آموزش هوش مصنوعی – تکمیلی فرادرس

محتوای این دوره، شامل ویدئوها، فایل‌های پیوست، پروژه‌ها و یادداشت‌ها، با هدف یادگیری سریع‌تر و مؤثرتر طراحی شده‌اند. تمامی دوره های رایگان کده به‌صورت رایگان و همچنین از طریق خرید اشتراکی در دسترس بوده و سعی شده همواره تمامی دوره ها بدون قفل و دارای آخرین آپدیت باشند. دوره ها فقط از سمت ربات تلگرامی رایگان کده قابل دانلود هستند.

3/5 - (2 امتیاز)
|
19 ساعت
-
-

آموزش هوش مصنوعی – تکمیلی فرادرس

محتوای این دوره، شامل ویدئوها، فایل‌های پیوست، پروژه‌ها و یادداشت‌ها، با هدف یادگیری سریع‌تر و مؤثرتر طراحی شده‌اند. تمامی دوره های رایگان کده به‌صورت رایگان و همچنین از طریق خرید اشتراکی در دسترس بوده و سعی شده همواره تمامی دوره ها بدون قفل و دارای آخرین آپدیت باشند.

3/5 - (2 امتیاز)
وضعیت آپدیت

این دوره تا آخرین پارت منتشر شده از سوی سازنده قرار گرفته است!

نوع لایسنس

این دوره بدون هیچ لایسنس و قفل نرم‌افزاری با فرمت MP4 قرار گرفته است!

توضیحات
۳/۵ - (۲ امتیاز)

آموزش هوش مصنوعی – تکمیلی فرادرس

هوش مصنوعی یکی از پیشرفته‌ترین و تأثیرگذارترین حوزه‌های علوم کامپیوتر است که در حال تغییر نحوه تعامل انسان‌ها با فناوری‌های مدرن است. این دوره تکمیلی بر مفاهیم پیشرفته هوش مصنوعی تمرکز دارد و مباحثی مانند یادگیری عمیق، شبکه‌های عصبی پیچیده، پردازش زبان طبیعی و بینایی ماشین را مورد بررسی قرار می‌دهد. هدف این دوره، ارائه دانش عمیق‌تر برای پیاده‌سازی مدل‌های هوش مصنوعی در مسائل کاربردی است.

در این آموزش، تکنیک‌های پیشرفته‌ای مانند مدل‌های مبتنی بر تقویت یادگیری، شبکه‌های عصبی کانولوشنی (CNNs) و بازگشتی (RNNs) معرفی می‌شوند. همچنین، چالش‌ها و روش‌های بهینه‌سازی مدل‌های یادگیری عمیق و کاربرد آن‌ها در حوزه‌هایی مانند پزشکی، رباتیک، پردازش تصویر و تحلیل داده‌های بزرگ مورد بحث قرار می‌گیرند.

این دوره با پروژه‌های عملی و مثال‌های واقعی همراه است تا شرکت‌کنندگان بتوانند مهارت‌های خود را در زمینه طراحی و پیاده‌سازی مدل‌های هوش مصنوعی توسعه دهند. در پایان دوره، دانشجویان قادر خواهند بود الگوریتم‌های پیچیده یادگیری ماشین را برای حل مسائل واقعی به کار ببرند و در مسیر پژوهش و توسعه سیستم‌های هوشمند گام بردارند.

سرفصل‌ها
  • درس یکم: مقدمه ای بر هوش مصنوعی – عامل های هوشمند
    • هوش مصنوعی چیست؟ کجاها به هوش مصنوعی نیاز هست؟
    • عامل های هوشمند و چگونگی کارکرد آن ها
    • توصیف محیط عامل های هوشمند
    • انواع عامل های هوشمند
  • درس دوم: حل مساله از طریق جستجو – جستجوی ناآگاهانه
    • عامل حل مساله – اجزای حل مساله
    • چند مساله برای حل
    • روش های جستجوی ناآگاهانه
      • تولید و تست
      • جستجوی سطح اول
      • جستجوی هزینه یکنواخت
      • جستجوی اول عمق
      • جستجوی عمق محدود
      • جستجوی اول عمق عمیق شونده تکراری
      • جستجوی دوطرفه
    • مقایسه روش های جستجوی ناآگاهانه
    • حذف حالات تکراری در جستجوی ناآگاهانه
    • جستجو با اطلاعات ناقص
    • مسائل وابسته به شرایط (احتمالی)
  • درس سوم: جستجوهای آگاهانه
    • مقدمه ای بر جستجوی آگاهانه
    • جستجوهای آگاهانه
      • جستجوی اولین بهترین حریصانه
      • جستجوی *A
      • جستجوی *IDA
      • جستجوی اول بهترین بازگشتی (RBFS)
      • جستجوی *SMA
    • تابع هیوریستیک – افزایش کارایی
    • الگوریتم های جستجوی محلی – مسائل بهینه سازی
      • جستجوی تپه نوردی
      • جستجوی (Simulated annealing (SA
      • جستجوی پرتوی محلی (Local beam Search)
      • الگوریتم های خانواده ژنتیک
    • جستجو در محیط های پیوسته
  • درس چهارم: مسائل ارضای محدودیت
    • معرفی فرمت مسائل ارضای محدودیت (CSP)
    • جستجوی عقب گرد برای مسائل ارضای محدودیت
    • انتشار اطلاعات محدودیت ها
      • جستجوی بررسی پیشرو (FC)
      • پخش محدودیت (سازگاری کمان (Arc Consistency))
      • عقب گرد هوشمند
    • جستجوی محلی در حل مسائل ارضای محدودیت
  • درس پنجم: جستجوی خصمانه (بازی ها)
    • تصمیمات بهینه در بازی ها
    • روش MiniMax
    • هرس آلفا – بتا
    • تصمیمات بلادرنگ
    • توابع ارزیابی – قطع جستجو
    • بازی های دارای عامل شانس
  • درس ششم: عامل های منطقی
    • عامل مبتنی بر دانش – تعریف دنیای WUMPUS
    • منطق چیست؟
    • معرفی منطق گزاره ای (نحو، معناشناسی، استنتاج، هم ارزی، ارضا پذیری)
    • الگوهای استدلال در منطق گزاره ای (قیاس – رزولوشن)
    • زنجیره سازی به جلو و عقب
    • عامل های مبتنی بر منطق گزاره ای – عامل های مبتنی بر مدار
  • درس هفتم: منطق مرتبه اول
    • بازنمایی دانش
    • نحو و معانی در منطق مرتبه اول
    • ترم ها – سورها جملات ساده و پیچیده در منطق مرتبه اول
    • به کارگیری منطق مرتبه اول در توصیف
    • مهندسی دانش در منطق مرتبه اول
  • درس هشتم: استنتاج در منطق مرتبه اول
    • مقایسه استنتاج گزاره ای و استنتاج منطق مرتبه اول
    • یکسان سازی و ارتقا
    • زنجیره سازی پیشرو
    • رزولوشن در منطق مرتبه اول
  • درس نهم: عدم قطعیت – شبکه های بیزین
    • قانون احتمال – قانون بیزین
    • استدلال در شبکه های باور
مخاطبین
  • پژوهشگران و توسعه‌دهندگان حوزه هوش مصنوعی.

  • دانشجویان و فارغ‌التحصیلان علوم کامپیوتر، مهندسی و ریاضیات.

  • افرادی که به دنبال یادگیری تکنیک‌های پیشرفته یادگیری ماشین و یادگیری عمیق هستند.

  • کسانی که هیچ آشنایی اولیه با هوش مصنوعی و یادگیری ماشین ندارند.

  • افرادی که به دنبال آموزش پایه‌ای هوش مصنوعی هستند.

  • کسانی که علاقه‌ای به برنامه‌نویسی و تحلیل داده ندارند.

سوالات متداول

بله، این دوره تکمیلی است و داشتن آشنایی اولیه با مفاهیم یادگیری ماشین ضروری است.

بله، بیشتر مثال‌ها و پروژه‌ها با استفاده از پایتون و کتابخانه‌هایی مانند TensorFlow و PyTorch ارائه می‌شوند.

بله، در طول دوره پروژه‌های متعددی برای پیاده‌سازی الگوریتم‌های هوش مصنوعی ارائه می‌شود.

سایر دوره‌ها
دیدگاه کاربران

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

1,280,000 تومان
رایگان