دوره جامع یادگیری ماشین


دوره جامع یادگیری ماشین تعلیمستان، یکی از کامل ترین دوره های موجود برای یادگیری Machine Learning میباشد که تمامی مفاهیم را از ابتدایی ترین تعریفات تا مسائل پیچیده تر به صورت کامل پوشش میدهد. برای استفاده از این دوره نیاز به هیج پیشنیازی ندارید و حتی مقدمات متلب و جبر خطی برای دانشجویانی که آشنایی ندارند آموزش داده شده است. در کنار مطالب این دوره یکی از پرکاربرد ترین الگوریتم های هوش مصنوعی یعنی الگوریتم ژنتیک آموزش داده شده و یک مثال بسیار جالب از این الگوریتم به صورت عملی حل شده است. شما برای گذراندن این دوره نیازی به دانش عمیق از هوش مصنوعی ندارید و تمامی مفاهیم مورد نیاز از ابتدایی ترین تعریفات به صورت کامل توضیح داده شده است.
پیشنمایش دوره
همانطور که از ویدئوهای پیشنمایش مشخص است، در این دوره علاوه بر پوشش کامل مسائل تئوری، مثالهای عملی زیادی نیز بررسی شده است.
این دوره از 5 بخش اصلی تشکیل شده است: (برای مشاهده سرفصلها به صورت کامل به سربرگ برنامه تحصیلی مراجعه کنید.)
- آشنایی شبکه های عصبی MLP
- آشنایی ماشین یادگیرنده بردار پشتیبان
- آموزش الگوریتم ژنتیک در متلب
- آموزش مقدمات متلب
- آموزش جبر خطی
در ادامه توضیحات و پیشنمایش مربوط به هر بخش به صورت مجزا آورده شده است. درضمن سعی شده است بخشهای مختلف دوره به صورت مجزا از هم تدوین شوند تا مرور و مراجعه مجدد به دوره برای دانشجویان راحت تر باشد و بتوانند به صورت منبع مرجع از بخشهای مختلف استفاده کنند.
- آشنایی شبکه های عصبی MLP
این دوره مجموعۀ کاملی از دروس مرتبط با شبکه های عصبی مصنوعی را در اختیار شما قرار می دهد. کل دوره حدود 14 ساعت است که مباحث گوناگونی از جمله بردار ویژگی و مفهوم کاهش بعد، شبکه عصبی تک لایه به همراه روشهای آموزش و مثالهای عددی و کاربردهای آن، شبکه عصبی پیشخور چند لایه (MLP)، آموزش MLP به روش پس انتشار خطا (یا همان الگوریتم گرادیان نزولی پیاده سازی شده با قانون دلتا)، آموزش MLP با قانون دلتای تعمیم یافته (یا همان قانون دلتا با اضافه کردن جمله لختی)، شگردهای افزایش کیفیت و سرعت آموزش MLP، هرس کردن MLP با الگوریتم جراح مغز بهینه و آموزش فشرده نحوه کار با دستورات شبکه عصبی MLP در متلب را در بر دارد. در آخرین درس دوره نیز پنج کاربرد MLP یعنی یادگیری پارک کردن خودکار یک اتومبیل (به عنوان یک مسالۀ کنترل غیرخطی چند متغیره)، پیش بینی سری زمانی آشوبی مکی-گلاس، فشرده سازی داده، شبیه سازی مسابقه فوتبال با یک MLP آموزش دیده به عنوان مغز هر بازیکن و طراحی فیلتر وارون غیرخطی (به عنوان مثال جهت حذف اعوجاج کانالهای مخابراتی) مرور شده است.
- ماشین یادگیرنده بردار پشتیبان
ماشین یادگیرنده بردار پشتیبان (Support Vector Machine: SVM) ماشینی با تئوری بسیار زیبا و بهینه است که به طور ویژه برای حل مسائل طبقه بندی الگو اعم از تفکیک پذیر خطی یا تفکیک ناپذیر خطی ابداع شده است. در بسیاری از مسائل کاربردی مشاهده شده که کارآیی SVM در حل مسائل طبقه بندی (دسته بندی) به طور محسوسی بالاتر از شبکه های عصبی چند لایه (MLP) است.
در درس اول این بخش برخی مفاهیم پایه ای نظیر بردار ویژگی و کاهش بعد با ذکر مثالهای کاربردی مرور شده است. در درسهای بعدی فرمول بندی ریاضی طراحی ماشین یادگیرندۀ پشتیبان به طور دقیق و گام به گام با ذکر تمام جزئیات توضیح داده شده است. همچنین نحوۀ حل مسائل عددی با ذکر مثالهایی در نرم افزار متلب آموزش داده شده است.
- آشنایی با الگوریتم ژنتیک
این بخش از دوره به گونه ای طراحی شده که مخاطب آن بتواند توانایی حل مسائل بهینه سازی ریاضی و مهندسی را با استفاده از الگوریتم ژنتیک در MATLAB با صرف کمترین زمان و انرژی ممکن به دست آورد. این بخش از دوره شامل دو درس است. در درس اول، مفاهیم کلی بهینه سازی از قبیل تابع هزینه و انواع قیود (خطی، غیر خطی، برابری، نابرابری) مرور شده و نحوۀ نوشتن تابع هزینه و انواع قیود در متلب آموزش داده شده است. همچنین نحوۀ استفاده از دستور ga برای حل مسائل بهینه سازی در این درس توضیح داده شده است. در درس دوم پس از توضیح مختصر تئوری الگوریتم ژنتیک، نحوۀ تنظیم پارامترهای آن (از قبیل تعداد افراد، محدودۀ افراد تصادفی حاضر در نسل اول، پارامترهای مهاجرت، تعیین سهم عملگرها و …) با استفاده از دستور gaoptimset آموزش داده شده است. پس از یادگیری این بخش تقریباً دو ساعته خواهید توانست تقریباً هر مسالۀ بهینه سازی استانداردی را به آسانی حل کنید.
- شبکه های عصبی بردار پشتیبان
این بخش از دوره شامل پنج درس است. در درس اول با مبانی شبکه های RBF آشنا خواهیم شد. درس دوم به نحوۀ آموزش با ناظر شبکه زمانی که تعداد نرونهای لایۀ پنهان با تعداد داده های آموزشی برابر باشد می پردازد. این روش تنها زمانی سودمند است که تعداد داده های آموزشی کم باشند. در درسهای سوم و چهارم روش آموزش با ناظر ترکیبی (Hybrid) را خواهیم آموخت که برای تنظیم پارامترهای شبکه زمانی که تعداد داده های آموزشی زیاد باشند مناسب است. در این روش مراکز خوشه ها در لایۀ پنهان به صورت بدون ناظر با الگوریتم k-means و وزنهای لایۀ خروجی به صورت با ناظر با الگوریتم کمترین مربعات بازگشتی (Recursive Least Squares: RLS) آموزش خواهند دید. ایدۀ تفکیک پذیری بردارهای ویژگی در صورت افزایش بعد و نیز اولین شبکه ای که می توان آن را نسل اول شبکه های RBF امروزی به شمار آورد توسط فردی به نام توماس کاور (Thomas Cover) معرفی شد. با جزئیات مهم کارهای این فرد در درس پنجم آشنا خواهیم شد. پیشنیاز این دوره آشنایی مقدماتی با شبکه های عصبی چندلایه و مفهوم طبقه بندی الگو (Pattern Classification) است.
- جبر خطی
جبر خطی قطعا یکی از کاربردی ترین و مفید ترین درسهای ریاضی در تمام علوم می باشد. از جمله مهمترین کاربردهای به روز این درس ریاضی به کاربردهای جدی آن در ماشین لرنینگ، هوش مصنوعی، الگوریتمهای تکاملی، داده کاوی (دیتا ماینیگ) و آمار اشاره کرد. این دوره درس ارائه شده توسط مدرس در دانشگاه بریستول انگلستان می باشد. در این دوره دکتر فرهاد بابائی با بیانی شیوا و مثالهایی ملموس به تدریس جبرخطی و به ویژه مقادیر ویژه و بردارهای می پردازد و در میان این مباحث مهمی که با ** مشخص شده اند مانند تغییر مختصات، یادآوری در مورد نگاشت های خطی نیز برای ملموس بودن گنجانده شده اند. این بخش از دوره به زبان انگلیسی تدریس شده است.
- متلب
نرمافزار MATLAB از شناختهشدهترین و پرکاربردترین نرمافزارها در زمینه برنامهنویسی و محاسبات علمی و تکنیکی است. این نرمافزار مجموعهای کامل از ابزارهایی است که کاربر را قادر میسازد تا در زمینههای مختلف مانند برنامهنویسی، ثبت و پردازش دادهها، محاسبات و گزارش نتایج مطالعات علمی کارهای ارزشمندی تهیه و ارایه دهد. در دوره حاضر بصورت فشرده به آموزش بخشهای ضروری از نرمافزار MATLAB پرداختهایم که هر کاربری برای شروع کار با این نرمافزار و برنامهنویسی به آن نیاز دارد.
این دوره شامل ۱۱ درس مختلف است. در درس اول به معرفی محیط نرمافزار MATLAB پرداختهایم. بخشهای مختلف نرمافزار و کاربرد هرکدام توصیف شدهاند. در درسهای دوم تا ششم انواع دادهها در نرمافزار MATLAB بعنوان مواد خام اولیه هر برنامهنویسی توصیف شدهاند. انواع دادهها در نرمافزار شامل دادههای عددی، رشتهها، آرایههای عددی، آرایههای سلولی و دادههای ساختمانی هستند. در درسهای هفتم و هشتم ابزارهای کنترل جریان برنامه شامل ساختارهای شرطی (if-else-end)، حلقههای تکرار شونده (for و while)، ساختار سوئیچ (switch-case)، دستور break و continue توضیح داده شدهاند. درس نهم به توضیح عملگرها، برخی آرایههای استاندارد و توابع اولیه مورد نیاز برای شروع به برنامهنویسی در MATLAB اختصاص داده شده است. در درس دهم دو مثال از رسم توابع (دو بعدی و سهبعدی) با استفاده از امکانات رسم نمودار این نرمافزار ارائه شده است. در نهایت در درس یازدهم در مورد توابع، روش تعریف و استفاده از آنها توضیح داده شده است. مدت زمان این بخش 4 ساعت و 10 دقیقه است. با تماشای این بخش کاربر مبتدی نرم افزار قادر خواهد بود تا شروع به برنامهنویسی نموده و نیازهای خود را برآورده کند.
پیشنمایش دوره
ویژگی های دوره
- عناوین 54
- امتحانات 0
- مدت 38 ساعت و 30 دقیقه
- سطح مهارت همه مراحل
- زبان فارسی
- دانشجویان 34
- گواهی نه
- ارزیابی ها بله
-
راهنمای استفاده بهینه از دوره
-
شبکه های عصبی MLP
- مقدمه
- مفهوم بردار ویژگی (Feature Vector) و کاهش بعد
- شبکۀ عصبی تک لایه (Single-Layer Perceptron)
- چند مثال و کاربرد از پرسپترون
- شبکۀ عصبی چند لایه (MLP) و بهینه سازی با گرادیان نزولی
- آموزش MLP به روش پس انتشار خطا
- نکات تکمیلی در ارتباط با آموزش MLP
- قانون دلتای تعمیم یافته (آموزش با جملۀ لختی)
- مفهوم تعمیم (Generalization) و معیار پایان الگوریتم
- شگردهایی برای بهبود کیفیت و سرعت آموزش
- آموزش MLP با الگوریتم Levenberg-Marquardt
- هرس کردن شبکۀ عصبی با الگوریتم جراح مغز بهینه
- آموزش فشرده جعبه ابزار شبکۀ عصبی در متلب (MATLAB)
- مرور چند کاربرد شبکۀ عصبی پیشخور چند لایه (MLP)
-
ماشین یادگیرنده بردار پشتیبان (SVM)
- ماشین یادگیرنده بردار پشتیبان: مفهوم بردار ویژگی و کاهش بعد
- ماشین یادگیرنده بردار پشتیبان: فرمول بندی مساله بهینه سازی تحت قید
- ماشین یادگیرنده بردار پشتیبان: فرمول بندی و حل مساله بهینه سازی دوگان و محاسبه ابرصفحه بهینه
- ماشین یادگیرنده بردار پشتیبان: مثالهای عددی در حالت تفکیک پذیر خطی
- ماشین یادگیرنده بردار پشتیبان: حالت تفکیک ناپذیر خطی
-
شبکه تابع پایه شعاعی (RBF)
-
آشنایی با الگوریتم ژنتیک در متلب
-
حل مسئله n وزیر با الگوریتم ژنتیک
-
جیر خطی بخش اول: LINEAR MAPS AND MATRICES (نگاشتهای خطی و ماتریسها)
-
جبر خطی بخش دوم: EIGENVALUES AND EIGENVECTORS (مقدارها و بردارهای ویژه)
- Eigenvalues and eigenvectors, Basics (مقدمات بردارهای ویژه و مقادیر ویژه)
- Eigenvalues, eigenvectors and diagonalisability with an example (مقادیر و بردارهای ویژه در قطری پذیری)
- A remark(یادآوری یک نکته از دستگاههای معادلات خطی)
- Diagonalisability (قطری پذیری)
- Further discussion on Characteristic Polynomial (مباحث تکمیلی درباره چندجمله ای مشخصه)
-
جبر خطی بخش سوم: INNER PRODUCT SPACES (فضای ضرب داخلی)
- Inner Product Spaces 1 (فضای ضرب داخلی 1)
- Inner Product Spaces 2(فضای ضرب داخلی 2)
- ( Inner Product Spaces (contd (ادامه فضاهای ضرب داخلی)
- Inner Product Spaces 3- Orthogonal Projections (فضای ضرب داخلی 3- تصویر متعامد)
- Inner Product Spaces 3- Gramm-Schmidt(فضای ضرب داخلی3 -گرام- اشمیت)
- An example of using Orthogonal Projection (مثالی از کاربردهای تصویر متعامد یکه)
-
جبر خطی بخش چهارم: LINEAR MAPS ON INNER PRODUCT SPACES (نگاشتهای خطی روی فضاهای ضرب داخلی)
-
مقدمات متلب
1 دیدگاه
سلام جناب اقای دکتر عزیز بی زحمت یک اموزش در خصوص طراحی کنترل کننده pid با کمک الگوریتم های یاد گیری عمیق هم ارائه بدید با تشکر از اموزشهای بسیارخوبتون