سپنتا کتاب اکسپرس
کتاب شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگو

کتاب شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگو

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگو

موضوع کلی: مبانی برنامه نویسی ساخت یافته

موضوع میانی: مفاهیم یادگیری عمیق (Deep Learning) - در سطح مقدماتی

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر شبکه‌های عصبی کانولوشنی
  • 2. تکامل شبکه‌های عصبی برای پردازش تصویر
  • 3. مفهوم کانولوشن و فیلترها
  • 4. لایه‌های کانولوشن: هسته اصلی CNN
  • 5. فیلترهای کانولوشن: استخراج ویژگی‌های پایه
  • 6. گام (Stride) در لایه کانولوشن
  • 7. Padding در لایه کانولوشن
  • 8. ابعاد خروجی پس از کانولوشن
  • 9. لایه‌های Pooling: کاهش ابعاد و جلوگیری از بیش‌برازش
  • 10. Max Pooling: انتخاب حداکثر مقادیر
  • 11. Average Pooling: میانگین مقادیر
  • 12. لایه‌های فعال‌سازی: معرفی غیرخطی بودن
  • 13. تابع فعال‌سازی ReLU (Rectified Linear Unit)
  • 14. مزایای ReLU در شبکه‌های عمیق
  • 15. تابع فعال‌سازی Sigmoid و کاربردهای آن
  • 16. تابع فعال‌سازی Tanh
  • 17. لایه‌های کاملاً متصل (Fully Connected Layers)
  • 18. نقش لایه‌های کاملاً متصل در طبقه‌بندی
  • 19. لایه‌های Softmax برای خروجی احتمالاتی
  • 20. تابع هزینه (Loss Function) در CNN
  • 21. Entropy متقابل (Cross-Entropy Loss)
  • 22. بهینه‌سازها (Optimizers)
  • 23. گرادیان کاهشی تصادفی (Stochastic Gradient Descent - SGD)
  • 24. SGD با Momentum
  • 25. Adam Optimizer: بهینه‌سازی پیشرفته
  • 26. RMSprop Optimizer
  • 27. معماری‌های پایه CNN: LeNet-5
  • 28. توضیح لایه‌های LeNet-5
  • 29. ALexNet: یک معماری انقلابی
  • 30. مراحل آموزش AlexNet
  • 31. VGGNet: عمق بیشتر با فیلترهای کوچک
  • 32. VGG16 و VGG19
  • 33. GoogLeNet (Inception): ماژول‌های Inception
  • 34. مفهوم ماژول Inception
  • 35. ResNet: شبکه‌های با باقی‌مانده (Residual Networks)
  • 36. مسیرهای باقی‌مانده (Residual Connections)
  • 37. مزایای ResNet در شبکه‌های عمیق
  • 38. DenseNet: اتصال متراکم لایه‌ها
  • 39. مفهوم اتصال متراکم
  • 40. کاربرد CNN در تشخیص اشیاء
  • 41. شبکه‌های R-CNN
  • 42. شبکه‌های Faster R-CNN
  • 43. شبکه‌های YOLO (You Only Look Once)
  • 44. مفهوم YOLO در تشخیص اشیاء
  • 45. شبکه‌های SSD (Single Shot MultiBox Detector)
  • 46. مقایسه YOLO و SSD
  • 47. کاربرد CNN در بخش‌بندی تصویر (Image Segmentation)
  • 48. شبکه‌های U-Net
  • 49. مراحل اجرای U-Net
  • 50. شبکه‌های FCN (Fully Convolutional Networks)
  • 51. کاربرد CNN در تشخیص چهره
  • 52. مراحل تشخیص چهره با CNN
  • 53. کاربرد CNN در تحلیل احساسات تصویر
  • 54. مفاهیم پایه تحلیل احساسات
  • 55. کاربرد CNN در تشخیص متن در تصویر (OCR)
  • 56. مراحل OCR با CNN
  • 57. کاربرد CNN در تصویربرداری پزشکی
  • 58. تشخیص بیماری‌ها با CNN
  • 59. کاربرد CNN در خودروهای خودران
  • 60. تشخیص موانع و علائم راهنمایی
  • 61. پیش‌پردازش تصاویر برای CNN
  • 62. نرمال‌سازی (Normalization)
  • 63. افزایش داده (Data Augmentation)
  • 64. تکنیک‌های افزایش داده: چرخش، جابجایی
  • 65. تکنیک‌های افزایش داده: برش، زوم
  • 66. کاهش ابعاد با PCA
  • 67. استخراج ویژگی دستی در مقابل CNN
  • 68. تفاوت با شبکه‌های عصبی پرسپترون چندلایه
  • 69. معماری‌های CNN برای وظایف خاص
  • 70. CNN برای تشخیص تصاویر سه‌بعدی
  • 71. CNN برای پردازش ویدئو
  • 72. شبکه‌های LSTM و CNN ترکیبی
  • 73. کاربرد CNN در گراف‌ها (Graph Convolutional Networks)
  • 74. مقدمه بر GCN
  • 75. لایه‌های GCN
  • 76. محدودیت‌های CNN
  • 77. مشکلات مربوط به حجم داده
  • 78. مشکلات مربوط به نیاز به GPU
  • 79. مشکلات مربوط به تفسیرپذیری
  • 80. روش‌های تفسیرپذیری CNN
  • 81. نقشه‌های فعال‌سازی (Activation Maps)
  • 82. تکنیک Grad-CAM
  • 83. کاربرد CNN در یادگیری انتقالی (Transfer Learning)
  • 84. استفاده از مدل‌های از پیش آموزش‌دیده
  • 85. تنظیم دقیق (Fine-tuning) مدل‌ها
  • 86. مزایای یادگیری انتقالی
  • 87. چالش‌های یادگیری انتقالی
  • 88. معماری‌های CNN مدرن
  • 89. EfficientNet
  • 90. Vision Transformer (ViT)
  • 91. شباهت‌ها و تفاوت‌های ViT و CNN
  • 92. ملاحظات پیاده‌سازی CNN
  • 93. انتخاب فریم‌ورک (TensorFlow، PyTorch)
  • 94. مدیریت داده‌ها و محاسبات
  • 95. ارزیابی عملکرد مدل CNN
  • 96. معیارهای ارزیابی: دقت، صحت، بازیابی
  • 97. منحنی ROC و AUC
  • 98. تنظیم هایپرپارامترها
  • 99. تکنیک‌های تنظیم هایپرپارامترها
  • 100. جستجوی شبکه‌ای (Grid Search)

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.