مقدمه‌ای بر یادگیری ماشین و ژرف

مدرس: محمدحسین رهبان، امیرنجفی، مهدیه سلیمانی و جمعی از دانشجویان تحصیلات تکمیلی گواهی: رسمی دوزبانه
ترم: ۱۴۰۳ پیش‌نیاز: –
زمان ارائه: یک‌شنبه و سه‌شنبه ۱۶:۳۰ تا ۱۸:۰۰ محل برگزاری: کلاس مجازی

هدف کلی

هدف از این درس، آشنایی دانش‌جویان با مفاهیم پایه یادگیری ماشین و یادگیری ژرف است. فرض بر این است که دانشجویان با برنامه‌سازی پایتون و ریاضیات هوش مصنوعی و علم داده آشنا هستند.

سرفصل‌ها

  1. مقدمه‌ای بر یادگیری ماشین (۱ جلسه)
    • مروری بر مفاهیم اولیه آماری و یادگیری ماشین
    • حل نمونه مسائل مقدماتی در هوش مصنوعی
    • معرفی زبان‌های برنامه نویسی برای یادگیری ماشین
  2. معرفی مدل‌های پایه‌ای در یادگیری ماشین (۲جلسه)
    • معرفی مدل‌های رگرسیون لجیستیک، ماشین بردار پشتیبان، و دسته‌بندی چندکلاسه
    • مقایسه مدل‌های معرفی شده و تشریح ویژگی‌های هر یک از مدل‌ها
    • الگوریتم‌های بهینه‌سازی اولیه برای یادگیری ماشین
    • پیاده سازی و آموزش عملی مدل‌های یادگیری پایه‌ای
  3. معرفی شبکه‌های عصبی ژرف (۱ جلسه)
    • مفاهیم اولیه شبکه‌های عصبی شامل نورون، شبکه‌های چند لایه
    • الگوریتم پس انتشار خطا
  4. بهینه‌سازی برای شبکه‌های عصبی و منظم‌ساز‌ها (۱ جلسه)
    • معرفی و مقایسه الگوریتم‌های پیشنهاد شده برای بهینه سازی
    • منظم سازها و نقش آن‌ها در فرآیند یادگیری
    • نواع روش‌های پیشنهادی برای منظم سازی
  5. شبکه‌های عصبی پیچشی (۱ جلسه)
    • معرفی شبکه‌های مبتنی بر لایه‌های پیچشی و مقایسه با شبکه‌های پرسپترون
    • تشریح فرآیند یادگیری برای داده‌های تصویر
    • بررسی جزئیات و پارامترهای لایه‌های پیچشی
  6. یادگیری بازنمایی در شبکه‌های عمیق (۱ جلسه)
    • معرفی مفهوم Representation Learning
    • مدل‌های متداول در یادگیری عمیق شامل شبکه Autoencoder
    • یادگیری لایه‌های نهفته معنا دار
  7. شبکه‌های عصبی مولد (۱ جلسه)
    • معرفی مدل‌های GAN, VAE
    • آموزش Diffusion Model
    • پیاده‌سازی و بررسی نحوه عملکرد مدل‌های مولد

ارزیابی

برای اخذ گواهی حضور در دوره، باید قسمتی از تمرین‌های هفتگی را حل کنید. در این مورد به محض آماده شدن تمرین‌ها در کانال دوره اطلاع‌رسانی خواهد شد.

منابع

  1. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  2. A. Ng. Machine Learning Yearning. 2018.
  3. T. Mitchell. Machine Learning. MIT Press, 1998.
  4. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  5. T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.
  6. Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, Book in preparation for MIT Press, 2016.
  7. Michael Nielsen, Neural networks and deep learning, Preprint, 2016.