آموزش ساخت هوش مصنوعی با پایتون

یکی از روش‌های یادگیری ماشین، و هوش مصنوعی، یادگیری عمیق هست تا در نهایت هوش مصنوعی تصمیماتی مانند عملکرد مغز انسان اتخاذ کند. بهترین محیط برای پیاده‌سازی هوش مصنوعی، محیط بازی است زیرا می‌توان از ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
2 (2 رای)
سطح: پیشرفته
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  14 ساعت
مجموع محتوای آموزشی:  14 ساعت ویدئو
 (قابل دانلود می‌باشد)

آنچه در این دوره می‌آموزیم:

 ساخت هوش مصنوعی در محیط بازی

 درک مفاهیم هوش مصنوعی از مباحث پایه تا پیشرفته

 ساخت ماشین بدون سرنشین مجازی

 کدنویسی به زبان پایتون

پیش‌نیاز‌ها

برای استفاده بهتر از مباحث این دوره پیشنهاد می‌شود که دوره‌های پایتون مقدماتی و آشنایی با ریاضیات را گذرانده باشید.

سرفصل‌های دوره آموزش ساخت هوش مصنوعی با پایتون

مقدمه
  مقدمه
"05:04  
  نصب نرم‌افزار
"03:34  
  فایل‌های مورد نیاز دوره
"00:03  
آموزش Q-Learning
  معرفی سرفصل ها
"03:49  
  یادگیری تقویتی
"09:30  
  معادله ی بلمن
"18:09  
  طرح
"02:06  
  فرآیند تصمیم گیری مارکوف
"09:48  
  سیاست و طرح
"12:52  
  پاداش و مجازات
"09:52  
  Q-Learning
"13:22  
  تفاوت زمانی
"16:23  
پیاده سازی و مشاهده
  نصب Gridworld
"03:36  
  مشاهده Q-Learning
"10:56  
آموزش Deep Q-Learning
  سرفصل ها
"02:26  
  آموزش Deep Q-Learning
"13:22  
  عمل Deep Q-Learning
"04:02  
  تکرار تجربه
"04:02  
  سیاست انتخاب عمل
"09:26  
پیاده سازی Deep Q-Learning
  توضیحات
"04:08  
  ماشین بدون سرنشین - قسمت اول
"04:08  
  ماشین بدون سرنشین - قسمت دوم
"15:42  
  ماشین بدون سرنشین - قسمت سوم
"06:51  
  ماشین بدون سرنشین - قسمت چهارم
"14:09  
  ماشین بدون سرنشین - قسمت پنجم
"06:00  
  ماشین بدون سرنشین - قسمت ششم
"06:05  
  ماشین بدون سرنشین - قسمت هفتم
"05:33  
  ماشین بدون سرنشین - قسمت هشتم
"10:38  
  ماشین بدون سرنشین - قسمت نهم
"17:01  
  ماشین بدون سرنشین - قسمت دهم
"13:44  
  ماشین بدون سرنشین - قسمت یازدهم
"13:01  
  ماشین بدون سرنشین - قسمت دوازدهم
"12:35  
  ماشین بدون سرنشین - قسمت سیزدهم
"12:05  
  ماشین بدون سرنشین - قسمت چهاردهم
"02:46  
  ماشین بدون سرنشین - قسمت پانزدهم
"05:11  
  ماشین بدون سرنشین - قسمت شانزدهم
"07:16  
مشاهده عملکرد Deep Q-Learning
  ماشین بدون سرنشین - قسمت اول
"08:43  
  ماشین بدون سرنشین - قسمت دوم
"03:52  
  ماشین بدون سرنشین - قسمت سوم
"06:35  
  ماشین بدون سرنشین - قسمت چهارم
"05:24  
آموزش Deep Convolutional Q-Learning
  سرفصل ها
"02:19  
  آموزش Deep Convolutional Q-Learning
"06:48  
  Eligibility Trace
"06:02  
پیاده سازی Deep Convolutional Q-Learning

 

 

  بازی دووم - قسمت اول
"09:01  
  بازی دووم - قسمت دوم
"09:22  
  بازی دووم - قسمت سوم
"10:29  
  بازی دووم - قسمت چهارم
"13:16  
  بازی دووم - قسمت پنجم
"06:31  
  بازی دووم - قسمت ششم
"04:28  
  بازی دووم - قسمت هفتم
"06:33  
  بازی دووم - قسمت هشتم
"03:33  
  بازی دووم - قسمت نهم
"07:33  
  بازی دووم - قسمت دهم
"05:56  
  بازی دووم - قسمت یازدهم
"03:47  
  بازی دووم - قسمت دوازدهم
"05:24  
  بازی دووم - قسمت سیزدهم
"10:16  
  بازی دووم - قسمت چهاردهم
"07:13  
  بازی دووم - قسمت پانزدهم
"10:14  
  بازی دووم - قسمت شانزدهم
"15:48  
مشاهده عملکرد Deep Convolutional Q-Learning
  مرحله اول مشاهده
"13:09  
  مرحله دوم مشاهده
"12:42  
آموزش A3C
  توضیحات
"03:21  
  The three A's in A3C
"04:26  
  Actor-Critic
"06:18  
  Asynchronous
"08:07  
  Advantage
"12:33  
  LSTM Layer
"14:51  
پیاده سازی A3C
  بازی Breakout - قسمت اول
"08:42  
  بازی Breakout - قسمت دوم
"07:06  
  بازی Breakout - قسمت سوم
"11:58  
  بازی Breakout - قسمت چهارم
"12:22  
  بازی Breakout - قسمت پنجم
"10:35  
  بازی Breakout - قسمت ششم
"11:38  
  بازی Breakout - قسمت هفتم
"06:00  
  بازی Breakout - قسمت هشتم
"11:04  
  بازی Breakout - قسمت نهم
"11:18  
  بازی Breakout - قسمت دهم
"08:03  
  بازی Breakout - قسمت یاردهم
"03:57  
  بازی Breakout - قسمت دوازدهم
"13:00  
مشاهده عملکرد A3C
  بازی هوش مصنوعی
"09:02  
پیوست اول - شبکه ی عصبی مصنوعی
  یادگیری عمیق
"11:18  
  توضیحات
"02:50  
  نرون ها
"13:30  
  عملگر فعالسازی
"08:01  
  نحوه عملکرد شبکه‌ی عصبی
"11:09  
  یادگیری شبکه‌‎ی عصبی
"11:26  
  گرادیان کاهشی
"09:36  
  گرادیان کاهشی تصادفی
"06:52  
  پس انتشار
"04:44  
پیوست دوم - شبکه ی عصبی کانولوشنی
  توضیحات
"03:13  
  شبکه‌ی عصبی کانولوشنی چیست؟
"15:23  
  عملکرد کانولوشن
"11:05  
  لایه‌ی یکسوساز
"06:06  
  Pooling
"12:20  
  Flattening
"01:48  
  اتصال کامل
"17:25  
  خلاصه
"03:01  
  Softmax and Cross-Entropy
"14:55  

درباره دوره

یکی از روش‌های یادگیری ماشین، و هوش مصنوعی، یادگیری عمیق هست تا در نهایت هوش مصنوعی تصمیماتی مانند عملکرد مغز انسان اتخاذ کند. بهترین محیط برای پیاده‌سازی هوش مصنوعی، محیط بازی است زیرا می‌توان از همان الگوریتم‌ها در محیط‌های دیگری مانند تجارت و کسب‌وکار استفاده کرد. شرکت‌کنندگان در این دوره با موضوعات مختلفی از جمله مدل‌سازی، کار با شبکهٔ عصبی، لایه‌های مختلف در کانولوشن، گرادیان کاهشی، سافتمکس و... آشنا خواهندشد. 

پیاده‌سازی محیط بازی‌های آتاری، دووم و تمام پروژه‌های دیگر در پایتون انجام می‌شود. تمام کتابخانه‌های لازم معرفی و پیاده‌سازی می‌شوند.  این دوره به‌خصوص برای افرادی مناسب است که می‌خواهند از پایه، تمام مطالب هوش مصنوعی رو از جمله یادگیری تقویتی، یادگیری عمیق، یادگیری عمیق کانولوشنی، A3C, CNN, LSTM, یاد بگیرند.

 این دوره به صورتی طراحی شده که در ابتدا مباحث به‌صورت تئوری به طور کامل بررسی، و سپس در محیط برنامه‌نویسی پایتون اجرا شوند.

 برای درک بهتر مطالب، بهتر است تا با زبان برنامه‌نویسی پایتون و مفاهیم ریاضی آشنایی داشته باشید.

درباره استاد

maktabkhooneh-teacher عسل نیک عدل

عسل نیک عدل کارشناس مدرس زبان انگلیسی و دارای مدرک TTC از گسترش مدیریت و همچنین مدرک برنامه‌نویسی پایتون از آکادمی برنامه‌نویسان است. وی تجربهٔ تدریس زبان برنامه‌نویسی پایتون را داشته و هم اکنون در گرایش هوش مصنوعی و نحوهٔ استفاده از آن‌ جهت پیاده‌سازی پروژه‌های مختلف فعالیت می‌کند. از سوابق آموزشی او می‌توان به سابقهٔ تدریس در مراکز آموزش زبان انگلیسی، بوت‌کمپ‌ها، و پروژه‌ها با استفاده از هوش مصنوعی اشاره نمود.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
فاطمه وحیدنژاد 1402-11-05
سلام من فصل های اولش که مربوط به ریاضیات هستش رو دیدم. این دوره واقعا افتضاح! ریاضیات رو خیلی سطحی و خسته کننده توضیح دادن. لطفا هزینه این دوره رو برگردونید. در غیر این صورت دیگه از مکتب خونه دوره ای رو خرید نمی کنم!!!!

دوره‌های پیشنهادی

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

از جمله مواردی که در پایتون بررسی میشوند شامل:

  • شبکه‌های عصبی (Neural networks) و نحوه پیاده‌سازی آن‌ها در PyTorch
  • آشنایی با مفهوم تنسور و نحوه کار کردن با آن‌ها در PyTroch
  • فرایند طراحی و استفاده از مدل‌های deep learning
  • آشنایی با روش stochastic gradient descent و نحوه پیاده‌سازی آن در PyTorch
  • آشنایی با convolutional neural networks (CNNs)
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  14 ساعت
مجموع محتوای آموزشی:  14 ساعت ویدئو
 (قابل دانلود می‌باشد)