برنامه درسی

مبانی هوش محاسباتی

تمرین‌ها 15%

پروژه درسی 15%

آزمون میان‌ترم 25%

آزمون پایان‌ترم 45%

سخنرانی، پرسش و پاسخ،

• Data Mining, Concepts and Techniques (Third Edition)

Jiawei Han, Micheline Kamber, Jian Pei

• Introduction to Data Mining (First/Second Edition)

Pang-Ning Tan, Michael Steinbach, Vipin  Kumar

• Data Mining: Practical Machine Learning Tools and Techniques

Ian H. Witten,  Eibe Frank, Mark A. Hall

• Programming Collective Intelligence, Toby Segara

Weka Application http://www.cs.waikato.ac.nz/ml/weka/downloading.html

هفته اول: ﻣﻌﺮﻓﻲ داده‌کاوی، انگیزه‌ها و چالش‌ها

هفته دوم: پیش‌پردازش داده‌ها (نرمال‌سازی، گسسته‌سازی، کشف داده‌های پرت، کاهش بعد)

هفته سوم: دسته‌بندی (درخت تصمیم)

هفته چهارم: دسته‌بندی (بیز ساده، شبکه‌های بیز)

هفته پنجم: روش‌ها و معیارهای ارزیابی

هفته ششم: دسته‌بندی (نزدیکترین k همسایه)

هفته هفتم: مدل‌های خطی (پرسپترون)

هفته هشتم: خوشه‌بندی (الگوریتم‌های مبتنی بر تقسیم فضا)

هفته نهم: خوشه‌بندی (الگوریتم‌های سلسله مراتبی، الگوریتم‌های مبتنی بر چگالی)

هفته دهم: آزمون میان‌ترم

هفته یازدهم: کاوش قوانین رابطه‌ای (الگوریتم Apriori)،

هفته دوازدهم: کاوش قوانین رابطه‌ای (الگوریتم FP-growth).

هفته سیزدهم: معرفی سیستم‌های پیشنهاد‌دهنده مبتنی بر Collaborative filtering

هفته چهاردهم: سیستم‌های پیشنهاد‌دهنده مبتنی بر محتوا (Content-based)

هفته پانزدهم: خلاصه‌سازی و نمایش نتایج.

هفته شانزدهم: حل تمرین و رفع اشکال.

دانشجویان کارشناسی ارشد:

تمرین‌های برنامه‌نویسی 20%

پروژه پایانی درسی 15%

آزمون پایان‌ترم 65%

دانشجویان دکتری:

تمرین‌های برنامه‌نویسی 20%

پروژه پایانی درسی 10%

تحقیق بر روی یک مقاله 10%

آزمون پایان‌ترم 60%

سخنرانی، پرسش و پاسخ

• Deep Learning for Vision Systems (2020), Mohamed Elgendy
• Deep Learning with Python (2021), François Chollet
• Neural Networks and Deep Learning, A Textbook (2018), C.
  Aggarwal
• Inside Deep Learning - Math, Algorithms, Models (2022), Edward Raff
• Deep Learning (2016), Courville, Goodfellow, and Bengio,

 بینایی ماشین، یک رویکرد سختافزاری/نرم افزاری، قادر کریمیان خسروشاهی و مریم شعاران

هفته اول: مقدمه‌ای بر جایگاه و تاریخچه یادگیری عمیق، مروری بر دسته‌بندی‌کننده خطی (Multiclass Linear Classification)

هفته دوم: مروری بر شبکه‌های عصبی (معماری، توابع Loss)

هفته سوم: بهینه‌سازی در شبکه‌های عصبی (Mini-batch Stochastic Gradient Descent)

هفته چهارم: آموزش شبکه‌های عصبی (الگوریتم پس‌انتشار خطا، توابع فعال‌سازی)

هفته پنجم: آموزش شبکه‌های عصبی (مقداردهی اولیه، نرمال‌سازی دسته‌ای، قواعد به روزرسانی)

هفته ششم: شبکه‌های عصبی کانولوشنی (لایه‌های Convolution، Pooling و Fully Connected)

هفته هفتم: شبکه‌های عصبی کانولوشنی (Regularization and Dropout، Data Augmentation، Transfer Learning/Fine Tuning، Ensembles)

هفته هشتم: معماری‌های شبکه‌های عصبی کانولوشنی (AlexNet, VGG, GoogLeNet, ResNet)

هفته نهم: نرم‌افزارهای یادگیری عمیق (Caffe, Torch, TensorFlow, Keras, PyTorch, etc)

هفته دهم: مصورسازی و ادراک شبکه‌های عمیق

هفته یازدهم: یادگیری عمیق در تعیین محل (Localization)

هفته دوازدهم: یادگیری عمیق در تشخیص (Detection)، معرفی شبکه‌های R-CNN، Fast R-CNN و Faster R-CNN

هفته سیزدهم: یادگیری عمیق در بخش‌بندی (Segmentation)

هفته چهاردهم: شبکه‌های عصبی تکرارشونده (RNN, LSTM, GRU)

هفته پانزدهم: شبکه‌های عصبی تکرارشونده (Image Captioning, Attention)

هفته شانزدهم: حل تمرین و رفع اشکال.