سپنتا کتاب اکسپرس
کتاب معماری‌های CNN پیشرفته (ResNet, Inception)

کتاب معماری‌های CNN پیشرفته (ResNet, Inception)

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 معماری‌های CNN پیشرفته (ResNet, Inception)

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال
  • 2. انواع لایه‌های کانولوشنال
  • 3. تابع فعال‌سازی ReLU
  • 4. لایه‌های Pooling: Max Pooling و Average Pooling
  • 5. لایه‌های Fully Connected
  • 6. تابع فعال‌سازی Softmax
  • 7. بهینه‌سازی گرادیان کاهشی
  • 8. الگوریتم‌های بهینه‌سازی: Adam و SGD
  • 9. تنظیم نرخ یادگیری
  • 10. تکنیک‌های Regularization: Dropout و L2
  • 11. اعتبارسنجی متقابل (Cross-validation)
  • 12. تکنیک‌های Augmentation داده
  • 13. معماری‌های اولیه CNN: LeNet-5
  • 14. معماری AlexNet
  • 15. معماری VGGNet
  • 16. آشنایی با معماری‌های پیشرفته CNN
  • 17. مفهوم Residual Connections
  • 18. معماری ResNet
  • 19. بلوک‌های Residual در ResNet
  • 20. انواع ResNet: ResNet-18, ResNet-34, ResNet-50
  • 21. بلوک‌های Inception
  • 22. معماری GoogLeNet (Inception v1)
  • 23. Inception v2 و v3
  • 24. Inception v4 و Inception-ResNet
  • 25. تکنیک‌های Batch Normalization
  • 26. اهمیت Batch Normalization در ResNet
  • 27. مفهوم Squeeze-and-Excitation Networks (SENet)
  • 28. معماری SENet
  • 29. کاربرد SENet در بهبود عملکرد CNN
  • 30. معماری EfficientNet
  • 31. مقیاس‌بندی مدل در EfficientNet
  • 32. مفهوم Depthwise Separable Convolutions
  • 33. معماری MobileNet
  • 34. کاربرد MobileNet در دستگاه‌های موبایل
  • 35. معماری ShuffleNet
  • 36. مفهوم Channel Shuffle
  • 37. معماری DenseNet
  • 38. بلوک‌های متراکم در DenseNet
  • 39. مزایای DenseNet
  • 40. مفهوم Attention Mechanisms
  • 41. خود-توجهی (Self-Attention)
  • 42. مکانیسم‌های توجه در CNN
  • 43. معماری Transformer و کاربردهای آن
  • 44. مفهوم Transfer Learning
  • 45. استفاده از وزن‌های از پیش آموزش‌دیده
  • 46. Fine-tuning مدل‌ها
  • 47. کاربرد Transfer Learning در تشخیص تصویر
  • 48. Object Detection: مفاهیم پایه
  • 49. معماری R-CNN
  • 50. معماری Fast R-CNN
  • 51. معماری Faster R-CNN
  • 52. معماری YOLO (You Only Look Once)
  • 53. YOLO v1 تا v5
  • 54. معماری SSD (Single Shot MultiBox Detector)
  • 55. مفهوم Anchor Boxes
  • 56. مفهوم Non-Maximum Suppression (NMS)
  • 57. Semantic Segmentation: مفاهیم پایه
  • 58. معماری FCN (Fully Convolutional Networks)
  • 59. معماری U-Net
  • 60. کاربرد U-Net در تصویربرداری پزشکی
  • 61. معماری DeepLab
  • 62. مفهوم Atrous Convolution
  • 63. مفهوم Atrous Spatial Pyramid Pooling (ASPP)
  • 64. مفهوم Instance Segmentation
  • 65. معماری Mask R-CNN
  • 66. کاربرد Mask R-CNN
  • 67. تکنیک‌های Data Augmentation پیشرفته
  • 68. تکنیک‌های CutMix و Mixup
  • 69. تکنیک‌های AutoAugment
  • 70. مفاهیم GANs (Generative Adversarial Networks)
  • 71. معماری DCGAN
  • 72. کاربرد GANs در تولید تصویر
  • 73. مفاهیم Style Transfer
  • 74. معماری‌های Style Transfer
  • 75. کاربرد Style Transfer
  • 76. مفاهیم Explainable AI (XAI)
  • 77. تکنیک‌های LIME و SHAP
  • 78. کاربرد XAI در CNN
  • 79. مفاهیم Federated Learning
  • 80. کاربرد Federated Learning در حفظ حریم خصوصی
  • 81. مفاهیم Continual Learning
  • 82. چالش‌های Continual Learning
  • 83. معماری‌های پیشرفته برای Continual Learning
  • 84. مفاهیم Graph Neural Networks (GNNs)
  • 85. کاربرد GNNs در داده‌های ساختاریافته
  • 86. مفاهیم Self-Supervised Learning
  • 87. کاربردهای Self-Supervised Learning
  • 88. مفاهیم Contrastive Learning
  • 89. کاربرد Contrastive Learning
  • 90. مفاهیم Meta-Learning
  • 91. کاربرد Meta-Learning
  • 92. مفاهیم Few-Shot Learning
  • 93. چالش‌های Few-Shot Learning
  • 94. معماری‌های Few-Shot Learning
  • 95. مفاهیم Neural Architecture Search (NAS)
  • 96. روش‌های NAS
  • 97. کاربرد NAS در طراحی CNN
  • 98. مفاهیم Model Compression
  • 99. تکنیک‌های Pruning و Quantization
  • 100. مفاهیم Knowledge Distillation

📚 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.