مدل CNN یا شبکه عصبی کانولوشنی چیه؟ 🖼️🤖
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
✅ 6. شبکه عصبی کانولوشنی (CNN)
شبکه‌های عصبی کانولوشنی (CNN) یه نوع خاص از شبکه‌های عصبی هستن که مخصوص پردازش تصاویر طراحی شدن 🧠🖼️.
این شبکه‌ها به‌جای اینکه همه‌چیز رو مستقیماً از ورودی‌ها یاد بگیرن، از فیلترهایی به اسم «کانولوشن» استفاده می‌کنن تا ویژگی‌های خاص مثل لبه‌ها ➖، رنگ‌ها 🌈، و بافت‌ها 🧵 رو از تصویر استخراج کنن.
شبکه‌های CNN برای شناسایی الگوهای پیچیده توی تصاویر مثل چهره‌ها 🧍♀️، اشیاء 📦 یا حتی حروف 🔠 بسیار کاربردی هستن.
تو پروژه ما، قراره از همین شبکه‌ها برای تشخیص حروف فارسی استفاده کنیم.
مدلی که واقعاً می‌فهمه توی عکس چه حرفه! 🇮🇷✨
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
لینک سوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
✅ 6. شبکه عصبی کانولوشنی (CNN)
شبکه‌های عصبی کانولوشنی (CNN) یه نوع خاص از شبکه‌های عصبی هستن که مخصوص پردازش تصاویر طراحی شدن 🧠🖼️.
این شبکه‌ها به‌جای اینکه همه‌چیز رو مستقیماً از ورودی‌ها یاد بگیرن، از فیلترهایی به اسم «کانولوشن» استفاده می‌کنن تا ویژگی‌های خاص مثل لبه‌ها ➖، رنگ‌ها 🌈، و بافت‌ها 🧵 رو از تصویر استخراج کنن.
شبکه‌های CNN برای شناسایی الگوهای پیچیده توی تصاویر مثل چهره‌ها 🧍♀️، اشیاء 📦 یا حتی حروف 🔠 بسیار کاربردی هستن.
تو پروژه ما، قراره از همین شبکه‌ها برای تشخیص حروف فارسی استفاده کنیم.
مدلی که واقعاً می‌فهمه توی عکس چه حرفه! 🇮🇷✨
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
لینک سوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
👍2💯1
لایه‌های کانولوشن، Pooling و Fully Connected چطور کار می‌کنن؟
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
✅ 7. لایه‌های مختلف در CNN
شبکه‌های CNN معمولاً شامل سه نوع لایه اصلی هستن:
1. لایه کانولوشن (Convolution Layer) 🔎
فیلترهایی که ویژگی‌های اصلی مثل لبه‌ها ➖، بافت‌ها 🧵 و الگوهای تصویری رو از تصویر استخراج می‌کنن.
2. لایه Pooling 📉
برای کاهش ابعاد تصویر و خلاصه کردن اطلاعات به شکلی که فقط ویژگی‌های مهم‌تر باقی بمونن. این کار باعث افزایش سرعت و کاهش پیچیدگی مدل می‌شه.
3. لایه Fully Connected (FC) 🧠
بعد از استخراج ویژگی‌ها، این لایه همه اطلاعات رو جمع می‌کنه و تصمیم نهایی مدل رو تولید می‌کنه (مثل اینکه "این تصویر حرف الف هست یا ب؟").
این سه لایه با هم همکاری می‌کنن تا مدل بتونه تصاویر رو دقیق‌تر، سریع‌تر و هوشمندانه‌تر تحلیل کنه. ⚡🖼️
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
✅ 7. لایه‌های مختلف در CNN
شبکه‌های CNN معمولاً شامل سه نوع لایه اصلی هستن:
1. لایه کانولوشن (Convolution Layer) 🔎
فیلترهایی که ویژگی‌های اصلی مثل لبه‌ها ➖، بافت‌ها 🧵 و الگوهای تصویری رو از تصویر استخراج می‌کنن.
2. لایه Pooling 📉
برای کاهش ابعاد تصویر و خلاصه کردن اطلاعات به شکلی که فقط ویژگی‌های مهم‌تر باقی بمونن. این کار باعث افزایش سرعت و کاهش پیچیدگی مدل می‌شه.
3. لایه Fully Connected (FC) 🧠
بعد از استخراج ویژگی‌ها، این لایه همه اطلاعات رو جمع می‌کنه و تصمیم نهایی مدل رو تولید می‌کنه (مثل اینکه "این تصویر حرف الف هست یا ب؟").
این سه لایه با هم همکاری می‌کنن تا مدل بتونه تصاویر رو دقیق‌تر، سریع‌تر و هوشمندانه‌تر تحلیل کنه. ⚡🖼️
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
👍2
تابع فعال‌سازی (Activation Function) چیه؟ ⚙️✨
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
✅ 8. تابع فعال‌سازی
تابع فعال‌سازی یکی از اجزای کلیدی در شبکه‌های عصبیه 🧠⚡.
این تابع کمک می‌کنه تا مدل خروجی نورون‌ها رو به‌صورت غیرخطی تغییر بده، یعنی مدل فقط یک ماشین ساده با ضرب و جمع نباشه، بلکه بتونه الگوهای پیچیده‌تر رو هم بشناسه! 🔁📊
یکی از معروف‌ترین توابع فعال‌سازی، ReLU هست.
این تابع باعث می‌شه فقط اطلاعات مفید به نورون‌های بعدی برن و اطلاعات بی‌فایده حذف بشن 🚫➡️✅.
بدون تابع فعال‌سازی، مدل خیلی محدود می‌شه و نمی‌تونه تصمیمات هوشمندانه بگیره!
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
✅ 8. تابع فعال‌سازی
تابع فعال‌سازی یکی از اجزای کلیدی در شبکه‌های عصبیه 🧠⚡.
این تابع کمک می‌کنه تا مدل خروجی نورون‌ها رو به‌صورت غیرخطی تغییر بده، یعنی مدل فقط یک ماشین ساده با ضرب و جمع نباشه، بلکه بتونه الگوهای پیچیده‌تر رو هم بشناسه! 🔁📊
یکی از معروف‌ترین توابع فعال‌سازی، ReLU هست.
این تابع باعث می‌شه فقط اطلاعات مفید به نورون‌های بعدی برن و اطلاعات بی‌فایده حذف بشن 🚫➡️✅.
بدون تابع فعال‌سازی، مدل خیلی محدود می‌شه و نمی‌تونه تصمیمات هوشمندانه بگیره!
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
آموزش مدل یعنی چی؟ چطور مدل رو آموزش می‌دیم؟ 🎯📚
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
✅ 9. آموزش مدل
آموزش مدل یعنی اینکه ما به مدل داده‌های ورودی 🖼️ و برچسب درست 🏷️ می‌دیم تا بتونه الگوها رو یاد بگیره.
مدل با استفاده از این داده‌ها، پیش‌بینی انجام می‌ده، بعد خطاهاشو اندازه‌گیری می‌کنه (با تابع خطا)، و به کمک الگوریتم‌هایی مثل:
- SGD ⚙️ (Stochastic Gradient Descent)
- یا Adam 🧠
شروع می‌کنه به به‌روزرسانی وزن‌ها تا کم‌کم اشتباهات کمتر و دقت بیشتر بشه. این فرآیند هزاران بار تکرار می‌شه تا مدل واقعاً باهوش بشه! 🚀
نتیجه؟ یه مدل که می‌تونه با دقت بالا پیش‌بینی کنه که مثلاً توی تصویر چه حرفیه! 🔠✅
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
✅ 9. آموزش مدل
آموزش مدل یعنی اینکه ما به مدل داده‌های ورودی 🖼️ و برچسب درست 🏷️ می‌دیم تا بتونه الگوها رو یاد بگیره.
مدل با استفاده از این داده‌ها، پیش‌بینی انجام می‌ده، بعد خطاهاشو اندازه‌گیری می‌کنه (با تابع خطا)، و به کمک الگوریتم‌هایی مثل:
- SGD ⚙️ (Stochastic Gradient Descent)
- یا Adam 🧠
شروع می‌کنه به به‌روزرسانی وزن‌ها تا کم‌کم اشتباهات کمتر و دقت بیشتر بشه. این فرآیند هزاران بار تکرار می‌شه تا مدل واقعاً باهوش بشه! 🚀
نتیجه؟ یه مدل که می‌تونه با دقت بالا پیش‌بینی کنه که مثلاً توی تصویر چه حرفیه! 🔠✅
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مبحث Loss Function چیه؟ چطور مدل اشتباهاتش رو می‌فهمه؟ ❌➕✅
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
✅ 10. مبحث Loss Function
تابع Loss Function یا تابع خطا ابزاریه که به مدل می‌گه: "هی! داری اشتباه می‌کنی!"
مثلاً اگه مدل به‌جای حرف "الف" بگه "ب"، تابع خطا این اشتباه رو اندازه‌گیری می‌کنه و به مدل می‌گه چقدر باید وزن‌ها رو تغییر بده. ⚖️
اینطوری مدل با هر بار آموزش، دقیق‌تر و هوشمندتر می‌شه!
یکی از معروف‌ترین توابع خطا برای مسائل دسته‌بندی مثل تشخیص حروف، Cross-Entropy Loss هست.
این تابع به مدل کمک می‌کنه تا پیش‌بینی‌هایی با اطمینان بیشتر انجام بده. 🔢🔍
کارکردش مثل یه مربی جدیه که می‌گه: "اینجا رو اشتباه گفتی، اصلاحش کن!" 🧑🏫
لینک پیشنهادی: 🔗
لینک اول
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
✅ 10. مبحث Loss Function
تابع Loss Function یا تابع خطا ابزاریه که به مدل می‌گه: "هی! داری اشتباه می‌کنی!"
مثلاً اگه مدل به‌جای حرف "الف" بگه "ب"، تابع خطا این اشتباه رو اندازه‌گیری می‌کنه و به مدل می‌گه چقدر باید وزن‌ها رو تغییر بده. ⚖️
اینطوری مدل با هر بار آموزش، دقیق‌تر و هوشمندتر می‌شه!
یکی از معروف‌ترین توابع خطا برای مسائل دسته‌بندی مثل تشخیص حروف، Cross-Entropy Loss هست.
این تابع به مدل کمک می‌کنه تا پیش‌بینی‌هایی با اطمینان بیشتر انجام بده. 🔢🔍
کارکردش مثل یه مربی جدیه که می‌گه: "اینجا رو اشتباه گفتی، اصلاحش کن!" 🧑🏫
لینک پیشنهادی: 🔗
لینک اول
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
👍3
Forwarded from Danial Shahverdi
انجمن علمی کامپیوتر دانشگاه صنعتی با همکاری انجمن علمی بازی های دیجیتال و انیمیشن دانشگاه شهرکرد و اتحادیه انجمن های علمی دانشجویی برگزار میکند:
🎮محتوای دوره:
ساخت بازی با موتور بازی‌سازی گودوت (بدون پیش‌نیاز)
👨🏫مدرس دوره:
آقای دانیال شاهوردی
📅تاریخ برگزاری:
۱۱ اردیبهشت
🕒زمان برگزاری:
پنجشنبه و جمعه ساعت ۱۶ الی ۱۷
📚تعداد جلسات:
۵ جلسه + یک جلسه هدیه
🏢بستر برگزاری:
آنلاین بر بستر اسکای روم
💰هزینه دوره:
🎓۱۸۹ هزار تومان
همراه با اعطای گواهی معتبر
پنل ثبت نام:
https://rooydadestan.ir/?p=234598
با آیدی زیر در ارتباط باش:
@csa_kut
آدرس انجمن علمی کامپیوتر:
@computer_kut
انجمن علمی بازی های دیجیتال و انیمیشن دانشگاه شهر کرد:
@GC_SKU
•━──────•༺✦⚜️⚜️✦༻•──────━•
🌿✨ به ما بپیوندید ✨🌿
🆔 @cecsau
🌐 zil.ink/cecsau
📱 eitaa.com/cecsau
⚜ instagram.com/CECSAU
•━──────•༺✦🇮🇷🇮🇷✦༻•──────━•
🪩اتحادیه علمی دانشجویی کامپیوتر کشور
"مرجع رسمی نخبگان و متخصصان حوزه فناوری اطلاعات و ارتباطات"
وابسته به وزارت علوم تحقیقات و فناوری
🎮محتوای دوره:
ساخت بازی با موتور بازی‌سازی گودوت (بدون پیش‌نیاز)
👨🏫مدرس دوره:
آقای دانیال شاهوردی
📅تاریخ برگزاری:
۱۱ اردیبهشت
🕒زمان برگزاری:
پنجشنبه و جمعه ساعت ۱۶ الی ۱۷
📚تعداد جلسات:
۵ جلسه + یک جلسه هدیه
🏢بستر برگزاری:
آنلاین بر بستر اسکای روم
💰هزینه دوره:
🎓۱۸۹ هزار تومان
همراه با اعطای گواهی معتبر
پنل ثبت نام:
https://rooydadestan.ir/?p=234598
با آیدی زیر در ارتباط باش:
@csa_kut
آدرس انجمن علمی کامپیوتر:
@computer_kut
انجمن علمی بازی های دیجیتال و انیمیشن دانشگاه شهر کرد:
@GC_SKU
•━──────•༺✦⚜️⚜️✦༻•──────━•
🌿✨ به ما بپیوندید ✨🌿
🆔 @cecsau
🌐 zil.ink/cecsau
📱 eitaa.com/cecsau
⚜ instagram.com/CECSAU
•━──────•༺✦🇮🇷🇮🇷✦༻•──────━•
🪩اتحادیه علمی دانشجویی کامپیوتر کشور
"مرجع رسمی نخبگان و متخصصان حوزه فناوری اطلاعات و ارتباطات"
وابسته به وزارت علوم تحقیقات و فناوری
👍4
Danial Shahverdi
انجمن علمی کامپیوتر دانشگاه صنعتی با همکاری انجمن علمی بازی های دیجیتال و انیمیشن دانشگاه شهرکرد و اتحادیه انجمن های علمی دانشجویی برگزار میکند: 🎮محتوای دوره: ساخت بازی با موتور بازی‌سازی گودوت (بدون پیش‌نیاز) 👨🏫مدرس دوره: آقای دانیال شاهوردی 📅تاریخ برگزاری:…
لیست مباحث آموزشی در دوره:
1. اولین اسکریپت شما (Your First Script)
2. مبانی اسکریپت‌نویسی (Scripting Essentials)
3. کنترل بازیکن (Controlling the Player)
4. مدیریت فیزیک و برخوردها (RigidBody3D, Collision Detection & Physics)
5. مدیریت ورودی‌ها و نقشه ورودی (The Input Map)
6. تولید و مدیریت بازیکن (Instantiating the Player & Respawning)
7. ساخت و طراحی مراحل (Blocking Out the Level & Click Me Load More the Next Level)
8. انیمیشن و افکت‌های بصری (Tweens, Tweening Hazards, Particles & One Shot Particles)
9. افزودن صدا و کنترل آن با اسکریپت (Introducing Audio & Controlling Audio With Scripts)
10. بهبود و سفارشی‌سازی سفینه (Improving the Ship & Coloring the Ship)
11. ساخت پس‌زمینه و نورپردازی صحنه (Building Backgrounds & Lighting the Scene)
12. خروجی گرفتن از بازی (Exporting Your Game)
13. جمع‌بندی (Wrap Up - Project Boost)
1. اولین اسکریپت شما (Your First Script)
2. مبانی اسکریپت‌نویسی (Scripting Essentials)
3. کنترل بازیکن (Controlling the Player)
4. مدیریت فیزیک و برخوردها (RigidBody3D, Collision Detection & Physics)
5. مدیریت ورودی‌ها و نقشه ورودی (The Input Map)
6. تولید و مدیریت بازیکن (Instantiating the Player & Respawning)
7. ساخت و طراحی مراحل (Blocking Out the Level & Click Me Load More the Next Level)
8. انیمیشن و افکت‌های بصری (Tweens, Tweening Hazards, Particles & One Shot Particles)
9. افزودن صدا و کنترل آن با اسکریپت (Introducing Audio & Controlling Audio With Scripts)
10. بهبود و سفارشی‌سازی سفینه (Improving the Ship & Coloring the Ship)
11. ساخت پس‌زمینه و نورپردازی صحنه (Building Backgrounds & Lighting the Scene)
12. خروجی گرفتن از بازی (Exporting Your Game)
13. جمع‌بندی (Wrap Up - Project Boost)
👍1
مبحث Optimizer چیه و چرا بهش نیاز داریم؟ ⚙️🚀
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
✅ 11. مبحث Optimizer
وقتی مدل فهمید اشتباه کرده (با کمک Loss Function)، باید بدونه چطور وزن‌هاشو اصلاح کنه. اینجاست که Optimizer وارد می‌شه! 🛠️
این Optimizer ها الگوریتم‌هایی هستن که مسیر درست برای تغییر وزن‌ها رو پیدا می‌کنن تا مدل هر بار بهتر یاد بگیره.
از معروف‌ترین Optimizer ها:
- اولین مدل SGD: ساده ولی مؤثر برای یادگیری تدریجی ⏳
- دومین مورد Adam: ترکیبی از بهترین ویژگی‌های چند الگوریتم، با سرعت بالا و دقت فوق‌العاده ⚡🧠
تصور کن مدل یه کوهنورده و Loss مثل دره‌ایه که می‌خواد به تهش برسه؛ Optimizer نقشه و قطب‌نمای راهه! 🧭⛰️
بدون Optimizer، مدل خیلی کند یا حتی اشتباه یاد می‌گیره.
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
✅ 11. مبحث Optimizer
وقتی مدل فهمید اشتباه کرده (با کمک Loss Function)، باید بدونه چطور وزن‌هاشو اصلاح کنه. اینجاست که Optimizer وارد می‌شه! 🛠️
این Optimizer ها الگوریتم‌هایی هستن که مسیر درست برای تغییر وزن‌ها رو پیدا می‌کنن تا مدل هر بار بهتر یاد بگیره.
از معروف‌ترین Optimizer ها:
- اولین مدل SGD: ساده ولی مؤثر برای یادگیری تدریجی ⏳
- دومین مورد Adam: ترکیبی از بهترین ویژگی‌های چند الگوریتم، با سرعت بالا و دقت فوق‌العاده ⚡🧠
تصور کن مدل یه کوهنورده و Loss مثل دره‌ایه که می‌خواد به تهش برسه؛ Optimizer نقشه و قطب‌نمای راهه! 🧭⛰️
بدون Optimizer، مدل خیلی کند یا حتی اشتباه یاد می‌گیره.
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
👍2
ارزیابی مدل — Accuracy چطور بررسی می‌کنیم که مدل خوب کار می‌کنه؟ ✅📊
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
1️⃣1️⃣ مبحث Optimizer
✅ 12. ارزیابی مدل - Accuracy
وقتی آموزش تموم شد، وقتشه بپرسیم:
«مدلمون واقعاً چقدر خوب کار می‌کنه؟»
اینجاست که می‌ریم سراغ معیارهایی مثل Accuracy 🎯
مفهوم Accuracy یعنی چند درصد از پیش‌بینی‌های مدل درست بودن؟ مثلاً اگه ۹۵ تا از ۱۰۰ عکس رو درست تشخیص داد، یعنی Accuracy شده ۹۵٪.
معمولاً Accuracy بالای ۹۰٪ خیلی خوبه!
- بین ۸۰ تا ۹۰٪ قابل قبوله
- پایین‌تر؟ باید بررسی کنیم کجا مدل مشکل داره! 🧐🔍
یادت باشه، فقط Accuracy کافی نیست؛ بعضی وقتا نیاز به معیارهای دیگه هم داریم (مثل Precision، Recall و F1). ولی برای شروع، Accuracy بهترینه.
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
1️⃣1️⃣ مبحث Optimizer
✅ 12. ارزیابی مدل - Accuracy
وقتی آموزش تموم شد، وقتشه بپرسیم:
«مدلمون واقعاً چقدر خوب کار می‌کنه؟»
اینجاست که می‌ریم سراغ معیارهایی مثل Accuracy 🎯
مفهوم Accuracy یعنی چند درصد از پیش‌بینی‌های مدل درست بودن؟ مثلاً اگه ۹۵ تا از ۱۰۰ عکس رو درست تشخیص داد، یعنی Accuracy شده ۹۵٪.
معمولاً Accuracy بالای ۹۰٪ خیلی خوبه!
- بین ۸۰ تا ۹۰٪ قابل قبوله
- پایین‌تر؟ باید بررسی کنیم کجا مدل مشکل داره! 🧐🔍
یادت باشه، فقط Accuracy کافی نیست؛ بعضی وقتا نیاز به معیارهای دیگه هم داریم (مثل Precision، Recall و F1). ولی برای شروع، Accuracy بهترینه.
لینک پیشنهادی: 🔗
لینک اول
لینک دوم
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
🔥1
تنظیم مدل — چطور بهترین مدل رو پیدا کنیم؟ ⚙️🔍
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
1️⃣1️⃣ مبحث Optimizer
1️⃣2️⃣ ارزیابی مدل
✅ 13. تنظیم مدل (Hyperparameter Tuning)
وقتی مدل آموزش دید، یه سوال مهم می‌مونه:
«آیا این بهترین عملکردیه که می‌تونه داشته باشه؟»
شاید نه!
برای همین باید بریم سراغ تنظیم هایپرپارامترها (Hyperparameters) ⚙️
این‌ها چیزایی هستن که قبل از آموزش مشخص می‌شن و روی نتیجه کلی مدل تاثیر زیادی دارن.
مثال‌هایی از هایپرپارامترها:
- تعداد لایه‌ها 🧱
- اندازه فیلترهای کانولوشنی 🔲
- نرخ یادگیری (Learning Rate) 🚀
- تعداد نورون‌ها در هر لایه ⚡
هدف؟
حداکثر دقت، حداقل خطا! 🎯
لینک پیشنهادی: 🔗
لینک اول
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ آشنایی با هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه‌های CNN
7️⃣ لایه‌های CNN
8️⃣ تابع فعال‌سازی
9️⃣ آموزش مدل
🔟 مبحث Loss Function
1️⃣1️⃣ مبحث Optimizer
1️⃣2️⃣ ارزیابی مدل
✅ 13. تنظیم مدل (Hyperparameter Tuning)
وقتی مدل آموزش دید، یه سوال مهم می‌مونه:
«آیا این بهترین عملکردیه که می‌تونه داشته باشه؟»
شاید نه!
برای همین باید بریم سراغ تنظیم هایپرپارامترها (Hyperparameters) ⚙️
این‌ها چیزایی هستن که قبل از آموزش مشخص می‌شن و روی نتیجه کلی مدل تاثیر زیادی دارن.
مثال‌هایی از هایپرپارامترها:
- تعداد لایه‌ها 🧱
- اندازه فیلترهای کانولوشنی 🔲
- نرخ یادگیری (Learning Rate) 🚀
- تعداد نورون‌ها در هر لایه ⚡
هدف؟
حداکثر دقت، حداقل خطا! 🎯
لینک پیشنهادی: 🔗
لینک اول
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
👍1💯1
نهایی کردن مدل — آماده برای استفاده واقعی! 🚀
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه های CNN
7️⃣ لایه‌ها
8️⃣ تابع فعال‌سازی
9️⃣ آموزش
🔟 مباحث Loss
1️⃣1️⃣ مباحث Optimizer
1️⃣2️⃣ ارزیابی
1️⃣3️⃣ تنظیم مدل
✅ 14. نهایی کردن مدل
متن پست:
بعد از کلی آموزش، تنظیم، ارزیابی و بهبود، حالا وقتشه که مدل رو برای دنیای واقعی آماده کنیم!
چه کارهایی انجام می‌دیم؟
- مدل رو Save می‌کنیم (مثلاً با فرمت
- اون رو روی یه سرور یا اپلیکیشن واقعی Deploy می‌کنیم 🌐
- کاربران می‌تونن تصویر حروف فارسی رو بفرستن و مدل ما سریعاً پیش‌بینی کنه ✨
این همون لحظه‌ایه که هوش مصنوعی از "آزمایشگاه" میاد توی زندگی واقعی!
از این مدل می‌تونیم در اپ‌های موبایل، سایت‌ها، یا سیستم‌های آموزشی استفاده کنیم.
یعنی پروژه‌مون دیگه یه مدل تمرینی نیست، یه ابزار واقعیه!
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه های CNN
7️⃣ لایه‌ها
8️⃣ تابع فعال‌سازی
9️⃣ آموزش
🔟 مباحث Loss
1️⃣1️⃣ مباحث Optimizer
1️⃣2️⃣ ارزیابی
1️⃣3️⃣ تنظیم مدل
✅ 14. نهایی کردن مدل
متن پست:
بعد از کلی آموزش، تنظیم، ارزیابی و بهبود، حالا وقتشه که مدل رو برای دنیای واقعی آماده کنیم!
چه کارهایی انجام می‌دیم؟
- مدل رو Save می‌کنیم (مثلاً با فرمت
.h5 یا .pt) 💾 - اون رو روی یه سرور یا اپلیکیشن واقعی Deploy می‌کنیم 🌐
- کاربران می‌تونن تصویر حروف فارسی رو بفرستن و مدل ما سریعاً پیش‌بینی کنه ✨
این همون لحظه‌ایه که هوش مصنوعی از "آزمایشگاه" میاد توی زندگی واقعی!
از این مدل می‌تونیم در اپ‌های موبایل، سایت‌ها، یا سیستم‌های آموزشی استفاده کنیم.
یعنی پروژه‌مون دیگه یه مدل تمرینی نیست، یه ابزار واقعیه!
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
💯3
نتیجه‌گیری — ما به کجا رسیدیم؟
پایان مسیر؟ نه! تازه شروعه!
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه CNN
7️⃣ لایه‌ها
8️⃣ تابع فعال‌سازی
9️⃣ آموزش
🔟 مبحث Loss
1️⃣1️⃣ مبحث Optimizer
1️⃣2️⃣ ارزیابی
1️⃣3️⃣ تنظیم مدل
1️⃣4️⃣ نهایی کردن مدل
✅ 15. نتیجه‌گیری
دستاوردهای ما:
- ساخت یک مدل هوشمند برای شناسایی حروف فارسی با دقت بالا
- استفاده عملی از مفاهیم یادگیری ماشین، یادگیری عمیق و CNN
- تجربه کامل از مراحل توسعه یک پروژه واقعی هوش مصنوعی — از صفر تا اجرا
چی یاد گرفتیم؟
- چطور از داده‌ها دانش بسازیم
- چطور مدل رو طراحی، آموزش و بهینه کنیم
- و چطور اونو به یه محصول واقعی تبدیل کنیم
ادامه مسیر؟
اینجا پایان راه نیست. حالا می‌تونیم بریم سراغ:
- تشخیص دست‌خط فارسی
- تشخیص کلمات و جمله‌ها
- یا حتی ساخت OCR فارسی با مدل خودمون!
یادگیری هیچ‌وقت متوقف نمی‌شه.
ادامه بدیم!
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
پایان مسیر؟ نه! تازه شروعه!
مسیر تا الان:
1️⃣ معرفی مسیر
2️⃣ هوش مصنوعی
3️⃣ یادگیری ماشین
4️⃣ یادگیری عمیق
5️⃣ شبکه‌های عصبی
6️⃣ شبکه CNN
7️⃣ لایه‌ها
8️⃣ تابع فعال‌سازی
9️⃣ آموزش
🔟 مبحث Loss
1️⃣1️⃣ مبحث Optimizer
1️⃣2️⃣ ارزیابی
1️⃣3️⃣ تنظیم مدل
1️⃣4️⃣ نهایی کردن مدل
✅ 15. نتیجه‌گیری
دستاوردهای ما:
- ساخت یک مدل هوشمند برای شناسایی حروف فارسی با دقت بالا
- استفاده عملی از مفاهیم یادگیری ماشین، یادگیری عمیق و CNN
- تجربه کامل از مراحل توسعه یک پروژه واقعی هوش مصنوعی — از صفر تا اجرا
چی یاد گرفتیم؟
- چطور از داده‌ها دانش بسازیم
- چطور مدل رو طراحی، آموزش و بهینه کنیم
- و چطور اونو به یه محصول واقعی تبدیل کنیم
ادامه مسیر؟
اینجا پایان راه نیست. حالا می‌تونیم بریم سراغ:
- تشخیص دست‌خط فارسی
- تشخیص کلمات و جمله‌ها
- یا حتی ساخت OCR فارسی با مدل خودمون!
یادگیری هیچ‌وقت متوقف نمی‌شه.
ادامه بدیم!
#کلاس_انلاین_هوش
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
🔥2
Forwarded from Pouya
لینک ویدیو ضبط شده وبینار «از صفر تا صد کنکور ارشد کامپیوتر، آی‌تی و علوم کامپیوتر»
ارائه‌دهنده وبینار: آقای پویا خانی
دانشجوی دکترای دانشگاه Aarhus دانمارک
فارغ‌التحصیل مقطع ارشد از دانشگاه صنعتی شریف
رتبه ۲ و ۱۰ کنکور ارشد کامپیوتر ۱۳۹۹
مؤسس سامانه CSHub و مشاور حرفه‌ای کنکور
با همکاری اتحادیه انجمن های مهندسی کامپیوتر کشور و همچنین با همکاری بیش از ۵۰ انجمن‌های علمی دانشگاه های ایران
📌 https://youtu.be/VwG1WaVGUCA
Channel: @konkurarshadcomputer
Youtube: youtube.com/@pouyakhn
Website: cshub.ir
ارائه‌دهنده وبینار: آقای پویا خانی
دانشجوی دکترای دانشگاه Aarhus دانمارک
فارغ‌التحصیل مقطع ارشد از دانشگاه صنعتی شریف
رتبه ۲ و ۱۰ کنکور ارشد کامپیوتر ۱۳۹۹
مؤسس سامانه CSHub و مشاور حرفه‌ای کنکور
با همکاری اتحادیه انجمن های مهندسی کامپیوتر کشور و همچنین با همکاری بیش از ۵۰ انجمن‌های علمی دانشگاه های ایران
📌 https://youtu.be/VwG1WaVGUCA
Channel: @konkurarshadcomputer
Youtube: youtube.com/@pouyakhn
Website: cshub.ir
YouTube
صفر تا 100 کنکور ارشد کامپیوتر، آی‌تی و علوم کامپیوتر
📌 اتحادیه انجمن‌های مهندسی کامپیوتر ایران، با همکاری سامانه CSHub و بیش از ۵۰ انجمن علمی دانشگاه‌های کشور برگزار میکند:
📯وبینار #رایگان:
🔴صفر تا صد #کنکور_ارشد_کامپیوتر، آی‌تی و علوم کامپیوتر 🔴
فارغ از اینکه رشته کارشناسی شما چه بوده باشد، کنکور ارشد کامپیوتر…
📯وبینار #رایگان:
🔴صفر تا صد #کنکور_ارشد_کامپیوتر، آی‌تی و علوم کامپیوتر 🔴
فارغ از اینکه رشته کارشناسی شما چه بوده باشد، کنکور ارشد کامپیوتر…
🏆1
Forwarded from Kia
معاونت پژوهش و فناوري دانشگاه به همراه پارک علم و فناوري استان و انجمن هاي علمي دانشجويي برگزار ميکند:
رويداد ايده شو کسب و کار من
اين رويداد فرصتي براي جامعه عمل پوشاندن به ايده هاي دانشجويان در قالب يک رقابت دوستانه همراه با جوايز ارزنده و حمايت هاي آتي ثبت نام: ideashow.chbstp.ir
رويداد ايده شو کسب و کار من
اين رويداد فرصتي براي جامعه عمل پوشاندن به ايده هاي دانشجويان در قالب يک رقابت دوستانه همراه با جوايز ارزنده و حمايت هاي آتي ثبت نام: ideashow.chbstp.ir
Forwarded from انجمن علمی بازی‌های دیجیتال دانشگاه شهرکرد (Danial Shahverdi)
This media is not supported in your browser
VIEW IN TELEGRAM
لیگ Call Of Duty MOBILE 🗡
📍MULTI-PLAYER
ورودی💰:
۴۰ هزار تومان
تعداد اعضای هر تیم:
سه‌نفر
آخرین مهلت ثبت‌نام ✍ :
دوشنبه ۲۲ اردیبهشت
برای ثبت‌نام به آیدی زیر پیام دهید👇
@AMMA83
📍MULTI-PLAYER
ورودی💰:
۴۰ هزار تومان
تعداد اعضای هر تیم:
سه‌نفر
آخرین مهلت ثبت‌نام ✍ :
دوشنبه ۲۲ اردیبهشت
برای ثبت‌نام به آیدی زیر پیام دهید👇
@AMMA83
@GC_SKU
👍1
https://youtu.be/w4eik47DKnE?si=KB58CDJd2hHJGoKW
#AI
#DeepLearning
#NeuralNetwork
توضیح عملکرد شبکه عصبی به زبان خیلی ساده با یک مثال خیلی ساده.
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
#AI
#DeepLearning
#NeuralNetwork
توضیح عملکرد شبکه عصبی به زبان خیلی ساده با یک مثال خیلی ساده.
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
YouTube
توضیح عملکرد شبکه عصبی هوش مصنوعی به زبان خیلی ساده
به تازگی تونستم تا حدودی بفهمم که توی شبکه عصبی مصنوعی که هوش مصنوعی باهاش کار می‌کنه چه خبره! انقدر از این درک لذت بردم که دوست داشتم حتما اون‌رو با شما در میون بذارم.
توی این ویدئو بعد از یه مرور کوتاه در مورد کلیات طرز کار شبکه عصبی (که توی ویدئوی قبلی…
توی این ویدئو بعد از یه مرور کوتاه در مورد کلیات طرز کار شبکه عصبی (که توی ویدئوی قبلی…
👌3💯2
🎓 نمایشگاه پروژه‌های نوآورانه دانشجویان مهندسی کامپیوتر
📅 ۳۰ و ۳۱ اردیبهشت
📍 لابی دانشکده فنی
📢 اگر علاقه‌مند به دنیای فناوری، نوآوری و خلاقیت هستید، این فرصت را از دست ندهید!
در این نمایشگاه، پروژه‌های منتخب دانشجویان مهندسی کامپیوتر در حوزه‌های مختلفی مثل:
🤖 هوش مصنوعی
🖥 طراحی و توسعه وب
🧠 پردازش تصویر
🎮 بازی سازی
و بسیاری زمینه‌های جذاب دیگر به نمایش گذاشته خواهند شد.
این رویداد، فرصتی عالی برای:
✅ آشنایی با جدیدترین فناوری‌ها
✅ تعامل بین رشته‌ای میان دانشجویان
✅ ارائه توانمندی‌های دانشجویان به اساتید و سایر دانشجویان
📌 منتظر حضور گرم شما هستیم تا با هم آینده فناوری را ببینیم!
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
📅 ۳۰ و ۳۱ اردیبهشت
📍 لابی دانشکده فنی
📢 اگر علاقه‌مند به دنیای فناوری، نوآوری و خلاقیت هستید، این فرصت را از دست ندهید!
در این نمایشگاه، پروژه‌های منتخب دانشجویان مهندسی کامپیوتر در حوزه‌های مختلفی مثل:
🤖 هوش مصنوعی
🖥 طراحی و توسعه وب
🧠 پردازش تصویر
🎮 بازی سازی
و بسیاری زمینه‌های جذاب دیگر به نمایش گذاشته خواهند شد.
این رویداد، فرصتی عالی برای:
✅ آشنایی با جدیدترین فناوری‌ها
✅ تعامل بین رشته‌ای میان دانشجویان
✅ ارائه توانمندی‌های دانشجویان به اساتید و سایر دانشجویان
📌 منتظر حضور گرم شما هستیم تا با هم آینده فناوری را ببینیم!
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
Forwarded from Kia
🔷🔷 تمدید شد 🔷🔷
📣📣📣📣📣📣📣📣📣📣📣📣📣📣📣📣
🔷معاونت پژوهش و فناوري دانشگاه به همراه پارک علم و فناوري استان و انجمن هاي علمي دانشجويي برگزار ميکند:
🏅رويداد ايده شو کسب و کار من
🔷اين رويداد فرصتي براي جامعه عمل پوشاندن به ايده هاي دانشجويان در قالب يک رقابت دوستانه همراه با جوايز ارزنده و حمايت هاي آتي
🔷ثبت نام: ideashow.chbstp.ir
📣📣📣📣📣📣📣📣📣📣📣📣📣📣📣📣
🔷معاونت پژوهش و فناوري دانشگاه به همراه پارک علم و فناوري استان و انجمن هاي علمي دانشجويي برگزار ميکند:
🏅رويداد ايده شو کسب و کار من
🔷اين رويداد فرصتي براي جامعه عمل پوشاندن به ايده هاي دانشجويان در قالب يک رقابت دوستانه همراه با جوايز ارزنده و حمايت هاي آتي
🔷ثبت نام: ideashow.chbstp.ir
🔥1
Forwarded from 𝐆𝐇𝐀𝐙𝐀𝐋
📣📣📣مرکز آموزش‌های آزاد آموزشکده فنی دختران شهرکرد برگزار میکند:
🔵دوره متخصص فلاتر
"از صفر تا توسعه اپلیکیشن های چند پلتفرمی"
🧑🏻🏫 مدرس
مهندس رضا حسین زاده
⏰ 16 ساعت در 8 جلسه (به صورت غیرحضوری)
💳 هزینه دوره: 250 هزار تومان
🔖 همراه با گواهی پایان دوره
🔺سرفصل های دوره
. آشنایی با فلاتر و نصب ابزارهای ضروری
. مبانی زبان دارت (متغیرها، عملگرها، فانکشن‌ها، لیست‌ها و مپ‌ها)
. شی‌گرایی در دارت (ارث‌بری، چندریختی، کپسوله‌سازی و Mixin)
. پیاده‌سازی رابط کاربری (UI) با پروژه‌های عملی (صفحه پروفایل، لاگین)
. مفاهیم پیشرفته (Generic، Extension Method، کامنت‌نویسی حرفه‌ای)
🌐 برای ثبت‌نام در دوره از لینک زیر استفاده کنید یا QR کد داخل پوستر را اسکن کنید.
https://dshk.nus.ac.ir/fa/form_data/add/form_id=10876
🔵دوره متخصص فلاتر
"از صفر تا توسعه اپلیکیشن های چند پلتفرمی"
🧑🏻🏫 مدرس
مهندس رضا حسین زاده
⏰ 16 ساعت در 8 جلسه (به صورت غیرحضوری)
💳 هزینه دوره: 250 هزار تومان
🔖 همراه با گواهی پایان دوره
🔺سرفصل های دوره
. آشنایی با فلاتر و نصب ابزارهای ضروری
. مبانی زبان دارت (متغیرها، عملگرها، فانکشن‌ها، لیست‌ها و مپ‌ها)
. شی‌گرایی در دارت (ارث‌بری، چندریختی، کپسوله‌سازی و Mixin)
. پیاده‌سازی رابط کاربری (UI) با پروژه‌های عملی (صفحه پروفایل، لاگین)
. مفاهیم پیشرفته (Generic، Extension Method، کامنت‌نویسی حرفه‌ای)
🌐 برای ثبت‌نام در دوره از لینک زیر استفاده کنید یا QR کد داخل پوستر را اسکن کنید.
https://dshk.nus.ac.ir/fa/form_data/add/form_id=10876
🎓 نمایشگاه پروژه‌های نوآورانه دانشجویان مهندسی کامپیوتر
📅 ۳۰ و ۳۱ اردیبهشت
📍 لابی دانشکده فنی
📢 اگر علاقه‌مند به دنیای فناوری، نوآوری و خلاقیت هستید، این فرصت را از دست ندهید!
در این نمایشگاه، پروژه‌های منتخب دانشجویان مهندسی کامپیوتر در حوزه‌های مختلفی مثل:
🤖 هوش مصنوعی
🖥 طراحی و توسعه وب
🧠 پردازش تصویر
🎮 بازی سازی
و بسیاری زمینه‌های جذاب دیگر به نمایش گذاشته خواهند شد.
این رویداد، فرصتی عالی برای:
✅ آشنایی با جدیدترین فناوری‌ها
✅ تعامل بین رشته‌ای میان دانشجویان
✅ ارائه توانمندی‌های دانشجویان به اساتید و سایر دانشجویان
📌 منتظر حضور گرم شما هستیم تا با هم آینده فناوری را ببینیم!
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
📅 ۳۰ و ۳۱ اردیبهشت
📍 لابی دانشکده فنی
📢 اگر علاقه‌مند به دنیای فناوری، نوآوری و خلاقیت هستید، این فرصت را از دست ندهید!
در این نمایشگاه، پروژه‌های منتخب دانشجویان مهندسی کامپیوتر در حوزه‌های مختلفی مثل:
🤖 هوش مصنوعی
🖥 طراحی و توسعه وب
🧠 پردازش تصویر
🎮 بازی سازی
و بسیاری زمینه‌های جذاب دیگر به نمایش گذاشته خواهند شد.
این رویداد، فرصتی عالی برای:
✅ آشنایی با جدیدترین فناوری‌ها
✅ تعامل بین رشته‌ای میان دانشجویان
✅ ارائه توانمندی‌های دانشجویان به اساتید و سایر دانشجویان
📌 منتظر حضور گرم شما هستیم تا با هم آینده فناوری را ببینیم!
╔═💻👨🏻💻═══════╗
@cessasku
╚═══════🖥⌨️═╝
🔥3👍2