رشته هوش مصنوعی

علم یادگیری ماشین ( Machine Learning ) از زیرشاخه‌های اصلی علم هوش مصنوعی و تکنولوژی بوده که امروزه به رویکرد و تکنیکی برای حل مسائل هوش مصنوعی تبدیل شده است. آرتور ساموئل ( Arthur Samuel ) از نظریه پردازان و محققان هوش مصنوعی در سال 1959 برای اولین بار از یادگیری ماشین با استفاده از نظریه‌ها و الگوهای محاسباتی رونمایی کرد. در حوزه یادگیری ماشین با مقداری از تجربه و داده‌ها روبه رو هستیم که باید از آن‌ها برای حل بهتر مسائل و فرضیه ها کمک بگیریم یا به عبارت دیگر باید از داده‌هایی که در بخش تجارب وجود دارد استفاده کنیم تا تصمیمات بهتری بگیریم که در این زمینه مبحث " یادگیری ماشین " بسیار موثر است.

پایتون به معنی اژدهاست . شاید انتخاب این اسم برای این زبان برنامه نویسی بی ربط نباشد چراکه یکی از قدرتمند ترین نرم افزارهای صنعتی ویرایش متن محسوب میشود . با کمک پایتون میتوان از کارهای ساده ریاضی تا پیچیده ترین عملیات کنترل متن مانند مرورگر های داینامیک و اتوماسیون را انجام دهید . ویژگی دیگر این زبان برنامه نویسی سادگی آن است که امکان یادگیری برای همگان را فراهم میکند.  توجه داشته باشید که این درس آموزش با پایتون 2 است.

در اين درس از آموزش هوش مصنوعی جنبه‌هایی از هوشمندی نظير حل مساله، توانایی ذخيره دانش و استنتاج و همچنين برنامه‌ريزی مورد بررسی قرار خواهد گرفت. از آنجا که دسته گسترده ای از مسائل می‌توانند در قالب مساله جستجو بيان شوند، ابتدا در مورد استفاده از روش‌های جستجو برای حل مسائل بحث خواهد شد. همچنين چگونگی استفاده از دانش خاص يک مساله (يا دسته ای از مسائل) جهت بهبود زمان جستجو بررسی می‌شود. ذخيره دانش و استنتاج نيز بخش ديگری از توانایی عامل‌های هوشمند است که در اين درس به آن پرداخته خواهد شد. در اين خصوص به منطق گزاره ای، مرتبه اول و منطق احتمالاتی و چگونگی استنتاج در اين منطق‌ها می‌پردازيم. همچنين درباره مبحث برنامه‌ريزی که هدف آن يافتن برنامه‌ای از کنش‌ها برای رسيدن به اهداف است، صحبت خواهد شد. محتوای این دوره مربوط به سال 96 می‌باشد. ***جلسه 10 ناقص ضبط شده‌است***

یادگیری ماشینی (Machine learning) به بررسی روش هایی می پردازد که به رایانه ها امکان استفاده از داده ها و یاد گیری از آن ها برای بهبود عملکردهای مختلف را می دهد. هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی‌ بالاتری در وظیفهٔ مورد نظر پیدا کند. نمونه هایی از کاربردهای یادگیری ماشین می تواند الگوریتم های تشخیص چهره، جداسازی هرزنامه و بازشناسی گفتار می باشد.

درس "یادگیری ماشین برای بیوانفورماتیک" در نیم‌سال دوم سال تحصیلی 99-98 با کمک خانم زهرا مهدوی‌نژاد، در دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف ضبط شده‌است.   بدون شک بزرگ‌ترین پیشرفت علوم رایانه و بلکه یکی از بزرگ‌ترین پیشرفت‌های علمی دنیا در سال‌های اخیر، توسعه و پیشرفت چشمگیر هوش مصنوعی است. این موضوع باعث شده‌است، بسیاری از جنبه‌های زندگی بشر تحت تأثیر قرار بگیرد. نرم‌افزارهای هوشمند تشخیص صدا و تصویر، خودروهای هوشمند بدون راننده و ... بخش کوچکی از کاربردهای فراگیر این موضوع هستند. در این میان، یادگیری ماشین و یادگیری ژرف جایگاه بخصوصی را در این رشته به خود اختصاص داده‌اند. یادگیری ماشین کاربردی از هوش مصنوعی است که در آن سیستم، قابلیت یادگیری خودکار و بهبود خود را از تجربه‌های مختلف به دست می‌آورد. یادگیری ماشین و یادگیری ژرف بر روی توسعه‌ی برنامه‌های کامپیوتری که قابلیت دسترسی به داده و استفاده از آن برای یادگیری خود را دارند، تمرکز دارد. بعضی از روش‌های یادگیری ماشین شامل این موارد است: یادگیری نظارت‌شده، یادگیری نیمه نظارت‌شده، یادگیری نظارت‌نشده و یادگیری تقویتی. یادگیری ماشین به ما این قابلیت را می‌دهد تا مقدار زیادی از داده‌ها را آنالیز کنیم. به‌طورکلی با این‌که نتایج دقیق‌تر و سریع‌تری فراهم می‌کند، به زمان و منابع بیشتری برای یادگیری نیز نیاز دارد. با پیشرفت دانش و تجهیزات در علوم زیست‌شناسی به‌ویژه علوم سلولی و مولکولی، با افزایش حجم عظیم داده‌های استخراج شده از سلول‌ها و به تبع آن موجودات مواجه هستیم. افزایش این حجم از داده‌ها و به سبب آن نیاز به ذخیره، بازیابی و تحلیل مناسب این داده‌ها، موجب پیدایش علم بیوانفورماتیک گردیده‌است. این دانش نوظهور، به‌عنوان یک دانش بین‌رشته‌ای، تلاش می‌کند تا با استفاده از تکنیک‌های موجود در علوم کامپیوتر، ریاضیات، شیمی، فیزیک و علوم مرتبط دیگر، مسائل مختلف زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کند و با توسعه ابزارها و روش‌هایی سعی در فهمیدن این حجم زیاد از داده‌ها داشته باشد. تلاش‌های پژوهشی اصلی در این رشته عبارتند از: تطابق توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیش‌بینی ساختارهای دوم و سوم پروتئین، پیش‌بینی بیان ژن و تعاملات پروتئین-پروتئین و مدل‌سازی تکامل. یادگیری ماشین در بیوانفورماتیک فرصتی است برای فراگیری مفاهیم پایه‌ای تا جدیدترین پیشرفت‌های دانش یادگیری ماشین و هوش مصنوعی، با هدف به‌کارگیری آن در حل مسئله‌های زیست‌پزشکی. درس پیش رو آموزش مباحث یادگیری ماشین و یادگیری ژرف به همراه کاربرد این تکنیک‌ها در مباحث بیوانفورماتیک می‌باشد. شما در این دوره با بسیاری از مفاهیم تئوری هوش مصنوعی آشنا خواهید شد و به‌صورت عملی با زبان Python، کتابخانه‌های معروف یادگیری ماشین در بیوانفورماتیک و یادگیری ژرف آشنا خواهید شد. این درس بدان جهت با سایر دوره‌های یادگیری ماشین تفاوت دارد که داده‌های زیست‌پزشکی در بسیاری موارد تفاوت عمده‌ای با داده‌های مورد استفاده در سایر شاخه‌های یادگیری ماشین دارند. در هر دو جلسه‌ی متوالی از درس، جلسه اول به مباحث تئوری و نظری بخصوص مباحث هوش مصنوعی و یادگیری ماشین پرداخته می‌شود و در جلسه دوم به‌صورت عملی (برنامه‌نویسی Python و استفاده از کتابخانه‌های یادگیری ماشین) به حل مسائل با الگوریتم‌ها و روش‌های تدریس‌شده پرداخته می‌شود. به‌منظور ارائه کیفیت مناسب تصویری، بخش‌های عملی مستقیماً از دسکتاپ کامپیوتر مدرس ضبط گردیده‌است. همین‌طور دفترچه‌های درس از سایت زیر قابل دسترس می‌باشد. http://ce.sharif.edu/courses/98-99/2/ce550-1/index.php

با پیشرفت دانش و تجهیزات در علوم زیست‌شناسی به ویژه علوم سلولی و مولکولی با افزایش حجم عظیم داده‌های استخراج شده از سلول‌ها و به تبع آن موجودات مواجه هستیم. افزایش این حجم از داده‌ها و به سبب آن نیاز به ذخیره، بازیابی و تحلیل مناسب این داده‌ها، موجب پیدایش علم بیوانفورماتیک گردید. این دانش نوظهور، به عنوان یک دانش بین‌رشته‌ای، تلاش می‌کند تا با استفاده از تکنیک‌های موجود در علوم کامپیوتر، ریاضیات، شیمی، فیزیک و علوم مرتبط دیگر، مسائل مختلف زیست‌شناختی را که معمولاً در سطح مولکولی هستند حل کند. تلاش‌های پژوهشی اصلی در این رشته عبارت‌اند از: تطابق توالی، کشف ژن، گردآوری ژنوم، تنظیم ساختار پروتئینی، پیش‌بینی ساختارهای دوم و سوم پروتئین، پیش‌بینی بیان ژن و تعاملات پروتئین- پروتئین و مدلسازی تکامل. دوره آموزش بیوانفورماتیک با هدف آموزش این ترند جذاب و پررونق تهیه و تدوین شده است که در ادامه به معرفی آن خواهیم پرداخت. معرفی دوره آموزش بیوانفورماتیک درس پیش‌ رو آموزش آمار و معرفی و استفاده از پایگاه‌های داده‌ با هدف تحلیل و استنتاج داده‌های زیستی برای دانشجویان دوره دکتری رشته زیست‌شناسی سلولی-تکوینی دانشگاه علم و فرهنگ بوده که در پژوهشگاه رویان جهاد دانشگاهی تدوین و تدریس شده است. این دوره شامل سه بخش: آمار، ابزار‌ها و پایگاه‌های داده و بخش سوم آموزش برنامه‌نویسی به زبان آماری R است. زبان R برای انجام تحلیل داده آماری، رسم نمودارها و استنتاج پیام داده‌های زیستی بی‌نظیر است چرا که علاوه بر رایگان و در دسترس بودن، دارای بیش از ۸۰۰ بسته برای انجام تحلیل های مختلف بیوانفورماتیک است.هر جلسه درس شامل دو بخش نظری و عملی ، همچنین شامل برنامه‌نویسی R و آشنایی با داده پایگاه های بیوانفورماتیک است که به طورر جداگانه از طریق لینکهای پایین صفحه در اختیار شما قرارگرفته‌اند. به منظور ارائه کیفیت مناسب تصویری، بخش‌های عملی مستقیماً از دسکتاپ کامپیوتر مدرس ضبط گردیده است.در طول بخش‌های عملی درس چند فایل داده ورودی به عنوان نمونه مورد استفاده قرار می‌گیرد. شما می توانید با فشردن دکمه «جزوه» از جلسه اول درس، این فایلها را به صورت فشرده شده (Zip) دانلود و استفاده کنید.  در طول استفاده از این دوره آموزشی می‌توانید پیشنهاد‌ها، انتقادات و سؤالات خود را با آدرس rbioinf@gmail.com یا rscle@royaninstitute.org با ما در میان بگذارید. این درس به همت پژوهشگاه رویان ضبط شده است. سرفصل‌های دوره مقدمه‌ای بر بیوانفورماتیک سرفصل‌های این دوره آموزش بیوانفورماتیک مقدماتی به صورت زیر است: ورکشاپ R مقدمات آمار، میانگین، واریانس، انحراف‌معیار، میانه، چارک‌ها مشاهده ژنوم در UCSC Genome Browser، نصب R و RStudio، مقدمات R  آزمون فرض آماری، Student t-test، معنی p-value داده پایگاه برهم‌کنش ژنی و پروتئینی String-db، تحلیل اولیه داده‌های بیان ژن، رسم Heatmap مقیاس Log 2 برای تحلیل بیان ژن‌ها، Log-fold change، تحلیل تفاوت بیان ژن‌ها پایگاه داده Coremine، ارتباط عناصر زیستی طبق مقالات، آزمون t روی داده‌های بیان ژن خوشه‌بندی سلسله مراتبی، فاصله اقلیدسی محورها کتابخانه ggplot2 برای ساخت نمودارهای بیوانفورماتیک، رسم نمودار میله‌ای بیان ژن ضریب همبستگی Pearsonمحاسبه ضریب همبستگی Pearson، رسم trendlineتطابق رشته‌های DNA یا پروتئین، الگوریتم‌های برنامه‌سازی پویاکتابخانه Reshape2، نمودار جعبه‌ای (Box-plot)، نمودار ویولن ضریب همبستگی نا پارامتری Spearman Correlation Coefficient تحلیل هم‌زمان چند ژن با استفاده از sapply، apply و محاسبه ضریب Spearman خطای استاندارد نوشتن تابع در R Principal Components Analysis رسم نمودار PCA روی داده‌های بیان ژن آزمون آماری ANOVA محاسبه ANOVA آزمون فیشر نمودار همبستگی بیان، تحلیل کیفیت آزمایش بر اساس فاصله بین تکرارها آزمون‌های نا پارامتری نظیر Wilcoxon پروژه Fantom، آزمون نرمال بودن داده‌ها، انجام آزمون‌های نا پارامتری سرفصل‌های دوره بیوانفورماتیک پیشرفته همچنین سرفصل‌های بیوانفورماتیک پیشرفته نیز به صورت زیر است. سلول پروتئین DNA رونویسی ترجمه تمایز سلولی فناوری‌های توالی یابی تحلیل داده‌های ریزآرایه تحلیل داده‌های توالی یابی RNA پایگاه داده‌های مفید هم‌ردیفی بازسازی تأثیر ترکیب داده‌ها تحلیل مجموعه ژن‌ها خوشه‌بندی دسته‌بندی، تحلیل گراف، سل‌نت مطالعه موردی، ایسکمی قلب شبکه‌های عصبی ژرف شرکت در دوره‌های مبانی بیوانفورماتیک برای چه کسانی مناسب است؟ افرادی که نسبت به مسائل زیر علاقه‌مند هستند می‌توانند در دوره آموزش بیوانفورماتیک شرکت کنند: افرادی که به کد نویسی و کار با کامپیوتر علاقه‌مند هستند. افرادی که نسبت به رفتار سلول‌های زیستی و عملکرد آن‌ها، مسائل مختلف زیست‌شناسی، نحوه اثر کردن داروها و شبکه انتقال پیام علاقه‌مند هستند. به زبان انگلیسی تسلط کافی دارند. از حل مسائل ریاضی و محاسبات پیچیده لذت می‌برند. افاردی که نسبت به شناسایی الگوها و منظم سازی اطلاعات علاقه دارند.

پردازش تصویر (Image processing) روشی برای تبدیل یک تصویر به شکل دیجیتال و انجام برخی عملیات بر روی آن به منظور به دست آوردن یک تصویر پیشرفته یا استخراج اطلاعات مفید از آن است. دوره آموزش پردازش تصویر برای ای هدف در مکتب خونه قرار داده شده که در ادامه به معرفی آن خواهیم پرداخت. به زبان ساده می‌توان گفت که پردازش تصویر دیجیتال (digital image processing) نوعی توزیع سیگنال به‌حساب می‌آید که در آن ورودی یک تصویر است، مانند فریم ویدیو یا عکس و امکان دارد خروجی تصویر یا ویژگی‌های مرتبط با آن تصویر باشد. معمولاً سیستم پردازش تصویر شامل کار روی تصاویر به عنوان سیگنال‌های دو بعدی و در عین حال اعمال روش‌های پردازش سیگنال از قبل تنظیم شده برای آن‌ها است. معرفی دوره آموزش پردازش تصویر دوره آموزش رایگان پردازش تصویر مکتب خونه با هدف آموزش تکنیک‌های پردازش تصویر در دانشگاه شهید بهشتی تهیه شده است. این دوره آموزشی شامل 29 جلسه بوده که در قالب 36 ساعت محتوای ویدیویی به کاربران ارائه خواهد شد. در این دوره آموزش مباحث زیر مورد بحث واقع خواهند شد: مقدمه‌ای بر پردازش تصویر تشکیل تصویر پردازش تصویر در حوزه مکان تبدیل‌های تصویر فشرده‌سازی تصویر  بازیابی تصویر استخراج شکل ناحیه بندی تصویر پردازش‌های مورفولوژی ناحیه بندی معنایی تشخیص اشیاء مدل‌های مولد هدف از آموزش رایگان پردازش تصویر چیست؟ پردازش تصویر یکی از دروس کاربردی هوش مصنوعی به‌حساب می‌آید. پردازش تصویر و بینایی کامپیوتر دارای کاربردهای صنعتی بسیار زیادی است و هر جایی که چشم انسان کارایی دارد قابل استفاده خواهد بود. در این دوره آموزش پردازش تصویر ابتدا کمی راجع به نحوه تشکیل تصویر و پارامترهای یک دوربین بحث می‌شود، سپس روش‌هایی برای بهبود کیفیت تصویر و کاهش نویز مطرح می‌شوند همچنین تبدیل‌های تصویر از جمله تبدیل فوریه و تبدیل موجک (Wavelet) و کاربرد آن‌ها در پردازش تصویر از جمله برای فشرده‌سازی تصویر (مانند jpeg) و بازیابی تصویر (فیلتر معکوس و فیلتر وینر) بررسی خواهند شد. همچنین در ادامه این دوره رایگان پردازش تصویر نحوه استخراج شکل‌های ساده‌ای مانند خط و دایره از تصویر بحث می‌شوند. سپس، روش‌های متداول برای ناحیه بندی تصویر از جمله آستانه گذاری سراسری Otsu و آستانه گذاری وفقی و رشد ناحیه و همچنین پردازش‌های موروفولوژی بررسی خواهند شد. دسته‌بندی تصویر موضوع دیگری است که در این دوره آموزش پردازش تصویر مورد بررسی قرار می‌گیرد. برای دسته‌بندی تصویر، ابتدا روش‌های مهندسی ویژگی از جمله برخی از توصیفگرهای هندسی، توصیف‌گرهای رنگی و توصیف‌گرهای بافتی (مانند LBP) توضیح داده می‌شوند و بعد از آن وارد موضوع یادگیری ویژگی با استفاده از شبکه‌های کانولوشنی می‌شویم. پس از معرفی مفاهیم پایه در حوزه شبکه‌های کانولوشنی، برخی از شبکه‌های کانولوشنی معروف از جمله VGG و ResNet را بررسی می‌کنیم، سپس برخی از شبکه‌های معروف برای ناحیه بندی معنایی از جمله UNet و چندین شبکه معروف برای تشخیص اشیاء از جمله RCNN، YOLO و RetinaNet را بحث می‌کنیم. در انتهای درس پردازش تصویر مقداری راجع به تولید تصویر با استفاده از شبکه‌های GAN صحبت می‌شود. دوره آموزش پردازش تصویر برای چه کسانی مناسب است؟ این دوره برای همه دانشجویان رشته‌های مهندسی کامپیوتر و It و همه علاقه‌مندان به دانش هوش مصنوعی مناسب است.  دوره پردازش تصویر در چند جلسه و کدام دانشگاه ضبط شده ‌است؟ دوره آموزش پردازش تصویر طی 29 جلسه و در دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ضبط شده و توسط تیم مکتب‌ خونه در اختیار علاقه‌مندان قرار گرفته است.

درباره شرح دوره ویدئوی معرفی درس را مشاهده نمایید. برای دانلود Ubuntu Image در VirtualBox می‌توانید از لینک زیر استفاده کنید:https://www.osboxes.org/ubuntu همچنین اسلایدهای این درس را از اینجا دانلود کنید.

یادگیری ماشین علمی است که کامپیوترها را به‌گونه‌ای طراحی می‌کند که آن‌ها بتوانند بدون برنامه‌ریزی صریح و با استفاده از داده‌ها و تجربیات خود، کاری انجام دهند. در دهه گذشته با کمک یادگیری ماشین به تکنولوژی‌هایی مانند اتومبیل‌های خودران، تشخیص یا پردازش گفتار، جستجوی مؤثر در وب و درک بسیاری از ژنوم‌هایی انسانی دست‌یافته‌ایم. امروزه یادگیری ماشین به حدی فراگیر شده‌است که به‌احتمال زیاد، شما ده‌ها بار بدون این‌که بدانید ماشین لرنینگ چیست از آن استفاده می‌کنید. بسیاری از محققان و دانشمندان معتقدند که آموزش ماشین لرنینگ و استفاده از آن بهترین راه برای پیشرفت‌های انسانی در حوزه هوش مصنوعی است. در دوره آموزش ماشین لرنینگ شما با مؤثرترین تکنیک‌های یادگیری ماشین آشنا می‌شوید، برای اجرا و پیاده‌سازی آن‌ها تمرین کنید و حتی آن‌ها را برای خودتان به کار بگیرید. نکته مهم در این دوره این است که شما نه‌تنها مبانی تئوری یادگیری ماشین را یاد خواهید گرفت، بلکه دانش عملی لازم برای بهره‌برداری از این تکنیک‌ها به‌منظور رفع مسائل واقعی و نوظهور را هم کسب خواهید کرد. همچنین در این دوره با بعضی از بهترین روش‌های سیلیکون ولی در نوآوری آشنا خواهید شد. این نوآوری‌ها ازآن‌جهت مهم هستند که به یادگیری ماشین و هوش مصنوعی مرتبط می‌شوند. اگر به مباحث یادگیری ماشین علاقه‌مند هستید، دوره آموزش رایگان یادگیری ماشین Andrew NG را از دست ندهید. بعد از فراگیری دوره آموزش رایگان یادگیری ماشین Andrew NG چه مهارت‌هایی کسب خواهید کرد؟ رگرسیون لجستیک شبکه‌های عصبی مصنوعی درک الگوریتم‌های یادگیری ماشین (ML) آشنایی با یادگیری ماشین پیش‌نیازهای لازم برای فراگیری دوره آموزش رایگان یادگیری ماشین Andrew NG چیست؟ برای اینکه بتوانید از دوره آموزش ماشین لرنینگ بهره کافی را ببرید، بهتر است به حداقل یکی از زبان‌های برنامه‌نویسی مسلط باشید یادگیری ماشین با پایتون نسبت به سایر زبان‌ها رواج بیشتری دارد. از همین رو توصیه می‌کنیم که برای شرکت در این دوره با مباحث زیر آشنایی داشته باشید: تسلط بر یکی از زبان‌های برنامه‌نویسی مانند پایتون یا R  آمار، جبر خطی و احتمال مدل‌سازی داده‌ها دوره آموزش رایگان یادگیری ماشین اندرو ان‌جی به طور مقدماتی به مباحث مرتبط با یادگیری ماشین و تعیین و تشخیص الگوی آماری می‌پردازد.

درس آمار و احتمال یکی از دروس ضروری و پایه رشته‌های فنی و مهندسی و همچنین برخی از علوم پایه به‌حساب می‌آید که یادگیری آن اهمیت بسیار زیادی دارد. دوره آموزش احتمال و کاربردها موجود با هدف آموزش این درس در مکتب خونه گردآوری شده است که در ادامه به معرفی آن خواهیم پرداخت. دوره آموزش احتمال و کاربردها درس احتمال و کاربردها در نیمسال اول سال تحصیلی 97-96، در دانشکده علوم ریاضی دانشگاه صنعتی شریف ضبط شده است. این درس احتمال و کاربردها اولین درس احتمال در دوره کارشناسی به‌حساب می‌آید. دوره آموزش احتمال و کاربردها فعلی در ٢٦ جلسه و ٣٩ ساعت از کلاس‌های دانشگاه صنعتی شریف تهیه و گردآوری شده است. پیش‌نیاز دوره آموزش احتمال و کاربردها چیست؟  پیش‌نیاز این درس ریاضی ۱ و ۲ است. آشنایی با ریاضی گسسته در این درس می‌تواند یادگیری فصل‌های ابتدایی درس را تسهیل کند. کتابی که این درس بر اساس آن ارائه شده، کتاب A first course in probability نوشته Sheldon Ross (نسخه هشتم) است. دوره آموزش احتمال و کاربردها برای چه کسانی مناسب است؟ دوره آموزش احتمال و کاربردها برای تمامی دانشجویان رشته‌های فنی مهندسی و برخی از رشته‌های علوم پایه مناسب است و دانشجویان می‌توانند با استفاده از آن خود را برای امتحانات پایانی و کنکور ارشد آماده کنند. چه مباحثی در این دوره تدریس خواهند شد؟ در این دوره آموزش احتمال و کاربردها ما ابتدا به معرفی مفهوم احتمال می‌پردازیم. مفهوم احتمال با این‌که موضوعی است که در زندگی روزمره بسیار مورد استفاده قرار می‌گیرد ولی تعریف دقیق آن چالش زیادی ایجاد می‌کند. پس از آن ما به معرفی فضای نمونه، تابع احتمال و اصول احتمال می‌پردازیم. احتمال بر پایه پیشامدهای هم‌احتمال جزء اولین موضوعاتی است که در درس احتمال مطرح می‌شود. در حقیقت موضوع احتمال با تعداد متناهی پیشامد در این درس مطرح می‌شود. به طور عمده این بخش از درس مبتنی بر مثال‌هایی شمارشی است. تسلط بر اصول شمارش و نحوه مناسب استفاده از آن برای این بخش از درس می‌تواند بسیار مفید باشد. پس از آن به معرفی مفهوم احتمال شرطی و استقلال می‌پردازیم. این دو مفهوم از مهم‌ترین مفاهیمی است که در درک درست علم احتمال می‌تواند کمک فراوانی بکند. مثال‌های زیاد در این رابطه معرفی و بررسی می‌شود. قانون احتمال کل که محاسبه احتمال را به کمک احتمال شرطی تسهیل می‌کند جزء مفاهیمی است که در این بخش از درس مطرح می‌شود. همچنین در این بخش قانون بیز را معرفی و بررسی می‌کنیم. قانون بیز یکی از پرکاربردترین قوانین احتمال در سایر علوم است. این قانون که به‌نوعی مبنا و اساس شاخه آمار بیزی است کاربردهای فراوان و نتایجی فوق‌العاده دارد. در این بخش از درس ما کاربردهایی ساده ولی نابدیهی از این قضیه آشنا می‌شویم و می‌بینیم که چگونه می‌توان از آن برای محاسبه احتمال‌های شرطی استفاده کرد. در ادامه این درس ما متغیرهای تصادفی و مفهوم امید ریاضی (میانگین) و واریانس را معرفی می‌کنیم. مفهوم متغیر تصادفی یکی از کلیدی‌ترین مفاهیم درس احتمال است که به کمک آن مفاهیم زیادی در علم احتمال و سایر علوم را می‌توان بهتر مدل‌سازی کرد. درک این مفهوم از اساسی‌ترین موضوعات درس احتمال است. سپس به معرفی برخی متغیرهای تصادفی شناخته‌شده گسسته و پیوسته می‌پردازیم. متغیرهای یکنواخت، دوجمله‌ای، هندسی و پواسون از مهم‌ترین توزیع‌های گسسته‌ای است که به مطالعه آن می‌پردازیم و متغیرهای یکنواخت، هندسی، نرمال و گاما نیز از مهم‌ترین متغیرهای پیوسته هستند که در این بخش بررسی می‌شوند. علاوه بر معرفی این متغیرها این‌که در چه مواردی این متغیرها کاربرد دارند موردبحث و بررسی قرار می‌گیرد. یکی از مفاهیم مهم دیگری که در این درس بررسی می‌شود توزیع توأم متغیرهای تصادفی است. این مفهوم به طور دقیق تعریف می‌شود و خواص آن مطالعه می‌شود. مفهوم متغیرهای تصادفی مستقل نیز در این بخش مطرح می‌شود. سعی می‌شود این مفاهیم با مثال‌های متعدد بررسی شوند. در ادامه به بررسی خواص امید ریاضی و واریانس می‌پردازیم. تأثیر عملیات جمع و ضرب بر روی امید ریاضی و واریانس متغیرهای تصادفی و به طور خاص برای متغیرهای تصادفی مستقل بررسی می‌شود. به‌علاوه در این بخش به معرفی کوواریانس و ضریب همبستگی نیز پرداخته می‌شود و در مورد خواص آن‌ها صحبت می‌شود. در ادامه درس به مطالعه تابع مولد گشتاور می‌پردازیم. محاسبات مرتبط با تابع مولد گشتاور و ارتباط آن با توزیع‌ها بررسی می‌شود. در بخش انتهایی درس به مطالعه دو قضیه اساسی حدی در احتمال می‌پردازیم. قضیه اول قانون اعداد بزرگ است که به ارتباط متغیرهای تصادفی مستقل و هم‌توزیع و میانگین آن‌ها می‌پردازد. این قضیه به‌نوعی جزء مهم‌ترین قضایای حدی در رشته احتمال است. قضیه دوم قضیه حد مرکزی است که هم به‌نوعی در رابطه با سرعت هم‌گرایی در قانون اعداد بزرگ صحبت می‌کند و هم در سایه این قضیه مشخص می‌شود که چرا توزیع نرمال توزیعی با این اهمیت، فراوانی و کاربرد در مثال‌های واقعی است

یادگیری عمیق کمک شایانی به بهبود سیستم‌های تشخیص تصویر کرده است. امروزه از این سیستم‌ها برای همه‌چیز از جستجوی کتابخانه‌های تصویری گرفته تا تولید توضیحات متنی از عکس‌ها استفاده می‌شود. اما مگر یادگیری عمیق یا دیپ لرنینگ چیست که چنین امکانی را برای ما فراهم کرده است. یادگیری عمیق یکی از انواع یادگیری ماشین و هوش مصنوعی است که برای یادگیری موضوعات مختلف از کارکرد ذهن انسان تقلید می‌کند. یادگیری عمیق با سه اقدام می‌تواند کار خود را برای تشخیص تصویر انجام دهد. در بخش اول با ثبت تصویر و حاشیه‌نویسی آن به گردآوری داده‌های آموزش می‌پردازد. در قسمت دوم آموزش مدل انجام می‌شود و در انتها دستگاه می‌تواند تصاویر جدید را پیش‌بینی کند؛ بنابراین راه تشخیص تصویر از آموزش یادگیری عمیق می‌گذرد. در این دوره یاد می‌گیرید که چگونه یک شبکه عصبی عمیق ایجاد کنید که بتواند اشیا را در عکس‌ها تشخیص دهد. همچنین می‌آموزید که چگونه بدون نیاز به آموزش مجدد شبکه، شبکه عصبی عمیق را برای تشخیص اشیاء جدید تنظیم کنید. با گذراندن این دوره می‌توانید APIهای شناسایی تصویر مبتنی برابر را که گزینه دیگری برای ساخت سیستم‌هایتان هستند، کاوش کنید. علاوه بر این‌ها، مراحل مرتبط با شروع ساخت و گسترش سیستم تشخیص تصویر خود را فرا خواهید گرفت.   هدف از یادگیری دوره آموزش ریگان تشخیص تصویر با یادگیری عمیق چیست؟ دوره آموزش تشخیص تصویر با یادگیری عمیق اهداف زیر را دنبال می‌کند: طبقه‌بندی تصاویر طراحی سیستم‌های تشخیص تصویر ایجاد یک شبکه عصبی عمیق آموزش شبکه عصبی عمیق اصلاح شبکه‌های عصبی از پیش آموزش‌دیده استفاده از APIهای تشخیص تصویر استقرار یک شبکه عصبی عمیق   دوره آموزش رایگان تشخیص تصویر با یادگیری عمیق مناسب چه کسانی است؟ دانشجویان و فارغ‌التحصیلان رشته برق و کامپیوتر کسانی که به ایجاد و آموزش شبکه‌های عصبی عمیق علاقه دارند. کسانی که برای شغل خود به سیستم‌های شناسایی چهره نیاز دارند. مدیرانی که کسب‌وکارشان نیاز به دوربین‌های نظارتی دارد.   بعد از فراگیری دوره رایگان آموزش تشخیص تصویر با یادگیری عمیق چه مهارت‌هایی کسب خواهید کرد؟ زبان برنامه‌نویسی پایتون یادگیری ماشین کتابخانه‌های دیجیتال  

آموزش هوش مصنوعی، فیلم های کلاس استاد رحیم دهخوارقانی در دانشگاه بناب، 14 جلسه

پردازش زبان طبیعی یا  natural language processing یکی از زیرشاخه‌های آموزش هوش مصنوعی (AI) است. این فناوری پرکاربرد برای اهداف زیادی در پروژه‌های مختلف تجاری استفاده می‌شود. فناوری نام برده بر روی گفتار ارائه‌شده توسط کاربر کار می‌کند و آن را برای درک صحیح، تجزیه و پردازش می‌کند. هدف از دوره آموزش پردازش زبان طبیعی NLP آشنایی و تسلط دانشجو بر جنبه‌های مختلف NLP است. قبل از اینکه به معرفی دوره NLP بپردازیم ابتدا می‌خواهیم کمی در رابطه با NLP و جنبه‌های مختلف آن باهم به گفتگو بپردازیم. NLP چیست؟ NLP درواقع یک رویکرد بسیار جدید و مؤثر است که تقاضای بسیار بالایی در بازار امروز دارد. بازنمایی دانش و استدلال منطقی، تأکید برنامه‌های هوش مصنوعی در NLP است. در دهه گذشته، تغییر قابل‌توجهی در تحقیقات NLP منجر به استفاده گسترده از رویکردهای آماری مانند آموزش یادگیری ماشین و داده‌کاوی در مقیاس گسترده شده است. نیاز به اتوماسیون به دلیل حجم کاری که این روزها باید انجام شود هرگز پایان نمی‌یابد. NLP یک جنبه بسیار مطلوب در صحبت از برنامه‌های خودکار است. همچنین کاربردهای NLP باعث شده است تا یکی از پرطرفدارترین روش‌های پیاده‌سازی یادگیری ماشین باشد. پردازش زبان طبیعی (NLP) رشته‌ای است که علوم کامپیوتر، زبان‌شناسی و یادگیری ماشین را برای مطالعه نحوه ارتباط کامپیوترها و انسان‌ها به زبان طبیعی ترکیب می‌کند. هدف NLP این است که کامپیوترها بتوانند زبان انسانی را تفسیر و تولید کنند. این ویژگی نه‌تنها کارایی کار انجام‌شده توسط انسان را بهبود می‌بخشد، بلکه به تعامل انسان با دستگاه نیز کمک می‌کند. در واقع NLP شکاف تعامل بین انسان و دستگاه‌های الکترونیکی را پر می‌کند. در دوره آموزش پردازش زبان طبیعی ما قرار است که با تکنیک‌ها و متدهای مهم در آن آشنا شویم و بتوانیم پس از پایان دوره به‌خوبی و به‌صورت عملی تا حدود زیادی NLP را درک کنیم. اجزای مختلف پردازش زبان طبیعی یا NLP زبان طبیعی  nlp به سه بخش مختلف تقسیم می‌شود: تشخیص گفتار — ترجمه زبان گفتاری به متن. درک زبان طبیعی (NLU)  — توانایی کامپیوتر برای درک آنچه می‌گوییم. تولید زبان طبیعی  (NLG) — تولید زبان طبیعی توسط کامپیوتر. NLU و NLG جنبه‌های کلیدی هستند که عملکرد دستگاه‌های NLP را نشان می‌دهند. این 2 جنبه بسیار متفاوت از یکدیگر هستند و با استفاده از روش‌های مختلف به دست می‌آیند که در دوره آموزش پردازش زبان طبیعی نیز به آن‌ها اشاره‌شده است. تشخیص گفتار در NLP ابتدا کامپیوتر باید زبان طبیعی را بگیرد و آن را به زبان مصنوعی تبدیل کند. این همان کاری است که تشخیص گفتار یا گفتار به متن انجام می‌دهد و اولین مرحله NLU به‌حساب می‌آید. مدل‌های پنهان مارکوف (HMM) امروزه در اکثر سیستم‌های تشخیص صدا استفاده می‌شوند. این‌ها مدل‌های آماری هستند که از محاسبات ریاضی برای تعیین آنچه گفته‌اید استفاده می‌کنند تا گفتار شمارا به متن تبدیل کنند. HMM- ها این کار را با گوش دادن به صحبت شما انجام می‌دهند، آن را به واحدهای کوچک تقسیم می‌کنند (معمولاً 10 تا 20 میلی‌ثانیه) و آن را با گفتار از پیش ضبط‌شده مقایسه می‌کنند تا بفهمند کدام واج را در هر واحد بیان کرده‌اید. واج کوچک‌ترین واحد گفتار است. سپس برنامه توالی واج‌ها را بررسی می‌کند و از تجزیه‌وتحلیل آماری برای تعیین محتمل‌ترین کلمات و جملاتی که شما صحبت می‌کردید استفاده می‌کند. درک زبان طبیعی (NLU) مرحله بعدی و سخت‌ترین مرحله NLP، قسمت درک آن است که درک زبان طبیعی (NLU) نام دارد و اساس و روش آن در دوره آموزش پردازش زبان طبیعی به‌خوبی بیان‌شده است. ابتدا کامپیوتر باید معنای هر کلمه را درک کند. کامپیوتر سعی می‌کند بفهمد که این کلمه اسم است یا فعل. به این تگ بخشی از گفتار (POS) می‌گویند. همچنین واژگان و مجموعه‌ای از قوانین گرامری نیز در سیستم‌های NLP تعبیه‌شده است. سخت‌ترین بخش NLP، درک آن است. ماشین باید بتواند آنچه را که شما گفتید در پایان فرآیند درک کند. هنگام در نظر گرفتن مشکلاتی مانند کلماتی که چندین معانی دارند (چندمعنایی) یا کلمات مختلف دارای معانی مشابه (مترادف) چالش‌های متعددی برای انجام این کار وجود دارد، اما توسعه‌دهندگان قوانین را در سیستم‌های NLU خود کدگذاری می‌کنند و آن‌ها را آموزش می‌دهند تا یاد بگیرند که قوانین را به‌درستی اعمال کنند. تولید زبان طبیعی (NLG) انجام NLG بسیار ساده‌تر از دو روش قبل است. NLG زبان مصنوعی کامپیوتر را به متن تبدیل می‌کند و همچنین می‌تواند آن متن را با استفاده از فناوری تبدیل متن به گفتار به گفتار شنیدنی تبدیل کند. ابتدا سیستم NLP مشخص می‌کند که چه داده‌هایی باید به متن تبدیل شوند. اگر از کامپیوتر سؤالی در مورد آب‌وهوا پرسیده باشید، به‌احتمال‌زیاد کامپیوتر برای یافتن پاسخ شما یک جستجوی آنلاین انجام داده است و آن را به صورت گفتار برای شما بازگو میکند. سپس، ساختار نحوه بیان آن را سازمان‌دهی می‌کند. این شبیه به NLU است. سیستم NLG می‌تواند جملات کامل را با استفاده از یک فرهنگ لغت و مجموعه‌ای از قوانین دستور زبان بسازد. درنهایت، تبدیل متن به گفتار کار را به دست می‌گیرد. موتور تبدیل متن به گفتار از یک مدل عروضی برای ارزیابی متن و شناسایی کلمات توقف و عوامل دیگر استفاده می‌کند. سپس موتور تمام واج‌های ضبط‌شده را با استفاده از پایگاه داده گفتار در یک‌رشته منسجم گفتار ترکیب می‌کند. در دوره آموزش پردازش زبان طبیعی موارد گفته‌شده به‌خوبی و به‌صورت کاربردی توضیح داده‌شده است. فن‌آوری‌های مرتبط با پردازش زبان طبیعی فن‌آوری‌های زیادی با NLP هم‌اکنون سروکار دارند که از مهم‌ترین آن‌ها می‌توان به موارد زیر اشاره کرد: ترجمه ماشینی: NLP برای ترجمه زبان از یک‌زبان به زبان دیگر از طریق کامپیوتر استفاده می‌شود. Chatterbots NLP: ان ال پی برای ربات‌های چت که با ربات‌های چت دیگر ارتباط برقرار می‌کنند استفاده می‌شود یا برای ارتباط انسان‌ها با ربات‌ها از طریق روش‌های شنیداری یا متنی از آن استفاده خواهد شد. نرم‌افزار هوش مصنوعی: NLP در نرم‌افزار پاسخ‌گویی به سؤال برای بازنمایی دانش، استدلال تحلیلی و همچنین بازیابی اطلاعات استفاده می‌شود. کاربردهای پردازش زبان طبیعی (NLP): NLP در حوزه پردازش زبان کاربرهای بسیار فراوانی دارد که از مهم‌ترین آن‌ها می‌توان به موارد زیر اشاره کرد: فیلترهای هرزنامه یکی از بدترین تجربه‌ها در مورد ایمیل، ایمیل‌های هرزنامه است. Gmail از پردازش زبان طبیعی (NLP) برای تشخیص اینکه کدام ایمیل‌ها معتبر و کدام هرزنامه هستند، استفاده می‌کند. این فیلترهای هرزنامه به متن تمام ایمیل‌هایی که دریافت می‌کنید نگاه می‌کنند و سعی می‌کنند معنی آن را بفهمند که آیا هرزنامه است یا نه. معاملات الگوریتمی معاملات الگوریتمی برای پیش‌بینی شرایط بازار سهام استفاده می‌شود. با استفاده از NLP، این فناوری عناوین اخبار مربوط به شرکت‌ها و سهام را بررسی می‌کند و تلاش می‌کند تا معنای آن‌ها را درک کند تا مشخص کند آیا باید سهام خاصی را بخرید، بفروشید یا نگهداری کنید. پاسخ به سؤالات NLP را می‌توان با استفاده از جستجوی گوگل در عمل مشاهده کرد. یکی از کاربردهای اصلی NLP این است که موتورهای جستجو معنای آنچه را که می‌پرسیم بفهمند و درازای پاسخ به ما، زبان طبیعی تولید کنند. خلاصه سازی متون و اطلاعات یکی از بهترین کاربردهای ان ال پی خلاصه‌سازی متون است. در اینترنت، اطلاعات زیادی وجود دارد و بسیاری از آن‌ها به‌صورت داده های متنی و مقالات طولانی هستند. NLP برای رمزگشایی معنای داده‌ها استفاده می‌شود و سپس خلاصه‌های کوتاه‌تری از داده‌ها ارائه می‌دهد تا انسان بتواند آن را سریع‌تر درک کند. در این رابطه سعی می‌شود که با حذف کلمات توقف و دیگر تکنیک‌ها به خلاصه‌سازی متن پرداخته شود. تحلیل احساسات بازخورد یکی از عوامل اساسی ارتباط واقعی است. محصول شما چه یک فیلم کاملاً جدید باشد یا یک ابزار یا هر چیز دیگری، نظرات مخاطبان در مورد آن‌ها بسیار مهم خواهد بود، از این‌ رو، بررسی احساسات مردم در رابطه با یک محصول، اکنون بیش از هر زمان دیگری ضروری است. استراتژی ان ال پی با تکنولوژی BOW روی این مسئله متمرکزشده و در کشف احساسات نقش اساسی ایفا می‌کند. این رویکرد از تکنیک‌های آماری برای گروه‌بندی کلمات استفاده می‌کند و و پردازش زبان طبیعی در بک‌اند این مسئله قرار می‌گیرد. BOW را می‌توان به‌عنوان یک فرهنگ لغت بزرگ در نظر گرفت که در آن هر کلمه وزن منحصربه‌فرد خود را دارد که به نتیجه‌گیری احساسات کمک می‌کند. در دوره آموزش پردازش زبان طبیعی به کاربرد تحلیل احساسات با ان ال پی به صورت تخصصی پرداخته شده است. ترجمه ماشینی دستیابی به چندزبانگی در یک پلتفرم اغلب می‌تواند یک مأموریت چالش‌برانگیز برای انجام آن باشد، بنابراین برای ساده‌تر کردن سبک زندگی‌مان حداقل درزمینهٔ ارتباط، ترجمه ماشینی به کمک ما می‌آید و می‌تواند مفید واقع شود. در اوایل دهه 50، IBM یک سیستم ترجمه ماشینی را معرفی کرد که فقط 250 کلمه داشت و چهل و نه جمله روسی را بااحتیاط انتخاب‌شده در حوزه شیمی به انگلیسی ترجمه کرد. در طول سال‌های اخیر با استفاده از منابعی که شبکه‌های عصبی را به کار می‌گیرند، ترجمه ماشینی به‌شدت کیفیت بالایی داشته، به‌طوری‌که ترجمه بین زبان‌ها به‌آسانی زدن یک دکمه شده است. نمونه بارز آن Google Translate بوده که به بیش از ترجمه آنی صد زبان کمک می‌کند و از فن آوری ان ال پی بهره می‌برد. طبقه‌بندی متن متون شکلی از اطلاعات بدون ساختار هستند. طبقه‌بندی متن با NLP، مقدار زیادی از محتوای متنی را که در حال حاضر استفاده می‌کنیم، دسته‌بندی و مرتب می‌کنند. ازآنجایی که متون ساختاری ندارند، تجزیه‌وتحلیل، مرتب‌سازی و طبقه‌بندی آن‌ها می‌تواند برای انسان بسیار چالش‌برانگیز و زمان‌بر و گاهی اوقات حتی خسته‌کننده باشد. اینجاست که طبقه‌بندی متن با NLP به میدان می‌آید تا انگیزه خود را برای انجام وظایف ذکر شده با مقیاس‌پذیری و دقت بیشتر ارائه دهد. در دوره آموزش پردازش زبان طبیعی این کاربرد مورد بررسی و تحلیل کاربردی واقع شده است. در دوره آموزش NLP با کاربردهای دیگر و بیشتری از NLP آشنا خواهیم شد و آن را به‌صورت عملی یاد خواهیم گرفت.

یکی از پرکاربردترین دروس در علوم مهندسی، از مهندسی کامپیوتر گرفته تا مهندسی عمران و مهندسی برق و مهندسی صنایع «درس بهینه‌سازی» است. علاوه بر کاربرد بسیار زیاد بهینه‌سازی باید گستردگی مطالب و سرفصل­‌های این درس را نیز در نظر داشته باشیم. این گستردگی مفاهیم و کاربردها، نیاز به آموزش صحیح و اصولی این درس را مهم­‌تر از همیشه کرده است.   دوره آموزش بهینه‌سازی چیست؟ هدف از ارائه این دوره چیست؟ کاربرد بسیار زیاد بهینه‌سازی در علوم مهندسی و عدم آموزش اصولی و منسجم دانشجویان در این درس منجر به آن می‌شود که دانشجویان نتوانند به‌درستی از روش­‌های بهینه‌سازی استفاده نمایند. هدف در این دوره آموزشی «بررسی منسجم الگوریتم‌­های بهینه‌سازی» و آشنایی مخاطبان با روش­‌های مختلف بهینه‌سازی و شرایط به‌کارگیری این روش‌ها است. آموزش کاربردی بهینه‌سازی در این دوره موردتوجه زیادی قرار گرفته است.   تمایز این دوره با سایر دوره­ های آموزشی چیست؟ در این دوره آموزشی علاوه بر تعاریف اولیه و مقدماتی، مسائل مرتبط با بهینه‌سازی در یادگیری ماشین (machine learning) با عمق مناسب پوشش داده شده است. مطالب آموزش‌داده‌شده در این دوره به سه بخش تئوری، الگوریتم­ها و کاربردها تقسیم‌بندی می­‌شود. بخش تئوری شامل پیش­نیازهای ریاضیاتی، مجموعه­‌های محدب، توابع محدب، مسائل بهینه‌سازی محدب و تئوری دوگانی است. در ادامه این دوره الگوریتم‌­ها در بخش­‌های الگوریتم­‌های بهینه‌سازی بدون قید، الگوریتم­های بهینه‌سازی با قید تساوی، روش­‌های نقطه درونی و الگوریتم­‌های مطرح در یادگیری عمیق آموزش داده می­‌شود. در بخش کاربردها نیز به کاربردهای بهینه‌سازی در مسائل تقریب، دسته‌بندی و تخمین آماری پرداخته شده است. تلاش ما در این دوره آموزشی آن است که باتوجه‌به گستردگی سرفصل­‌ها و مطالب موجود همه موضوعات با عمق مناسب پوشش داده شود و در انتها تناسب کامل بین گستردگی مطالب و عمق آموزش برقرار شود.   در این دوره چه مباحثی را خواهیم آموخت؟ باتوجه‌به مطالب ارائه شده در این دوره و گستردگی این مطالب می­‌توان انتظار داشت دانشجویان بهره‌برداری بسیار زیادی از این دوره داشته باشند. از جمله مسائلی در پایان این دوره می­‌توانید به آموخته­‌های خود اضافه کنید می­‌توان به موارد زیر اشاره کرد: آشنایی با الگوریتم­‌های مختلف بهینه‌سازی تحلیل مسائل بهینه‌سازی فهم رویکردهای مبتنی بر بهینه‌سازی در یادگیری ماشین نحوه فرموله کردن مناسب مسائل بهینه‌سازی  کار با توابع چندمتغیره و تعیین ویژگی­‌های آن­‌ها   این دوره مناسب چه کسانی است؟ این دوره آموزشی با رویکرد آموزش به دانشجویان مهندسی کامپیوتر به‌ویژه دانشجویان گرایش هوش مصنوعی در تحصیلات تکمیلی طراحی شده است. اما باتوجه‌به گستردگی موضوعات و مطالب ارائه شده و از سوی دیگر نیاز به درس بهینه‌سازی در سایر شاخه‌­های مهندسی استفاده از این دوره آموزشی برای دانشجویان سایر رشته­‌ها از مهندسی برق و عمران و مهندسی پزشکی گرفته تا مهندسی صنایع مفید و کاربردی خواهد بود.    

تشخیص الگو (pattern recognition) شاخه ای از مبحث یادگیری ماشین (machine learning) می باشد که تمرکز آن بر روی شناخت الگو ها و نظم داده‌ها است. روش‌های تشخیص الگو، الگوهای مورد نظر را از یک مجموعه داده‌ها با استفاده از دانش قبلی در مورد الگوها یا اطلاعات آماری داده‌ها، جداسازی می‌کند. تشخیص الگوها کاربردهای زیادی در تشخیص صدا، تشخیص چهره، تشخیص امضا و غیره دارد.

در آموزش درس پایگاه داده پیشرفته (Big Data)، تمرکز اصلی بر روی معماری سیستم‌های داده‌ای و نحوه یکپارچه‌سازی آن‌ها در نرم‌افزارهای دارای حجم و پیچیدگی داده بالا، که اصطلاحاً کلان‌داده یا Big Data نامیده می‌شود، می باشد. کلان‌داده یا Big Data داده‌های انبوه هستند، که با سرعت و تنوع زیادی تولید می‌شوند. پردازش آن‌ها علاوه بر آن‌که نیازمند روش‌های جدید است، از پیچیدگی زیادی نیز برخوردار است. پیاده‌سازی نرم افزارهایی که این حجم و پیچیدگی داده‌ها از چالش‌های اصلی آن‌ها است، به شدت در حال افزایش است. برای طراحی و پیاده‌سازی این نرم‌افزارها به تکنولوژی‌هایی نیاز است که امروزه بیش از همه NoSQL مورد توجه قرار گرفته‌است، هر چند تکنولوژی‌های دیگری نظیر صف‌های پیام، Cache ها، ایندکس‌های جستجو، چارچوب‌های پردازش دسته‌ای و پردازش جریان نیز وجود دارند که در راستای طراحی این نرم افزارها از اهمیت زیادی برخوردار هستند و بسیاری نرم‌افزارها از ترکیبی از آن‌ها استفاده می‌کنند. معرفی این تکنولوژی‌ها یکی از اهداف این دوره است. علاوه بر این، در کنار این تکنولوژی‌ها که هر روزه در حال تغییر هستند اصولی ماندگار وجود دارد که همواره برقرار هستند. در این دوره آموزشی بخشی از مطالب مرتبط با بررسی این اصول، الگوریتم‌های کلیدی آن و نحوه تفکر در خصوص طراحی این سیستم‌ها از نظر ویژگی‌هایی همچون مقیاس‌پذیری و دسترس‌پذیری مورد بررسی قرار گرفته‌است. هدف آن است که دانشجو پس از شرکت در این دوره بتواند دیدگاهی از تکنولوژی‌های متنوع و به سرعت در حال تغییر در این حوزه پیدا کند و دریابد که استفاده از هر ابزار در چه جایگاهی مناسب است، چگونه می‌توان از آن به خوبی استفاده کرد و تله‌هایی که در راه استفاده از آن‌ها وجود دارد چیست. مطالب ارائه شده در این درس بخشی از مطالب ارائه شده در درس پایگاه داده پیشرفته در مقطع کارشناسی ارشد نرم‌افزار است. پیش‌نیازهای دوره‌ آموزش پایگاه داده پیشرفته (Big Data) آشنایی کلی با مفهوم پایگاه داده (مدل رابطه‌ای)، SQL و همچنین تجربه نسبی با نحوه برنامه‌نویسی وب و سرویس‌های شبکه است.

درس الگوریتم‌های بیوانفورماتیک در نیم سال اول سال تحصیلی 99-98 ضبط شده است. تا قبل از این، سه درس در زمینه‌ی مباحث عملی و کاربردی بیوانفورماتیک ضبط و در سایت مکتب‌خونه به اشتراک گذاشته شده بود:  مقدمه‌ای بر بیوانفورماتیک، با هدف آشنایی اولیه‌ی دانشجویان رشته‌های زیست‌پزشکی با مباحث مقدماتی بیوانفورماتیک بیوانفورماتیک پیشرفته، با هدف آشنایی همه‌ی دانشجویان شامل رشته‌های مهندسی کامپیوتر، ریاضیات، آمار، سایر رشته‌های مهندسی و زیست‌پزشکی با مباحث عملی و کاربردی بیوانفورماتیک از جمله تحلیل داده‌های ریزآرایه و توالی‌یابی نسل جدید بیوانفوماتیک پیشرفته دو که در آن موضوعاتی نظیر تحلیل داده‌های اپی‌ژنتیک، یافتن جهش‌ها و سایر تغییرات ژنتیکی و سرطان مورد بررسی قرار گرفته بود. درس الگوریتم‌های بیوانفورماتیک رویکردی عمیق به مباحث الگوریتمی و نظری بیوانفورماتیک دارد. این درس که در دوره‌ی کارشناسی ارشد بیوانفورماتیک دانشگاه صنعتی شریف ارائه گردیده است به شما می‌آموزد که چطور با مساله‌های چالش‌برانگیز تحلیل ژنوم، ترانسکریپتوم و پروتئوم روبرو شوید، چطور آن‌ها را به زبان علوم رایانه درآورید و سپس با طراحی الگوریتم‌های خلاقانه، آن را حل کنید.   *****اسلایدهای درس را از اینجا دانلود کنید.*****   با سپاس فراوان از دکتر شریفی زارچی که با وجود مشکل قلبی پیش آمده برای ایشان و بستری شدن در بیمارستان، متعهدانه و به بهترین شکل این درس را به پایان رساندند.

Big data اصطلاحی است برای مجموعه داده های حجیم که بزرگ ، متنوع ، با ساختار پیچیده و با دشواریهایی برای ذخیره سازی ، تحلیل و تصویرسازی (نمایش) ، پردازشهای بیشتر یا نتایج میباشد. پروسه تحقیق بر روی داده های حجیم جهت آشکارسازی الگوهای مخفی و راز همبستگی ها ، تجزیه و تحلیل big data نامیده میشود. این اطلاعات مفید برای سازمانها وشرکتها در جهت کسب بینش غنی تر و عمیق تر و موفقیت در رقابت کمک میکند. به همین دلیل اجراهای big data نیاز دارند تا در صورت امکان ، تحلیل شوند و به طور دقیق اجرا شوند. این گزارش خلاصه ای از محتوای big data ، هدف ، مثالها ، روشها ، منافع و چالش ها ارائه میدهد و در خصوص نگرانی های حفظ حریم خصوصی در big data بحث میکند.

درس «گرافیک کامپیوتری» در نیم‌سال اول سال تحصیلی 99-98 ضبط شده‌است - دانشکده ریاضی، آمار و علوم کامپیوتر دانشگاه تهران گرافیک کامپیوتری شاخه‌ای از رشته علوم کامپیوتر است که در آن با استفاده از قدرت محاسباتی کامپیوترها می‌توان به خلق تصاویر یا فیلم‌ها پرداخت. هدف اصلی در گرافیک کامپیوتری، توسعه الگوریتم‌ها و روش‌هایی است که تصاویر و فیلم‌های ساخته شده به این روش تا حد امکان به واقعیت نزدیک باشند. این موضوع کاربردهای بسیاری در زمینه‌های مختلف مانند جلوه‌های ویژه در فیلم‌ها، بازی‌های کامپیوتری، انیمیشن، طراحی صنعتی، مصورسازی داده‌ها، تصاویر پزشکی و غیره دارد. چگونگی طراحی و مدل‌سازی اشیاء دوبعدی و سه‌بعدی، روش‌های مختلف نورپردازی و سایه‌زنی، رندرینگ و تصویرسازی، روش‌های طراحی و کنترل اشیاء متحرک در انیمیشن و همچنین روش‌های مختلف برای کاهش حجم محاسبات از جمله مباحثی هستند که در گرافیک کامپیوتری مورد بررسی قرار می‌گیرند. آشنایی با یکی از رابط‌های نرم‌افزاری گرافیکی (مانند OpenGL) و کتابخانه‌های مختلف توسعه داده‌شده (مانند GLUT) جهت پیاده‌سازی مفاهیم و روش‌های ارائه شده نیز از جمله مباحث مهم در گرافیک کامپیوتری هستند. آشنایی مختصر با «جبر خطی عددی» و «آنالیز عددی» می‌تواند به درک مطالب کمک کند. جهت انجام پروژه‌ها، دانش کامپیوتری، مخصوصاً «برنامه‌نویسی کامپیوتری»، لازم است.   *****اسلایدهای درس را از اینجا دانلود کنید*****

رشته مهندسی کامپیوتر یکی از محبوب‌ترین رشته‌های تحصیلی در ایران و سایر کشورهاست. مهندسی کامپیوتر در مقطع کارشناسی با سه گرایش اصلی در اکثر دانشگاه‌های کشور تدریس می‌شود. نرم‌افزار، سخت‌افزار و فناوری اطلاعات (IT) گرایش‌های مهندسی کامپیوتر محسوب می‌شوند. زیرشاخه‌های مهندسی کامپیوتر از تنوع خوبی برخوردار است که در این مقطع تحصیلی با آن‌ها آشنا می‌شوید. از آنجایی که بازار کار رشته مهندسی کامپیوتر بسیار وسیع است، می‌توانید براساس علاقه و استعداد خود در زمینه موردنظرتان مشغول به کار شوید. دروس مهندسی کامپیوتر طیف وسیعی از پایه‌ای‌ترین مباحث مرتبط با کامپیوتر تا کاربردی‌ترین موضوعات را شامل می‌شود. واحد‌های مهندسی کامپیوتر را می‌توانید از چارت مهندسی کامپیوتر در سایت دانشگاهتان ببینید.  دوره پیش رو در واقع درس آشنایی با مهندسی کامپیوتر است که برای دانشجویان جدیدالورود مهندسی کامپیوتر شریف ارائه شده‌است. در این دوره آموزشی تمام مباحث مرتبط با مهندسی کامپیوتر از پایه‌ای‌ترین مباحث تا آشنایی با زبان‌های برنامه‌نویسی و حتی طراحی وب ارائه می‌شود. هدف از یادگیری دوره رایگان آشنایی با مهندسی کامپیوتر چیست؟ درس آشنایی با مهندسی کامپیوتر همان‌طور که از نامش پیداست، قصد دارد شما را با این رشته تحصیلی محبوب و پرکاربرد آشنا کند. هدف از این دوره آموزشی این است که شما به عنوان یک دانشجوی مقطع کارشناسی در رشته مهندسی کامپیوتر با مهم‌ترین موضوعاتی که قرار است در طول دوره تحصیلی با آن‌ها سروکار داشته باشید، آشنا شوید.   دوره رایگان آشنایی با مهندسی کامپیوتر مناسب چه کسانی است؟ دانشجویان جدیدالورود رشته مهندسی کامپیوتر کسانی که قصد تحصیل در رشته مهندسی کامپیوتر دارند کسانی که به مهندسی کامپیوتر علاقه دارند   بعد از فراگیری دوره رایگان آشنایی با مهندسی کامپیوتر چه مهارت‌هایی کسب خواهید کرد؟ آشنایی کلی با رشته کامپیوتر آشنایی با انواع سیستم‌های کامیپوتری کار با نرم‌افزارهای word processing مانند مایکروسافت ورد و google Docs کار با نرم‌افزارهای Spreadsheet مانند مایکروسافت اکسل و Google sheets آشنایی با انواع سیستم‌عامل‌ها مانند لینوکس و دستورات آن‌ها آشنایی با شبکه‌های کامپیوتری، معماری‌های مختلف و نحوه پیاده‌سازی آن‌ها آشنایی با مفاهیم طراحی و توسعه وب، برنامه‌نویسی وب و معماری‌های سیستم‌های تحت وب آشنایی با زبان‌های برنامه‌نویسی ازجمله جاوا اسکریپت، php ،html و سایر تکنولوژی‌هایی که می‌توان با آن‌ها وب‌سایت طراحی کرد. آشنایی مختصر با LaTeX و نرم‌افزارهای موردنیاز برای انجام تحقیقات، مقالات و پایان‌نامه   منابع، پیش‌نیازها و منابع مکمل برای فراگیری دوره رایگان آشنایی با مهندسی کامپیوتر چیست؟ درس آشنایی با مهندسی کامپیوتر برای دانشجویان ترم اولی این رشته ارائه می‌شود. از این رو پیش‌نیاز خاصی ندارد. آشنایی مختصر با کامپیوتر و تا حدودی آشنایی با ریاضیات برای بهره‌گیری کامل از این پروژه الزامی است.   دوره رایگان آشنایی با مهندسی کامپیوتر مکتب‌خونه به چه مباحثی می‌پردازد؟ این دوره آموزشی ابتدا به معرفی علوم کامپیوتر و سیستم‌های کامپیوتری می‌پردازد. این مقدمه دید روشن‌تر و چشم‌انداز واضح‌تری از رشته تحصیلی و حتی حوزه شغلی آینده خود به شما می‌دهد. در واقع شما در این دوره یاد می‌گیرید که سیستم‌های کامپیوتری چه هستند و شما چگونه می‌توانید از آن‌ها در جهت نیاز کسب‌وکار یا علاقه خود استفاده کنید. قطعا شما با نرم‌افزارهای ساده و پرکاربردی مانند word آشنایی دارید. این دوره آموزشی مباحث پیشرفته‌تری در واژه‌پردازهایی مانند word و google docs و صفحه‌گسترهای اکسل و google sheets به شما آموزش می‌دهد. همان‌طور که می‌دانید این نرم‌افزارها پرکاربردترین و مهم‌ترین نرم‌افزارهای ابتدایی هستند که نه تنها دانشجویان تمام رشته‌ها بلکه شاغلان تمام حوزه‌ها باید به آن‌ها مسلط باشند. از مهم‌ترین بخش‌های دوره آشنایی با مهندسی کامپیوتر می‌توان به آموزش این نرم‌افزارها اشاره کرد. در ادامه مباحث پیشرفته‌تر و تخصصی‌تری در زمینه مهندسی کامپیوتر به شما ارائه می‌شود. آشنایی با انواع سیستم‌عامل‌ها از جمله لینوکس جزو سرفصل‌های اصلی این دوره آموزشی است. در این جلسات با دستورات بعضی از سیستم‌عامل‌های مهم مانند لینوکس آشنا می‌شوید. شبکه‌های کامپیوتری از دیگر مباحث مهم و کاربردی در دنیای کامپیوترهاست. شغل‌های زیادی وجود دارد که با کمک این دروس می‌توانید توانایی‌های اولیه آن را کسب کنید. از همین رو در درس آشنایی با مهندسی کامپیوتر به معرفی شبکه‌های کامپیوتری و انواع معماری‌های آن‌ها می‌پردازیم. بسیاری از افراد، مهندسی کامپیوتر را برنامه‌نویسی و طراحی نرم‌افزارها، اپلیکیشن‌ها و سایت‌های گوناگون می‌شناسند. این دید واقعا هم درست است. چرا که برنامه‌نویسی را می‌توان مهم‌ترین درس و مهارت در رشته مهندسی کامپیوتر دانست. بنابراین اگر می‌خواهید یک مهندس کامپیوتر واقعی باشید، لازم است که برنامه‌نویسی را به خوبی فرا بگیرید. از مهم‌ترین مباحثی که در این دوره مطرح می‌شود، آشنایی با زبان‌های برنامه‌‌نویسی پرکاربرد مانند جاوا اسکریپت است. به‌علاوه، تا حد نیاز با طراحی و توسعه وب آشنا می‌شوید و چگونگی ساخت یک وب‌سایت یا اپلیکیشن با PHP را به صورت مختصر فرا می‌گیرید. در انتهای این دوره با نرم‌افزار پرکاربرد LaTaX آشنا می‌شوید که از آن می‌توانید برای انجام پروژه‌ها، پایان‌نامه، مقالات و تحقیقات خود استفاده کنید.

علوم اعصاب محاسباتی شاخه‌ای از علم است که در آن از دیدگاه محاسباتی به بررسی و درک فرایند‌های موجود در مغز موجودات زنده پرداخته می‌شود. طی سال‌های اخیر مدل‌های محاسباتی مختلفی برای انجام برخی از وظایف شناختی ما انسان‌ها ارائه شده‌است که کارایی آن‌ها در برخی از موارد از انسان‌ها نیز بهتر بوده‌است. این اتفاق با ظهور تکنیک‌های جدید در هوش مصنوعی، به‌عنوان مثال می‌توان به یادگیری عمیق اشاره کرد، سرعت بیشتری به خود گرفته است، اما نکته اصلی این است که چگونه هوش مصنوعی می‌تواند نهایتاً از هوش طبیعی ما انسان‌ها پیشی گیرد؟ آیا ماشین‌ها نیز می‌توانند مانند ما انسان‌ها دارای خلاقیت، نوآوری و یا حتی خودآگاهی شوند؟ به نظر می‌رسد مشکل اصلی در پیاده‌سازی این قابلیت‌ها، عدم وجود یک تعریف فرمال برای این مفاهیم است و تا زمانی که چنین تعریفی برای آن‌ها ارائه نشود، نمی‌توان انتظار داشت که هوشمندی ماشین‌ها (که به صورت فرمال عمل می‌کنند) از ما انسان‌ها پیشی بگیرد و ازطرف‌دیگر، مصداق‌های زیادی از موجودات هوشمند در اختیار است که با مطالعه آن‌ها می‌توان به ماهیت هوشمندی در این موجودات پی برد. اینگونه مطالعات در حوزه‌ی علوم اعصاب و علوم شناختی در حال انجام بوده و یافته‌های ارزشمندی در خصوص عملکرد مغز موجودات به‌دست آمده و روز به روز بر دانش ما از مغز اضافه می‌شود. تکنیک‌های مختلف برای نقشه‌برداری از مغز ابداع و عملکرد مغز به‌صورت دقیق و علمی در حال مطالعه است. تلاش برای مدل‌سازی محاسباتی اینگونه یافته‌ها و پیاده‌سازی مدل‌های ارائه شده می‌تواند درجاتی از هوشمندی را در کامپیوتر‌ها به ارمغان بیاورد. با این روند، هرچه دانش ما از عملکرد نواحی مختلف مغز بیشتر شود، هوش مصنوعی نیز به هوش طبیعی نزدیکتر خواهد شد. با توجه به مقدمه‌ ذکر شده، درس علوم اعصاب محاسباتی با هدف آشنایی هرچه بیشتر علاقه‌مندان به این حوزه ارائه شده‌است. عدم وجود یک درس منسجم، که در آن جنبه‌های مختلف هوش مصنوعی از دیدگاه علوم اعصاب به‌صورت منطقی در کنار هم قرار گرفته باشند، از انگیزه‌های اصلی در ارائه این درس بوده‌است. در تمامی مطالب این درس، سعی شده‌است که ابتدا یافته‌های زیستی از عملکرد نواحی مختلف مغز و همچنین واحد‌های سازنده آن (نورون‌ها و سیناپس‌ها) ارائه شده باشد و سپس نظریه‌های مطرح در خصوص مدل‌های ریاضی و محاسباتی (بر پایه یافته‌های زیستی) آورده شوند. در قسمت دوم این درس، سیستم بینایی انسان، به طور خاص، به همراه برخی از مدل‌های محاسباتی آن ارائه شده‌است. این درس برای تمامی علاقه‌مندان به حوزه‌های علوم اعصاب، علوم شناختی و همچنین هوش مصنوعی می‌تواند مفید باشد. پیش‌نیاز خاصی برای دنبال کردن مطالب این درس وجود ندارد، هر چند آشنایی با ریاضیات، برنامه‌نویسی، و هوش مصنوعی کلاسیک می‌تواند در درک بهتر مفاهیم این درس کمک کننده باشد.

*****اسلایدهای درس را از اینجا دانلود کنید*****

هوش مصنوعی توسط ماشین‌ها ظهور پیدا می‌کند و در مقابل هوش طبیعی نمایش می‌یابد افراد باور دارند که هوش مصنوعی عملکردهای شناختی را از روی ذهن انسان‌ها تقلید می‌کند همچون یادگیری و حل مسئله با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده‌ است. هوش مصنوعی کاربردهای متنوعی دارد. تعدادی از مهم‌ترین کاربردهای هوش مصنوعی شامل استفاده در وسایل نقلیه مثل پهپادها و اتومبیل‌های خودران، تشخیص‌های پزشکی، خلق آثار هنری، اثبات قضیه‌های ریاضی، انجام بازی‌های فکری، تعیین هویت تصاویر(تشخیص چهره) و صداها، ذخیره انرژی، جستجوگرهای اینترنتی، تهیه قراردادها و پیش‌بینی آرای قضایی و غیره می‌شوند.   هوش مصنوعی چگونه مورد استفاده قرار می‌گیرد؟ Narrow AI یا هوش مصنوعی ضعیف Artificial General Intelligence یا هوش مصنوعی عمومی   آموزش رایگان هوش مصنوعی مناسب چه‌کسانی است؟ این دوره مناسب مهندسین کامپیوتر و برنامه نویسی و همه علاقه‌مندان در این حوزه هست   دوره طی چند جلسه و در کدام دانشگاه ضبط شده‌است؟ این دوره طی 25 جلسه و در دانشگاه شریف ضبط شده‌است

درس «آشنایی با اصول تصویربرداری و آنالیز داده‌های تصویربرداری تشدید مغناطیسی عملکردی (fMRI)» در نیم‌سال دوم سال تحصیلی 99-98 ضبط شده‌است - دانشگاه علوم پزشکی تهران   این دوره آموزشی مربوط به یکی از دروس دوره دکتری تخصصی رشته تصویربرداری عصبی است. این درس در گروه علوم اعصاب در دانشکده فناوری‌های نوین پزشکی دانشگاه علوم پزشکی تهران تدریس می‌شود. تصویربرداری fMRI (functional Magnetic Resonance Imaging) از اصلی‌ترین روش‌های پژوهشی در علوم اعصاب و به‌خصوص علوم‌شناختی می‌باشد که می‌تواند به‌صورت غیرتهاجمی و بدون آسیب، به بررسی نحوه فعالیت مغز انسان در شرایط شناختی متفاوت بپردازد. در بین روش‌هایی که برای این موضوع وجود دارند، از جمله EEG, MEG, nTMS, PET، به علت کاملاً بدون آسیب بودن، به دلیل رزولوشن مکانی مناسب و رزولوشن زمانی قابل قبول، و همچنین به علت انعطاف‌پذیری مناسب این روش تصویربرداری در ارائه آزمون‌های شناختی و عملکردی به شرکت‌کنندگان و بیماران، روش fMRI از مقبول‌ترین و شناخته‌شده‌ترین روش‌های تصویربرداری عملکردی مغز است. این درس تا کنون چندین بار توسط مدرس این دوره در دانشگاه علوم پزشکی تهران تدریس شده‌است. به‌علاوه، در چندین کارگاه آموزشی (بیش از 10 مورد) که هر کارگاه در 3 روز برگزار شده‌است نیز مبحث تصویربرداری fMRI در دو سطح نظری و عملی توسط دکتر بتولی تدریس گردیده‌است که بخش‌های نظری تدریس شده در اینجا و در قالب ویدئوهای آموزشی به‌صورت رایگان ارائه می‌گردند. این دوره‌های آموزشی عمدتاً در گروه آنالیز تصاویر مغزی (NIAG) که تحت نظارت جناب آقای دکتر عقابیان اداره می‌شود ارائه‌شده‌اند، و همچنین این دوره توسط تیم تحقیقاتی BRAINEE (www.brainee.ir) در چندین شهر از جمله بوشهر، شیراز، مشهد، تبریز، و اصفهان نیز برگزار شده‌است. مخاطبان این دوره، هم در سایت مکتب‌خونه، و هم در تمامی کارگاه‌های برگزار شده، محققان، دانشجویان، و حتی اساتید دانشگاه در زمینه‌های زیر بوده‌اند: پزشکی عمومی، تخصص‌های پزشکی از جمله روان‌پزشکی و نورولوژی، روان‌شناسی، علوم‌شناختی و علوم اعصاب، آمار و ریاضیات، فیزیک پزشکی، مهندسی پزشکی و مهندسی برق، و همچنین مهندسی کامپیوتر و هوش مصنوعی. در حقیقت، بسیاری از افرادی که از روش fMRI استفاده می‌نمایند، به علت گستردگی تخصص‌های درگیر در این روش، تنها بخشی از روش کار را بر عهده می‌گیرند، و لذا همواره انجام این گونه پژوهش‌ها در قالب کار گروهی خواهد بود. توصیه همیشگی به محققان در این بخش آن است که سعی نمایند خود به تمامی اصول و مبانی این روش مسلط باشند، چرا که این تسلط علمی تأثیر بسیار زیادی بر کیفیت انجام کار می‌گذارد. در این دوره سعی شده است تا تمامی دانش لازم برای انجام مستقل یک تصویربرداری fMRI آموزش داده شود، و درعین‌حال می‌دانیم که انجام دقیق و صحیح این گونه پژوهش‌ها، با توجه به جزئیات بسیار زیاد و ظریف این روش، نیازمند چاشنی بسیار مهم تجربه نیز می‌باشد.   این دوره شامل مباحث زیر است: 1- تصویربرداری fMRI 2- طراحی آزمون در fMRI 3- بیش از 300 نکته مهم در طراحی و اجرای مطالعات fMRI 4- پیش‌پردازش داده‌ها در fMRI 5- آنالیز داده‌ها (نظری) در fMRI 6- استنتاج آماری در fMRI   پیش‌نیازهای این دوره: - آشنایی با اصول تصویربرداری تشدید مغناطیسی (MRI) - آشنایی اولیه با آمار، ریاضیات و علوم کامپیوتر