سپنتا کتاب اکسپرس
کتاب ساخت و ارزیابی مدل‌های تشخیص اشیاء در لحظه

کتاب ساخت و ارزیابی مدل‌های تشخیص اشیاء در لحظه

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 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

📚 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.