کاربرد
• 9. آموزش مدل‌های ساده با PyTorch
• 10. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 11. لایه کانولوشن: عملکرد و پارامترها
• 12. لایه Pooling: کاهش ابعاد و استخراج ویژگی
• 13. لایه‌های Fully Connected
• 14. ساختار CNN برای طبقه‌بندی تصاویر
• 15. مجموعه داده‌های تصویری: معرفی و کار با آن‌ها
• 16. پیش‌پردازش تصاویر برای CNN
• 17. تقویت داده (Data Augmentation)
• 18. طراحی معماری‌های CNN
• 19. شبکه‌های پیش‌آموزش‌دیده (Pre-trained Networks)
• 20. انتقال یادگیری (Transfer Learning)
• 21. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 22. مدل‌های CNN برای تشخیص اشیاء
• 23. شبکه‌های تشخیص اشیاء: YOLO و SSD
• 24. شناسایی (Detection) و بخش‌بندی (Segmentation)
• 25. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 26. کاربرد RNN در دنباله‌های تصاویر
• 27. شبکه‌های LSTM و GRU
• 28. شبکه‌های مولد تخاصمی (GANs)
• 29. معماری GAN برای تولید تصاویر
• 30. آموزش GANها و چالش‌ها
• 31. کاربرد GANها در افزایش و ویرایش تصاویر
• 32. شبکه‌های عصبی کانولوشنی سه بعدی (3D CNNs)
• 33. کاربرد 3D CNN در پردازش ویدئو
• 34. شبکه‌های کانولوشنی کانفورمی (Confirmatory Convolutional Networks)
• 35. شبکه‌های عصبی گرافی (GNNs) در پردازش تصویر
• 36. کاربرد GNN در تحلیل تصاویر ماهواره‌ای
• 37. یادگیری تقویتی (Reinforcement Learning) در بینایی ماشین
• 38. کاربرد یادگیری تقویتی در رباتیک بصری
• 39. مفسرپذیری (Interpretability) در مدل‌های یادگیری عمیق
• 40. روش‌های توضیح‌پذیری مدل‌های CNN
• 41. شناسایی ناهنجاری در تصاویر
• 42. طبقه‌بندی تصاویر پزشکی
• 43. تشخیص بیماری‌ها با CNN
• 44. پردازش تصاویر پزشکی با GANs
• 45. تحلیل و تفسیر تصاویر پزشکی
• 46. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 47. پردازش متن با PyTorch
• 48. شبکه‌های ترنسفورمر (Transformers)
• 49. کاربرد ترنسفورمر در پردازش تصویر
• 50. مدل‌های زبانی بزرگ (LLMs)
• 51. کاربرد LLMs در تولید متن توصیفی تصاویر
• 52. بینایی ماشین در رباتیک
• 53. کنترل ربات با استفاده از یادگیری عمیق
• 54. ناوبری ربات با بینایی ماشین
• 55. سیستم‌های تشخیص چهره
• 56. آموزش مدل‌های تشخیص چهره
• 57. چالش‌های تشخیص چهره
• 58. سیستم‌های تشخیص پلاک خودرو
• 59. پردازش تصاویر پلاک خودرو
• 60. استخراج اطلاعات از تصاویر
• 61. واقعیت افزوده (Augmented Reality)
• 62. توسعه برنامه‌های AR با PyTorch
• 63. واقعیت مجازی (Virtual Reality)
• 64. پردازش سیگنال‌های تصویری
• 65. فیلترهای تصویر در PyTorch
• 66. بهبود کیفیت تصاویر
• 67. کاهش نویز در تصاویر
• 68. فشرده‌سازی تصاویر با یادگیری عمیق
• 69. مقدمه‌ای بر یادگیری بدون نظارت (Unsupervised Learning)
• 70. خوشه‌بندی تصاویر
• 71. کاهش ابعاد در یادگیری بدون نظارت
• 72. خودرمزگذارها (Autoencoders)
• 73. انواع خودرمزگذارها
• 74. کاربرد خودرمزگذارها در کاهش ابعاد
• 75. خودرمزگذارهای متغیر (Variational Autoencoders - VAEs)
• 76. کاربرد VAEs در تولید تصاویر
• 77. یادگیری عمیق در بازی‌ها
• 78. توسعه عامل‌های هوشمند برای بازی‌ها
• 79. کاربرد یادگیری عمیق در پزشکی قانونی
• 80. تحلیل تصاویر صحنه جرم
• 81. شناسایی تقلب در تصاویر
• 82. سیستم‌های توصیه‌گر تصاویر
• 83. تولید تصاویر هنری
• 84. سبک‌دهی تصاویر (Style Transfer)
• 85. شبکه‌های عصبی کانولوشنی معکوس (Deconvolutional Networks)
• 86. کاربرد DeconvNets در بازسازی تصاویر
• 87. پردازش تصاویر سه‌بعدی
• 88. تحلیل داده‌های حجمی
• 89. مدل‌سازی سه‌بعدی از تصاویر
• 90. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 91. کاربرد یادگیری فعال در برچسب‌گذاری داده
• 92. بهینه‌سازی معماری شبکه‌های عصبی
• 93. جستجوی معماری عصبی (NAS)
• 94. پیاده‌سازی مدل‌های CNN در سخت‌افزار
• 95. بهینه‌سازی مدل‌ها برای دستگاه‌های موبایل
• 96. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 97. ترکیب تصاویر و متن
• 98. تحلیل احساسات از روی تصاویر
• 99. کاربرد یادگیری عمیق در کشاورزی هوشمند
• 100. تشخیص آفات و بیماری‌های گیاهی