دوره اصول یادگیری ماشین و هوش مصنوعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک اصول هوش مصنوعی (AI) و یادگیری ماشین (ML)
- اعمال اصول ریاضی و آمار
- ساخت و ارزیابی مدلهای اولیه یادگیری ماشین
- درک و پیادهسازی مفاهیم یادگیری عمیق
- شناسایی و پرداختن به چالشهای اخلاقی در هوش مصنوعی
- دستیابی به تجربه عملی با ابزارها و جریانهای کار هوش مصنوعی
پیشنیازهای دوره
- برای دوره هیچ تجربه قبلی در زمینه هوش مصنوعی یا یادگیری ماشین نیاز نیست.
- درک اولیه از ریاضیات دبیرستان
- تا حدودی آشنایی با برنامهنویسی (ترجیحاً پایتون)
- مهمترین نکته - کنجکاوی و تمایل به یادگیری
توضیحات دوره
این دوره شامل استفاده از هوش مصنوعی در ایجاد اسکریپتها، ویژوالها، صدا و محتوای پشتیبان است
آیا آمادهاید تا به دنیای هوش مصنوعی (AI) و یادگیری ماشین (ML) گام بگذارید؟ این دوره که برای مبتدیان مناسب است، دانش پایه و مهارتهای عملی لازم برای درک، اعمال و ارزیابی سیستمهای هوش مصنوعی را با اطمینان در اختیار شما قرار میدهد.
در این دوره، شما با هوش مصنوعی، تاریخچه و تکامل آن و نحوه تحول صنایع مانند مراقبتهای بهداشتی، مالی، آموزش و حملونقل آغاز میکنید. شما درک جامعی از اصول کلیدی مانند یادگیری نظارت شده، یادگیری نظارت نشده و یادگیری تقویتی خواهید داشت و همچنین ریاضیات لازم برای کارکرد هوش مصنوعی را درک میکنید که شامل جبر خطی، احتمال و بهینهسازی میشود.
سپس به بررسی مدلهای یادگیری ماشین میپردازید و یاد میگیرید چگونه آنها را با استفاده از کتابخانههای پایتون مانند NumPy و Pandas و Scikit-learn بسازید و ارزیابی کنید. همچنین مبانی یادگیری عمیق را بررسی میکنید، از جمله شبکههای عصبی، CNNs و RNNs و کشف میکنید چگونه آنها به اپلیکیشنهایی مانند تشخیص تصاویر و پردازش زبان طبیعی نیرو میبخشند.
فراتر از جنبههای فنی، این دوره بر اهمیت هوش مصنوعی اخلاقی تأکید میکند. شما با مفاهیمی مانند سوگیری، انصاف، پاسخگویی، حریم خصوصی و امنیت آشنا میشوید تا بتوانید به طور انتقادی به تأثیر هوش مصنوعی در جامعه بیندیشید.
در پایان دوره، اعتمادبهنفس لازم برای درک و توضیح مفاهیم هوش مصنوعی، ساخت مدلهای ساده یادگیری ماشین و برداشتن گام بعدی به سوی تبدیل شدن به دانشمند داده، مهندس یادگیری ماشین یا متخصص هوش مصنوعی را در اختیار خواهید داشت.
امروز نخستین گام خود را به دنیای هیجانانگیز یادگیری ماشین و هوش مصنوعی بردارید.
این دوره برای چه کسانی مناسب است؟
- دانشجویان و مبتدیان در فناوری
- تغییردهندگان شغل
- توسعهدهندگان در آغاز مسیر حرفهای، تحلیلگران داده یا مهندسان
- کارآفرینان و متخصصان کسب وکار
- یادگیرندگان مادامالعمر
دوره اصول یادگیری ماشین و هوش مصنوعی
-
هوش مصنوعی چیست؟ 07:55
-
تاریخچه و تکامل هوش مصنوعی 03:42
-
کاربردهای هوش مصنوعی در زندگی واقعی 04:34
-
هوش مصنوعی در برابر یادگیری ماشین و یادگیری عمیق 03:54
-
انواع یادگیری ماشین 04:15
-
اصول کلیدی یادگیری ماشین 03:24
-
پیشپردازش داده 04:15
-
متریکهای ارزیابی 04:22
-
آزمون - اصول یادگیری ماشین None
-
رگرسیون خطی و چندجملهای 04:02
-
رگرسیون لجستیک و طبقهبندی 04:10
-
درختهای تصمیمگیری و جنگلهای تصادفی 03:46
-
ماشینهای بردار پشتیبان (SVMs) 04:07
-
نزدیکترین همسایه k (kNN) 04:05
-
آزمون - رگرسیون خطی و رگرسیون چندجملهای None
-
خوشهبندی (k-Means، سلسلهمراتبی و DBSCAN) 04:05
-
کاهش ابعاد (PCA و t-SNE) 04:14
-
استخراج قواعد انجمنی (Apriori و FP-Growth) 03:47
-
آشنایی با شبکههای عصبی 04:00
-
توابع فعالسازی 04:09
-
پسانتشار و گرادیان نزولی 03:47
-
شبکههای عصبی کانولوشن (CNNs) 04:11
-
شبکههای عصبی بازگشتی (RNNs) و LSTMs 03:50
-
آزمون - شبکههای عصبی و یادگیری عمیق None
-
مبانی یادگیری تقویتی 03:50
-
فرآیندهای تصمیمگیری مارکوف (MDP) 03:43
-
Q-Learning 04:00
-
یادگیری تقویتی عمیق (DQN و گرادیان سیاست) 04:45
-
آشنایی با پردازش زبان طبیعی 03:44
-
پردازش متن و استخراج ویژگی 04:15
-
مدلهای زبانی 04:22
-
تحلیل احساسات 03:59
-
ترجمه ماشینی 04:12
-
آزمون - پردازش زبان طبیعی (NLP) None
-
آشنایی با بینایی کامپیوتری 04:13
-
تکنیکهای پردازش تصویر 04:01
-
تشخیص شی 04:19
-
طبقهبندی تصاویر 04:07
-
بخشبندی تصویر 04:14
-
شبکههای عصبی کانولوشن (CNNs) 03:48
-
ملاحظات اخلاقی در هوش مصنوعی 03:48
-
سوگیری و عدالت در هوش مصنوعی 04:05
-
حریم خصوصی و امنیت در هوش مصنوعی 03:55
مشخصات آموزش
دوره اصول یادگیری ماشین و هوش مصنوعی
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:43
- مدت زمان :02:43:02
- حجم :995.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy