سیمرغ وهم را نبود قوت عروج

آنجا که باز همت او سازد آشیان

حضرت حافظ

 

سیمرغ علم و فناوری تام

تهران - مجتمع رز میرداماد

کلیه حقوق محفوظ - 1371

info [at] tamgroup.ir

26402886

22005503

 

هوش مصنوعی | هوشمندسازی| هوش تجاری | پایتون

دوره کامل هوش مصنوعی

 

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.

 

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