اصول علم داده و یادگیری ماشین برای علوم

آنچه یاد خواهید گرفت:

• درک مفاهیم علم داده و یادگیری ماشین و کاربرد آنها در علوم
• آشنایی با الگوریتم‌های اصلی استفاده شده در تسک‌های دسته‌بندی، رگرسیون و خوشه‌بندی
• شناخت معماری‌های اصلی شبکه‌های عصبی
• درک نحوه استفاده از الگوریتم‌ها و تحلیل‌ها در پروژه‌ها، تحقیقات و مطالعات علمی

پیش‌نیازهای دوره

• داشتن دانش اولیه ریاضی مطلوب است

توضیحات دوره

دوره «اصول علم داده و یادگیری ماشین برای علوم» طراحی شده تا فاصله بین رشته‌های سنتی علمی و حوزه‌های در حال تحول سریع علم داده (DS) و یادگیری ماشین (ML) را پر کند. با توجه به اینکه فضای پژوهش‌های علمی روز به روز بیشتر به مجموعه داده‌های بزرگ و روش‌های محاسباتی پیچیده وابسته می‌شود، لازم است دانشمندان با نحوه استفاده از تکنیک‌های DS و ML برای بهبود تحقیقات خود آشنا باشند.

این دوره یک مقدمه جامع بر مفاهیم پایه علم داده و یادگیری ماشین ارائه می‌دهد، که به طور خاص برای دانشمندان و پژوهشگرانی در زمینه‌هایی مانند زیست‌شناسی، شیمی، فیزیک و علوم زیست‌محیطی طراحی شده است. شرکت‌کنندگان مباحث بنیادی تحلیل داده از جمله جمع‌آوری داده، پاکسازی و مصورسازی آن را خواهند آموخت و سپس به سراغ الگوریتم‌های یادگیری ماشین می‌روند که می‌توانند الگوها را کشف کرده و پیش‌بینی‌هایی بر اساس داده‌ ارائه دهند.

این دوره برنامه‌نویسی را شامل نمی‌شود و بیشتر بر مفاهیم پایه و نظری مرتبط تمرکز دارد. دوره به 6 فصل اصلی تقسیم شده که عبارتند از:

مقدمه

در این بخش، ضمن معرفی دوره و ویژگی‌های اصلی آن، محتوای دوره و نحوه مشاهده آن توضیح داده می‌شود.

مفاهیم DS و ML

در این قسمت، مفاهیم اولیه مانند متغیرها، مقیاس‌بندی داده، آموزش، مجموعه داده‌ها، مصورسازی داده‌ و موارد دیگر بررسی می‌شوند.

دسته‌بندی

در این فصل، الگوریتم‌های اصلی دسته‌بندی مثل درخت تصمیم‌گیری، جنگل‌های تصادفی، بیزهای ساده و KNN با مثال‌هایی از کاربرد آنها در علوم معرفی می‌شوند.

رگرسیون

در این بخش، به طور خلاصه رگرسیون خطی و رگرسیون خطی چندگانه همراه با مفاهیم اصلی و مثال‌های علمی بررسی می‌شوند.

خوشه‌بندی

در این جلسه، خوشه‌بندی استاندارد و خوشه‌بندی سلسله‌مراتبی مطرح شده و چند مثال علمی ارائه می‌شود.

شبکه‌های عصبی

در این قسمت، مفهوم شبکه‌های عصبی، الهام‌بخشی آنها از نورون‌های زیستی و برخی معماری‌های مهم مانند شبکه‌های عصبی پیشخور (FNN)، شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های عصبی هاپفیلد معرفی می‌شوند.

این دوره برای چه کسانی مناسب است؟

• جامعه هدف اصلی، افراد علاقه‌مند به STEM هستند که می‌خواهند مفاهیم DS و ML را درک و به کار ببرند.
• افراد با زمینه IT و مهندسی کامپیوتر که می‌خواهند بدانند الگوریتم‌ها چگونه در پروژه‌های علمی استفاده می‌شوند.
• افراد با پیش‌زمینه ریاضی که مایل به درک مفاهیم DS و ML و علوم هستند.