مسیر یادگیری
مدرسه هوش مصنوعی به کمک دوره های آموزشی معتبرترین دانشگاه های دنیا، مسیری مشخص برای یادگیری هوش مصنوعی ارائه می کند. دوره های زیر برگرفته از دانشگاه های معتبری همچون Stanford، Imperial College London، Michigan، Princeton و … می باشند که با توجه به توانایی های هرشخص، توسط تیم ما شخصی سازی شده و در اختیار شما قرار می گیرد.
چارچوب کلی دوره های آموزشی یادگیری هوش مصنوعی به شرح زیر می باشد:
جبر خطی - Linear Algebra
در این دوره از جبر خطی ، یاد می گیرید که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط برقرار می کند. سپس بررسی می کنید که بردارها و ماتریس ها چیستند و چگونه می توان با آنها کار کرد. در نهایت، نحوه استفاده مفاهیم یادگرفته شده را برای انجام کارهای سرگرم کننده با مجموعه داده ها بررسی می کنید (مانند نحوه چرخاندن تصاویر از چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه کار الگوریتم Google Pagerank).
حساب دیفرانسیل - Calculus
این دوره مقدمه کوتاهی از حساب دیفرانسیل چند متغیره مورد نیاز برای ساخت بسیاری از تکنیک های متداول یادگیری ماشین را ارائه می دهد. این دوره در همان آغاز کار با شیب یک تابع شروع کرده و سپس شروع به ساختن مجموعه ای از ابزار های ساده و سریع حساب کردن می کند. در مرحله بعدی ، یاد می گیرید که چگونه بردارهایی را که روی سطوح چند بعدی به سمت بالا قرار دارند محاسبه کنید و حتی این کار را با استفاده از یک بازی تعاملی عملی کنید. سپس نگاهی می اندازید که چگونه می توان از محاسبات برای تقریب توابع استفاده کرد. همچنین مدتی را صرف صحبت در مورد استفاده های مختلف حساب دیفرانسیل در آموزش شبکه های عصبی می کنید و سرانجام نحوه استفاده آن را در مدل های رگرسیون خطی می بینید. این دوره برای ارائه درک بصری از حساب و دیفرانسیل ارائه شده و شما را آماده حل مسائل مرتبط می کند.
آمار و احتمال - Probability and Statistics
جهان پر است از “عدم اطمینان” ! تصادف، طوفان، بازارهای مالی بی قاعده، ارتباطات پر سر و صدا، و … همگی نمونه هایی از عدم اطمینان اند. علاوه بر آن، جهان مملوء است از داده. همچون داده های تصویری، متنی، صوتی، و … . در این میان، مدل سازی احتمالی و استنباط آماری، کلید پیش بینی های کاملاً علمی و تجزیه و تحلیل داده ها است.
الگوریتم - Algorithm
این دوره اطلاعات اساسی که هر برنامه نویس نیاز به دانستن در مورد الگوریتم ها و ساختارهای داده دارد را در قالب دوره ای با تأکید بر کاربردها، تجزیه و تحلیل عملکرد علمی، پیاده سازی الگوریتم های مختلف را پوشش می دهد. بخش I ساختارهای ابتدایی داده ها، الگوریتم های مرتب سازی و جستجو را در بر می گیرد. بخش دوم بر الگوریتم های پردازش گراف و رشته متمرکز است.
مقدمه ای بر علوم داده - Introduction to Data Science
این دوره شما را با محیط برنامه نویسی پایتون و تکنیک های اساسی آن مانند lambdas، خواندن و دستکاری فایل های csv، و کتابخانه numpy آشنا می کند. این دوره روش های دستکاری و تمیز کردن داده ها را با استفاده از کتابخانه معروف علوم داده همچون pandas معرفی می کند و DataFrame را به عنوان ساختار اصلی داده ها برای تجزیه و تحلیل داده ها معرفی می کند. علاوه بر آن، با آموزش نحوه استفاده از توابعی مانند groupby ، merge و … ، پس از اتمام این دوره می توانید داده های جدولی را بخوانید، آنها را تمیز کنید، دستکاری کنید، و تجزیه و تحلیل های آماری انجام دهند.
نمایش داده - Data Representation
این دوره با تمرکز بر نمودارسازی داده با استفاده از کتابخانه matplotlib، شما را با اصول مصورسازی داده آشنا می کند. در طی این دوره یادگیرنده با اصول و قواعد نمایش درست داده ها آشنا شده و یادگرفته چه روشی از مصورسازی و نمایش داده به درک بهتر ساختار درونی داده کمک می کند.
یادگیری ماشین - Machine Learning
یادگیری ماشینی علمی این است که کامپیوترها بدون اینکه به طور صریح برنامه ریزی شده باشند، عمل می کنند. در دهه گذشته ، یادگیری ماشینی به ما اتومبیل های خودران، تشخیص گفتار، جستجوی موثر در وب، و درک بسیار بهتر از ژنوم انسان را داده است. امروزه یادگیری ماشینی چنان فراگیر شده است که احتمالاً بدون اینکه بدانید ده ها بار در روز از آن استفاده می کنید. بسیاری از محققان بدین باور اند که یادگیری ماشین بهترین راه برای پیشرفت هوش مصنوعی در سطح انسانی است. در این کلاس، شما با موثرترین تکنیک های یادگیری ماشین آشنا می شوید و با پیاده سازی های متفاوت به صورت عملی مباحث تدریس شده را یاد می گیرید. از همه مهمتر ، شما نه تنها در مورد مبانی نظری یادگیری یاد خواهید گرفت ، بلکه می توانید دانش عملی لازم را در راستای استفاده سریع و قدرتمندانه این تکنیک ها به منظور حل مسائل جدید کسب کنید.
یادگیری عمیق - Deep Learning
این دوره به شما کمک می کند توانایی ها، چالش ها، و پیامدهای یادگیری عمیق را درک کنید تا برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده شوید. در این دوره، شما معماری های مختلفی از شبکه های عصبی مانند شبکه های عصبی پیچشی (Convolutional)، شبکه های عصبی بازگشتی (Recurrent)، LSTM ها، ترانسفورمرها (Transformers) را پیاده سازی خواهید کرد و یاد خواهید گرفت که چگونه با استراتژی هایی مانند Dropout ،BatchNorm، مقداردهی اولیه Xavier / He، و … آنها را بهتر کنید. با استفاده از Python و TensorFlow و انجام پروژه های عملی همچون رانندگی خودکار، خواندن زبان اشاره، تولید موسیقی، بینایی ماشین، تشخیص گفتار و پردازش زبان طبیعی بر این مفاهیم نظری و کاربردهای صنعتی آنها تسلط خواهید یافت.