برنامه درسی

هوش مصنوعی

Artificial Intelligence: A Guide to Intelligent Systems

By: Michael Negnevitsky

• هفته اول: نگاهی به تاریخچه سیستمهای هوشمند
• هفته دوم: سیستمهای مبتنی بر دانش
• هفته سوم: استنتاج و استخراج دانش
• هفته چهارم: مدیریت عدم قطعیت - قانون بیز
• هفته پنجم: مدیریت عدم قطعیت - فاکتور قطعیت
• هفته ششم: تئوری فازی
• هفته هفتم: استنتاج فازی
• هفته هشتم: ساخت یک سیستم هوشمند مبتنی بر منطق فازی
• هفته نهم: شبکه های عصبی - مدل پرسپترون
• هفته دهم: شبکه عصبی چندلایه
• هفته یازدهم: شبکه عصبی هاپفیلد
• هفته دوازدهم: شبکه عصبی خود سازمانده
• هفته سیزدهم: شبکه های عصبی عمیق
• هفته چهاردهم: سیستمهای هوشمند ترکیبی
• هفته پانزدهم: شبکه عصبی فازی
• هفته شانزدهم: ارائه سمینار

هدف از این درس، آشنائی با سیستمهای نوین هوشمند و تکنیکهای مورد استفاده می باشد. سیستمهای مبتنی بر دانش شامل سیستمهای خبره و سیستمهای فازی، انواع مدلهای شبکه عصبی و سیستمهای هوشمند ترکیبی در این درس مورد بحث و بررسی قرار می گیرد.

هوش مصنوعی

1. E. Alpaydin, Introduction to Machine Learning, MIT Press, 2010.
2. S. Marsland, Machine Learning, an Algorithmic Perspective, CRC Press, 2009.
3. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
4. J. Brownlee, Machine Learning Algorithms from Scratch with Python, 2018

• هفته اول: معرفی یادگیری ماشین، اصول و مفاهیم و انواع مدلهای یادگیری ماشین
• هفته دوم: یادگیری با نظارت
• هفته سوم: تئوری تصمیم گیری بیزی
• هفته چهارم: روشهای پارامتریک
• هفته پنجم: مدلهای چندمتغیره
• هفته ششم: روشهای پارامتریک - رگرسیون لجستیکی
• هفته هفتم: کاهش ابعاد داده ها
• هفته هشتم: روشهای غیر پارامتریک
• هفته نهم: شبکه های عصبی - مدل پرسپترون
• هفته دهم: شبکه عصبی چندلایه
• هفته یازدهم: شبکه عصبی عمیق
• هفته دوازدهم: درخت تصمیم گیری
• هفته سیزدهم: ماشین بردار پشتیبان
• هفته چهاردهم: یادگیری ترکیبی
• هفته پانزدهم: یادگیری تقویتی
• هفته شانزدهم: ارزیابی سیستمهای یادگیری ماشین

هدف اصلی در این درس، آشنائی با اصول، مفاهیم، تکنیکها و مراحل ساخت سیستمهای هوشمند مبتنی بر یادگیری ماشین می باشد.