فلش‌کارت‌های آموزشی مبانی بینایی ماشین و کاربردهای آن در Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی بینایی ماشین و کاربردهای آن در Google Cloud

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بینایی ماشین با استفاده از خدمات ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 4. معماری‌های پایه شبکه‌های عصبی مصنوعی
• 5. الگوریتم‌های طبقه‌بندی در یادگیری ماشین
• 6. رگرسیون خطی و کاربردهای آن
• 7. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 8. ماشین‌های بردار پشتیبان (SVM)
• 9. درختان تصمیم و جنگل‌های تصادفی
• 10. خوشه‌بندی و الگوریتم K-Means
• 11. کاهش ابعاد: PCA و t-SNE
• 12. مقدمه‌ای بر بینایی ماشین
• 13. پردازش تصویر پایه: فیلترها و تبدیل‌ها
• 14. استخراج ویژگی در بینایی ماشین
• 15. لبه‌یابی و تشخیص خطوط
• 16. تشخیص گوشه‌ها و نقاط کلیدی
• 17. توصیف‌گرهای ویژگی: SIFT و SURF
• 18. شبکه‌های عصبی کانولوشنی (CNN)
• 19. ساختار لایه‌های کانولوشن و Pooling
• 20. کاربرد CNN در تشخیص اشیاء
• 21. تشخیص چهره با استفاده از CNN
• 22. تقسیم‌بندی تصویر (Image Segmentation)
• 23. شبکه‌های مولد تخاصمی (GANs)
• 24. کاربرد GANs در تولید تصویر
• 25. مقدمه‌ای بر خدمات ابری Google Cloud
• 26. معرفی Google Cloud Platform (GCP)
• 27. مزایای استفاده از خدمات ابری برای بینایی ماشین
• 28. Google Cloud Vision AI: Overview
• 29. تشخیص متن (OCR) با Vision AI
• 30. طبقه‌بندی تصاویر با Vision AI
• 31. تشخیص اشیاء و برچسب‌گذاری با Vision AI
• 32. تشخیص چهره و تحلیل احساسات با Vision AI
• 33. مقدمه‌ای بر Google Cloud AutoML Vision
• 34. آموزش مدل‌های سفارشی با AutoML Vision
• 35. تنظیم پارامترها در AutoML Vision
• 36. ارزیابی و بهبود مدل‌های AutoML Vision
• 37. استفاده از APIهای Vision AI در برنامه‌ها
• 38. ادغام Vision AI با سایر خدمات GCP
• 39. Google Cloud Storage برای ذخیره‌سازی تصاویر
• 40. Google Cloud Functions برای پردازش رویداد محور
• 41. Google Kubernetes Engine برای استقرار مقیاس‌پذیر
• 42. امنیت داده‌ها در Google Cloud
• 43. حریم خصوصی در پردازش تصاویر
• 44. اصول اخلاقی در هوش مصنوعی و بینایی ماشین
• 45. کاربردهای بینایی ماشین در صنعت
• 46. بینایی ماشین در کشاورزی هوشمند
• 47. کاربرد در پزشکی و تشخیص بیماری
• 48. بینایی ماشین در خودروهای خودران
• 49. تحلیل ویدئو با Google Cloud Video AI
• 50. تشخیص رویدادها و فعالیت‌ها در ویدئو
• 51. استخراج اطلاعات از جریان‌های ویدئویی
• 52. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 53. ارتباط بینایی ماشین و NLP
• 54. شبکه‌های عصبی بازگشتی (RNN)
• 55. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 56. شبکه‌های حافظه کوتاه-مدت (GRU)
• 57. مدل‌های مبتنی بر ترنسفورمر
• 58. کاربرد NLP در تحلیل متن تصاویر
• 59. استخراج اطلاعات از اسناد با OCR پیشرفته
• 60. مفاهیم پیشرفته در CNN
• 61. شبکه‌های عمیق‌تر و پیچیده‌تر
• 62. بهینه‌سازی معماری‌های CNN
• 63. تکنیک‌های منظم‌سازی (Regularization)
• 64. روش‌های افزایش داده (Data Augmentation)
• 65. یادگیری انتقالی (Transfer Learning)
• 66. استفاده از مدل‌های از پیش آموزش دیده
• 67. تنظیم دقیق (Fine-tuning) مدل‌ها
• 68. مقدمه‌ای بر یادگیری بدون نظارت در بینایی ماشین
• 69. یادگیری نمایش (Representation Learning)
• 70. کشف الگوهای پنهان در تصاویر
• 71. یادگیری خودکار (Self-supervised Learning)
• 72. کاربرد در داده‌های بدون برچسب
• 73. مقدمه‌ای بر یادگیری تقویتی در بینایی ماشین
• 74. کاربرد در رباتیک و کنترل
• 75. بهینه‌سازی عملکرد مدل‌ها
• 76. معیارهای ارزیابی مدل‌های بینایی ماشین
• 77. دقت، صحت و بازیابی
• 78. امتیاز F1 و منحنی ROC
• 79. ارزیابی مدل‌های تشخیص اشیاء
• 80. معیارهای ارزیابی تقسیم‌بندی تصویر
• 81. کاربرد بینایی ماشین در خرده‌فروشی
• 82. تحلیل رفتار مشتری با تصاویر
• 83. مدیریت موجودی با بینایی ماشین
• 84. کاربرد در سیستم‌های نظارتی امنیتی
• 85. تشخیص ناهنجاری در تصاویر
• 86. پردازش تصاویر پزشکی پیشرفته
• 87. تشخیص تومور با بینایی ماشین
• 88. تحلیل تصاویر رادیولوژی
• 89. ملاحظات عملی در پیاده‌سازی
• 90. انتخاب سخت‌افزار مناسب
• 91. بهینه‌سازی برای عملکرد و هزینه
• 92. مدیریت چرخه عمر مدل‌های بینایی ماشین
• 93. پایش و به‌روزرسانی مدل‌ها
• 94. توسعه حرفه‌ای در حوزه بینایی ماشین
• 95. منابع و کتابخانه‌های مفید
• 96. مسیرهای یادگیری بیشتر در هوش مصنوعی
• 97. آینده بینایی ماشین و کاربردهای آن
• 98. کاربردهای نوظهور و تحقیقات پیشرو