Summer of code
هوش مصنوعی و یادگیری ماشین
توضیح دوره
در این دوره ابتدا با مقدمات مباحث یادگیری ماشین آشنا میشویم و پیشنیازهای دوره را مرور میکنیم. سپس به بررسی روشهای مختلف نظیر رگرسیون، درخت تصمیم و شبکههای عصبی میپردازیم. با انجام تمرینات کامپیوتری، بیشتر با جنبه عملی قضیه و کار با داده آشنا میشویم. در نهایت با ورود به بحث یادگیری عمیق و مدلهای پردازش تصویر و مروری بر مدلهای جدیدتر، دوره را به پایان میرسانیم.
سرفصلها
📚 هفته اول:
- مقدمه و مرور پیشنیازها
- مقدمه دوره
- مقدمهای بر مباحث یادگیری ماشین و شاخههای مختلف آن
- مرور احتمال (احتمال شرطی، توزیعهای احتمال پرکاربرد، توزیع احتمال توام، …)
- مروری بر روشهای استنباط آماری (MLE, MAP, Bayesian Approach)
- مرور کلی جبر خطی
🔸 تمرین کامپیوتری 0: آشنایی با کتابخانههای تحلیل داده (numpy, pandas, matplotlib, sklearn)
📚 هفته دوم:
🖥 جلسه اول: Regression
- Linear Regression
- MSE Loss Function
- Optimization Methods
- Gradient Descent
- Regularization Techniques
- Logistic Regression
- Probabilistic Interpretation
🖥 جلسه دوم: - Generative vs. Discriminative Models
- Bias Variance Trade-off
- KNN Classifier
- Naïve Bayes Classifier
🔸 تمرین کامپیوتری ۱: آشنایی با EDA و پیادهسازی رگرسیون و مدل Naïve Bayes
📚 هفته سوم:
🖥 جلسه اول:
- آشنایی با مباحث Information Theory
- درخت تصمیم
- یادگیری تجمعی (Ensemble Learning)
- آشنایی با روش Bagging
- جنگلهای تصادفی (Random Forests)
- مقدمهای بر روشهای Boosting
🖥 جلسه دوم:
- مقدمهای بر شبکههای عصبی
- مروری بر تاریخچه شبکههای عصبی
- مروری بر ارتباط شبکههای عصبی مصنوعی با سیستم عصبی بدن انسان
- نحوه مدلسازی بر اساس نورون
- ویژگیهای کلی شبکههای عصبی
🔸 تمرین کامپیوتری ۲: پیادهسازی درخت تصمیم، جنگلهای تصادفی و بررسی عوامل overfitting
📚 هفته چهارم:
- مروری بر توابع فعالساز مختلف
- آشنایی با نحوه یادگیری در شبکههای عصبی
- روش Back Propagation
- شبکههای Auto-Encoder
- آشنایی با روشهای dimensionality reduction
- مروری بر روشهای optimization مثل Adam
🔸 تمرین کامپیوتری ۳: آشنایی با کتابخانههای keras و tensorflow – پیادهسازی شبکههای عصبی
📚 هفته پنجم:
- آشنایی با روشهای پردازش تصویر
- شبکههای عصبی کانولوشنی (CNNs)
- آشنایی با انواع معماریهای CNN
- مروری بر روشهای طبقهبندی و segmentation تصاویر
- آشنایی با روشهای Regularization در شبکههای عصبی
🔸 تمرین کامپیوتری ۴: آشنایی با کتابخانه torch و پیادهسازی CNN
📚 هفته ششم:
- جمعبندی مباحث
- مروری بر شاخههای مختلف یادگیری عمیق
- پردازش زبان طبیعی
- مدلهای generative
- آشنایی با شاخه adversarial در یادگیری عمیق
- آشنایی مختصر با نحوه کارکرد مدلهای مدرنتر مانند ChatGPT و DALLE-2 و …
مدرس: حسام اسدالهزاده
- دانشجوی ترم ۸ مهندسی کامپیوتر دانشگاه تهران
- مدرس دوره یادگیری ماشین و یادگیری عمیق SoC2022
- دستیار پژوهشی آزمایشگاه یادگیری ماشین دانشگاه صنعتی شریف
مهلت ثبت نام تمام شده است.