کتاب شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی
, ,

کتاب شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000019723 دسته: , , برچسب: , , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • 2. جایگاه شبکه‌های عصبی کانولوشنی در بینایی کامپیوتر
  • 3. مروری بر ریاضیات ضروری: جبر خطی (بردارها و ماتریس‌ها)
  • 4. مروری بر ریاضیات ضروری: حسابان (مشتق و قاعده زنجیره‌ای)
  • 5. مبانی آمار و احتمال برای یادگیری عمیق
  • 6. آشنایی با پایتون و محیط‌های برنامه‌نویسی (Anaconda, Jupyter)
  • 7. کار با کتابخانه NumPy برای محاسبات عددی
  • 8. کار با کتابخانه Matplotlib برای مصورسازی داده‌ها
  • 9. مقدمه‌ای بر یک فریمورک یادگیری عمیق (TensorFlow/Keras یا PyTorch)
  • 10. نصب و راه‌اندازی محیط توسعه
  • 11. نورون مصنوعی: از پرسپترون تا مدل‌های مدرن
  • 12. توابع فعال‌سازی: Sigmoid و Tanh
  • 13. توابع فعال‌سازی: ReLU و انواع آن (Leaky ReLU, ELU)
  • 14. مفهوم تابع هزینه (Loss Function) در یادگیری ماشین
  • 15. توابع هزینه برای مسائل رگرسیون (MSE) و طبقه‌بندی (Cross-Entropy)
  • 16. الگوریتم گرادیان کاهشی (Gradient Descent)
  • 17. گرادیان کاهشی تصادفی (SGD) و Mini-batch
  • 18. الگوریتم‌های بهینه‌سازی پیشرفته: Momentum و Nesterov
  • 19. الگوریتم‌های بهینه‌سازی تطبیقی: AdaGrad و RMSProp
  • 20. الگوریتم بهینه‌سازی Adam
  • 21. مفهوم پس‌انتشار خطا (Backpropagation)
  • 22. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 23. ساخت اولین شبکه عصبی ساده (MLP)
  • 24. چالش‌های استفاده از MLP برای داده‌های تصویری
  • 25. ایده اصلی CNN: میدان دریافت محلی (Local Receptive Fields)
  • 26. ایده اصلی CNN: اشتراک‌گذاری پارامترها (Parameter Sharing)
  • 27. عملیات کانولوشن دو بعدی (2D Convolution)
  • 28. فیلترها (کرنل‌ها) و نقش آن‌ها در استخراج ویژگی
  • 29. نقشه‌ها‌ی ویژگی (Feature Maps)
  • 30. مفهوم گام (Stride) در کانولوشن
  • 31. مفهوم لایه‌گذاری (Padding): Same و Valid
  • 32. محاسبه ابعاد خروجی لایه کانولوشنی
  • 33. لایه‌های تجمعی (Pooling Layers): کاهش ابعاد
  • 34. انواع Pooling: Max Pooling و Average Pooling
  • 35. معماری یک بلوک کانولوشنی: Conv -> Activation -> Pool
  • 36. چیدمان لایه‌های کانولوشنی برای یادگیری سلسله‌مراتبی ویژگی‌ها
  • 37. لایه‌های تماماً متصل (Fully Connected Layers) در CNN
  • 38. تبدیل نقشه‌های ویژگی به بردار (Flattening)
  • 39. ساختار کامل یک CNN ساده از ورودی تا خروجی
  • 40. بررسی اولین CNN موفق: معماری LeNet-5
  • 41. آشنایی با مجموعه داده‌های استاندارد: MNIST و Fashion-MNIST
  • 42. آشنایی با مجموعه داده‌های استاندارد: CIFAR-10 و CIFAR-100
  • 43. بارگذاری و پیش‌پردازش داده‌های تصویری
  • 44. نرمال‌سازی و استانداردسازی تصاویر
  • 45. ساخت اولین مدل CNN با Keras/TensorFlow
  • 46. کامپایل کردن مدل: تعریف بهینه‌ساز، تابع هزینه و معیارها
  • 47. آموزش مدل: مفاهیم Epoch, Batch Size و Iteration
  • 48. ارزیابی عملکرد مدل روی داده‌های تست
  • 49. انجام پیش‌بینی روی تصاویر جدید
  • 50. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 51. تکنیک‌های مقابله با بیش‌برازش: افزایش داده (Data Augmentation)
  • 52. پیاده‌سازی Data Augmentation: چرخش، جابجایی، بزرگنمایی
  • 53. تکنیک‌های مقابله با بیش‌برازش: تنظیم‌گری (Regularization) L1 و L2
  • 54. تکنیک‌های مقابله با بیش‌برازش: Dropout
  • 55. ذخیره و بازیابی مدل‌های آموزش‌دیده
  • 56. استفاده از Checkpointing برای ذخیره بهترین مدل حین آموزش
  • 57. استفاده از Early Stopping برای جلوگیری از آموزش بیهوده
  • 58. تنظیم هایپرپارامترها (Hyperparameter Tuning)
  • 59. مصورسازی فرآیند آموزش: نمودارهای دقت و هزینه
  • 60. معماری AlexNet: جهش بزرگ در یادگیری عمیق
  • 61. معماری VGGNet: سادگی و عمق
  • 62. کانولوشن 1×1 و کاربردهای آن
  • 63. معماری GoogLeNet و ماژول Inception
  • 64. مشکل محو شدگی و انفجار گرادیان (Vanishing/Exploding Gradients)
  • 65. نرمال‌سازی دسته‌ای (Batch Normalization)
  • 66. معماری ResNet و اتصالات باقی‌مانده (Residual Connections)
  • 67. بلوک‌های باقی‌مانده (Residual Blocks) در ResNet
  • 68. معماری DenseNet: اتصالات متراکم
  • 69. معماری‌های بهینه برای موبایل: MobileNets
  • 70. کانولوشن‌های تفکیک‌پذیر عمقی (Depthwise Separable Convolutions)
  • 71. معماری EfficientNet: مقیاس‌پذیری هوشمند مدل
  • 72. شبکه‌های فشردگی و تحریک (SE Blocks)
  • 73. یادگیری انتقالی (Transfer Learning): مفهوم و کاربردها
  • 74. استفاده از مدل‌های از پیش آموزش‌دیده برای استخراج ویژگی
  • 75. تنظیم دقیق (Fine-Tuning) یک مدل از پیش آموزش‌دیده
  • 76. مقدمه‌ای بر تشخیص اشیاء (Object Detection)
  • 77. مدل‌های مبتنی بر ناحیه: R-CNN, Fast R-CNN, Faster R-CNN
  • 78. مدل‌های تک مرحله‌ای: YOLO (You Only Look Once)
  • 79. مدل‌های تک مرحله‌ای: SSD (Single Shot MultiBox Detector)
  • 80. مقدمه‌ای بر بخش‌بندی معنایی تصاویر (Semantic Segmentation)
  • 81. شبکه‌های تماماً کانولوشنی (FCN) برای بخش‌بندی
  • 82. معماری U-Net برای بخش‌بندی تصاویر پزشکی
  • 83. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
  • 84. ساخت یک GAN ساده (DCGAN) برای تولید تصویر
  • 85. تفسیرپذیری و بصری‌سازی CNN‌ها
  • 86. نقشه‌های برجستگی (Saliency Maps)
  • 87. نقشه‌های فعال‌سازی کلاس (Class Activation Maps – CAM)
  • 88. روش Grad-CAM برای توضیح پیش‌بینی‌های مدل
  • 89. یادگیری تک-شات (One-Shot Learning) با شبکه‌های سیامی (Siamese Networks)
  • 90. بهینه‌سازی مدل برای استقرار: کوانتیزه‌سازی (Quantization)
  • 91. بهینه‌سازی مدل برای استقرار: هرس کردن (Pruning)
  • 92. آشنایی با TensorFlow Lite برای استقرار روی دستگاه‌های موبایل
  • 93. آشنایی با فرمت ONNX برای قابلیت همکاری مدل‌ها
  • 94. استقرار مدل CNN به عنوان یک وب سرویس با Flask
  • 95. استفاده از سرویس‌های ابری برای آموزش (Google Colab)
  • 96. پروژه نهایی: تعریف مسئله و انتخاب مجموعه داده
  • 97. پروژه نهایی: ساخت، آموزش و ارزیابی مدل
  • 98. پروژه نهایی: تحلیل نتایج و ارائه گزارش
  • 99. روندها و آینده شبکه‌های عصبی کانولوشنی
  • 100. **تشخیص ناهنجاری با استفاده از CNNها: رویکردها، کاربردها و چالش‌ها**

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب شبکه‌های عصبی کانولوشنی (CNN): از تئوری تا پیاده‌سازی عملی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا