کلاس آفلاین آموزش یادگیری ماشین و شناسایی الگو (درس + نکته و تست)
کلاس آفلاین آموزش یادگیری ماشین و شناسایی الگو استاد ابوالفضل گیلک موسسه بابان ویژه کنکور دکتری مهندسی کامپیوتر گرایش هوش مصنوعی برگزار می گردد.
درس یادگیری ماشین و شناسایی الگو یکی از مهمترین و امنترین دروس کنکور دکتری مهندسی کامپیوتر گرایش هوش مصنوعی است که بهترین منبع ، بهترین کتاب ، بهترین کلاس و بهترین فیلم آموزشی یادگیری ماشین و شناسایی الگو از نگاه دانشجویان و مصاحبه رتبه های برتر کنکور دکتری کامپیوتر ، آی و علوم کامپیوترکتاب ، کلاس و فیلم آموزشی یادگیری ماشین و شناسایی الگو استاد ابوالفضل گیلک موسسه بابان است.
برای شنیدن مصاحبهرتبههای برتر کنکور ارشد کامپیوتر، آی تی و علوم کامپیوتر و دانشجویان عزیز خانواده صمیمی بابان در قسمت نظرات کتاب، کلاس و فیلم آموزشی یادگیری ماشین و شناسایی الگو به صورت صوتی روی دکمه پلی کلیک کنید.
کلاس آموزش یادگیری ماشین و شناسایی الگو استاد ابوالفضل گیلک موسسه بابان بر اساس ویراستهای جدید چهار نویسنده مشهور این درس برگزار میگردد.
منبع اصلی ما در این کلاس آخرین ویرایش کتاب (Bishop) است، با این حال برای برخی از فصل ها از منابع دیگر استفاده خواهیم کرد. لیست منابع مورد استفاده از این قرار است:
Bishop-Pattern Recognition and Machine Learning-2006
Tom Mitchell -machine learning An Artificial Intelligence Approach-1998
Kevin P. Murphy -machine learning a probabilistic perspective- 2012
Yaser S. Abu Mostafa – Malik Maghdom Ismail -Hsuan Tien lin– learning from data-2012
از سوی وزارت علوم، تحقیقات و فناوری منبع درس یادگیری ماشین کتابهای فوق معرفی شدهاست.
این کلاس شامل بیانی جامع، شیوا، کامل و دقیق در بخش تشریح درس و حل فوق تشریحی بخشی از تستهای کنکور دولتی از سال 1390 تا 1402 در بخش حل تست خواهد بود.
کلاس یادگیری ماشین و شناسایی الگو، بر اساس جدیدترین ویرایش کتابهای مرجع خواهد بود.
شیوه ما در تدریس، یادگیری همراه با حل مساله است. نقطه ضعف اغلب دورههای آموزشی این است که دانشجوها مطلب درسی را یاد میگیرند ولی توانایی حل مساله ندارند. جهتگیری ما از همان ابتدا، توانایی حل مساله است. دانشجویان کلاس بعد از چند جلسه اول خواهند دید که چگونه اعتماد به نفس و توانایی حل مساله را پیدا کرده اند. یادگیری ماشین به درسی شیرین و تا حدودی ساده تبدیل میشود.
کتاب یادگیری ماشین و شناسایی الگو ابوالفضل گیلک منتشر شده از سوی انتشارات بابان و انتشارات راهیان دکتری، مطالب ارزشمندی جهت درک درس یادگیری ماشین و شناسایی الگو ارائه کرده است، که تهیه آن را توصیه میکنیم.
با توجه به گستردگی درس یادگیری ماشین در کنکور دکتری مهندسی کامپیوتر گرایش هوش مصنوعی و اهمیت بسیار بالای این درس به دانشجویان توصیه میکنیم برای این درس در کلاس یادگیری ماشین شرکت کنند.
در سال 1387 شمسی یکی از دوستان نزدیکم به استرالیا مهاجرت کرد و به استخدام شرکتی وابسته به مایکروسافت درآمد که حوزه فعالیتش امنیت داده ها بود.پس از چند ماه و در اولین بازگشت او به کشور به دیدنش رفتم. توصیه اکید او به من این بود که هر چه سریعتر شروع به مطالعه (machine learning), ML کنم. با گذشت چند سال از آن روز حالا پیداست که توصیه او مبتنی بر آگاهی بوده است.
یادگیری ماشین، که تا پیش از این شاخه ای از AI به حساب می آمد اکنون تنه اصلی این درخت است. علت این امر در دو نکته نهفته است. اول: در دسترس قرار گرفتن داده ها با گسترش شبکه اطلاعات و دوم : تعمیم پذیر بودن تکنیک های یادگیری در حوزه های مختلف.
دیدگاه ها و روشهای متنوعی برای طرح مباحث ML وجود دارد. برخی از آنها کمرنگ شده اند و برخی به تازگی در حال مطرح شدن هستند. با اینحال دیدگاه غالب در حال حاضر دیدگاهی است که تحت سیطره علم آمار و احتمال قرار دارد. به همین دلیل گذراندن یک دوره آمار و احتمال مهندسی پیش نیاز جدی این درس است. البته تلاش خواهیم کرد در این کلاس مباحث آماری تا حد امکان توضیح داده شوند.
اهداف آموزشی:
با توجه به گستردگی مطالب، ما باید روی هدف خود از این کلاس متمرکز شویم. هدف کلاس آن است که دانشجویان عزیز در پاسخگویی به سوالات این درس در آزمون ورودی دکتری موفق بوده و علاوه براین از آمادگی نسبی برای تحصیل در گرایش هوش برخوردار شوند.
محتوای کلاس یادگیری ماشین و شناسایی الگو:
در یک نگاه کلی محتوای آموزشی ارائه شده به این صورت است:
مفاهیم پایه و پیش نیازهای آماری
یادگیری تحت نظارت (Supervised learning)
رگرسیون (Regression)
دسته بندی (Classification)
نظریه یادگیری (Learning theory)
یادگیری بدون نظارت (Unsupervised learning)
یادگیری تقویتی Reinforcement Learning))
و فهرستی از مهمترین عناوین درسی:
مفهوم یادگیری ماشین
یادآوری هایی از آمار و احتمال
روشهای برآورد پارامتر (ML) و (MAP)
امکان پذیری یادگیری
یادگیری تحت نظارت (Supervised learning)
رگرسیون خطی و غیرخطی (Regression)
بیش برازش (Overfitting)
بایاس(bias) واریانس و نویز
رگرسیون آماری و تابع هدف مبتنی بر SSE
رگرسیون لجستیک (Logistic Regression)
دسته بندی (Classification)
تئوری تصمیم(Decision theory)
دسته بندی بهینه بیز
دسته بندی با توابع جداساز
پرسپترون (perceptron)
جداساز خطی فیشر (Fisher’s linear discriminant)
شبکه های عصبی (Neural Networks)
منظم سازی (Regularization)
اعتبارسنجی (Validation)
بردارهای پشتیبان (Support vectors)
روشهای غیرپارامتری (Nonparametric Methods)
یادگیری بدون نظارت (Unsupervised learning)
یادگیری نیمه نظارتی
یادگیری تقویتی (Reinforcement Learning)
جهت تهیه کتاب به صورت فیزیکی و ارسال با پست پیشتاز به سایت انتشارات بابان مراجعه نمایید.
