اصول ریاضیات برای هوش مصنوعی
✅ سرفصل و جزئیات آموزش
توضیحات دوره
این دوره یک مقدمه جامع دریاره اصول ریاضی ارائه میدهد که مبانی هوش مصنوعی و یادگیری ماشین را تشکیل میدهد. این دوره برای یادگیرندگانی با زمینههای تحصیلی متفاوت طراحی شده است و مفاهیم ریاضی ضروری را با اپلیکشن های واقعی هوش مصنوعی پیوند میزند، به دانشآموزان این امکان را میدهد که تکنیکهای ریاضی مربوط به توسعه هوش مصنوعی را درک و پیادهسازی کنند.
تا پایان این دوره، یادگیرندگان قادر خواهند بود تا توابع، ماتریسها و بردارها را برای نمایش و تحلیل روابط دادهها به کار ببرند. دانشآموزان قادر خواهند بود از آمار توصیفی و تکنیکهای مصورسازی داده برای کاوش و خلاصهسازی مجموعههای داده استفاده کنند، سیستمهای معادلات خطی را حل کنند و روابط پیچیده را با استفاده از رگرسیون خطی با یک یا چند متغیر مدلسازی کنند و اصول بنیادی احتمال را، از جمله نظریه بیز، درک و پیادهسازی کنند.
این دوره به تکنیکهای ریاضی پیشرفته در حساب دیفرانسیل و انتگرال میپردازد و مشتقات و انتگرالها را برای تحلیل نرخ تغییر و توزیعها، که برای بهینهسازی و مدلسازی در هوش مصنوعی ضروری است، توسعه میدهد. مفاهیم جبر خطی برای بررسی مفاهیم پیشرفتهای مانند بردارهای ویژه، دترمینانها و تبدیلهای خطی برای کاهش ابعاد و الگوریتمهای طبقهبندی استفاده میشود.
این دوره بهطور خاص برای علاقهمندان به حرفه هوش مصنوعی طراحی شده است. برخلاف دورههای ریاضی سنتی، این برنامه درسی بر تکنیکهای ریاضی تمرکز دارد که مستقیماً قابل استفاده در هوش مصنوعی و یادگیری ماشین هستند و نظریه را با عمل پیوند میزند. از طریق ماژولهای تعاملی، مجموعهدادههای واقعی و ابزارهایی مانند Python و Excel، شما نه تنها مفاهیم را درک میکنید، بلکه آنها را برای حل مشکلات عملی به کار میبرید. با ماژولهای مشخصی مانند آمار توصیفی، جبر خطی، احتمال و بهینهسازی، این دوره به شما این امکان را میدهد که دانش خود را به تدریج بنا کنید و هر مفهوم را به موارد استفاده در هوش مصنوعی مرتبط کنید.
هر موضوع با مثالهای مرتبط با هوش مصنوعی معرفی میشود، مانند استفاده از رگرسیون خطی برای مدلسازی حقوق و یا بهکارگیری تکنیکهای بهینهسازی در الگوریتمهای خوشهای، سپس بر روی کاربردهای نظریه تمرکز میشود. این دوره شما را با تسلط به مباحث ریاضی لازم برای دورهها و تحقیقات پیشرفتهتر هوش مصنوعی، مانند یادگیری عمیق یا پردازش زبان طبیعی، مجهز میسازد.
چه شما یک مهندس، دانشمند داده یا به سادگی علاقهمند به ورود به هوش مصنوعی باشید، این دوره پایه ریاضی لازم را به شما ارائه میدهد تا بتوانید در زمینه رو به رشد هوش مصنوعی درک و مشارکت کنید.
اصول ریاضیات برای هوش مصنوعی
-
مبانی توابع 17:30
-
توابع چندضابطهای و نمودارها 18:11
-
وبسایتهای رسم نمودار 5:48
-
توابع متداول 22:51
-
معادلات خطوط 26:05
-
توابع درجه دو 29:53
-
توابع نمایی 12:58
-
توابع لگاریتمی 14:36
-
مبانی توابع None
-
وبسایتهای رسم نمودار None
-
توابع متداول یک متغیره None
-
توابع خطی None
-
توانها، ریشهها و چندجملهایها None
-
توابع نمایی و لگاریتمی None
-
آمار توصیفی در Excel 16:11
-
معیارهای پراکندگی 12:18
-
مصورسازی دادهها: شکل دادهها 14:06
-
نمودارهای خوب و بد 19:31
-
آمار توصیفی None
-
مصورسازی دادهها None
-
آموزشهای مصورسازی دادهها None
-
سیستمهای معادلات خطی 33:44
-
معادلات برداری 27:58
-
معادلات ماتریسی 22:00
-
عملیات ماتریسی 21:31
-
ماتریسهای معکوس 20:00
-
سیستمهای معادلات خطی None
-
کار با بردارها None
-
معادلات ماتریس و بردار None
-
عملیات ماتریسی None
-
معکوس یک ماتریس None
-
تحلیل نمودارهای پراکندگی 18:47
-
مدلسازی خطی 21:48
-
نمودارهای پراکندگی در Excel و Desmos 18:45
-
رگرسیون خطی چندگانه 17:27
-
مقدمهای بر رگرسیون خطی None
-
تعبیر و ارزیابی مدلهای رگرسیون خطی None
-
رگرسیون خطی چندگانه None
-
استقلال خطی 21:14
-
مقدمهای بر تبدیلهای خطی 24:18
-
ماتریس یک تبدیل خطی 23:48
-
استقلال خطی None
-
تبدیلهای خطی None
-
تبدیلات خطی و ماتریسهای متداول None
-
ضرب نقطهای، طول و عمود بودن 14:57
-
زیر فضاهای R^n 24:53
-
ویدیو مجموعههای عمود بر هم از بردارها 24:55
-
فرآیند گرام-اشمیت 14:06
-
طول بردار، فاصله و زوایا None
-
زیر فضاها None
-
مجموعههای عمود بر هم از بردارها None
-
فاصله و طبقهبندی در یادگیری ماشین None
-
دترمینانها 13:55
-
مقدمهای بر مقادیر ویژه و بردارهای ویژه 24:22
-
معادله ویژگی 17:35
-
دترمینانها None
-
مقادیر ویژه و بردارهای ویژه None
-
کاهش ابعاد در یادگیری ماشین None
-
احتمال و وقایع 11:06
-
ترکیبهای وقایع 8:17
-
متغیرهای تصادفی 12:36
-
احتمال شرطی 13:21
-
تعریف احتمال None
-
متغیرهای تصادفی None
-
توزیعهای احتمالی گسسته None
-
جمع، ضرب و مکملها None
-
قانون بیز None
-
دستهبندیکننده بیز ساده None
-
مقدمهای بر حدها 19:51
-
مثالهایی برای یافتن حدها 16:09
-
مسئله خط مماس 13:55
-
مشتقات 17:04
-
حد یک تابع None
-
نرخهای تغییر None
-
مشتق None
-
محاسبه مشتقات None
-
بیشترین و کمترین مقادیر 25:32
-
Python: محاسبهگر اکسترمم محلی تابع 13:12
-
مثالهای بهینهسازی 27:26
-
بیشینهها و کمینهها None
-
نقاط تقعر و عطف None
-
مسائل بهینهسازی None
-
خوشهبندی K-Means None
-
سایر انواع خوشهبندی None
-
مساحت زیر منحنیها 18:13
-
انتگرال معین 15:53
-
Python: انتگرالگیری تقریبی و دقیق 9:25
-
قضیه بنیادی حساب دیفرانسیل 8:05
-
توزیع نرمال - بخش 1 10:11
-
توزیع نرمال - بخش 2 9:12
-
یافتن مساحت زیر منحنی None
-
تعبیر انتگرال معین None
-
مشتقات معکوس و FTC None
-
انتگرالهای نادرست None
-
توزیعهای احتمالی پیوسته None
-
مشتقات جزئی 24:09
-
مشتقات جهتی و گرادیان 23:27
-
مشتقات جزئی None
-
مشتقات جهتی و گرادیان None
-
مقدمهای بر یادگیری عمیق None
-
کاهش گرادیان None
مشخصات آموزش
اصول ریاضیات برای هوش مصنوعی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:101
- مدت زمان :15:13:05
- حجم :1.97GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy