00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان شبکه‌های عصبی و یادگیری عمیق

دوره‌های رایگان
4 جلسه
93٪ (15 رای)

آموزش رایگان شبکه‌های عصبی و یادگیری عمیق

هوش مصنوعی تقریبا هم‌زمان با کامپیوتر متولد شد و دانشمندان علم کامپیوتر همواره به‌دنبال ساختن ماشینی هوشمند بودند که بتواند از نظر سطح هوشمندی همانند انسان و یا بالاتر از آن باشد. با وجود خوش‌بینی‌های اولیه، تا قبل از عصر یادگیری عمیق، سیستم‌های هوشمند به شکل قابل توجهی از انسان ضعیف‌تر بودند. امروزه هوش مصنوعی توانسته است با استفاده از یادگیری عمیق در مسائلی همچون بازشناسی گفتار، بازشناسی چهره، بازشناسی اشیاء، تبدیل متن به گفتار، تشخیص بیماری با استفاده از داده های پزشکی و ... به دقتی همانند انسان و حتی بیش از آن دست پیدا کند. 

در این درس با شروع از ساده‌ترین مفاهیم و مشابه روند تاریخی رشد علم شبکه‌های عصبی مصنوعی، تلاش می‌شود که ابتدا مفاهیم پایه به خوبی در ذهن دانشجو شکل گیرد و تجربه مدرس نشان می‌دهد که فهم عمیق این مفاهیم پایه نقشی کلیدی در نوآوری و تحقیق در شبکه‌های عصبی و یادگیری عمیق دارد و مقالات سال‌های اخیر مدرس عموماً نتیجه پرورش ایده‌هایی هستند که در کلاس درس، هنگام شرح دادن عمیق مطلب برای دانشجویان، شکل گرفته‌اند. لازم به ذکر است که این درس در مفاهیم پایه متوقف نمی‌شود و در‌نهایت پیشرفت‌های اخیر در زمینه یادگیری عمیق نیز تدریس می‌شوند.

با وجود این‌که مخاطبین اصلی این درس، دانشجویان کارشناسی‌ارشد گرایش هوش مصنوعی هستند، اما این درس طوری طراحی شده‌است که دانشجویان دوره کارشناسی رشته مهندسی کامپیوتر پس از گذراندن درس‌های برنامه‌نویسی، ریاضی ۲، آمار و احتمال مهندسی و جبر خطی از ترم پنجم بتوانند در این درس شرکت کنند. معمولا در هر ترم علاوه بر دانشجویان کارشناسی‌ارشد مهندسی کامپیوتر، تعدادی از دانشجویان کارشناسی مهندسی کامپیوتر و دانشجویان کارشناسی ارشد دیگر گرایش‌های مهندسی مانند مهندسی برق (مهندسی پزشکی، مخابرات، الکترونیک، کنترل)، مهندسی صنایع، مهندسی عمران و مهندسی شیمی نیز این درس را اخذ می‌کنند. در این درس از زبان برنامه‌نویسی پایتون استفاده می‌شود، اما مهارت در زبان برنامه‌نویسی پایتون پیش‌نیاز این درس نیست و معمولاً دانشجویان این درس قبلاً به‌صورت رسمی زبان برنامه‌نویسی پایتون را فرانگرفته‌اند، بلکه به‌صورت خودآموز در حین یادگیری درس شبکه‌های عصبی، زبان برنامه‌نویسی پایتون را نیز در حد نیاز فرا می‌گیرند. 

لطفا نظرات خود از طریق ایمیل برای مدرس (k.ghiasi@um.ac.ir)‌ ارسال نمایید تا ایشان را در نگارش کتابی در زمینه شبکه‌های عصبی و یادگیری عمیق یاری نمایید.

***این دوره در پاییز 99 ضبط شده‌است***

سرفصل‌های دوره آموزش رایگان شبکه‌های عصبی و یادگیری عمیق

مدرس دوره
کمال‌الدین غیاثی شیرازی

دکتر سید کمال‌الدین غیاثی شیرازی مدارک کارشناسی مهندسی نرم‌افزار،‌ کارشناسی ارشد هوش مصنوعی، و دکتری هوش مصنوعی را به ترتیب از دانشگاه‌های شهید بهشتی، صنعتی شریف، و صنعتی امیرکبیر در سال‌های ۱۳۸۱، ۱۳۸۳ و ۱۳۸۹ دریافت کرد. او از سال ۱۳۹۲ هیئت علمی گرایش هوش مصنوعی گروه مهندسی کامپیوتر دانشگاه فردوسی مشهد است. زمینه‌های تحقیقاتی او شامل شبکه‌های عصبی، یادگیری عمیق، یادگیری ماشین، بازشناسی الگو، روش‌های هسته، و مدل‌های گرافی احتمالاتی است. بخاطر اهمیت ریاضیات در این زمینه‌های تحقیقاتی، مدرس علاوه بر دروس مهندسی کامپیوتر و هوش مصنوعی، به تدریس ریاضیات نیز توجه خاصی داشته‌است و تاکنون دروس آمار و احتمال مهندسی، ریاضیات مهندسی، ریاضیات گسسته، جبر خطی (به عنوان بخشی از درس بهینه‌سازی)، بنیادهای نظری حل مسئله در ریاضیات، و ریاضیات مهندسی پیشرفته را تدریس کرده‌است.

نظرات  (1 نظر)

کاربر مکتب‌خونه
22:17 - 1399/10/22
کاربر‌ سایت
با سلام و خسته نباشید مطالب بسیار خوبی ارئه شده و انشالله تکمیل شود.

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟