مبانی هوش مصنوعی و یادگیری ماشین

هوش مصنوعی شاخه ای از علم است که به وسیله ی آن میتوانیم به ماشین(به معنای کامپیوتر) قابلیت هوشمندی بدهیم. از دهه ی 1950 که واژه‌ی هوش مصنوعی  معرفی و این رشته به صورت جدی شکل گرفت روشهای و الگوریتم های زیادی معرفی شدند. این دوره ابتدا به تاریخچه‌ی هوش مصنوعی پرداخته و پس از معرفی معرفی هوش مصنوعی، انواع آن و کاربردهای آن پرداخته و سپس در ماژول دوم به دسته ای از الگوریتمهای هوش مصنوعی معروف به یادگیری ماشین یا اصطلاحا Machine Learning میپردازد.

الگوریتم های یادگیری ماشین به نگرش حل مساله ای در هوش مصنوعی گفته میشود که به ماشین بدون کد نویسی صریح برای یک مساله خاص و به صورت ضمنی و با در اختیار گذاشتن نمونه یا مثالهایی قابلیت یادگیری بدهیم. بر این اساس هوش مصنوعی دیپ‌بلو شرکت آی.بی.ام که در شطرنج اول شده بود یادگیری ماشین به حساب نمیامد چرا که برای آن مساله خاص کد نویسی شده بود و تمام شرایط و انتخابهای شطرنج درنظرگرفته شده بود. در این ماژول به پیاده سازی انواع این الگوریتمها در پایتون و کتابخانه محبوب Scikit-learn پرداخته شده و مثالهایی از رگرسیون، طبقه بندی، خوشه بدی و … پیاده سازی شده اند.

این دوره مقدماتی بوده و با تدریس مهندس علیرضا اخوان پور مدیر فنی مجموعه دانش بنیان شناسا و مدرس دانشگاه ضبط شده است.

سطح دوره مقدماتی بوده و برای همگان مناسب است، اماتوصیه میشه به عنوان همنیاز این دوره، دوره آموزش پایتون برای هوش مصنوعی را نیز به رایگان مشاهده کنید.

سرفصل های دوره

فصل اول: آشنایی با هوش مصنوعی و یادگیری ماشین

• تاریخچه ی هوش مصنوعی
• تعریف یادگیری ماشین
• هوش مصنوعی، یادگیری عمیق و یادگیری ماشین
• کاربردها و دستاوردهای هوش مصنوعی
• انواع هوش مصنوعی – هوش مصنوعی عمومی و هوش مصنوعی ضعیف
• زمینه‌های کاربرد هوش مصنوعی
• فریم ورک و چارچوبهای توسعه هوش مصنوعی

فصل دوم: الگوریتمهای یادگیری ماشین باسرپرست

• انواع یادگیری های یادگیری ماشین – باسرپرست، بدون سرپرست، تقویتی
• طبقه بندی نزدیکترین همسایه
• کدها و نحوه اجرا در گوگل کولب
• پیاده سازی KNN در پایتون
• استفاده و لود تصویر در پایتون به عنوان داده
• آشنایی و پردازش داده های ارقام دست نویس فارسی
• طبقه بندی ارقام دست نویس فارسی
• رگرسیون با مدل نزدیکترین همسایه
• تعمیم، بیش برازش و عدم تناسب
• رگرسیون خطی
• مدلهای خطی برای طبقه بندی و روشهای جلوگیری از بیش برازش در این مدلها
• طبقه بندی چند کلاسه با مدلهای خطی

فصل سوم: الگوریتم های یادگری ماشین بدون ناظر

• یادگیری بدون ناظر – تبدیلات
• یادگیری بدون ناظر – تحلیل مؤلفه‌های اصلی
• یادگیری بدون ناظر – خوشه بندی

فصل چهارم: روشهای اعتبار سنجی و یافتن هایپرپارامترها

• روش اعتبارسنجی متقابل
• سایر روشهای اعتبارسنجی در یادگیری ماشین
• پیچیدگی مدلها و پیداکردن هایپرپارامترهای بهینه
• ارزیابی مدل و ماتریس درهم‌ریختگی

فصل پنجم: طبقه بندی متن و آشنایی با سایز طبقه بندی‌ها

• متن به عنوان داده الگوریتم یادگیری ماشین
• مثال طبقه بندی اسپم از غیر اسپم
• سایر طبقه بندها در scikit-learn

پیش نیاز:

• آشنایی با پایتون

میتوانید دوره آموزش پایتون برای هوش مصنوعی را به رایگان عضو شوید.

کدهای دوره:

کدها های دوره در صفحه ی گیت‌هاب