سپنتا کتاب اکسپرس
کتاب CNN و کاربردهای آن در بینایی کامپیوتر پیشرفته

کتاب CNN و کاربردهای آن در بینایی کامپیوتر پیشرفته

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 CNN و کاربردهای آن در بینایی کامپیوتر پیشرفته

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی کانولوشنال (CNN)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
  • 2. آشنایی با ساختار اساسی CNN
  • 3. لایه کانولوشن: هسته و فیلترها
  • 4. عملکرد لایه کانولوشن
  • 5. لایه فعال‌سازی (ReLU) و اهمیت آن
  • 6. لایه Pooling: کاهش ابعاد و استخراج ویژگی
  • 7. انواع لایه‌های Pooling (Max Pooling, Average Pooling)
  • 8. لایه Fully Connected (تراکم کامل)
  • 9. تابع فعال‌سازی در لایه‌های نهایی (Softmax)
  • 10. تابع هزینه (Loss Function) در CNN
  • 11. بهینه‌سازها (Optimizers): گرادیان کاهشی
  • 12. یادگیری و پس‌انتشار خطا (Backpropagation)
  • 13. معماری‌های کلاسیک CNN: LeNet-5
  • 14. معماری AlexNet و نوآوری‌های آن
  • 15. معماری VGG و عمق شبکه‌ها
  • 16. معماری GoogLeNet (Inception)
  • 17. معماری ResNet و مشکل گرادیان محوشونده
  • 18. شبکه‌های GAN (Generative Adversarial Networks)
  • 19. کاربرد CNN در تشخیص اشیاء
  • 20. تکنیک‌های تشخیص اشیاء: R-CNN
  • 21. تکنیک‌های تشخیص اشیاء: Fast R-CNN
  • 22. تکنیک‌های تشخیص اشیاء: Faster R-CNN
  • 23. تکنیک‌های تشخیص اشیاء: YOLO
  • 24. تکنیک‌های تشخیص اشیاء: SSD
  • 25. کاربرد CNN در بخش‌بندی تصویر (Image Segmentation)
  • 26. بخش‌بندی معنایی (Semantic Segmentation)
  • 27. بخش‌بندی نمونه (Instance Segmentation)
  • 28. معماری U-Net برای بخش‌بندی
  • 29. معماری Mask R-CNN
  • 30. کاربرد CNN در تشخیص چهره
  • 31. مراحل تشخیص چهره با CNN
  • 32. استخراج ویژگی چهره
  • 33. مقایسه و تطابق چهره
  • 34. کاربرد CNN در تولید تصویر
  • 35. تولید تصویر با شبکه‌های GAN
  • 36. تکنیک‌های افزایش کیفیت تصویر
  • 37. کاربرد CNN در پردازش زبان طبیعی (NLP)
  • 38. CNN برای طبقه‌بندی متن
  • 39. CNN برای تشخیص احساسات
  • 40. CNN برای ترجمه ماشینی
  • 41. انتقال یادگیری (Transfer Learning)
  • 42. استفاده از مدل‌های از پیش آموزش‌دیده
  • 43. تنظیم دقیق (Fine-tuning) مدل‌ها
  • 44. پیش‌پردازش داده‌ها برای CNN
  • 45. حجم‌دهی داده‌ها (Data Augmentation)
  • 46. نرمال‌سازی داده‌ها
  • 47. کدنویسی CNN با TensorFlow
  • 48. کدنویسی CNN با Keras
  • 49. کدنویسی CNN با PyTorch
  • 50. محیط‌های توسعه برای CNN
  • 51. مبانی یادگیری عمیق
  • 52. تفاوت یادگیری عمیق و یادگیری ماشین سنتی
  • 53. شبکه‌های عصبی بازگشتی (RNN)
  • 54. شبکه‌های LSTM و GRU
  • 55. کاربرد RNN در پردازش دنباله‌ها
  • 56. شبکه‌های ترنسفورمر (Transformer)
  • 57. توجه (Attention Mechanism) در ترنسفورمر
  • 58. کاربرد ترنسفورمر در NLP
  • 59. کاربرد ترنسفورمر در بینایی کامپیوتر
  • 60. شبکه‌های عصبی گراف (GNN)
  • 61. مبانی شبکه‌های عصبی گراف
  • 62. کاربرد GNN در تحلیل شبکه‌ها
  • 63. کاربرد GNN در شیمی و داروسازی
  • 64. معماری‌های پیشرفته CNN
  • 65. شبکه‌های DenseNet
  • 66. شبکه‌های MobileNet
  • 67. شبکه‌های EfficientNet
  • 68. کاربرد CNN در پزشکی
  • 69. تشخیص بیماری‌ها از روی تصاویر پزشکی
  • 70. تحلیل تصاویر رادیولوژی
  • 71. تحلیل تصاویر پاتولوژی
  • 72. کاربرد CNN در خودروهای خودران
  • 73. تشخیص موانع با CNN
  • 74. درک محیطی با CNN
  • 75. تصمیم‌گیری در خودروهای خودران
  • 76. کاربرد CNN در امنیت سایبری
  • 77. شناسایی بدافزارها
  • 78. تشخیص نفوذ
  • 79. تحلیل ترافیک شبکه
  • 80. کاربرد CNN در کشاورزی
  • 81. تشخیص آفات و بیماری‌های گیاهی
  • 82. تحلیل تصاویر ماهواره‌ای کشاورزی
  • 83. بهینه‌سازی مصرف منابع
  • 84. کاربرد CNN در هنر و خلاقیت
  • 85. تولید آثار هنری
  • 86. بازسازی تصاویر تاریخی
  • 87. سبک‌دهی تصاویر
  • 88. ملاحظات اخلاقی در CNN
  • 89. حریم خصوصی در تصاویر
  • 90. سوگیری در داده‌ها و مدل‌ها
  • 91. مسئولیت‌پذیری در سیستم‌های مبتنی بر CNN
  • 92. آینده CNN و بینایی کامپیوتر
  • 93. تحولات جدید در معماری‌ها
  • 94. کاربردهای نوظهور
  • 95. چالش‌های پیش رو
  • 96. جمع‌بندی و مسیرهای تحقیقاتی آینده
  • 97. آموزش مدل‌های CNN بر روی سخت‌افزارهای موازی (GPU)
  • 98. نکات عملی در پیاده‌سازی CNN
  • 99. ارزیابی عملکرد مدل‌های CNN
  • 100. شاخص‌های ارزیابی (Accuracy, Precision, Recall)

📚 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.