کتاب صوتی ساخت و ارزیابی مدل‌های تشخیص اشیاء در لحظه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و ارزیابی مدل‌های تشخیص اشیاء در لحظه

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بینایی ماشین و پردازش تصویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص اشیاء در لحظه
• 2. مبانی یادگیری ماشین برای تشخیص اشیاء
• 3. مفاهیم کلیدی بینایی ماشین
• 4. پردازش اولیه تصاویر دیجیتال
• 5. فیلتر کردن و بهبود تصاویر
• 6. استخراج ویژگی‌های تصویر
• 7. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
• 8. معماری‌های پایه CNN
• 9. لایه های کانولوشن و پولینگ
• 10. توابع فعال‌سازی در شبکه‌های عصبی
• 11. بهینه‌سازی و گرادیان کاهشی
• 12. مبانی پس‌انتشار خطا
• 13. تنظیم نرخ یادگیری
• 14. استفاده از بهینه‌سازهای پیشرفته
• 15. تنظیم‌کننده‌ها و رگولاریزاسیون
• 16. مبانی تشخیص اشیاء
• 17. تفاوت تشخیص و طبقه‌بندی اشیاء
• 18. روش‌های سنتی تشخیص اشیاء
• 19. مقدمه‌ای بر تشخیص اشیاء مبتنی بر یادگیری عمیق
• 20. شبکه‌های تک‌مرحله‌ای در مقابل دو‌مرحله‌ای
• 21. شبکه‌های دو‌مرحله‌ای: R-CNN
• 22. بهبودهای R-CNN: Fast R-CNN
• 23. شبکه‌های دو‌مرحله‌ای: Faster R-CNN
• 24. مبانی شبکه‌های تک‌مرحله‌ای
• 25. شبکه‌های تک‌مرحله‌ای: YOLO
• 26. نسخه‌های مختلف YOLO
• 27. شبکه‌های تک‌مرحله‌ای: SSD
• 28. معماری SSD و لایه‌های آن
• 29. مبانی تشخیص اشیاء در لحظه
• 30. الزامات تشخیص در لحظه
• 31. معیارهای ارزیابی تشخیص اشیاء
• 32. Intersection over Union (IoU)
• 33. دقت (Precision) و بازخوانی (Recall)
• 34. میانگین دقت متوسط (mAP)
• 35. تنظیم آستانه اطمینان
• 36. استفاده از مجموعه داده‌های استاندارد
• 37. آماده‌سازی و پیش‌پردازش داده‌ها
• 38. افزایش داده (Data Augmentation)
• 39. تکنیک‌های افزایش داده برای تشخیص اشیاء
• 40. آموزش مدل‌های تشخیص اشیاء
• 41. تنظیم پارامترهای آموزش
• 42. نظارت بر فرآیند آموزش
• 43. تشخیص و رفع بیش‌برازش (Overfitting)
• 44. تشخیص و رفع کم‌برازش (Underfitting)
• 45. استفاده از سخت‌افزار مناسب برای آموزش
• 46. مبانی استنتاج (Inference) مدل
• 47. بهینه‌سازی مدل برای سرعت
• 48. کوانتیزاسیون مدل
• 49. هرس کردن (Pruning) مدل
• 50. مدل‌های سبک‌تر برای دستگاه‌های محدود
• 51. استفاده از فریم‌ورک‌های یادگیری عمیق
• 52. TensorFlow و Keras
• 53. PyTorch
• 54. انتخاب فریم‌ورک مناسب
• 55. کار با ابزارهای تشخیص اشیاء
• 56. ابزارهای پیش‌پردازش تصویر
• 57. ابزارهای برچسب‌گذاری داده
• 58. ابزارهای بصری‌سازی نتایج
• 59. ساخت پایپ‌لاین تشخیص اشیاء
• 60. یکپارچه‌سازی مدل با برنامه‌های کاربردی
• 61. تشخیص اشیاء در ویدئو
• 62. چالش‌های تشخیص اشیاء در ویدئو
• 63. ردیابی اشیاء (Object Tracking)
• 64. الگوریتم‌های ردیابی اشیاء
• 65. کاربردها و موارد استفاده تشخیص اشیاء
• 66. سیستم‌های نظارتی
• 67. خودروهای خودران
• 68. رباتیک
• 69. تجزیه و تحلیل تصویر پزشکی
• 70. تجارت الکترونیک
• 71. مقدمه‌ای بر مفاهیم پیشرفته‌تر
• 72. تشخیص اشیاء در شرایط نوری نامساعد
• 73. تشخیص اشیاء کوچک
• 74. تشخیص اشیاء با پوشیدگی بالا
• 75. شبکه‌های عصبی بازگشتی (RNN) برای تشخیص اشیاء
• 76. شبکه‌های توجه (Attention Mechanisms)
• 77. شبکه‌های ترنسفورمر (Transformers) در بینایی ماشین
• 78. مبانی تشخیص و تفکیک اشیاء (Instance Segmentation)
• 79. شبکه‌های Mask R-CNN
• 80. مبانی تشخیص اشیاء سه‌بعدی
• 81. کاربرد مدل‌های تشخیص اشیاء در محیط‌های صنعتی
• 82. بهینه‌سازی مدل برای سخت‌افزارهای خاص
• 83. مدل‌های تشخیص اشیاء برای واقعیت افزوده (AR)
• 84. ملاحظات اخلاقی در تشخیص اشیاء
• 85. حریم خصوصی و تشخیص چهره
• 86. سوگیری در مدل‌های تشخیص اشیاء
• 87. اصول طراحی مدل‌های عادلانه
• 88. آینده تشخیص اشیاء و بینایی ماشین
• 89. پیشرفت‌های اخیر در الگوریتم‌ها
• 90. نوآوری‌ها در سخت‌افزار
• 91. کاربردهای نوظهور
• 92. توسعه پایپ‌لاین تشخیص اشیاء سفارشی
• 93. انتخاب معماری مناسب برای مسئله
• 94. تنظیم هایپرپارامترها
• 95. ارزیابی و بهبود مستمر مدل