یادگیری ماشین برای مهندسی: از صفر تا صد

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

درک هوش مصنوعی مورد نیاز برای کاربردهای مهندسی
چگونگی کدنویسی یک مدل بهینه‌سازی از ابتدا
چگونگی کدنویسی خوشه‌بندی K-Means از ابتدا
چگونگی کدنویسی موتور یادگیری تقویتی جدول Q از ابتدا
استفاده از Google Or-Tools برای بهینه‌سازی مسئله زمان‌بندی کارخانه
استفاده از کتابخانه OpenAI Baselines برای حل یک مسئله کنترل.
استفاده از Keras برای ساخت شبکه عصبی U-Net برای بخش‌بندی (مشخص کردن) یک ترک روی سطح
پیش‌بینی خرابی ماشین با استفاده از داده‌ واقعی موتور هواپیما

پیش‌نیازهای دوره

ریاضیات دبیرستان
دانش اولیه پایتون

توضیحات دوره

این یک دوره کامل است که شما را برای استفاده از یادگیری ماشین در کاربردهای مهندسی از صفر تا صد آماده می‌کند. ما اصوب یادگیری ماشین و کاربردهای آن در شرکت‌های مهندسی را پوشش خواهیم داد و بر 4 نوع یادگیری ماشین از جمله بهینه‌سازی، داده‌ ساختاریافته، یادگیری تقویتی و بینایی ماشین تمرکز می‌کنیم.

چه مهارت‌هایی را یاد خواهید گرفت:

در این دوره، شما مهارت‌های زیر را کسب خواهید کرد:

درک ریاضیات پشت الگوریتم‌های یادگیری ماشین
نوشتن و ساختن الگوریتم‌های یادگیری ماشین از ابتدا
پیش‌پردازش داده‌ برای تصاویر، یادگیری تقویتی، داده‌ ساختاریافته و بهینه‌سازی
تحلیل داده برای استخراج بینش‌های ارزشمند
استفاده از کتابخانه‌های متن‌باز

ما پوشش خواهیم داد:

اصول بهینه‌سازی و ساخت الگوریتم‌های بهینه‌سازی از ابتدا
استفاده از کتابخانه و حل‌کننده بهینه‌سازی Google OR-Tools برای حل مسائل زمان‌بندی کارگاهی
اصول الگوریتم‌های پردازش داده‌ ساختاریافته و ساخت خوشه‌بندی داده با استفاده از الگوریتم K-Means از ابتدا
استفاده از کتابخانه scikit-learn به همراه سایر کتابخانه‌ها برای پیش‌بینی عمر مفید باقی‌مانده موتورهای هواپیما (نگهداری و تعمیرات پیش‌بینانه)
اصول یادگیری تقویتی و ساخت الگوریتم‌های جدول Q از ابتدا
استفاده از کتابخانه‌های Keras و Stable Baselines برای کنترل دمای اتاق و ساخت یک محیط سفارشی با استفاده از OpenAI Gym
اصول یادگیری عمیق و شبکه‌های مورد استفاده در یادگیری عمیق برای بازرسی بینایی ماشین
استفاده از TensorFlow/Keras برای ساخت شبکه‌های عصبی عمیق و پردازش تصاویر برای طبقه‌بندی با استفاده از CNN (تصاویر دارای ترک و تصاویر بدون ترک) و تشخیص و بخش‌بندی ترک با استفاده از U-Net (مشخص کردن محل ترک در هر تصویر دارای ترک)

اگر تجربه قبلی در یادگیری ماشین یا مهندسی محاسباتی ندارید، مشکلی نیست. این دوره کامل و مختصر است و اصول یادگیری ماشین را به همراه استفاده از داده‌ واقعی با کتابخانه‌های متن‌باز قدرتمند مورد نیاز برای اعمال هوش مصنوعی در شرکت‌ها پوشش می‌دهد. بیایید با هم کار کنیم تا نیاز شرکت‌ها به استفاده از یادگیری ماشین در کاربردهای مهندسی را برآورده سازیم تا محصولات مهندسی آینده خود را هوشمندتر کنیم.

این دوره برای چه کسانی مناسب است؟