روز و ساعت برگزاری دوره : شنبه و چهارشنبه 17 الی 21
تاریخ شروع: 09/04/1403
مدرس : دکتر سامان قهرمان
اطلاعات دوره :
با توجه به رشد پرسرعت حوزه هوش مصنوعی امروزه با رویکردهای نوین آن مواجه هستیم. این رویکردها به قابلیت های بسیار وسیعی مجهز شده اند که می توانند بسیاری از پدیده های اطراف ما را درک کنند. در این دوره پس از درک مفهوم داده سراغ استفاده از رویکردهای مطرح و ساده این حوزه می رویم. این گام به ما کمک می کند تا مفاهیم اصلی این حوزه را در کنار زیرساخت اجرای آن درک کنیم. در ادامه کاربرد فضای هوش مصنوعی در موضوعات مختلف جهان را بررسی کنیم. این امر باعث تقویت مهارت حل مساله در این حوزه خواهد شد. رویکردهای مختلف مبتنی بر یادگیری با نظارت، خوشه بندی داده ها از مواردی است که در بخش اول این دوره پرداخته می شوند.
در بخش دوم دوره سراغ رویکردهای پیشرفته تر این حوزه می رویم. درک قوی ما از این حوزه باعث می شود تا به راحتی رویکردهای جدید را فرا بگیریم و از آنان در مسائل پر چالش واقعی استفاده کنیم. در مسیر این دوره از مثال های مختلف دنیای واقعی استفاده می کنیم تا یادگیری خود را تکمیل کنیم همچنین کلیه نتایج بدست آمده را تحلیل می کنیم تا درکمان از عملکرد مدل هوشمند ارتقا یابد.
پیش نیاز دوره :
- گذراندن دوره Python مقدماتی
سرفصل دوره :
مروری بر آنالیز داده
مروری بر جبر خطی
مروری بر آنالیز داده
بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
بررسی روشهای گوناگون آماده سازی مجموعه دادگان
معرفی چالش های موجود در آماده سازی مجموعه دادگان
معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
بررسی رویکردهای گوناگون دسته بندی داده ها
بررسی رویکردهای مختلف دسته بندی اطلاعات
Binary class classification
Multi class classification
Multi label classification
Multi class Multi label classification
بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
بررسی رویکرد نزدیکترین همسایه
معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
معرفی رویکرد KNN در دسته بندی اطلاعات
بیان مزایا و معایب آن
بررسی رویکردهای گوناگون رگرسیون خطی
پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
بیان مفهوم گرادیان و تابع خطا
معرفی انواع توابع خطا مرسوم در رگرسیون خطی
بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
بررسی Polynomial Regression
بررسی مفهوم underfitting و overfitting
بررسی مفهوم Early Stopping و پیاده سازی آن
بررسی انواع مختلف Regularization
بررسی و پیاده سازی Logistic Regression
بیان مفهوم Softmax
بررسی رویکرد Support Vector Machine
معرفی SVM و عملکرد آن در دسته بندی اطلاعات
معرفی SVR و عملکرد آن در رگرسیون خطی
بیان مزایا و معایب آن
بررسی رویکرد درخت تصمیم
معرفی رویکرد Decision Tree در دسته بندی اطلاعات
بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
بیان مفاهیم آنتروپی، cut off point , ضریب جینی
معرفی رویکرد Decision Tree در رگرسیون خطی
بیان مزایا و معایب این رویکرد
بررسی رویکردهای گوناگون خوشه بندی اطلاعات
معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
معرفی رویکرد KMeans
نحوه عملکرد آن
نحوه ی ارزیابی آن
چالش های این رویکرد و نحوه ی حل آنان
معرفی نسخه های ارتقا یافته آن
معرفی رویکرد DBSCAN
نحوه عملکرد آن
نحوه ارزیابی آن
بررسی رویکردهای مختلف کاهش بعد
بررسی لزوم کاهش بعد در آموزش یک مدل
بررسی کاهش بعد با دیدگاه Projection
بررسی رویکرد PCA
بررسی کاهش بعد با دیدگاه Manifold
بررسی رویکرد LLE
بررسی رویکردهای ترکیبی Ensemble Methods
بررسی رویکرد Random Forest
بررسی رویکرد Adaptive Boost
بررسی مزایا و معایب آن
بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی
معرفی Tensorflow
بیان نحوه ی کارکرد Tensorflow
انواع مختلف متغیر در Tensorflow
مفهوم Session و عملکرد آن در Tensorflow
مدیریت گراف ها
پیاده سازی یک مثال برای دسته بندی اطلاعات
پیاده سازی یک مثال برای رگرسیون خطی
ذخیره و بازیابی مجدد مدل
نمایش گراف و روال آموزش با Tensorboard
بررسی کارکرد شبکه های عصبی
بیان ساختار نورون و عملکرد آن در مغز
بیان انواع توابع آتش در نورون ها و بررسی آن
بررسی روال Back Propagation
پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
بررسی ساختارهای گوناگون شبکه های عصبی – پیشرفته
معرفی KERAS
ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
نمایش گرافیکی یک مدل طراحی شده در KERAS
ذخیره و بازیابی یک مدل در KERAS
نحوه ی ارزیابی عملکرد یک مدل در KERAS
کسب توانایی ها
- ساخت مدل های هوشمند برای استخراج الگو و ویژگی در داده ها
- ساخت مدل های هوشمند مبتنی بر ناظر برای دسته بندی داده ها
- ساخت مدل های هوشمند بدون ناظر برای خوشه بندی داده ها
- بهبود عملکرد مدل های هوشمند با اصلاح ابعاد داده ای
- معرفی مدل یادگیری مغز انسان با بررسی عملکرد نورون ها
- شبیه سازی عملکرد نورونهای مغز انسان در شبکه عصبی در کنار نحوه تکثیر دانش در آن
- پیاده سازی روال های Forward propagation و Backpropagationدر شبکه های عصبی به صورت پایه ای و بررسی کتابخانه های مرتبط با آن در پایتون
- پیاده سازی شبکه های نیمه عمیق عصبی برای دسته بندی و پیش بینی داده
بازار کار
- رویکردهای موجود در یادگیری ماشین به دلیل عدم نیاز به منابع سخت افزاری قوی بسیار مورد توجه قرار میگیرد و در صنایعی که به تازگی با این حوزه آشنا شده اند بسیار کاربردی خواهد بود.
- بسیاری از کسب و کارهای نوپا برای ورود به حوزه‌ی هوش مصنوعی رویکردهای یادگیری ماشین را برمی گزینند. از این رو جذب متخصص یادگیری ماشین برای آنان می تواند بسیار ارزنده باشد.
- گذراندن این دوره به عنوان یکی از دوره های اصلی هوش مصنوعی می تواند تجربه استفاده از الگوریتم های مطرح این حوزه را در بخش صنعت برای شما فراهم کند.
- این دوره به عنوان دوره میانی هوش مصنوعی پیش نیاز شما برای ورود به دنیای یادگیری عمیق بوده و شما را برای استفاده از قابلیت های هوشمند در لبه تکنولوژی آماده می کند.
- امکان استخدام به عنوان یک مهندس یادگیری ماشین در شرکت های بزرگ برنامه نویسی پس از گذراندن این دوره میسر است.
