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. الگوریتم های یادگیری ماشین بر پایه ی روشها و اصول مختلفی مصل همسایگی، آماری و … پیاده سازی میشوند که دسته ای از آنها را شبکه های عصبی می‌نامیم. شبکه های عصبی الهام گرفته از مغر پستانداران توسعه داده شده اند.

در ماژول سوم این کورس شبکه های عصبی، توابع خطا، توابع فعالیت و بهینه سازی بجث شده و پس از بیان تئوری به پیاده سازی در فریم ورک کراس/ تنسرفلو خواهیم پرداخت. یک زیرشاخه ی شبکه های عصبی، شبکه های عصبی کانولوشنالی نام دارد که برای داده هایی که مانند تصویر همسایگی وهمجواری پیکسلها یا اطلاعات برای آنها مهم است کاربرد دارد.

در ماژول آخر یا چهارم این دوره پیرامون شبکه های عصبی کانولوشنی / کانولوشنالی یا CNN ها بحث شده و طبقه بندی تصاویر را در فریم ورک tensorflow پیاده سازی خواهیم کرد.

این دوره مقدماتی بوده، و با همکاری آکادمی همراه اول 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.

سرفصل های دوره

ماژول 1 – آشنایی با هوش مصنوعی و تاریخچه آن:

• History of AI
• AI, ML, and Deep learning
• Applications of artificial intelligence and types of AI
• Supervised and Unsupervised Learning

ماژول 2 – یادگیری ماشین و پیاده سازی در پایتون

• Getting started in scikit-learn with iris dataset
• Image as a data
• Persian digit dataset
• Persian digit classification
• Generalization, over-fitting, and under-fitting
• Linear Regression
• Linear Models and Regularization methods
• Unsupervised learning(Transformations)
• Unsupervised learning(Clustering)
• Cross validation, Model complexity and Grid-search
• Model Evaluation and Confusion matrix

ماژول 3 – شبکه های عصبی و شبکه های عصبی عمیق (Deep learning)

• What is perceptron and introduction to neural network
• Non-linearity,activation function, and cost function
• Optimization, gradient descent, and back-propagation
• How define a model in Keras and TensorFlow
• Batch, Mini-Batch and Stochastic Gradient decent
• Simple Neural Network in Keras
• Sparse label, from logits and flatten layer
• Over-fitting and dropout

ماژول 4 – شبکه های عصبی کانولوشنالی

• A brief history of CNN
• Layer hierarchy in convolutional neural network
• Convolution kernel
• Padding and stride in convolution
• Convolution on RGB image and simple network
• Average and max pooling operation
• LeNet-5 architecture
• Calculating the number of Parameters and shapes in CNNs
• Convolution Neural Network in Tensorflow/ Keras
• Learning rate
• Batch Normalization
  – BatchNorm

پیش نیاز:

• آشنایی با پایتون

کدها های دوره در صفحه ی گیت‌هاب