هوش مصنوعی چیست؟
هوش مصنوعی (AI) روش‌هایی را بررسی میکند که به وسیله آن کامپیوترها می‌توانند از قابلیت‌های انسان تقلید کنند. یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است که به کامپیوترها می‌آموزد این تقلید را با نشان دادن حجم زیادی از داده‌ها انجام دهند و به آنها تعلیم می‌دهد که از این داده‌ها یاد بگیرند. به عبارت دیگر، یادگیری ماشین، هوشمند کردن رایانه‌ها است بدون اینکه مستقیماً به آنها یاد بدهیم چطور رفتار کنند. اما این اتفاق چطور می‌افتد؟ رایانه‌ها می‌توانند با استفاده از حجم عظیمی از داده، به طور خودکار الگوهایی تکرارشونده را بدون دخالت انسان یاد بگیرند. یادگیری این الگوریتم‌ها به تقلید از شیوه یادگیری انسان انجام می‌شود و با بیشتر شدن تجربه رایانه، به‌تدریج دقت آن بالاتر می‌رود. به طور کلی روش‌های یادگیری ماشین به 3 دسته تقسیم می‌شوند:
- یادگیری با نظارت (Supervised Learning)
- یادگیری بدون نظارت (Unsupervised Learning)
- یادگیری تقویتی (Reinforcement Learning)
یادگیری با نظارت
در یادگیری با نظارت، ماشین نیاز به یک ناظر یا راهنما دارد. دقیقا مثل کسی که پشت فرمان نشسته و در حال یاد گرفتن رانندگی است. کنار این شخص کسی به عنوان راهنما نشسته و توصیه‌های لازم را به او می‌دهد. در یادگیری با نظارت یک سری داده‌های از قبل آماده شده به عنوان راهنما به ماشین داده می‌شود و ماشین با توجه به مدل مربوطه، تصمیمات لازم را اتخاذ میکند. در یادگیری بدون نظارت، ماشین نیازی به راهنما نداشته و به کمک مشاهدات می‌تواند روابط بین داده‌ها را کشف کند. در این حالت بعد از اینکه کامپیوتر داده‌های مختلف را بدون راهنما دریافت کرد، می‌تواند روابط بین آنها را کشف کند. در یادگیری تقویتی، ماشین مرتب خود را تقویت کرده و سعی میکند در ارتباط یک عامل (Agent) با محیط (Environment) چیزهای جدید یاد بگیرد. این روش به کمک آزمون و خطا سعی در حل مساله داشته و در صورت گرفتن نتیجه مثبت، پاداش دریافت کرده و در صورت گرفتن نتیجه منفی، جریمه می‌شود. در این حالت ماشین سعی میکند در تصمیم‌های آتی خود موفق‌تر باشد.
مزایای ثبت نام در دوره
کاربرد های یادگیری ماشین:
- تشخیص و تصنیف الگوها: یکی از کاربردهای اصلی یادگیری ماشین، تشخیص و تصنیف الگوها است. با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان الگوهای پیچیده‌ای را در داده‌ها شناسایی کرده و آنها را به دسته‌ها و گروه‌های مختلف تقسیم بندی کرد. به عنوان مثال، در تشخیص هوشمند اسپم ایمیل، الگوریتم‌های یادگیری ماشین می‌توانند ایمیل‌های هرزنامه را از ایمیل‌های معمولی تمیز کنند.
- پیش‌بینی و تحلیل: یادگیری ماشین به ما امکان می‌دهد تا با استفاده از داده‌های گذشته، پیش‌بینی‌هایی در مورد رویدادهای آینده انجام دهیم. به طور مثال، در بازارسازی آنلاین، با استفاده از الگوریتم‌های یادگیری ماشین می‌توان الگوهای خریداران را تحلیل کرده و پیش‌بینی‌هایی در مورد رفتار آینده آنها داشت.
- پزشکی و بهداشت: در حوزه پزشکی و بهداشت، یادگیری ماشین می‌تواند برای تشخیص بیماری‌ها، تحلیل تصاویر پزشکی، توصیه درمان و پیش‌بینی نتایج بیماری‌ها استفاده شود. به عنوان مثال، الگوریتم‌های یادگیری ماشین می‌توانند در تشخیص سرطان از طریق تصاویر پرتودهی مانند تصاویر اسکن CT یا MRI کمک کنند.
محتوای دوره آموزشی
مبحث اول : ساختمان داده‌های List و Dictionary
مبحث دوم : ساختار شرط if else و elif
مبحث سوم : ساختار حلقه for و while
مبحث چهارم : توابع و کلاس ها
مبحث اول : تقسیم‌بندی داده‌های train و test
مبحث دوم : همسان‌سازی مقیاس داده‌ها
مبحث اول : Linear Models
مبحث دوم : Nave Bayes Classifier
مبحث سوم : Decision Tree
مبحث چهارم : Random Forest
مبحث پنجم : Support Vector Machine (SVM)
مبحث اول : K-Fold Cross-Validation
مبحث دوم : معیارهای ارزیابی Binary Classification
مبحث سوم : معیارهای ارزیابی Multiclass Classification
مبحث چهارم : معیارهای ارزیابی Regression
-
دکتر محمد جواد پارسه
Assis. Prof. in Artificial intelligence and Computer Engineering, Jahrom University
بیوگرافی
موقعیت شغلی: استادیار گروه مهندسی کامپیوتر، دانشگاه جهرم
مدرک تحصیلی: دکتری تخصصی مهندسی کامپیوتر گرایش هوش مصنوعی
تخصص: بینایی کامپیوتر و یادگیری ماشین
زمینه های مورد علاقه: تشخیص دست نوشته های فارسی موجود در تصاویر دیجیتال، درک صحنه، شناسایی اشیاء در تصویر، ردیابی اشیاء بصری، یادگیری عمیق، تجزیه و تحلیل داده های بزرگ، یادگیری ماشین
هم اکنون ثبت نام کنید
هزینه ثبت نام در دوره: یک میلیون تومان
%50 تخفیف
برای اساتید و دانشجویان دانشگاه جهرم
%30 تخفیف
برای کلیه دانشجویان
ارائه کارت دانشجویی الزامی است
