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 هوش مصنوعی و یادگیری ماشین

دوره‌های رایگان
82 جلسه
96٪ (1052 رای)

هدف از یادگیری دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین چیست؟

هدف ما از برگزاری این دوره این است که شما را در هر سطحی که قرار دارید، چند گام بالاتر ببریم تا بتوانید زبان برنامه نویسی هوش مصنوعی را از سطوح پایین تا سطوح پیشرفته‌تر فرا بگیرید.

دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین مناسب چه کسانی است؟

از این رو دانشجویانی که در رشته‌های مختلف مشغول تحصیل هستند یا صاحبان انواع کسب‌وکارها می‌توانند با یادگیری زبان‌های برنامه نویسی هوش مصنوعی و فراگیری یادگیری ماشین با پایتون مهارت‌های خود را توسعه دهند.

بعد از فراگیری دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین چه مهارت‌هایی کسب خواهید کرد؟

  • مسلط به زبان برنامه نویسی پایتون
  • آشنایی کامل با ابزارهای یادگیری ماشین در پایتون
  • آشنایی کامل با کتابخانه نامپای (NumPy)
  • انجام پروژه‌های متعدد به زبان پایتون
  • یادگیری رویکردهای مختلف در یادگیری ماشین
  •  آشنایی با یادگیری تقویتی

 

سرفصل‌های دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین

فصل اول: مقدمه
05:45 ساعت
05:45
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

فصل اول: مقدمه

در ویدئوهای فصل اول با مفاهیم هوش مصنوعی و کاربردهای آن در کارهای روزمره آشنا می‌شوید.  به‌طور خلاصه هوش مصنوعی در هر صنعتی کاربردهای خاص خود را دارد. به عنوان مثال از نرم افزار هوش مصنوعی می‌توان برای ساخت دستیارهای مراقبت از سلامت شخصی، تولید، خرده فروشی و حتی ورزش و بازی استفاده کرد.

در این فصل همچنین به آموزش یادگیری ماشین با پایتون می‌پردازیم. برای اینکه بتوانید با هوش مصنوعی کار کنید، نیاز دارید تا یک زبان برنامه‌نویسی را فرا بگیرید. پایتون همان زبان برنامه‌نویسی موردنظر است که در این زمینه بسیار مفید عمل می‌کند. 

همچنین در این فصل شما می‌توانید با تولکیت‌ها (toolkits) یا همان جعبه ابزار یادگیری ماشین در پایتون آشنا شوید. آموزش ریاضیات هوش مصنوعی و کاربردهای هوش مصنوعی در رشته‌های مختلف مانند پزشکی، امور مالی، بازاریابی، توزیع و تدارکات و غیره از دیگر مباحثی است که در فصل اول به آن اشاره می‌شود.

 

هوش مصنوعی چیست؟
"06:03
کاربرد هوش مصنوعی در کارهای روزمره
"27:46
اشنایی با تولکیت‌های(جعبه ابزار-toolkits) یادگیری ماشین در پایتون
"33:36
پایتون مقدماتی-بخش اول
"38:00
پایتون مقدماتی- بخش دوم
"29:01
پایتون مقدماتی- بخش سوم
"33:46
پایتون مقدماتی- بخش چهارم
"39:50
پایتون مقدماتی- بخش پنجم
"47:04
پایتون مقدماتی- بخش ششم
"42:40
پایتون مقدماتی- بخش هفتم
"17:53
کاربردهای هوش مصنوعی در رشته‌های مختلف
"06:03
آموزش ریاضیات هوش مصنوعی
"24:09
فصل دوم: ریاضیات در هوش مصنوعی
00:15 ساعت
00:15
Combined Shape Created with Sketch. 1 جلسه
نمایش جلسات فصل  

فصل دوم: ریاضیات در هوش مصنوعی

برنامه نویسی هوش مصنوعی اول از هر چیز به دانستن ریاضیات و آمار و احتمال نیاز دارد. نوشتن الگوریتم‌های هوش مصنوعی و یادگیری ماشین کار چندان آسانی نیست و کار کردن با آن نیازمند این است که از دانش ریاضی زیادی برخوردار باشید. در واقع پایه و اساس برنامه نویسی هوش مصنوعی آشنایی با اصول ریاضی است.

از طرفی در دنیای مدرن امروز احتمالات و عدم اطمینان‌ها بیشتر از هر زمانی احساس می‌شوند. از آنجایی که هیچ‌کس نمی‌تواند کاملاً‌ بر اطلاعات مسلط باشد، لازم است از آمار و احتمالات در استفاده از زبان‌های برنامه‌نویسی هوش مصنوعی استفاده شود. بنابراین در فصل دوم دوره رایگان هوش مصنوعی به مباحث ریاضیات و آمار و احتمال در هوش مصنوعی می‌پردازیم.

 

آمار و احتمال در هوش مصنوعی
"15:21
فصل سوم: مینی پروژه‌های پایتون
03:07 ساعت
03:07
Combined Shape Created with Sketch. 5 جلسه
نمایش جلسات فصل  

فصل سوم:‌ مینی پروژه‌های پایتون

پایتون یک زبان برنامه‌نویسی بسیار راحت و قابل فهم است. از این زبان می‌توانید با  پروژه‌ها و تمرین‌های مختلفی استفاده کنید. به همین منظور در فصل سوم این دوره پنج مینی پروژه برایتان درنظر گرفته‌ایم که با آن‌ها می‌توانید به خوبی پایتون را فرا بگیرید.

 

پروژه‌ی اول
"14:39
پروژه‌ی دوم
"18:22
پروژه‌ی سوم
"29:34
پروژه‌ی چهارم
"44:12
پروژه‌ی پنجم
"80:28
فصل چهارم: یادگیری ماشین با پایتون
12:58 ساعت
12:58
Combined Shape Created with Sketch. 51 جلسه
نمایش جلسات فصل  

فصل چهارم: یادگیری ماشین با پایتون

در فصل چهارم از این دوره به آموزش کتابخانه نامپای (NumPy) پرداخته‌ایم. در این قسمت متدهایی از نامپای  (NumPy) به شما آموزش داده می‌شود که می‌توانید محاسبات ریاضی را به صورت عنصر به عنصر روی آرایه‌هایی از جنس نامپای انجام دهید. سایر متدهای موجود در این کتابخانه را در قالب تمرینات بیشتر به شما آموزش خواهیم داد.

در بخش‌های دیگر این فصل به آموزش یادگیری ماشین با پایتون اشاره می‌کنیم. این بخش‌ها از مهمترین جلسات آموزش یادگیری ماشین با پایتون است. چرا که در آن به بیان جایگاه هوش مصنوعی، آموزش ماشین لرنینگ و مباحث داغی مانند شبکه‌های عصبی عمیق می‌پردازیم.

رویکردهای مختلف یادگیری ماشین مانند یادگیری بدون نظارت، بانظارت، تقویتی، آماری، برخط، چندوظیفه‌ای، تقلیدی و غیره از دیگر مباحث مهم این فصل است. با این وجود هنوز هم رویکردهای دیگری وجود دارند که از طبیعت و انسان الهام گرفته شده‌اند و در انتها به عنوان تمرین داده می‌شوند.

مقدمه‌ای بر Numpy
"14:43
ایجاد ‌آرایه در Numpy
"16:29
چاپ آرایه‌ها در Numpy
"10:35
عملگرها در Numpy
"17:57
یونیورسال فانکشن ها (universal functions) در Numpy- پارت اول
"13:24
یونیورسال فانکشن ها (universal functions) در Numpy- پارت دوم
"10:52
indexing و slicing و iterating در Numpy‌‌
"14:20
مبحث shape manipulator در Numpy
"16:18
ذخیره(stacking) آرایه‌ها در Numpy
"15:20
شکستن(splitting) آرایه‌ها در Numpy
"13:13
کپی(copies) و نمایش(views) در Numpy
"09:44
broadcasting rules در Numpy
"13:54
جبر خطی در Numpy
"12:12
رویکردهای مختلف در یادگیری ماشین
"14:00
مقدمه‌ای بر Scikit-learn
"06:40
خواندن داده‌ها (dataset) با Scikit-learn
"13:21
واکشی(fetching) داده‌ها در Scikit-learn
"15:21
تولید پایگاه داده در Scikit-learn
"18:02
دیگر روش‌های خواندن پایگاه داده در Scikit-learn
"21:32
وظایف مهم (tasks) در یادگیری ماشین
"20:49
مدل‌های خطی در Scikit-learn
"13:39
رگرسیون خطی(Linear Regression) در Scikit-Learn
"14:32
SGD Regressor در Scikit-Learn
"17:51
حل مسئله‌ی SGD Regressor در Scikit-Learn
"13:43
رگرسیون لاسو (LASSO Regressor) در Scikit-Learn
"17:44
حل مسئله‌ی LASSO Regressor در Scikit-Learn
"12:07
Elastic-Net Regressor در Scikit-Learn
"10:52
حل مسئله‌ی Elastic-Net Regressor در Scikit-Learn
"17:38
روش‌های گروهی (Ensemble Methods) در Scikit-Learn
"14:52
حل مسئله‌ با Voting Regressor
"21:46
Logisitic Regression
"14:28
حل مسئله‌ با Logisitic Regression
"18:43
یادگیری مبتنی بر مجرم (Instance-based Learning)
"17:32
حل مسئله‌ با KNN
"14:57
یادگیری نظارت نشده و دسته‌بندی (Unsupervised Learning and Clustering)
"11:57
تعریفی از یادگیری تقویتی و مقایسه‌ی آن با یادگیری نظارت‌شده و نظارت‌نشده
"14:37
الگوریتم K-means
"19:08
حل مسئله‌ با الگوریتم K-means
"18:02
دسته‌بندی سلسله مراتبی (Hierarchical Clustering)
"17:47
یک نمونه ساده با Agglomerative Clustering
"15:25
حل مسئله‌ با استفاده از (Gaussian Mixture Model (GMM
"17:58
نگاهی بر کاهش بعد (Dimensionality Reduction)
"14:53
الگوریتم تحلیل اجزای اصلی ((Principal Component Analysis (PCA)
"15:25
حل مسئله‌ با ((Principal Component Analysis (PCA
"16:50
کاهش بعد با استفاده از LDA
"18:00
مقایسه PCA با LDA با یک مثال
"21:24
مقدمه‌ای بر انتخاب مدل و ارزیابی
"16:28
شکستن پایگاه داده (Dataset Splitting)
"17:29
معیاهای امتیازدهی
"11:56
دقت در امتیازدهی
"09:34
دقت امتیازدهی در Scikit-Learn
"12:49
فصل پنجم: مقدمه‌ای بر Reinforcement Learning
03:46 ساعت
03:46
Combined Shape Created with Sketch. 13 جلسه
نمایش جلسات فصل  

فصل پنجم: مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)

در این فصل به آموزش یادگیری تقویتی می‌پردازیم. یادگیری تقویتی یکی از زیرشاخه‌های یادگیری ماشین است. این علم یک عامل را قادر می‌کند تا با تعامل در یک محیط و با کمک آزمون و خطا و همچنین گرفتن بازخورد از یافته‌ها و اعمال خود بهترین رفتاری که در یک موقعیت خاص باید داشته باشد، را یاد بگیرد.

یادگیری تقویتی با یادگیری تحت نظارت متفاوت است. در واقع در یادگیری تحت نظارت داده‌های آموزشی کلید پاسخ دارند و از پاداش و تنبیه برای نشان دادن رفتار مثبت و منفی استفاده می‌شود. در حالی که در یادگیری تقویتی هیچ جوابی وجود ندارد. در این یادگیری، عامل خودش تصمیم می‌گیرد که برای انجام وظیفه‌ای که به او محول شده چه کاری انجام دهد. در این صورت عامل از تجربیات خود برای انجام کارها استفاده می‌کند.

 از یادگیری تقویتی در هدایت خودروهای خودران و کنترل ربات‌های انسان‌نما استفاده می‌شود. در این فصل می‌توانید با یادگیری تقویتی بیشتر آشنا شوید. برای اینکه عمیق‌تر این مبحث را فرا بگیرید، می‌توانید از کتاب یادگیری ماشین هم کمک بگیرید.

Exploration و Exploitation در یادگیری تقویتی
"15:33
مقدار دهی در یادگیری تقویتی و مقایسه رویکرد model-based و model-free
"17:49
بهینه‌سازی مقادیر در multi-armed (راهزن چند دست)
"14:00
نگاهی به مبحث (Gaussian Mixture Model (GMM
"17:45
فرآیند تصمیم‌گیری ماکوف
"20:04
المان‌های فرآیند تصمیم‌گیری مارکوف
"21:02
policyهای بهینه در فرآیند تصمیم‌گیری مارکوف
"20:23
برنامه‌نویسی داینامیک
"16:47
بهبود policyها در برنامه نویسی پویا
"15:30
نمونه‌ای از برنامه‌نویسی پویا
"14:18
روش منت‌کارلو(Monte Carlo)
"16:53
حالت‌های مختلف منت‌کارلو (Monte Carlo)
"18:19
مبحث Multi-armed Bandits (راهزن چنددست)
"18:10
استاد دوره
AI Lessons AI Lessons

ما جمعی از متخصصین و محققین هوش مصنوعی از سرتا سر دنیا هستیم و در نظر داریم در گام اول هوش مصنوعی را از صفر تا 100 به زبان فارسی آموزش دهیم.

درباره برگزارکننده
مکتب‌خونه مکتب‌خونه

پیش‌نیاز‌های دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین

آموزش برنامه‌نویسی با پایتون (پیشرفته)
اطلاعات بیشتر
آموزش پایتون مقدماتی
اطلاعات بیشتر

نظرات  (8 نظر)

پدرام
13:00 - 1400/04/03
کاربر‌ سایت
دوره ی بسیارعالی است.
کاربر مکتب‌خونه
22:02 - 1400/03/06
کاربر‌ سایت
تیتر اپیزودهای انتهایی فصل اول اشتباه نوشته شده و مثل اینکه چند قسمتش جا افتاده، البته جلسات خیلی مهمی نیستند. (یکی از جلسات هم تکراری هست) فصل دوم کلا وجود نداره! و فقط معرفی دو کتاب برای ریاضی هوش مصنوعی و آمار و احتمال هست
کاربر مکتب‌خونه
02:31 - 1400/02/19
کاربر‌ سایت
خیلی دوره خوبی هست. من با این مباحث اشنا نبودم ولی هم از دوره شون استفاده کردم و هم با خودشون مشورت کردم و تونستم که به دنیای وسیع هوش مصنوعی ورود کنم و در رشته تحصیلی خودم که مکانیک هست ازش استفاده کنم. مرسیی ازت مهندس جان هم برای تدریست هم اخلاق پسندیدت!
حسین
19:49 - 1400/01/30
کاربر‌ سایت
همین که رایگانه خودش کلیه دوستان اگه زمینه ای نداشته باشین گیج میشین و متوجه نمیشین که البته طبیعیه چون مبحث ساده ای نیس
امیر
18:58 - 1400/01/29
کاربر‌ سایت
سلام دوره ی خوب و جامعی هست و حسنش همین جامع بودن و در عین حال فارسی بودنه تسلط مدرس کاملا مشهوده و ایراد شیوا نبودن رو هم میتونید با نگاه کردن ویدیو ها با سرعت یک و نیم درست کنید و لذت ببرید(به شدت سرعت دور تند کار رو درست میکنه و پییشنهاد میشه ) ممنونم از مکتب خونه و بیشتر ممنونم از آقای خانی مدرس دوره.
محمدامین
20:25 - 1400/01/24
کاربر‌ سایت
چقدر دوره خوبی هست واقعا کاربردیه هوش مصنوعی در حال حاضر ، عالیه این دوره اساتید خوبی هم تدریس میکنن واقعا ممنون
حسام
16:56 - 1400/01/20
کاربر‌ سایت
به نظرم خیلی بهتر می شد درس داد این مبحث رو که هم جذاب تر باشه و هم کاربردی تر. در ضمن مثالشون در مورد اپلیکیشن گل لاله گوگل دروغ 13 این شرکت بود.
کاربر مکتب‌خونه
15:47 - 1400/01/08
کاربر‌ سایت
مدرس بر مطالب مسلط هست اما نمیتونه شیوا و واضح بیان کنه. وسط دوره دیگه ادامه ندادم

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.

اطلاعات بیشتر

برای شرکت در دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین چه پیش‌نیازها و مهارت‌هایی لازم است:

 ابتدا با الگوریتم‌های مختلف و چگونگی استفاده از آن‌ها آشنایی داشته باشید. از طرفی الگوریتم‌های هوش مصنوعی براساس ریاضیات و آمار و احتمال ساخته می‌شوند. برای فراگیری آموزش machine learning هم به آشنایی با داده کاوی و برنامه نویسی به زبان پایتون نیاز دارید.

پنج مهارت اصلی که برای برنامه نویسی هوش مصنوعی به آن نیاز دارید، عبارتند از:

  • یادگیری ماشین
  • مهندسی نرم‌افزار
  • تحلیل آماری
  • رهگیری داده‌ها
  • دیباگ کردن و بهینه‌سازی مدل‌ها

سرفصل‌های دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین چیست؟

این دوره شامل پنج فصل است که از مباحث پایه شروع شده و به مرور به مباحث پیشرفته‌تر و عملیاتی‌تر می‌رسد.

فصل اول: مقدمه

در ویدئوهای فصل اول با مفاهیم هوش مصنوعی و کاربردهای آن در کارهای روزمره آشنا می‌شوید.  به‌طور خلاصه هوش مصنوعی در هر صنعتی کاربردهای خاص خود را دارد. به عنوان مثال از نرم افزار هوش مصنوعی می‌توان برای ساخت دستیارهای مراقبت از سلامت شخصی، تولید، خرده فروشی و حتی ورزش و بازی استفاده کرد.

در این فصل همچنین به آموزش یادگیری ماشین با پایتون می‌پردازیم. برای اینکه بتوانید با هوش مصنوعی کار کنید، نیاز دارید تا یک زبان برنامه‌نویسی را فرا بگیرید. پایتون همان زبان برنامه‌نویسی موردنظر است که در این زمینه بسیار مفید عمل می‌کند. 

همچنین در این فصل شما می‌توانید با تولکیت‌ها (toolkits) یا همان جعبه ابزار یادگیری ماشین در پایتون آشنا شوید. آموزش ریاضیات هوش مصنوعی و کاربردهای هوش مصنوعی در رشته‌های مختلف مانند پزشکی، امور مالی، بازاریابی، توزیع و تدارکات و غیره از دیگر مباحثی است که در فصل اول به آن اشاره می‌شود.

فصل دوم: ریاضیات در هوش مصنوعی

برنامه نویسی هوش مصنوعی اول از هر چیز به دانستن ریاضیات و آمار و احتمال نیاز دارد. نوشتن الگوریتم‌های هوش مصنوعی و یادگیری ماشین کار چندان آسانی نیست و کار کردن با آن نیازمند این است که از دانش ریاضی زیادی برخوردار باشید. در واقع پایه و اساس برنامه نویسی هوش مصنوعی آشنایی با اصول ریاضی است.

از طرفی در دنیای مدرن امروز احتمالات و عدم اطمینان‌ها بیشتر از هر زمانی احساس می‌شوند. از آنجایی که هیچ‌کس نمی‌تواند کاملاً‌ بر اطلاعات مسلط باشد، لازم است از آمار و احتمالات در استفاده از زبان‌های برنامه نویسی هوش مصنوعی استفاده شود. بنابراین در فصل دوم دوره رایگان هوش مصنوعی به مباحث ریاضیات و آمار و احتمال در هوش مصنوعی می‌پردازیم.

فصل سوم:‌ مینی پروژه‌های پایتون

پایتون یک زبان برنامه‌نویسی بسیار راحت و قابل فهم است. از این زبان می‌توانید در پروژه‌ها و تمرین‌های مختلفی استفاده کنید. به همین منظور در فصل سوم این دوره پنج مینی پروژه برایتان درنظر گرفته‌ایم که با آن‌ها می‌توانید به خوبی پایتون را فرا بگیرید.

فصل چهارم: یادگیری ماشین با پایتون

در فصل چهارم از این دوره به آموزش کتابخانه نامپای پرداخته‌ایم. در این قسمت متدهایی از NumPy به شما آموزش داده می‌شود که می‌توانید محاسبات ریاضی را به صورت عنصر به عنصر روی آرایه‌هایی از جنس نامپای انجام دهید. سایر متدهای موجود در این کتابخانه را در قالب تمرینات بیشتر به شما آموزش خواهیم داد.

در بخش‌های دیگر این فصل به آموزش یادگیری ماشین با پایتون اشاره می‌کنیم. این بخش‌ها از مهمترین جلسات آموزش یادگیری ماشین با پایتون است. چرا که در آن به بیان جایگاه هوش مصنوعی، آموزش ماشین لرنینگ و مباحث داغی مانند شبکه‌های عصبی عمیق می‌پردازیم.

رویکردهای مختلف یادگیری ماشین مانند یادگیری بدون نظارت، بانظارت، تقویتی، آماری، برخط، چندوظیفه‌ای، تقلیدی و غیره از دیگر مباحث مهم این فصل است. با این وجود هنوز هم رویکردهای دیگری وجود دارند که از طبیعت و انسان الهام گرفته شده‌اند و در انتها به عنوان تمرین داده می‌شوند.

فصل پنجم: مقدمه‌ای بر Reinforcement Learning

در این فصل به آموزش یادگیری تقویتی می‌پردازیم. یادگیری تقویتی یکی از زیرشاخه‌های یادگیری ماشین است. این علم یک عامل را قادر می‌کند تا با تعامل در یک محیط و با کمک آزمون و خطا و همچنین گرفتن بازخورد از یافته‌ها و اعمال خود بهترین رفتاری که در یک موقعیت خاص باید داشته باشد، را یاد بگیرد.

یادگیری تقویتی با یادگیری تحت نظارت متفاوت است. در واقع در یادگیری تحت نظارت داده‌های آموزشی کلید پاسخ دارند و از پاداش و تنبیه برای نشان دادن رفتار مثبت و منفی استفاده می‌شود. در حالی که در یادگیری تقویتی هیچ جوابی وجود ندارد. در این یادگیری، عامل خودش تصمیم می‌گیرد که برای انجام وظیفه‌ای که به او محول شده چه کاری انجام دهد. در این صورت عامل از تجربیات خود برای انجام کارها استفاده می‌کند.

 از یادگیری تقویتی در هدایت خودروهای خودران و کنترل ربات‌های انسان‌نما استفاده می‌شود. در این فصل می‌توانید با یادگیری تقویتی بیشتر آشنا شوید. برای اینکه عمیق‌تر این مبحث را فرا بگیرید، می‌توانید از کتاب یادگیری ماشین هم کمک بگیرید

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مقدمه
05:45 ساعت
05:45
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

فصل اول: مقدمه

در ویدئوهای فصل اول با مفاهیم هوش مصنوعی و کاربردهای آن در کارهای روزمره آشنا می‌شوید.  به‌طور خلاصه هوش مصنوعی در هر صنعتی کاربردهای خاص خود را دارد. به عنوان مثال از نرم افزار هوش مصنوعی می‌توان برای ساخت دستیارهای مراقبت از سلامت شخصی، تولید، خرده فروشی و حتی ورزش و بازی استفاده کرد.

در این فصل همچنین به آموزش یادگیری ماشین با پایتون می‌پردازیم. برای اینکه بتوانید با هوش مصنوعی کار کنید، نیاز دارید تا یک زبان برنامه‌نویسی را فرا بگیرید. پایتون همان زبان برنامه‌نویسی موردنظر است که در این زمینه بسیار مفید عمل می‌کند. 

همچنین در این فصل شما می‌توانید با تولکیت‌ها (toolkits) یا همان جعبه ابزار یادگیری ماشین در پایتون آشنا شوید. آموزش ریاضیات هوش مصنوعی و کاربردهای هوش مصنوعی در رشته‌های مختلف مانند پزشکی، امور مالی، بازاریابی، توزیع و تدارکات و غیره از دیگر مباحثی است که در فصل اول به آن اشاره می‌شود.

 

هوش مصنوعی چیست؟
"06:03
کاربرد هوش مصنوعی در کارهای روزمره
"27:46
اشنایی با تولکیت‌های(جعبه ابزار-toolkits) یادگیری ماشین در پایتون
"33:36
پایتون مقدماتی-بخش اول
"38:00
پایتون مقدماتی- بخش دوم
"29:01
پایتون مقدماتی- بخش سوم
"33:46
پایتون مقدماتی- بخش چهارم
"39:50
پایتون مقدماتی- بخش پنجم
"47:04
پایتون مقدماتی- بخش ششم
"42:40
پایتون مقدماتی- بخش هفتم
"17:53
کاربردهای هوش مصنوعی در رشته‌های مختلف
"06:03
آموزش ریاضیات هوش مصنوعی
"24:09
فصل دوم: ریاضیات در هوش مصنوعی
00:15 ساعت
00:15
Combined Shape Created with Sketch. 1 جلسه
نمایش جلسات فصل  

فصل دوم: ریاضیات در هوش مصنوعی

برنامه نویسی هوش مصنوعی اول از هر چیز به دانستن ریاضیات و آمار و احتمال نیاز دارد. نوشتن الگوریتم‌های هوش مصنوعی و یادگیری ماشین کار چندان آسانی نیست و کار کردن با آن نیازمند این است که از دانش ریاضی زیادی برخوردار باشید. در واقع پایه و اساس برنامه نویسی هوش مصنوعی آشنایی با اصول ریاضی است.

از طرفی در دنیای مدرن امروز احتمالات و عدم اطمینان‌ها بیشتر از هر زمانی احساس می‌شوند. از آنجایی که هیچ‌کس نمی‌تواند کاملاً‌ بر اطلاعات مسلط باشد، لازم است از آمار و احتمالات در استفاده از زبان‌های برنامه‌نویسی هوش مصنوعی استفاده شود. بنابراین در فصل دوم دوره رایگان هوش مصنوعی به مباحث ریاضیات و آمار و احتمال در هوش مصنوعی می‌پردازیم.

 

آمار و احتمال در هوش مصنوعی
"15:21
فصل سوم: مینی پروژه‌های پایتون
03:07 ساعت
03:07
Combined Shape Created with Sketch. 5 جلسه
نمایش جلسات فصل  

فصل سوم:‌ مینی پروژه‌های پایتون

پایتون یک زبان برنامه‌نویسی بسیار راحت و قابل فهم است. از این زبان می‌توانید با  پروژه‌ها و تمرین‌های مختلفی استفاده کنید. به همین منظور در فصل سوم این دوره پنج مینی پروژه برایتان درنظر گرفته‌ایم که با آن‌ها می‌توانید به خوبی پایتون را فرا بگیرید.

 

پروژه‌ی اول
"14:39
پروژه‌ی دوم
"18:22
پروژه‌ی سوم
"29:34
پروژه‌ی چهارم
"44:12
پروژه‌ی پنجم
"80:28
فصل چهارم: یادگیری ماشین با پایتون
12:58 ساعت
12:58
Combined Shape Created with Sketch. 51 جلسه
نمایش جلسات فصل  

فصل چهارم: یادگیری ماشین با پایتون

در فصل چهارم از این دوره به آموزش کتابخانه نامپای (NumPy) پرداخته‌ایم. در این قسمت متدهایی از نامپای  (NumPy) به شما آموزش داده می‌شود که می‌توانید محاسبات ریاضی را به صورت عنصر به عنصر روی آرایه‌هایی از جنس نامپای انجام دهید. سایر متدهای موجود در این کتابخانه را در قالب تمرینات بیشتر به شما آموزش خواهیم داد.

در بخش‌های دیگر این فصل به آموزش یادگیری ماشین با پایتون اشاره می‌کنیم. این بخش‌ها از مهمترین جلسات آموزش یادگیری ماشین با پایتون است. چرا که در آن به بیان جایگاه هوش مصنوعی، آموزش ماشین لرنینگ و مباحث داغی مانند شبکه‌های عصبی عمیق می‌پردازیم.

رویکردهای مختلف یادگیری ماشین مانند یادگیری بدون نظارت، بانظارت، تقویتی، آماری، برخط، چندوظیفه‌ای، تقلیدی و غیره از دیگر مباحث مهم این فصل است. با این وجود هنوز هم رویکردهای دیگری وجود دارند که از طبیعت و انسان الهام گرفته شده‌اند و در انتها به عنوان تمرین داده می‌شوند.

مقدمه‌ای بر Numpy
"14:43
ایجاد ‌آرایه در Numpy
"16:29
چاپ آرایه‌ها در Numpy
"10:35
عملگرها در Numpy
"17:57
یونیورسال فانکشن ها (universal functions) در Numpy- پارت اول
"13:24
یونیورسال فانکشن ها (universal functions) در Numpy- پارت دوم
"10:52
indexing و slicing و iterating در Numpy‌‌
"14:20
مبحث shape manipulator در Numpy
"16:18
ذخیره(stacking) آرایه‌ها در Numpy
"15:20
شکستن(splitting) آرایه‌ها در Numpy
"13:13
کپی(copies) و نمایش(views) در Numpy
"09:44
broadcasting rules در Numpy
"13:54
جبر خطی در Numpy
"12:12
رویکردهای مختلف در یادگیری ماشین
"14:00
مقدمه‌ای بر Scikit-learn
"06:40
خواندن داده‌ها (dataset) با Scikit-learn
"13:21
واکشی(fetching) داده‌ها در Scikit-learn
"15:21
تولید پایگاه داده در Scikit-learn
"18:02
دیگر روش‌های خواندن پایگاه داده در Scikit-learn
"21:32
وظایف مهم (tasks) در یادگیری ماشین
"20:49
مدل‌های خطی در Scikit-learn
"13:39
رگرسیون خطی(Linear Regression) در Scikit-Learn
"14:32
SGD Regressor در Scikit-Learn
"17:51
حل مسئله‌ی SGD Regressor در Scikit-Learn
"13:43
رگرسیون لاسو (LASSO Regressor) در Scikit-Learn
"17:44
حل مسئله‌ی LASSO Regressor در Scikit-Learn
"12:07
Elastic-Net Regressor در Scikit-Learn
"10:52
حل مسئله‌ی Elastic-Net Regressor در Scikit-Learn
"17:38
روش‌های گروهی (Ensemble Methods) در Scikit-Learn
"14:52
حل مسئله‌ با Voting Regressor
"21:46
Logisitic Regression
"14:28
حل مسئله‌ با Logisitic Regression
"18:43
یادگیری مبتنی بر مجرم (Instance-based Learning)
"17:32
حل مسئله‌ با KNN
"14:57
یادگیری نظارت نشده و دسته‌بندی (Unsupervised Learning and Clustering)
"11:57
تعریفی از یادگیری تقویتی و مقایسه‌ی آن با یادگیری نظارت‌شده و نظارت‌نشده
"14:37
الگوریتم K-means
"19:08
حل مسئله‌ با الگوریتم K-means
"18:02
دسته‌بندی سلسله مراتبی (Hierarchical Clustering)
"17:47
یک نمونه ساده با Agglomerative Clustering
"15:25
حل مسئله‌ با استفاده از (Gaussian Mixture Model (GMM
"17:58
نگاهی بر کاهش بعد (Dimensionality Reduction)
"14:53
الگوریتم تحلیل اجزای اصلی ((Principal Component Analysis (PCA)
"15:25
حل مسئله‌ با ((Principal Component Analysis (PCA
"16:50
کاهش بعد با استفاده از LDA
"18:00
مقایسه PCA با LDA با یک مثال
"21:24
مقدمه‌ای بر انتخاب مدل و ارزیابی
"16:28
شکستن پایگاه داده (Dataset Splitting)