آشنایی مقدماتی با کدنویسی اپلیکیشنهای هوش مصنوعی
| سرفصل دوره هوش مصنوعی مقدماتی (10 جلسه) | |||
| این جلسه یکسری مفاهیم کلی آموزش داده میشود. هدف این جلسه کد نویسی نیست، بله فراگیری و آمادهسازی افرادی هست که هیچ پیشزمینهای در هوش مصنوعی ندارند. | تصمیمگیری چیست؟ تعریف شواهد، ناظر و اندازهگیری | تصمیم | ۱ |
| مثال دستهبندی | |||
| تصمیم براساس جدول فراوانی | |||
| تعمیم جدول فراوانی به تابع چگالی احتمال | |||
| تعریف هوش مصنوعی | |||
| مفهوم یادگیری و مدل کردن | |||
| انواع یادگیری | |||
| آمادهسازی دادهها (مفهوم برچسب، آموزش/آزمون) | |||
| انواع مدل احتمال : پارامتری، ناپارامتری | تصمیمِ احتمالاتی | ۲ | |
| تصمیمگیری کامل (براساس رابطه بیز) | |||
| مفهوم احتمال پسین، پیشین و درستنمایی (براساس مثال) | |||
| تخمین با دانش پیشین/بیشینه احتمال پسین و درستنمایی | |||
| پیادهسازی مثال عملی با کتابخانه numpy | |||
| در این جلسه مفاهیم مربوط به چند تصمیمگیری ناپارامتری به صورت ساده بیان میشود، سپس با کمک کتابخانه scikit-learn با نحوه پیادهسازی هر کدام آشنا خواهیم شد. | تصمیم براساس فاصله (خوشهبندی و نزدیکترین همسایه) | سادهسازیِ ناپارامتریِ تصمیمِ احتمالاتی | ۳ |
| مرز تصمیم و ماشین بردار پشتیبان | |||
| تصمیمگیری درختی | |||
| مدلهای مخلوط | |||
| مشکلات مربوط به ابعاد داده و انواع روش کاهش بعد | |||
| آشنایی با کتابخانه scikit-learn | |||
در این جلسه با شروع از شیوههای مدل کردن تابع درستنمایی و ضعف مدلهای ناپارامتری در توابع پیچیده، به بررسی سادهترین نوع شبکه عصبی پرداخته میشود. شبکه عصبی پرسپترون چگونه آموزش داده میشود، و چطور بفهمیم که این شبکه به درستی کار میکند، مباحث مطرح شده در این جلسه خواهد بود. | ضعف روشهای ناپارامتری در مدل کردن تابع درستنمایی | سادهسازیِ پارامتریِ تصمیمِ احتمالاتی | ۴ |
| سادگی ماشین بردار پشتیبان و تعمیم به شبکه عصبی پرستپرون | |||
| آموزش شبکه با روش پسانتشار خطا/ بهینهسازی پارامتر شبکه | |||
| مفهوم فرابرازش و تعمیمپذیری در آموزش مدلهای پارامتری | |||
| روش ارزیابی متقابل و بررسی تعمیمپذیری شبکه | |||
| معیارهای ارزیابی | |||
| پیادهسازی چند مثال ساده با کتابخانه scikit-learn | |||
در این جلسه با کتابخانههای مهم یادگیری عمیق آشنا میشویم. انواع لایهها موجود بررسی خواهند شد. درنهایت یک مثال ساده شبیه جلسه قبل با این کتابخانهها اجرا میشود. | مهندسی ویژگی دربرابر یادگیری ویژگی | مقدمه یادگیری عمیق | ۵ |
| انواع دادگان (عددی، برداری، دنباله، تصویر و ...) | |||
| چرا مدل عمیق؟ | |||
| معرفی کتابخانهها: tensorflow, jax, pytorch, keras | |||
| آشنایی با کتابخانه tensorflow و Pytorch | |||
| مثال آزمون، پیادهسازی پرسپترون چند لایه | |||
بر روی یکی از دادگان مرکز تحقیقات یک مسأله دستهبندی اجرا میشود. مدلهای مشهور نیز بررسی میشوند. | معرفی مجموعه دادگان مرکز تحقیقات | حل یک مسأله دستهبندی | 6 |
| اجرای یک مثال عملی از آمادهسازی داده تا پیادهسازی یک شبکه در دستهبندی دادهها | |||
| تعریف تفسیرپذیری | تفسیرپذیری مدل | 7 | |
| روشهای GradCam | |||
| روشهای Multiple Instance Learning | |||
| انتخاب یک مجموعه داده مناسب از دادگان مرکز تحقیقات | حل یک مسأله ناحیهبندی | 8 | |
| تعریف مسأله ناحیهبندی، و نحوه آمادهسازی دادهها | |||
| مدلهای مشهور ناحیهبندی | |||
| اجرا و پیادهسازی مسأله ناحیهبندی روی یک داده واقعی | |||
| دادگان برچسب خورده درحوزه پزشکی | مشکلات پیشِرو | 9 | |
| مسائل با ناظرِ ضعیف و بکارگیری از کمک پزشک | |||
| حل یک مسأله multiple instance learning | |||
| حل یک مسأله به صورت «انسان در چرخه» پردازش | |||
| افزودن داده | چکار کنیم مدل بهتر کار کند؟ | 10 | |
| مدلهای پیش آموزش دیده | |||
| تولید داده جدید | |||
| جمعبندی | |||
دانلود پی دی اف سرفصل های آموزشی: آموزش مقدماتی پایتون (۸ جلسه)