اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری ماشین در دستگاه‌های نهفته (TinyML)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در دستگاه‌های نهفته (TinyML)

موضوع کلی: برنامه نویسی

موضوع میانی: سیستم‌های نهفته (Embedded Systems)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سیستم‌های نهفته و میکروکنترلرها
• 2. آشنایی با معماری پردازنده‌های نهفته
• 3. اصول برنامه‌نویسی C برای سیستم‌های نهفته
• 4. کار با GPIO در میکروکنترلرها
• 5. مدیریت وقفه‌ها (Interrupts) در سیستم‌های نهفته
• 6. مقدمه‌ای بر سنسورها و نحوه اتصال آن‌ها
• 7. دیجیتال‌سازی سیگنال‌های آنالوگ (ADC)
• 8. مدیریت حافظه در سیستم‌های نهفته
• 9. برنامه‌نویسی Real-Time Operating Systems (RTOS)
• 10. مفاهیم پایه یادگیری ماشین
• 11. انواع مدل‌های یادگیری ماشین
• 12. یادگیری نظارت شده و نظارت نشده
• 13. رگرسیون خطی و لجستیک
• 14. دسته‌بندی‌کننده‌ها (Classifiers)
• 15. ماشین‌های بردار پشتیبان (SVM)
• 16. درخت‌های تصمیم و جنگل‌های تصادفی
• 17. خوشه‌بندی (Clustering)
• 18. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 19. شبکه‌های عصبی کانولوشنی (CNN)
• 20. شبکه‌های عصبی بازگشتی (RNN)
• 21. یادگیری عمیق (Deep Learning)
• 22. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 23. انتخاب و استخراج ویژگی
• 24. ارزیابی مدل‌های یادگیری ماشین
• 25. اعتبارسنجی متقابل (Cross-validation)
• 26. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 27. مقدمه‌ای بر TinyML
• 28. چالش‌های پیاده‌سازی ML در دستگاه‌های نهفته
• 29. معماری‌های سخت‌افزاری برای TinyML
• 30. بهینه‌سازی مدل‌های ML برای دستگاه‌های نهفته
• 31. فشرده‌سازی مدل‌ها (Model Compression)
• 32. کوانتیزاسیون (Quantization) مدل‌ها
• 33. هرس کردن (Pruning) مدل‌ها
• 34. استفاده از کتابخانه‌های TinyML
• 35. TensorFlow Lite for Microcontrollers
• 36. PyTorch Mobile
• 37. Apache TVM
• 38. مقدمه‌ای بر ابزارهای توسعه TinyML
• 39. بردها و میکروکنترلرهای مناسب TinyML
• 40. ARM Cortex-M processors
• 41. ESP32 for TinyML
• 42. Arduino boards
• 43. STM32 microcontrollers
• 44. کاربرد TinyML در تشخیص صدا
• 45. تشخیص گفتار (Speech Recognition)
• 46. تشخیص کلمات کلیدی (Keyword Spotting)
• 47. کاربرد TinyML در پردازش تصویر
• 48. تشخیص اشیاء (Object Detection)
• 49. طبقه‌بندی تصاویر (Image Classification)
• 50. کاربرد TinyML در پردازش سیگنال
• 51. تشخیص ناهنجاری (Anomaly Detection)
• 52. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 53. کاربرد TinyML در رباتیک
• 54. کنترل ربات با ML
• 55. ناوبری ربات با ML
• 56. کاربرد TinyML در اینترنت اشیا (IoT)
• 57. دستگاه‌های IoT هوشمند
• 58. تحلیل داده‌های سنسور در IoT
• 59. ملاحظات امنیتی در TinyML
• 60. حفاظت از مدل‌های ML در دستگاه‌های نهفته
• 61. پیاده‌سازی امنیتی در TinyML
• 62. ملاحظات مصرف انرژی در TinyML
• 63. بهینه‌سازی مصرف باتری
• 64. مدیریت توان در دستگاه‌های TinyML
• 65. ملاحظات اخلاقی در TinyML
• 66. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 67. سوگیری در داده‌ها و مدل‌ها
• 68. کاربرد TinyML در پزشکی
• 69. تشخیص بیماری با ML
• 70. پایش سلامت با ML
• 71. کاربرد TinyML در کشاورزی
• 72. کشاورزی هوشمند با ML
• 73. پایش محصولات با ML
• 74. روش‌های پیاده‌سازی مدل‌های ML بر روی میکروکنترلرها
• 75. استفاده از کتابخانه‌های C/C++ برای ML
• 76. توسعه مدل‌های سفارشی برای سخت‌افزار خاص
• 77. ارتباطات در سیستم‌های TinyML
• 78. پروتکل‌های ارتباطی بی‌سیم (BLE, LoRa)
• 79. ارسال داده‌های مدل به سرور
• 80. نکات پیشرفته در TinyML
• 81. یادگیری تقویتی (Reinforcement Learning) در دستگاه‌های نهفته
• 82. یادگیری انتقالی (Transfer Learning) برای TinyML
• 83. تکنیک‌های کاهش نویز در سنسورها
• 84. مدل‌های آماری برای تحلیل داده‌های سنسور
• 85. مقدمه‌ای بر پردازش سیگنال دیجیتال (DSP)
• 86. کاربرد DSP در TinyML
• 87. بهینه‌سازی مدل‌های CNN برای دستگاه‌های نهفته
• 88. بهینه‌سازی مدل‌های RNN برای دستگاه‌های نهفته
• 89. پردازش زبان طبیعی (NLP) در دستگاه‌های نهفته
• 90. تشخیص احساسات (Sentiment Analysis) در دستگاه‌های نهفته
• 91. ترجمه ماشینی سبک (Lightweight Machine Translation)
• 92. استفاده از شبیه‌سازها برای توسعه TinyML
• 93. شبیه‌سازهای سخت‌افزاری
• 94. شبیه‌سازهای نرم‌افزاری
• 95. مدیریت داده‌های حجیم در دستگاه‌های نهفته
• 96. ذخیره‌سازی و بازیابی داده‌های سنسور
• 97. فشرده‌سازی داده‌ها
• 98. پروژه‌های عملی TinyML
• 99. ساخت یک دستگاه تشخیص حضور با ML
• 100. پیاده‌سازی یک سیستم هشدار نشت گاز با ML