مبانی هوش مصنوعی

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 رایگان 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 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 برنامه نویسی پایتون مهارت‌های خود را توسعه دهند. بعد از فراگیری دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین 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 و گیره پیش‌نیازهای دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین برای شرکت در دوره آموزش رایگان 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 دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین 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 آموزش رایگان هوش مصنوعی و یادگیری ماشین، 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.

درس آمار و احتمال مهندسی در نیم سال اول سال تحصیلی 99-98 ضبط شده است. *****برای دانلود جزوه درس اینجا کلیک کنید. (نیاز است ابتدا Jupyter Notebook را نصب کنید.)*****   درس آمار و احتمال مهندسی که در دوره‌ی کارشناسی مهندسی کامپیوتر دانشگاه صنعتی شریف ارائه شده فرصتی است برای یادگیری مباحث نظری احتمال، مباحث کاربردی آمار و تلفیق آن با برنامه‌نویسی به زبان R و استفاده از این دانش در نمایش و تحلیل داده‌ها. 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. ***جلسه 12 به‌صورت ناقص ضبط شده‌است***   *****برای دانلود جزوه درس اینجا کلیک کنید. (نیاز است ابتدا Jupyter Notebook را نصب کنید.)*****  

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***

پایتون راهی عالی برای کشف دنیای یادگیری ماشینی است. پایتون یک زبان قدرتمند با طیف گسترده‌ای از کتابخانه‌ها و ابزارها محسوب می‌شود که می‌تواند به شما در توسعه مدل‌ها و الگوریتم‌های پیچیده یادگیری ماشین کمک کند. با پایتون، می‌توانید همه‌چیز را از ایجاد مدل‌های رگرسیون خطی اولیه تا ساخت الگوریتم‌های یادگیری عمیق پیچیده انجام دهید. پایتون همچنین یک زبان عالی برای کاوش در علم داده و داده‌کاوی است که شامل درک الگوها و روابط در داده‌ها می‌شود. با کتابخانه‌ها و ابزارهای مناسب، می‌توانید مدل‌های پیش‌بینی قدرتمند بسازید و برنامه‌های یادگیری ماشینی ایجاد کنید که می‌تواند تصمیم‌گیری را بهبود بخشد و فرآیندها را خودکار کند. آموزش یادگیری ماشین با پایتون با هدف آموزش این ترند پرطرفدار به همت استاد جادی و مکتب خونه تهیه شده است که در ادامه آن را معرفی خواهیم کرد. دوره آموزش یادگیری ماشین با پایتون چیست؟ در این دوره آموزشی به یادگیری ماشین با استفاده از زبان برنامه‌­نویسی شناخته شده و کار­آمد پایتون پرداخته می­‌شود. دوره آموزش یادگیری ماشین با پایتون به این صورت برنامه‌ریزی شده است که از مقدمات شروع می‌­شود و به مباحث پیشرفته و جدید یادگیری ماشین با پایتون می­‌پردازد. دوره آموزش یادگیری ماشین جادی در دو بخش تدوین شده است؛ در بخش اول شما باهدف یادگیری ماشین و کاربرد آن در دنیای واقعی آشنا خواهید شد. در بخش دوم این دوره یک نمای کلی از مباحث یادگیری ماشین مانند یادگیری تحت نظارت و بدون نظارت، ارزیابی مدل­‌ها و الگوریتم­‌های ماشین لرنینگ به شرکت‌کنندگان ارائه خواهد شد. هدف از آموزش دوره یادگیری ماشین با پایتون چیست؟ هدف از برگزاری این دوره ماشین لرنینگ با پایتون، آموزش ماشین لرنینگ به‌صورت مرحله‌به‌مرحله از مباحث مقدماتی تا مباحث جدید و پیشرفته است. شرکت در این دوره آموزشی به شما کمک خواهد کرد تا در محیط واقعی و کاربردی از زبان برنامه­‌نویسی پایتون استفاده کنید و مهارت خود را در زمینه برنامه­‌نویسی پایتون افزایش دهید. در کنار این موضوع، آموزش یادگیری ماشین را به‌عنوان هدف اصلی این دوره آموزشی دنبال خواهید کرد. در انتهای این دوره چه مهارت‌­هایی کسب خواهید کرد؟ با شرکت در این دوره علاوه بر آشنایی با کلیات یادگیری ماشین شما با مباحث دیگری از مانند مسائل زیر آشنا شوید: 1. یادگیری تحت نظارت و بدون نظارت 2. ارزیابی مدل­‌ها و الگوریتم‌­های یادگیری ماشین 3. رگرسیون 4. طبقه‌بندی 5. خوشه‌بندی 6. یادگیری کیت علمی 7. SciPy ویژگی متمایز این دوره نسبت به دوره‌­های مشابه چیست؟ مدرس این دوره جادی میرمیرانی است. در کنار مدرس حرفه‌­ای و مسلط این دوره ساختاری که برای آموزش این دوره در نظر گرفته شده، نسبت به دوره‌­های مشابه متمایز خواهد بود. به این صورت که این دوره آموزش یادگیری ماشین با پایتون در دو بخش تدوین شده است و در این دو بخش علاوه بر آموزش مقدمات به مباحث جدید و اساسی در آموزش یادگیری ماشین با پایتون پرداخته خواهد شد. در کنار این موارد در تمام طول دوره شما می‌­توانید سوالات و ابهامات خود را با استاد دوره در میان بگذارید و پاسخ همه سوالات خود را به دست بیاورید. در پایان دوره یادگیری ماشین با پایتون و پس از انجام آزمون در صورت کسب نمره قبولی مدرک معتبر مکتب‌­خونه مربوط به گذراندن این دوره به شما داده می­‌شود و با استفاده از این مدرک شما می­‌توانید شرایط خود را در آزمون‌­های استخدامی و مصاحبه­‌های مربوط به استخدام بهبود ببخشید.

جبر خطّی شاخه‌ای از ریاضیات است که به بررسی و مطالعه ماتریس ها، بردارها، فضاهای برداری (فضاهای خطّی)، تبدیلات خطی، و دستگاه‌های معادلات خطی می‌پردازد. جبر خطّی کاربردهای فراوان و گوناگونی در ریاضیات و محاسبات گسسته دارد. علاوه بر کاربردهای آن در زمینه‌هایی از خود ریاضیات همانند جبر مجرد، آنالیز تابعی، هندسه تحلیلی، و آنالیز عددی، جبر خطّی استفاده‌های وسیعی نیز در فیزیک، مهندسی،علوم طبیعی، و علوم اجتماعی پیداکرده است. این درس شامل موضوعاتی است که در یک درس جبر خطی دانشگاهی بررسی می شود که شامل فضاهای برداری، تبدیلات خطی، مقدار یکه و بردار یکه،‌ دستگاه معادلات خطی می باشد. لینک جبر خطی دانشگاه شریف ***جلسه 8 بی‌صدا است***

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

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

اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد: 1.     آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها 2.     توسعه و Deploy اپلیکشین‌های مبتنی بر Machine learning 3.     امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید. بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.   هدف از یادگیری دوره آموزش یادگیری ماشین (Machine Learning) چیست؟ یادگیری ماشین، بدون شک به عنوان یکی از برترین فناوری‌های برتر به ویژه در دنیای امروز به‌شمار می‌رود. در دنیایی که روزبه‌روز با تولید انواع مختلف داده روبرو هستیم نیاز به اتوماتیک کردن کارهای تکراری با استفاده از سیستم‌های کامپیوتری، بیش از پیش احساس می‌گردد و در روزگاری نه چندان دور، به عضوی جدانشدنی بدل خواهد شد. سیستمی که بتواند یاد بگیرد و مانند انسان تحلیل کند، قادر خواهد بود تا ارزش افزوده خارق‌العاده‌ای را برای هر سازمان و فعالیتی، فراهم نماید. به همین دلیل، در این روزها شاهد رشد نمایی شغل‌های مربوط به تحلیل داده و یادگیری ماشین هستیم و این فرصتی مغتنم جهت رشد و بهبود شرایط در هر کشوری به شمار می‌رود. در انتهای این دوره شما قادر خواهید بود تا سامانه خود را با الگوریتم‌های یادگیری ماشین توسعه داده و به اصطلاح Deploy نمایید.   دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟ اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید. اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید. اگر قصد دارید تا محصول نهایی خود را Deploy نمایید. اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید. اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید.   ویژگی‌های متمایز دوره آموزش یادگیری ماشین (Machine Learning) چیست؟ این دوره توسط افرادی تدریس شده است که علاوه بر سابقه ممتاز در بخش آکادمیک، سابقه فعالیتی درخشانی در صنعت داشته که در نهایت، این دوره به شما کمک خواهد کرد تا بتوانید علاوه بر دانش تئوری، نحوه پیاده‌سازی و اجرا را هم فرابگیرید تا در ادامه این دوره، به صورت کاملاً عملی و تجاری وارد صنعت شوید. این دوره آموزشی حاصل سال ها تجربه تدریس در دانشگاه‌ها و آموزشگاه‌های معتبر داخلی و نیز فعالیت در صنعت هوش‌مصنوعی در کشور بوده و با هدف کاربردی‌بودن در سناریوهای دنیای واقعی مطرح شده است. این دوره آموزشی، کاملاً پروژه محور بوده و مباحث تئوری یادگیری ماشین با ظرافت هرچه تمام تدریس شده است. در پایان هر فصل با انجام پروژه‌‎ با داده‌های واقعی و نیز داده‌های مسابقات Kaggle، آموخته‌های خود را در دنیای واقعی محک خواهید زد.   بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟ بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند.  آشنایی کامل با ابزارهای یادگیری ماشین در پایتون آشنایی کامل با کتابخانه (NumPy) آشنایی کامل با کتابخانه (Pandas) آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn) پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn) نحوه استفاده از Kaggle Kernel و Google Colab نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit استفاده از روش‌های Automl و آموزش Pycaret  ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، مکتب‌پلاس چیست؟ روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است: کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود. راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود. مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

در این وبینار می‌خواهیم بدانیم هوش مصنوعی چیست و چرا باید آن را دنبال کنیم، کاربردهای آن کجای زندگی به به چشم می‌آید؟ چه مسیر شغلی را برای تبدیل شدن به یک متخصص هوش مصنوعی طی کنیم؟ در واقع هوش مصنوعی به هوشی می‌گویند که یک ماشین در شرایط مختلف از خود نشان می‌دهد. ماشینی که تلاش شده مثل انسان وقایع و اتفاقات را احساس کند، عاقلانه فکر کند، عاقلانه عمل کند، مثل انسان فکر کند و مثل انسان عمل کند. موارد بیان شده ویژگی‌های هوش مصنوعی است که برای ملموس شدن موضوع به شرح هرکدام از ویژگی‌های آن می‌پردازیم: -       مانند انسان عمل کردن (Acting humanly) مانند انسان عمل کردن یا Acting humanly به مفهوم هنر ساخت ماشین‌هایی است که کارهایی را انجام می‌دهند که آن کارها توسط انسان با فکر کردن انجام می‌شود. هنر ساخت ماشین‌هایی که کارهایی را انجام می‌دهند که آن کارها توسط انسان با فکر کردن انجام می‌شوند. -       مانند انسان فکر کردن (Thinking  humanly) تلاش جدید و هیجان‌انگیز برای ساخت ماشین‌هایی متفکر و با حس کامل خودکارسازی فعالیت‌های مرتبط با تفکر انسان، فعالیت‌هایی مثل تصمیم‌گیری، حل مسئله، یادگیری -       عاقلانه فکر کردن (Think rationally)   مطالعه توانایی‌های ذهنی از طریق مدل‌های محاسباتی (منطق گرایی) مطالعه محاسباتی که منجر به درک و استدلال می‌شود. -       عاقلانه عمل کردن (Act rationally) این ویژگی طوری عمل می‌کند که بهترین نتیجه را ارائه دهد. هوش محاسباتی، مطالعه طراحی عامل‌های هوشمند است. کاربردهای هوش مصنوعی برای متخصص هوش مصنوعی سیستم‌های خبره  شبكه‌های عصبی  الگوریتم ژنتیک بینایی ماشین‌  پردازش زبان‌های طبیعی گراف و جستجو الگوریتم کلونی مورچه منطق فازی سیستم‌های خبره (Expert Systems) سیستم‌های خبره، برنامه‌هایی كامپیوتری هستند که الگوی منطقی‌ دارند و نحوه تفكر و تصمیم‌گیری یك متخصص در یك زمینه خاص را شناسایی و شبیه‌سازی می‌كنند. شبكه‌های عصبی (Neural Networks) شبكه‌های عصبی شبیه‌سازی شده یا كامپیوتری قادر هستند تا بخش كوچكی از خصوصیات و ویژگی‌های شبكه‌های عصبی بیولوژیك را شبیه‌سازی كنند. در حقیقت، هدف از ایجاد یك شبكه عصبی نرم‌افزاری، بیش از آنكه شبیه‌سازی مغز انسان باشد، ایجاد مكانیسمی برای حل مسائل مهندسی با الهام از الگوی رفتاری شبكه‌های بیولوژیك است. الگوریتم ژنتیک الگوریتم‌های ژنتیك الگوریتم‌هایی هستند كه دارای قدرت بسیار زیادی در یافتن جواب مسئله هستند، اما باید توجه داشت كه شاید بتوان كاربرد اصلی این الگوریتم‌ها را در مسائلی در نظر گرفت كه دارای فضای حالت بسیار بزرگ هستند و عملاً بررسی همه حالت‌ها برای انسان در زمان‌های نرمال (در حد عمر بشر) ممكن نیست. بینایی ماشین‌ (Machine Vision) از میان همه شاخه‌های هوش مصنوعی، شاید كاربردی‌ترین آن‌ها كامپیوتری و مكانیزه كردن سیستم‌های بینایی باشد. دامنه كاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از كاربردهای عادی و معمولی مثل كنترل كیفیت خط تولید و نظارت ویدئویی گرفته تا تكنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. پردازش زبان‌‌های طبیعی NLP پردازش‌ زبان‌های‌ طبیعی‌ به‌عنوان‌ زیرمجموعه‌ای‌ از هوش‌ مصنوعی‌، می‌تواند توصیه‌ها و بیانات‌ را با استفاده‌ از زبانی‌ که‌ شما به‌ طور طبیعی‌ در مکالمات‌ روزمره‌ به‌کار می‌برید، بفهمد و مورد پردازش‌ قرار دهد. گراف و جستجو Graph and Search مهم‌ترین کاربرد گراف مدل‌سازی پدیده‌های گوناگون و بررسی بر روی آن‌هاست. با گراف می‌توان به راحتی یک نقشه بسیار بزرگ یا شبکه‌ای عظیم را در درون یک ماتریس به نام ماتریس وقوع گراف ذخیره کرد و یا الگوریتم‌های‌ مناسب مانند الگوریتم دایجسترا یا الگوریتم کروسکال و غیره را بر روی آن اعمال نمود. الگوریتم کلونی مورچه (Ant Colony Optimization) الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه‌هاست. این مطالعات نشان داده که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آن‌ها بیشتر در جهت بقاء کلونی است. از کاربردهای ACO می‌توان به بهینه کردن هر مسئله‌ای که نیاز به یافتن کوتاه‌ترین مسیر دارد، اشاره نمود:  مسیریابی داخل شهری و بین شهری مسیریابی بین پست‌های شبکه‌های توزیع برق ولتاژ بالا مسیریابی شبکه‌های کامپیوتری  منطق فازی (Fuzzy Logic) منطق فازی تکنولوژی جدیدی است که شیوه‌های مرسوم برای طراحی و مدل‌سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتا پیچیده است با استفاده از مقادیر و شرایط زبانی و یا به عبارتی دانش فرد خبره و با هدف ساده‌سازی و کارآمدتر شدن طراحی سیستم جایگزین و یا تا حدود زیادی تکمیل می‌نماید.   نتیجه‌گیری در مورد وبینار مسیر شغلی متخصص هوش مصنوعی هوش مصنوعی خیلی آهسته وارد همه ابعاد زندگی ما شده‌است و جایگزین کارهای سنتی می‌شود، از آنجا که هر روز بیش از پیش با ماشین‌هایی که حاوی هوش مصنوعی هستند در ارتباط هستیم و هر روز هوش مصنوعی زندگی ما را بیشتر متحول می‌کند ضرورت دارد آن را بشناسیم تا بهتر بتوانیم از آن در جهت بهبود زندگی خود استفاه کنیم.  

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

در شرایط کنونی و با گسترش علم هوش مصنوعی، کمتر حوزه‌ای از علم، صنعت و تجارت را می‌توان پیدا کرد که به نحوی تحت‌تأثیر این علم قرار نگرفته باشد. حوزه‌های متنوعی که این روزها تحت‌تأثیر هوش مصنوعی قرار گرفته است و از این دانش روزافزون بهره می‌گیرند به یک یا چند رشته محدود نمی‌شود؛ امروزه رد پای هوش مصنوعی در همه‌جا قابل‌مشاهده است. از پزشکی گرفته تا برنامه‌نویسی، از صنعت گرفته تا تجارت و مدیریت و... یکی از حوزه‌هایی که امروزه تا حد زیادی تحت‌تأثیر هوش مصنوعی و کاربردهای آن قرار گرفته، صنعت مالی است. تقریباً تمام شرکت‌های فعال در زمینه تکنولوژی مالی به‌منظور صرفه‌جویی در هزینه‌ها و زمان به استفاده از هوش مصنوعی روی آورده‌اند. امروزه بسیاری از امور مالی با استفاده از هوش مصنوعی مدیریت می‌شود و بسیاری از اموری که در این حوزه اتفاق می‌افتد باهوش مصنوعی به وقوع می‌پیوندد. علی‌رغم وجود سخت‌افزارها و نرم‌افزارهای گوناگونی که به‌منظور بهبود امور مالی ارائه شده است، هوش مصنوعی همچنان به پیشرفت تکنولوژی‌های موجود در صنعت مالی و هم چنین ارائه راه‌حل‌های نوین در مواجهه با چالش‌های کسب‌وکار کمک فراوانی کرده است. در دوره آموزش کاربرد هوش مصنوعی در صنعت مالی به بررسی برخی از مزایا و ویژگی‌های استفاده از هوش مصنوعی در راستای بهینه‌سازی خدمات مالی پرداخته شده است. در کنار این موضوع، در ادامه دوره به بررسی همه‌جانبه نقش هوش مصنوعی در صنعت مالی و کمک‌های هوش مصنوعی در زمینه صنعت پرداخت، بیمه، سرمایه‌گذاری و بانکداری نیز اشاره می‌شود و این موضوع موردبحث و بررسی قرار می‌گیرد. از جمله مهم‌ترین موضوعات این دوره به موارد زیر اشاره شده است: کاربرد هوش مصنوعی در صنعت هوش مصنوعی در بازارهای مالی هوش مصنوعی در صنعت بانکداری و سرمایه‌گذاری هوش مصنوعی در صنعت پرداخت هوش مصنوعی در صنعت بیمه اهمیت هوش مصنوعی در امور مالی هوشمندسازی صنایع مالی و چگونگی آن هدف این دوره آشنایی مخاطبان با کاربردهای گسترده هوش مصنوعی در صنایع مالی و بررسی تأثیری است که هوش مصنوعی در این صنعت به وجود آورده است. مخاطب و پیش‌نیاز دوره: محتوای تهیه شده در این دوره به نحوی است که افراد با هر سطحی از دانش می‌توانند در این دوره شرکت کنند و در انتهای دوره اطلاعات گسترده‌ای در زمینه نقش مؤثر هوش مصنوعی در صنعت مالی به دست آورند. برای گذراندن این دوره به هیچ پیش‌نیاز به خصوصی نیاز نیست و افراد با آشنایی کلی با مفاهیم مربوط به صنایع مالی می‌توانند در این دوره شرکت کرده و بهترین نتایج را کسب کنند. این دوره برای همه افرادی که به نحوی در صنعت مالی مشغول به کار هستند مفید خواهند بود. به طور مشخص گروه‌های زیر مخاطبان اصلی این دوره هستند: فعالان بازارهای مالی و سرمایه‌گذاری و فعالان حوزه اقتصاد علاقه‌مندان به کاربرد فناوری‌های نوین و هوش مصنوعی در اقتصاد، صنایع مالی و سرمایه‌گذاری فعالان حوزه ماشین، معاملات الگوریتمی و... مشاورین مالی و سرمایه‌گذاری مدیران و مسئولین ارشد نهادهای مالی، اعتباری و سرمایه‌گذاری دانشجویان اقتصاد، مالی، حسابداری، هوش مصنوعی و علاقه‌مندان به مباحث مربوط به دانش مالی

این درس برای کسب یک دید سطح بالا از مدل‌ها و تکنیک‌هایی که برای مطالعه و تحلیل شبکه‌های اجتماعی و اقتصادی به کار برده می‌شوند ارائه شده‌است و یاد خواهید گرفت که چگونه شبکه‌ها اجتماعی و اقتصادی شکل می‌گیرند و تاثیر آن‌ها بر رفتار انسان را مدل‌سازی می‌کنید. شبکه‌های اجتماعی و اقتصادی چند مشخصه اصلی دارند که عبارتند از:1- شبکه‌ پیچیده (Complex Network) است و بسیاری از مشخصه‌های اصلی آن را دارد.2- در اثر تعامل عوامل باهوش و خودخواه ایجاد می‌شوند.3- تصادفی هستند و در بسیاری موارد نمی‌توان به صورت قطعی ویژگی‌های آن‌ها را مشخص کرد.بنابراین مدل‌ها و تکنیک‌هایی که در این درس با آن‌ها سر و کار داریم از هر سه دسته بالا نشأت گرفته و در بسیاری موارد نیز با هم ترکیب می‌شوند، به همین منظور در این درس با مدل‌هایی سر و کار داریم که با استفاده از نظریه‌ احتمال، نظریه‌ بازی، نظریه‌ گراف و ترکیبیات ساخته می‌شوند. ***این دوره در پاییز 99 ضبط شده‌است***

هدف از آموزش یادگیری تقویتی چیست؟ هدف اصلی آموزش رایگان یادگیری تقویتی (Reinforcement Learning) تسهیل فرآیند یادگیری و ارتقای عملکرد افراد در حوزه مهندسی کامپیوتر است. در مهندسی کامپیوتر، یادگیری تقویتی می‌تواند به افراد کمک کند تا مفاهیم پایه و پیشرفته‌ای را در زمینه‌های مختلف مانند برنامه‌نویسی، شبکه‌های کامپیوتری، امنیت، هوش مصنوعی و سایر حوزه‌های مرتبط با مهندسی کامپیوتر یاد بگیرند. با دسترسی به منابع آموزشی رایگان، افراد می‌توانند مفاهیم پایه را فرا بگیرند، مهارت‌های عملی را تقویت کنند و بهترین روش‌ها و فنون را برای انجام پروژه‌ها و حل مسائل مهندسی کامپیوتر بیاموزند. به طور خلاصه، هدف از آموزش رایگان یادگیری تقویتی در مهندسی کامپیوتر، تسهیل فرآیند یادگیری و ارتقای عملکرد افراد در این حوزه است، همچنین امکان دسترسی عمومی و برابر به آموزش را فراهم می‌کند. این دوره مناسب چه‌کسانی است؟  برای افرادی که علاقه‌مند به این حوزه هستند و می‌خواهند مهارت‌ها و دانش خود را در زمینه مهندسی کامپیوتر تقویت کنند، مناسب است. این دوره برای افراد با سطوح دانش مختلف، از مبتدی تا پیشرفته، قابل استفاده است. زیرمجموعه‌های مهندسی کامپیوتر که در این دوره پوشش داده می‌شوند، می‌تواند شامل برنامه‌نویسی، شبکه‌های کامپیوتری، امنیت، هوش مصنوعی، پایگاه داده و سایر حوزه‌های مرتبط باشد. بنابراین، افرادی که می‌خواهند در زمینه برنامه‌نویسی، توسعه نرم‌افزار، طراحی وب، مدیریت سیستم‌ها، امنیت اطلاعات و سایر زمینه‌های مهندسی کامپیوتر فعالیت کنند، می‌توانند از این دوره استفاده کنند. با توجه به اینکه این دوره یادگیری تقویتی رایگان است، به ویژه برای افرادی که نیاز به آموزش با منابع آموزشی قابل دسترسی و بدون هزینه دارند، مناسب است. همچنین، افرادی که از نقاط مختلف جهان هستند و به دلیل محدودیت‌های مکانی یا مالی قادر به شرکت در دوره‌های حضوری نیستند، می‌توانند از این دوره آموزشی آنلاین بهره ببرند. در کل، این دوره برای همه کسانی که علاقه‌مند به مهندسی کامپیوتر هستند و می‌خواهند مهارت‌ها و دانش خود را در این حوزه ارتقا دهند، مناسب است.

نگاه کلی این دوره، آموزش تمامی مفاهیم وابسته به آمار و احتمال است که در دنیای ماشین لرنینگ و علوم داده کاربرد خواهند داشت. در این دوره آموزشی با موضوعاتی مانند مبانی مجموعه و ترکیبات آشنا خواهید شد. پس از آن کار با احتمال کلاسیک، احتمال شرطی و قوانین احتمال شرطی آشنا خواهید شد. در ادامه دوره به داده‌­ها و آمارها پرداخته می‌­شود و پس از آن به بررسی انواع متغیرهای تصادفی و توزیع‌­های احتمالی پرداخته می‌­شود.   با پیشرفت مباحث دوره به بررسی توزیع­‌های توام و نرمال­‌سازی داده­‌های پرت پرداخته می­‌شود. سایر مباحثی که در این دوره مورد بررسی قرار می­‌گیرد شامل موارد زیر است: ارتباط بین متغیرها به کمک کوواریانس و همبستگی و رگرسیون مفاهیمی مانند درست‌­نمایی بیشینه و تخمین نقطه­‌ای و بازه­‌ای تست­‌های آماری مختلف روی داده‌­های آماری گوناگون تست کردن داده­‌ها برای تشخیص توزیع آن‌ها   هدف از آموزش آمار و احتمال در پایتون چیست؟ اصلی­‌ترین هدف مورد نظر در این دوره ایجاد تسلط بالا بر مباحث مربوط به آمار و احتمال بوده است. در این دوره مباحث آموزشی به صورت مفاهیم نظری توضیح داده شده است و در کنار مباحث نظری این آموزش‌­ها با مثال­‌های عملی نیز مورد آموزش قرار می­‌گیرند.   دوره آموزش آمار و احتمال در پایتون برای چه کسانی مناسب است؟ در دوره آموزش آمار و احتمال در پایتون سعی شده است تا همه مباحث به صورت کامل و جامع مورد بررسی قرار بگیرند. به این ترتیب می­‌توان این‌گونه بیان کرد که مباحث این دوره در زمینه‌­های گوناگونی کاربردی خواهد بود. به این ترتیب مخاطبان این دوره را می‌­توانیم در دسته­‌های گوناگونی تقسیم­‌بندی کنیم: افرادی که به علم داده علاقه­‌مند هستند. افرادی که قصد دارند در حوزه یادگیری ماشین و علم داده فعالیت داشته باشند. دانشجویان و فارغ‌­التحصیلانی که آمار و احتمال مهندسی در چارت درسی­شان قرار دارد. برنامه‌­نویسان و علاقه­‌مندان به یادگیری زبان برنامه­‌نویسی پایتون.   مخاطبان دوره آموزش آمار و احتمال در پایتون در انتهای دوره چه دستاوردی خواهند داشت؟ با توجه به مباحث این دوره مخاطبان در پایان دوره دستاوردهای گوناگونی از جمله موارد زیر خواهند داشت: آشنایی اولیه با مباحث مربوط به هوش مصنوعی آشنایی با مباحث مربوط به علوم داده آشنایی و تسلط بر تمامی مباحث مربوط به آمار و احتمال   ویژگی‌­های متمایزکننده این دوره نسبت به دوره‌­های مشابه چیست؟ در این دوره تمامی مباحث مربوط به آمار و احتمال به کامل­‌ترین شکل ممکن مورد بحث و بررسی قرار گرفته است و در کنار این موضوع به پیاده­‌سازی همه مفاهیم پایتون نیز پرداخته شده است. به این ترتیب می‌­توان گفت این دوره کامل‌­ترین و کاربردی­‌ترین دوره آموزش آمار و احتمال در پایتون است.   سرفصل‌­های دوره آموزش آمار و احتمال در پایتون به چه صورت است؟ مباحث این دوره در قالب 15 فصل تهیه و ارائه شده است. این 15 فصل به صورت زیر تقسیم‌­بندی شده است: نظریه مجموعه‌ها ترکیبیات و شمارش احتمال مقدماتی احتمال شرطی داده و مقدمه‌ای بر آمار متغیرهای تصادفی و توزیع احتمالی انواع نمودار توزیع توأم داده پرت و نرمال‌سازی کوواریانس و همبستگی تحلیل رگرسیون تخمین آماری تست‌های آماری پروژه آمار و احتمال در پایتون قدم بعدی

یادگیری تحت نظارت یا یادگیری با نظارت مهم‌ترین و پرمخاطب‌ترین شاخه از یادگیری ماشین است. معمولا متخصصان و علاقه‌مندان به یادگیری ماشین مسیر آموزشی و تحقیقاتی خود را با الگوریتم‌های تحت نظارت آغاز می‌کنند. یادگیری ماشین تحت نظارت (Supervised learning)، یادگیری با نظارت یا یادگیری نظارت شده به این معنی است که به الگورتیم‌ داده‌هایی را می‌دهیم که به عنوان پاسخ صحیح در نظر گرفته شده‌اند. انواع الگوریتم‌های یادگیری ماشین شامل سه دسته کلی می‌شوند. این سه دسته عبارت‌اند از: 1-یادگیری نظارت شده (Supervised Learning) 2-یادگیری بدون ناظر یا یادگیری نظارت نشده (unsupervised learning) 3-یادگیری تقویت شونده (Reinforcement Learning) دسته بندی الگوریتم‌های یادگیری ماشین شامل این سه مورد است. در ادامه به توضیح مختصر این سه مورد پرداخته‌ایم. یادگیری با نظارت: در الگوریتم‌های یادگیری نظارت شده که عمده بار یادگیری ماشین را متحمل شده است، با دو نوع متغییر مواجه هستیم. این دو نوع متغییر عبارتند از متغییرهای مستقل و متغییرهای وابسته.متغییرهای مستقل در واقع یک یا چند متغییر هستند که براساس مقادیر آنها یک متغییر دیگر را پیش‌بینی می‌کنیم.دومین نوع از متغییرها، متغییرهای وابسته یا متغییرهای خروجی هستند. مقادیر این نوع از متغییرها را به کمک الگوریتم‌های نظارت شده پیش‌‌بینی می‌کنیم. برای تعیین مقدار این نوع از متغییرها باید تابعی ایجاد کنیم. این تابع ورودی‌ها را گرفته و خروجی مورد نظر را که متغییر وابسته یا متغییر خروجی است را ایجاد می‌کند. در این تابع ایجاد شده ورودی‌ها همان متغییرهای مستقل هستند و خروجی مورد نظر ما به کمک آن‌ها ایجاد می‌شود. تابع که در حقیقت رابطه بین متغییرهای وابسته و متغییرهای مستقل است طی فرایندی به نام فرایند آموزش یا  Training Process پیدا می‌شود. فرایند آموزش روی داده‌های موجود اعمال می‌شود و تا زمان رسیدن به دقت کافی ادامه پیدا می‌کند. یادگیری نظارت نشده (unsupervised learning): در این نوع از الگوریتم‌ها هیچ متغییری نداریم و خروجی نامشخص است. داده‌های ارائه شده به الگوریتم نظارت نشده دارای هیچ متغییر خروجی متناظری نیست. در یادگیری بدون ناظر، الگوریتم‌ها به حال خود رها می‌شوند تا ساختارهای موجود در میان داده‌ها را کشف کنند. یادگیری تقویت شونده (Reinforcement Learning): این نوع از الگوریتم‌ها تا حدود زیادی مشابه الگوریتم‌های بدون ناظر هستند. دریادگیری تقویت شونده یک عامل یاد می‌گیرد چگونه در محیط با انجام کارهای مختلف و مشاهده رفتار آن‌ها چطور عمل کند.   در دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده ضمن آشنایی با دسته‌بندی الگوریتم‌های مختلف یادگیری ماشین، به طور مشخص در رابطه با الگوریتم‌های نظارت شده بحث شده است. در این دوره آموزش‌های متعددی مطرح شده است. مهم‌ترین موضوعاتی که در این دوره یاد می‌گیرید عبارتند از: ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه‎های NumPy و scikit-learn ساخت و آموزش مدل‌های یادگیری ماشین تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک علاوه بر این دو مورد در دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده اصول و روش یادگیری ماشین و نحوه استفاده از تکنیک‌های machine learning برای ساخت اپلیکیشن‌های هوش مصنوعی در دنیای واقعی را خواهید آموخت. هدف از برگزاری دوره آموزش الگوریتم‌های نظارت شده در ماشین لرنینگ چیست؟ این دوره هدف‌های مختلفی را مد نظر قرار داده است. اصلی‌ترین هدف از برگزاری دوره آموزش یادگیری ماشین الگوریتم‌های نظارت شده آشنایی مخاطبان با مباحث پیشرفته ماشین لرنینگ، Deep Learning و جدیدترین موضوعات مربوط به آموزش یادگیری ماشین الگوریتم‌های نظارت شده بوده است. باتوجه به محتوای این دوره و سرفصل‌های در نظر گرفته شده برای این دوره مخاطبان این دوره در پایان دوره مهارت‌های زیر را کسب خواهند کرد: منظم‌سازی برای جلوگیری از نصب بیش از حد گرادیان نزول یادگیری تحت نظارت رگرسیون خطی رگرسیون لجستیک برای طبقه بندی این دوره به عنوان مقدمه‌ای برای آموزش ماشین لرنینگ و شروع آموزش مباحثی همچون یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه‌های مورد استفاده در آموزش یادگیری ماشین ارائه شده است. دوره آموزش الگوریتم‌های نظارت شده در ماشین لرنینگ برای چه کسانی مناسب است؟ محتوای این دوره به نحوی تهیه شده است که همه علاقه‌مندان به مباحث مربوط به هوش مصنوعی و یادگیری ماشین می‌توانند در این دوره شرکت کنند. این دوره به طور مشخص برای گروه‌های زیر طراحی شده است: همه دانشجویان رشته‌های مهندسی کامپیوتر و برنامه‌نویسی فارغ‌التحصیلان رشته‌های مهندسی کامپیوتر در گرایش‌های مختلف افرادی که قصد دارند وارد دنیای هوش مصنوعی و ماشین لرنینگ شوند همه علاقه‌مندان به فناوری‌های جدید و کسانی که می‌خواهند جدیدترین مباحث مربوط به machine learning را بیاموزند

تخصص یادگیری ماشین مجموعه سه دوره بنیادی است که با هم کاری DeepLearning.AI و استنفورد آنلاین ایجاد شده است. این تخصص توسط اندروانگ، یک متخصص هوش مصنوعی آموزش داده می‌شود که تحقیقات مهمی را در دانشگاه استنفورد و کارهای پیشگامانه‌ای در Google Brain ،Baidu و Landing.AI برای پیشرفت حوزه هوش مصنوعی انجام داده است. این دوره تخصصی یک نسخه به روز شده و گسترش یافته از دوره پیشگام یادگیری ماشینی است که از زمان راه‌اندازی در سال 2012، امتیاز 4.9 از 5 را کسب کرده و بیش از 5 میلیون کاربر آن را فراگرفته‌اند. این دوره مقدمه وسیعی برای یادگیری ماشین مدرن فراهم می‌کند، از جمله: یادگیری تحت نظارت (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه‌های عصبی و درخت‌های تصمیم گیری)‌، یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه‌گر‌)، و برخی از بهترین روش‌های مورد استفاده در سیلیکون‌ولی برای هوش مصنوعی و نوآوری یادگیری ماشین ( ارزیابی و تنظیم مدل ها , اتخاذ رویکرد داده محور برای بهبود عملکرد و ... ).   معرفی دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ  دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ دومین دوره از تخصص یادگیری ماشین است و به مباحثی مثل شبکه عصبی،درخت تصمیم و نکات عملی برای یادگیری‌ماشین کاربردی می‌پردازد.   آنچه در دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ خواهید آموخت با ثبت نام در این دوره آموزشی شما با مفاهیم زیر آشنا خواهید شد: ساخت و آموزش یک شبکه عصبی با TensorFlow برای انجام طبقه‌بندی چند‌طبقه بهترین روش‌ها برای توسعه یادگیری‌ماشین به منظور تعمیم مدل‌های شما به داده‌ها و وظایف در دنیای واقعی ساخت و استفاده از درختان تصمیم‌گیری و روش‌های دسته‌بندی درختان از جمله random forests و boosted trees این تخصص توسط اندرو انگ آموزش داده می‌شود.   دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ برای چه کسانی مناسب است؟ این دوره آموزشی برای تمامی افرادی که در زمینه هوش مصنوعی و یادگیری ماشین تحقیقات انجام می‌دهند مناسب است. همچنین این دوره آموزش الگوریتم‌های پیشرفته در ماشین‌لرنینگ برای دانشجویان کارشناسی، کارشناسی ارشد و دکتری رشته‌های مهندسی کامپیوتر بسیار دوره مناسبی به‌حساب می‌آید. در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به‌کارگیری سریع و قدرتمند یادگیری ماشین در مسائل چالش‌برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به دنیای هوش مصنوعی و یادگیری ماشین هستید، این دوره جدید یادگیری ماشین بهترین مکان برای شروع است.

در این وبینار که در پلتفرم اسکای‌روم برگزار شده‌است، دکتر علی دهقانی به صورت مختصر در رابطه با مسیر شغلی و دنیای حرفه‌ای هوش مصنوعی و دیتا ساینس که امروزه یکی از بحث برانگیزترین و پر درآمدترین مشاغل به حساب می‌آید، صحبت می‌کنند و به سوالات شما پاسخ داده می‌شود. هدف این برنامه آشنا کردن دانشجویان با مسیر شغلی و حرفه‌ای هوش مصنوعی و دیتا ساینس است تا بتوانند با شناخت بیشتری قدم در این راه بگذارند و این مسیر شغلی را انتخاب کنند.   ما در مکتب‌خونه برای شما عزیزان مسیر یادگیری این حرفه را نیز طراحی کرده‌ایم. با کلیک برروی لینک زیر می توانید دوره‌هایی که برای دستیابی به این مسیر شغلی برایتان مفید است را مشاهده نمایید. برای اطلاعات بیشتر  به نقشه راه یادگیری ماشین سر بزنید.

محاسبات نرم از محاسبات تقریبی برای حل مسائل استفاده می‌کند که نتیجه آن راه‌حل‌های خوب برای حل مسائل پیچیده محاسباتی می‌باشد. الگوریتم‌های تکاملی نوعی از محاسبات نرم می‌باشد که با نگرش به چرخه تکامل طبیعت، راه‌حل مسائل مهندسی و بهینه‌سازی را می‌یابند. جهانی که در آن زیست می‌کنیم گویی توسط یک برنامه کامپیوتری بی نظیر هدایت می‌شود. برنامه ای که میلیاردها سال پیش توسط پروردگار مقتدر و بی‌همتای ما طرح ریزی شده است. در این برنامه‌ی دقیق، ژن‌های برتر مخلوقات در طی زمان حفظ می‌شوند و در مقابل ژن‌های ضعیف و ناکارآمد به‌مرور زمان از بین می‌روند.  امروزه انسان‌ها از این چرخه طبیعی الهام گرفته‌اند تا مسائل مهندسی و بهینه‌سازی را بهتر حل کنند. پس می‌توان گفت الگوریتم ژنتیک در واقع الهامی از چرخه تکامل طبیعت برای حل مسائل مهندسی به کمک علم کامپیوتر است.  در دوره آموزشی الگوریتم ژنتیک، ضمن بیان جایگاه این الگوریتم‌ها، منطق و جزئیات الگوریتم‌های تکاملی به‌صورت کامل شرح داده می‌شود و با حل مسائل مختلف و کاربردی در این زمینه تلاش می‌شود یادگیری شما عزیزان به بهترین شکل انجام شود.   هدف از یادگیری دوره آموزش الگوریتم ژنتیک چیست؟ هدف از یادگیری این دوره آموزشی فراگیری مفاهیم اساسی و بنیادین الگوریتم‌های تکاملی به ساده‌ترین شکل ممکن می‌باشد و بعد از درک این مهم، مفاهیم به‌صورت عملی پیاده‌سازی می‌شوند تا درک و کاربرد آن برای فراگیر آسان‌تر باشد. یکی از مهم‌ترین الگوریتم‌های تکاملی، الگوریتم ژنتیک می‌باشد که به دلیل جامعیت، اهمیت و کاربرد فراوانی که دارد، در این دوره آموزشی نگاه ویژه‌ای بر آن داشته‌ایم چون درک و استفاده از آن بسیار مهم می‌باشد. بنابراین هدف اصلی یادگیری دوره آموزشی الگوریتم ژنتیک، پیاده‌سازی عملی آن در مسائلی است که حل آن‌ها با روش های متداول ریاضی میسر نیست.   دوره آموزش الگوریتم ژنتیک مناسب چه کسانی می‌باشد؟ این دوره مناسب آن دسته از علاقه‌مندان به مباحث ریاضی است که می‌خواهند مسائل مهندسی خود را به روشی غیر از روش‌های متداول حل کنند، چون برخی از روش‌های بهینه‌سازی همانند مشتق‌گیری و محاسبات ریاضی گاهی اوقات بسیار سخت و وقت‌گیر می‌باشد. همچنین برای بسیاری از مسائل بهینه‌سازی روش‌های متداول ریاضیاتی به‌خاطر مشتق‌ناپذیر بودن، دشواری محاسبات مشتق‌گیری، گاه ناهمگونی و نویزی بودن داده‌ها و ... مناسب نیستند. برای حل این مسائل مهندسی در این دوره آموزشی از الگوریتم‌های تکاملی استفاده می‌شود که خود، زیرمجموعه‌ای از محاسبات نرم به‌حساب می‌آیند و در صورت برخورد با این مسائل کارایی لازم را دارند. پس باید بگوییم اگر می‌خواهید مهندسی شده مسائل پیرامون خود را حل کنید، این دوره آموزشی مناسب شماست.    بعد از فراگیری دوره آموزش الگوریتم ژنتیک چه مهارت‌هایی کسب خواهید کرد؟ این دوره به شما کمک می‌کند منطق الگوریتم‌های تکاملی را به‌صورت کامل یاد بگیرید، با مؤلفه‌های اصلی الگوریتم‌های تکاملی آشنا شوید، به‌صورت عملی یاد می‌گیرد که چگونه یک الگوریتم ژنتیک برای حل مسائل بهینه‌سازی طراحی کنید، همچنین با پیاده‌سازی الگوریتم ژنتیک با زبان برنامه‌نویسی پایتون نیز به‌صورت کاملاً کاربردی آشنا خواهید شد. به بیان دیگر با پایان این دوره آموزشی و فراگیری مفاهیم پایه و اصولی در الگوریتم ژنتیک، طراحی الگوریتم ژنتیک مناسب با مسئله و پیاده سازی آن به کمک زبان برنامه نویسی پایتون مهارت اصلی شما خواهد بود.   ویژگی‌های متمایز دوره الگوریتم ژنتیک چیست؟ در این دوره مفاهیم به زبان ساده و به‌صورت کاملاً متفاوت بیان شده است. مباحث کاربردی گفته‌شده و از توضیحات اضافی فاصله گرفته شده است. همچنین برای جذابیت آموزش و یادگیری بهتر از ابزار لایت بورد، مثال‌های عینی طبیعت، سینما و علم بهره گرفته شده است. 

در این درس مقدماتی که برای دانشجویان کارشناسی ارائه شده است و از مقدمات یادگیری ماشین و پردازش تصویر شروع کرده و سپس به شبکه‌های عصبی و یادگیری عمیق پرداخته خواهد شد. هدف این دوره این است که به دانشجویان مهارت‌های عملی را در کنار دانش تئوری انتقال دهد. ابزارهایی نظیر openCV، sklearn و TensorFlow نیز به عنوان ابزارهای کمکی معرفی و آموزش داده خواهد شد و دانشجویان در طول دوره، پروژه‌های مختلفی را اجرا و انجام خواهند داد.

با پیشرفت در آمار و علوم کامپیوتر و همچنین مجموعه داده‌های بهتر و رشد شبکه‌های عصبی، یادگیری ماشین در سال‌های اخیر پیشرفت زیادی کرده است. امروزه یادگیری ماشین در همه‌جا وجود دارد، از جمله  ترجمه خودکار، تشخیص تصویر، فناوری جستجوی صوتی، خودروهای خودران و هر چیزی که فکرش را بکنید. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ یکی از پیشرفته‌ترین دوره‌های موجود برای آموزش این سه مبحث در یادگیری ماشین و هوش مصنوعی به‌حساب می‌آید که توسط مکتب خونه تهیه شده است. در ادامه به معرفی دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ خواهیم پرداخت و در کنار آن در رابطه با این سه مبحث مهم به صحبت خواهیم کرد. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ  این دوره، سومین دوره از مجموعه تخصص یادگیری ماشین با تدریس Andrew NG است. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ یک دوره آنلاین اساسی به حساب می آید که با همکاری DeepLearning.AI و Stanford Online تهیه شده است. در دوره آموزشی یادگیری عمیق کاربران، اصول یادگیری ماشین و نحوه استفاده از این تکنیک‌ها برای ساخت اپلیکیشنهای هوش مصنوعی در دنیای واقعی را خواهند آموخت. دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ به زبان انگلیسی و با زیرنویس فارسی و روان هم‌اکنون در مکتب‌خونه در دسترس است.  آنچه در دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ خواهید آموخت با ثبت نام در این دوره آموزشی شما با مفاهیم زیر آشنا خواهید شد: یادگیری تکنیک‌های یادگیری بدون نظارت: از جمله خوشه‌بندی و تشخیص ناهنجاری. ساخت سیستم‌های توصیه‌گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. ساخت مدل‌های یادگیری تقویتی عمیق. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain ،Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی مقدمه گسترده‌ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه‌های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه‌بندی، کاهش ابعاد، سیستم‌های توصیه گر) است.  دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی در ماشین‌لرنینگ برای چه کسانی مناسب است؟ این دوره آموزشی برای تمامی افرادی که در زمینه هوش مصنوعی و یادگیری ماشین تحقیقات انجام می‌دهند مناسب است. همچنین این دوره آموزش نظارت‌نشده‌ها، توصیه‌گرها و یادگیری تقویتی برای دانشجویان کارشناسی، کارشناسی ارشد و دکتری رشته‌های مهندسی کامپیوتر بسیار دوره مناسبی به‌حساب می‌آید. در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به‌کارگیری سریع و قدرتمند یادگیری ماشین در مسائل چالش‌برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به دنیای هوش مصنوعی و یادگیری ماشین هستید، این دوره جدید یادگیری ماشین بهترین مکان برای شروع است.

دنیای جذاب و شگفت‌انگیز هوش مصنوعی در این وبینار به چالش کشیده خواهد شد. در این وبینار که در پلتفرم اسکای‌روم برگزار شده‌است، دکتر ندا خاندل به صورت مختصر در رابطه با مسیر شغلی و دنیای حرفه‌ای هوش مصنوعی که امروزه یکی از بحث برانگیزترین و پر درآمدترین مشاغل به حساب می‌آید، صحبت می‌کنند و به سوالات شما پاسخ داده می‌شود. هدف این برنامه آشنا کردن دانشجویان با مسیر شغلی و حرفه‌ای هوش مصنوعی است تا بتوانند با شناخت بیشتری قدم در این راه بگذارند و این مسیر شغلی را انتخاب کنند.   ما در مکتب‌خونه برای شما عزیزان مسیر یادگیری این حرفه را نیز طراحی کرده‌ایم. با کلیک برروی لینک زیر می توانید دوره‌هایی که برای دستیابی به این مسیر شغلی برایتان مفید است را مشاهده نمایید.مسیر یادگیری هوش مصنوعی

در دوره آموزش هوش مصنوعی سعی می‌شود تا طی چهار هفته، مبانی کلی هوش مصنوعی برای شما بیان گردد. همچنین کاربرد‌های هوش مصنوعی در حوزه تجارت توضیح داده می‌شود تا افراد غیر متخصص در زمینه هوش مصنوعی بتوانند با استفاده‌های هوش مصنوعی در توسعه کسب‌وکار آشنا شوند.   هدف از یادگیری دوره آموزش هوش مصنوعی برای همه چیست؟ در این دوره قصد داریم برنامه‌های آموزش برای یادگیری مفاهیم کلی هوش مصنوعی و کاربرد‌های آن در تجارت را برای ارتقای سطح مبتدیان و دانشجویان هوش مصنوعی ارائه دهیم. می‌توانید اطمینان داشته باشید که میزان دانش شما در مورد هوش مصنوعی و کاربرد‌های آن در تجارت در هر سطحی که باشد، این دوره به شما کمک می‌کند تا پیشرفت کنید.   دوره آموزش هوش مصنوعی برای همه مناسب چه کسانی است؟ اگر می‌خواهید سازمان شما در استفاده از هوش مصنوعی بهتر عمل کند، این دوره می‌تواند برای شما مفید باشد. در واقع دوره آموزش هوش مصنوعی برای تمامی افراد، به‌خصوص افراد غیرمتخصص در این زمینه مناسب است.می‌توان گفت این دوره مناسب کسانی است که به دلایل مختلف شخصی و کاری بدون هیچ پیش‌زمینه‌ای قصد آشنایی با هوش مصنوعی را دارند. اگرچه این دوره عمدتاً غیرتخصصی است، اما مهندسان نیز می‌توانند در این دوره شرکت کنند تا جنبه‌های تجاری استفاده از هوش مصنوعی را بیاموزند. بعد از فراگیری آموزش هوش مصنوعی برای همه چه مهارت‌هایی کسب خواهید کرد؟ شما در دوره آموزش هوش مصنوعی معنی اصطلاحات رایج AI از جمله شبکه‌های عصبی، یادگیری ماشین، یادگیری عمیق و علم داده را یاد خواهید گرفت. همچنین شما درباره گستره هوش مصنوعی و کاربردهای هوش مصنوعی آشنا می‌شوید. همچنین یاد خواهید گرفت که چگونه با استفاده از کاربرد‌های هوش مصنوعی برای مشکلات موجود شرکت خود راه‌حل بیابید.مهارت‌هایی که شما در این دوره به دست می‌آورید شامل یادگیری گردش کار پروژه‌های یادگیری ماشین، اصطلاحات هوش مصنوعی، استراتژی هوش مصنوعی و درک چگونگی گردش کار پروژه‌های علوم داده است. همچنین شما در این دوره مواردی نظیر نحوه کار با تیم هوش مصنوعی و ایجاد استراتژی هوش مصنوعی در شرکت خود و چگونگی استفاده از مباحث اخلاقی و اجتماعی پیرامون هوش مصنوعی را فرا خواهید گرفت.منابع، پیش‌نیازها و منابع مکمل این دوره برای کسانی تدوین شده است که تخصصی درباره هوش مصنوعی ندارند، البته آشنایی با هوش مصنوعی و البته کاربرد‌های آن در تجارت می‌تواند برای شما مفید باشد.

این دوره یکی از اولین و کامل‌ترین دوره‌های آموزش هوش مصنوعی و دیپ‌لرنینگ در بازار سهام و پیش‌بینی قیمت انواع دارایی‌های مالی و خودکارسازی معاملات است. تمامی اجراهای این دوره در پایتون و محیط ژوپیتر نوت‌بوک پیاده‌سازی می‌شود. شما در این دوره موارد زیر را می‌آموزید: استفاده از هوش مصنوعی و دیپ‌لرنینگ (یادگیری عمیق) برای پیش‌بینی قیمت سهام ساخت استراتژی معاملاتی بر پایه ی شبکه‌های عصبی DNN و RNN و LSTM و کسب سود از هر استراتژی بررسی 100 ها مدل شبکه عصبی برای هر سهام و کدنویسی برای انتخاب برترین استراتژی ممکن خودکارسازی استراتژی و معاملات خودکار (الگوریتمی) بر روی هر دارایی (شامل سهام، بیت‌کوین، ارزهای فارکس، سهام بورس تهران) بیان موارد تئوری موردنیاز برای هوش دیپ‌لرنینگ نصب و راه‌اندازی محیط‌های لازم برای اجرای یک هوش مصنوعی نکته بسیار جذاب این دوره، ساختار طراحی آن است که مناسب برای همه افراد حتی کسانی که کوچک‌ترین اطلاعی از هوش مصنوعی و دیپ‌لرنینگ و حتی پایتون ندارند، است. در این دوره تلاش شده تا با بیانی قابل‌فهم و قوت انتقال حرفه‌ای، مطالب موردنیاز به‌صورت جزئی برای دانشجویان تفهیم گردد تا بحث‌های ثقیل به‌راحتی منتقل گردند. طراحی دوره کاملاً کاربردی و در فضای عملی است و  یکی از جذاب‌ترین دوره‌هایی خواهد بود که در چند سال اخیر آن را مشاهده نموده‌اید.