×
ribbon

دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین

مدرس:

AI Lessons

هوش مصنوعی یا به زبان انگلیسی Artificial intelligence حوزه ای پرطرفدار است که احتمالاً درباره آن شنیده یا... بیشتر
4.1 (122)
47 دیدگاه
31,962دانشجو
26ساعت
سرفصل‌ها
مقدماتی سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

26 ساعت ویدئو

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

5 فصل82 جلسه26 ساعت ویدیو
فصل اول: مقدمه
  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
  آمار و احتمال در هوش مصنوعی
15:21
فصل سوم: مینی پروژه‌های پایتون
  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
  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
  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

پیش‌نیاز‌ها

توضیحات دوره

هوش مصنوعی یا به زبان انگلیسی Artificial intelligence حوزه‌ای پرطرفدار است که احتمالاً درباره آن شنیده یا خوانده‌اید. وقتی به‌اصطلاح هوش مصنوعی فکر می‌کنید، ممکن است در ذهن شما ربات‌ها، فناوری و عصر دیجیتال و غیره خطور کند. دوره آموزش هوش مصنوعی با هدف آموزش این ترند پرطرفدار در مکتب خونه تهیه و تدوین شده است و دانشجو را با ابعاد مختلف این فناوری آشنا خواهد کرد.

برنامه نویسی هوش مصنوعی یک پیشرفت تکنولوژیکی در علوم کامپیوتر است که شامل فناوری برنامه‌نویسی برای حل مسئله می‌شود. هوش مصنوعی اغلب شامل جنبه‌های مختلفی مانند یادگیری ماشین، یادگیری عمیق و کلان داده است. این دوره آموزش رایگان هوش مصنوعی شمارا با جنبه‌های مختلف آن آشنا می‌کند.

معرفی دوره آموزش هوش مصنوعی

امروزه هوش مصنوعی از نیازهای ضروری هر سازمان و شرکتی است و یا در آینده به آن نیاز پیدا خواهند کرد، بنابراین یادگیری هوش مصنوعی از واجبات دنیای امروزی به‌حساب می‌آید. این دوره آموزش هوش مصنوعی به‌صورت عملی جنبه‌های مختلف هوش مصنوعی را در قالب پروژه و به‌صورت عملی مورد بحث قرار می‌دهد. ازاین‌رو دانشجویانی که در رشته‌های مختلف مشغول تحصیل هستند یا صاحبان انواع کسب‌وکارها می‌توانند با یادگیری زبان‌های برنامه‌نویسی هوش مصنوعی و فراگیری یادگیری ماشین با پایتون python مهارت‌های خود را در این زمینه توسعه دهند. برای یادگیری هوش مصنوعی از مقدماتی تا پیشرفته باید مسیر زیادی را طی کنیم که این دوره، دوره بسیار مناسبی برای شروع است.

هدف دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین چیست؟

هدف از برگزاری این دوره آموزش هوش مصنوعی رایگان 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.

این دوره 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 برنامه نویسی پایتون مهارت‌های خود را توسعه دهند.

بعد از فراگیری این دوره چه مهارت‌هایی کسب خواهید کرد؟

دانشجویانی که این دوره هوش مصنوعی را پشت سر می‌گذارند با مهارت‌های زیر آشنا خواهند شد:

  • تدلط نسبی 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

پیش‌نیازهای دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین

برای شرکت در دوره آموزش هوش مصنوعی و یادگیری ماشین، بهتر است که 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 این دوره چیست؟

این دوره آموزش Ai 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 از این آموزش هوش مصنوعی از پایه، 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 (Python) 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 یاد 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 رایگان 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 از دوره آموزش رایگان Artificial intelligence می‌توانید با یادگیری تقویتی بیشتر آشنا شوید. برای اینکه عمیق‌تر این مبحث را فرا بگیرید، می‌توانید از کتاب یادگیری ماشین هم کمک بگیرید.

دیدگاه کاربران

4.1

بر اساس امتیاز 122 دانشجو

1
2
3
4
5

دانشجوی دوره

5 ماه پیش

5

عالی

محمد کربلایی

5 ماه پیش

5

از تلاش هاشتون کمال تشکر را دارم. خدا شما را حفظ کند.

دانشجوی دوره

6 ماه پیش

5

عجیبه چنین دوره ای رایگان انصافا دمتون گرم

دانشجوی دوره

1 سال پیش

5

عالی هست ممنونم بابت حس مسئولیت پذیری مجموعه خوب مکتب خونه

دانشجوی دوره

1 سال پیش

5

تدریس خیلی اصولی ، دقیق و کامل هست . انتظار نداشتم این تدریس عالی و با کیفیت رایگان باشه . خیلی از استاد عزیز و سایت مکتب خونه ممنونم

دانشجوی دوره

1 سال پیش

5

بسیار فوق العاده بود تشکربابت تدریس خوبوتون

AI Lessons
1دوره
31,962دانشجو
122نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.