کتاب صوتی کاربرد یادگیری انتقالی در مدل‌سازی داده‌های سنسورهای اینترنت اشیا با ابعاد بالا برای پیش‌بینی خرابی تجهیزات

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری انتقالی در مدل‌سازی داده‌های سنسورهای اینترنت اشیا با ابعاد بالا برای پیش‌بینی خرابی تجهیزات

موضوع کلی: یادگیری انتقالی و مدل‌سازی داده‌های با ابعاد بالا

موضوع میانی: مطالعات موردی ترکیب یادگیری انتقالی و مدل‌سازی داده‌های با ابعاد بالا

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه
• 2. فصل ۲: مبانی یادگیری انتقالی
• 3. فصل ۳: اصول مدل‌سازی داده‌های سنسور
• 4. فصل ۴: اینترنت اشیا (IoT) و سنسورهای آن
• 5. فصل ۵: چالش‌های داده‌های با ابعاد بالا
• 6. فصل ۶: انواع خرابی تجهیزات
• 7. فصل ۷: مفاهیم پیش‌بینی خرابی
• 8. فصل ۸: معماری‌های یادگیری عمیق
• 9. فصل ۹: شبکه‌های عصبی کانولوشنال (CNN)
• 10. فصل ۱۰: شبکه‌های عصبی بازگشتی (RNN)
• 11. فصل ۱۱: شبکه‌های حافظه طولانی کوتاه (LSTM)
• 12. فصل ۱۲: ترانسفورمرها و مکانیزم توجه
• 13. فصل ۱۳: مفاهیم یادگیری انتقالی در CNN
• 14. فصل ۱۴: انتقال دانش بین مدل‌ها
• 15. فصل ۱۵: تنظیم دقیق (Fine-tuning) مدل‌ها
• 16. فصل ۱۶: انتقال ویژگی (Feature Extraction)
• 17. فصل ۱۷: انتخاب مدل پایه مناسب
• 18. فصل ۱۸: جمع‌آوری داده‌های سنسور IoT
• 19. فصل ۱۹: پیش‌پردازش داده‌های سنسور
• 20. فصل ۲۰: حذف نویز و مقادیر پرت
• 21. فصل ۲۱: نرمال‌سازی و مقیاس‌بندی داده‌ها
• 22. فصل ۲۲: مهندسی ویژگی در داده‌های سنسور
• 23. فصل ۲۳: روش‌های کاهش ابعاد
• 24. فصل ۲۴: تحلیل مؤلفه‌های اصلی (PCA)
• 25. فصل ۲۵: تحلیل مؤلفه‌های مستقل (ICA)
• 26. فصل ۲۶: مدل‌سازی زمانی داده‌های سنسور
• 27. فصل ۲۷: برچسب‌گذاری داده‌های خرابی
• 28. فصل ۲۸: تکنیک‌های نمونه‌برداری مجدد
• 29. فصل ۲۹: تکنیک‌های تولید داده مصنوعی (SMOTE)
• 30. فصل ۳۰: آماده‌سازی داده‌ها برای انتقال
• 31. فصل ۳۱: انتخاب مجموعه‌داده‌های پیش‌آموزش‌داده‌شده
• 32. فصل ۳۲: مجموعه‌داده‌های عمومی یادگیری عمیق
• 33. فصل ۳۳: مجموعه‌داده‌های تخصصی سنسور
• 34. فصل ۳۴: انتقال از مدل‌های کلی به تخصصی
• 35. فصل ۳۵: انتقال از مدل‌های سنسور به سنسور دیگر
• 36. فصل ۳۶: انتقال از داده‌های سالم به داده‌های خراب
• 37. فصل ۳۷: انتقال از یک نوع تجهیز به نوع دیگر
• 38. فصل ۳۸: ارزیابی عملکرد مدل یادگیری انتقالی
• 39. فصل ۳۹: معیارهای دقت (Accuracy)
• 40. فصل ۴۰: معیارهای صحت (Precision) و بازیابی (Recall)
• 41. فصل ۴۱: معیارهای امتیاز F1
• 42. فصل ۴۲: منحنی ROC و AUC
• 43. فصل ۴۳: مقایسه با مدل‌های آموزش از ابتدا
• 44. فصل ۴۴: تأثیر اندازه و کیفیت داده‌های انتقالی
• 45. فصل ۴۵: تأثیر معماری مدل پایه
• 46. فصل ۴۶: تأثیر روش تنظیم دقیق
• 47. فصل ۴۷: انتخاب لایه‌های قابل انتقال
• 48. فصل ۴۸: آموزش لایه‌های استخراج کننده ویژگی
• 49. فصل ۴۹: آموزش لایه‌های طبقه‌بند جدید
• 50. فصل ۵۰: بهینه‌سازی هایپرپارامترها
• 51. فصل ۵۱: مدیریت بیش‌برازش (Overfitting)
• 52. فصل ۵۲: منظم‌سازی (Regularization)
• 53. فصل ۵۳: خروج زودهنگام (Early Stopping)
• 54. فصل ۵۴: کاربرد یادگیری انتقالی در پیش‌بینی خرابی
• 55. فصل ۵۵: پیش‌بینی عمر مفید باقی‌مانده (RUL)
• 56. فصل ۵۶: تشخیص ناهنجاری (Anomaly Detection)
• 57. فصل ۵۷: طبقه‌بندی انواع خرابی
• 58. فصل ۵۸: پیش‌بینی زمان تا خرابی (TTF)
• 59. فصل ۵۹: مطالعه موردی ۱: سنسورهای ارتعاش
• 60. فصل ۶۰: مطالعه موردی ۲: سنسورهای دما
• 61. فصل ۶۱: مطالعه موردی ۳: سنسورهای فشار
• 62. فصل ۶۲: مطالعه موردی ۴: سنسورهای جریان
• 63. فصل ۶۳: تجهیزات صنعتی خاص
• 64. فصل ۶۴: موتورهای الکتریکی
• 65. فصل ۶۵: پمپ‌ها
• 66. فصل ۶۶: توربین‌ها
• 67. فصل ۶۷: یاتاقان‌ها
• 68. فصل ۶۸: چالش‌های داده‌های Real-time
• 69. فصل ۶۹: تعامل با سیستم‌های IoT
• 70. فصل ۷۰: جمع‌آوری داده‌های زنده
• 71. فصل ۷۱: زمان‌بندی به روز رسانی مدل
• 72. فصل ۷۲: مقیاس‌پذیری راه حل‌ها
• 73. فصل ۷۳: سخت‌افزار مورد نیاز برای پردازش
• 74. فصل ۷۴: نرم‌افزار و فریم‌ورک‌ها
• 75. فصل ۷۵: TensorFlow و Keras
• 76. فصل ۷۶: PyTorch
• 77. فصل ۷۷: کتابخانه‌های پردازش داده
• 78. فصل ۷۸: امنیت داده‌های سنسور
• 79. فصل ۷۹: حریم خصوصی داده‌ها
• 80. فصل ۸۰: تعهد به قابلیت توضیح‌پذیری (Explainability)
• 81. فصل ۸۱: تفسیر نتایج مدل
• 82. فصل ۸۲: اهمیت پایش مستمر
• 83. فصل ۸۳: یادگیری انتقالی مداوم (Continual Transfer Learning)
• 84. فصل ۸۴: سناریوهای پیشرفته
• 85. فصل ۸۵: یادگیری تقویتی برای بهینه‌سازی انتقال
• 86. فصل ۸۶: یادگیری انتقالی چند وظیفه‌ای
• 87. فصل ۸۷: یادگیری انتقالی در محیط‌های شبیه‌سازی شده
• 88. فصل ۸۸: آینده یادگیری انتقالی در IoT
• 89. فصل ۸۹: چالش‌های تحقیقاتی آینده
• 90. فصل ۹۰: فرصت‌های نوآوری
• 91. فصل ۹۱: تأثیر اقتصادی پیاده‌سازی
• 92. فصل ۹۲: کاهش هزینه‌های نگهداری
• 93. فصل ۹۳: افزایش بهره‌وری عملیاتی
• 94. فصل ۹۴: جلوگیری از توقف ناگهانی
• 95. فصل ۹۵: ملاحظات اخلاقی
• 96. فصل ۹۶: نقش مهندسان داده
• 97. فصل ۹۷: همکاری با متخصصان دامنه
• 98. فصل ۹۸: مستندسازی پروژه
• 99. فصل ۹۹: جمع‌بندی و نتیجه‌گیری
• 100. فصل ۱۰۰: منابع و مراجع