مجموعه آموزش هوش مصنوعی

امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تأثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است.

در حال حاضر هوش مصنوعی به عنوان یکی از گرایش های رشته تحصیلی دانشگاهی مهندسی کامپیوتر در مقاطع کارشناسی ارشد و دکتری می باشد. همچنین هوش مصنوعی یکی از دورس مقطع کارشناسی، رشته مهندسی کامپیوتر و فناوری اطلاعات نیز می باشد. طرح درس در این آموزش به نحوی در نظر گرفته شده است که هم برای دانشجویان مقطع کارشناسی و عموم علاقه مندان مفید باشد و هم افرادی که قصد شرکت در آزمون کارشناسی ارشد و یا آزمون دکتری را دارند، بتوانند از این فیلم های آموزشی، برای منظور خود استفاده نمایند.

مجموعه فرادرس های شبکه عصبی، شامل پنج فرادرس در زمینه شبکه های عصبی مصنوعی و کاربردهای آن ها، حتما یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود. آینده در هر حوزه ای در دست آن هایی است که نگاهی رو به جلو در محور زمان دارند.

مجموعه فرادرس های سیستم های فازی در متلب عنوان یک مجموعه آموزشی کامل است که شامل تقریبا ۲۱ ساعت فیلم آموزشی ناب به زبان فارسی است. این مجموعه آموزشی از چندین قسمت تشکیل شده است.

مجموعه فرادرس های پردازش تصویر در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل ۱۶ ساعت برنامه آموزشی تخصصی در زمینه پردازش تصویر و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد. در این فرادرس، دانشجویان عزیز، با مباحث مختلف پردازش تصویر در متلب آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، پردازش هیستوگرام، تبدیلات و فیلترهای حوزه مکان و فرکانس، حذف نویز و... است. نقطه قوت این آموزش این است که به طور کامل به توضیح مباحث مربوطه پرداخته شده است و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، انجام شده است.

نرم افزار گمز به عنوان یک ابزار قدرتمند و فراگیر برای حل مدل های ریاضی حتی در ابعاد بزرگ روز به روز نقش پررنگ تری در رشته های مهندسی ایفا می کند، یعنی هر جا نیاز به تصمیم گیری بهینه با محدودیت زمان، هزینه و منابع داشته باشیم باید از مدل سازی ریاضی استفاده کرده که گمز از ابزارهای بسیار کارآمد حل این نوع مدل ها است. در این آموزش علاوه بر آشنایی با قابلیت ها، ویژگی ها و روش های رفع خطاهای رایج نرم افزار گمز، برای حل و تحلیل مدل های ریاضی، با اصول و ساختار تشکیل مدل های ریاضی به صورت گام به گام و با حل مثال های آسان به سخت آشنا خواهیم شد تا بتوانیم با درکی درست، ارتباط بیشتری بین ساختار مدل سازی و قابلیت های نرم افزار گمز ایجاد کنیم.

مجموعه فرادرس های شبکه های عصبی مصنوعی در متلب، مجموعه ای از هفت فرادرس جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل تقریبا ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند.

در این آموزش با هدف پر نمودن خلا موجود در درس هوش مصنوعی برای دانشجویان، مخاطبان و داوطلبان آزمون های ورودی، سعی داریم همراه با تشریح مفاهیم مختلف، مثال های متعددی نیز حل کنیم. این آموزش به عنوان یک منبع قوی برای تمامی دانشجویان و داوطلبان برای تمامی آزمون ها و کنکورهای ارشد قابل استفاده می باشد.

الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization) به اختصار PSO یکی از مهم ترین الگوریتم های بهینه سازی هوشمند است که در حوزه هوش ازدحامی (Swarm Intelligence) جای می گیرد. در الگوریتم PSO اعضای جمعیت جواب ها به صورت مستقیم با هم ارتباط دارند و از طریق تبادل اطلاعات با یکدیگر و یادآوری خاطرات خوب گذشته به حل مساله می پردازند. هدف این فرادرس آشنایی دانشجویان عزیز، با مباحث مختلف الگوریتم PSO شامل مباحث تئوری و عملی است.

در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.

اگر قصد دارید که در کمترین زمان ممکن و با بهترین کیفیت، مباحث تئوری و عملی مربوط به بهینه سازی چند هدفه را فرا بگیرید، حتما این پست را بخوانید. محصولی که در این پست قصد معرفی آن را داریم، مجموعه فرادرس های بهینه سازی چند هدفه در متلب است که نه تنها مشابه ایرانی، که مشابه خارجی نیز ندارد و محصولی واقعا بی نظیر است.

تلفیق پایتون و OpenCV، علاوه بر توانمندی های گسترده و چشم گیر خود، از یادگیری آسان و مناسبی برای فراگیری افرادی که در ابتدای مسیر پردازش تصویر و کدنویسی هستند نیز برخوردار است. آموزش این فرادرس، به صورت گام به گام با معرفی، نصب و بارگذاری تصاویر به شکل کاملا سریع و آسان آغاز شده و سپس با اعمال عملیات اصلی متداول روی تصاویر، اعمال عملیات ریاضی و تبدیلات هندسی ادامه پیدا کرده و فیلترهای کاربردی مختلف و نحوه پیاده سازی آن ها روی تصویر بیان خواهد شد. همچنین استفاده از پرکاربردترین روش ها برای تشخیص لبه، تبدیلات مورفلوژیک، هیستوگرام و اشاره چند روش تطبیق الگو که از مهم ترین بخش ها و اهداف هر برنامه پردازش تصویر است، به خوبی و آسانی تشریح خواهد شد.

در این آموزش که عملا درس شماره صفر تمام دروس آموزشی بهینه سازی می تواند باشد، مفاهیم پایه و اساسی مربوط به مسائل بهینه سازی و الگوریتم های مورد استفاده برای حل این مسائل، مورد بحث و بررسی قرار می گیرند. تمام افرادی که قصد آموزش تئوری یا عملی روش های بهینه سازی را دارند، به مشاهده این آموزش توصیه می شوند. دانستن مفاهیم مورد بحث در این فرادرس و تسلط بر این موضوعات، ضامن یادگیری بهتر و تسلط بیشتر بر مباحث آتی در حوزه بهینه سازی خواهد بود. لذا، مطالعه و یادگیری آموزش «مبانی محاسبات تکاملی و بهینه سازی هوشمند» یا درس شماره صفر بهینه سازی را از دست ندهید.

الگوریتم ژنتیک روشی است برای حل مسائل بهینه سازی مقید و نامقید که براساس انتخاب طبیعی کار می کند. این الگوریتم مرتبا جمعیتی از راه حل های منحصر به فرد را اصلاح می کند. این الگوریتم بسیار پرکاربرد است و امروزه در تمام شاخه های علوم و مهندسی به منظور بهینه سازی استفاده می شود. در این فرادرس، پیاده سازی الگوریتم ژنتیک برای بهینه سازی در Python (پایتون) به بحث گذاشته می شود، چرا که امروزه حجم بسیاری از محاسبات علمی با Python انجام می شود که آن هم به دلیل ساده بودن برنامه نویسی با آن و قدرتمند بودن این زبان برنامه نویسی است.

واضح است که مسائل بهینه سازی تقریبا در تمام علوم وجود دارند و شما همیشه به دنبال یافتن بهترین جواب از بین جواب های موجود برای مساله خود هستید. حل دستی بهینه سازی تنها برای مسائل خیلی کوچک امکان پذیر است و برای مسائل علمی که ما روزانه با آن درگیر هستیم، استفاده از کامپیوتر ضروری است. ما در این آموزش از زبان پایتون استفاده می کنیم چرا که همزمان هم برنامه نویسی را ساده کرده و هم بسیار قدرتمند است و به این ترتیب در پایان این آموزش شما هم با بهینه سازی و هم با پیاده سازی آن در پایتون آشنا می شوید که این به شما برای پیاده سازی مسائل بهینه سازی مربوط به خودتان کمک می کند.

در این فرادرس، دانشجویان عزیز، با مباحث مختلف تئوری و عملی موجک ها در متلب (MATLAB) آشنا می شوند. دروسی که در این آموزش به آن ها پرداخته می شود، شامل: مبانی تبدیلات موجک (Wavelet Transform)، موجک پیوسته (Continuous Wavelet Transform) و گسسته (Continuous Wavelet Transform)، کاربرد تبدیلات موجک و... است. یکی از نقاط قوت این آموزش توضیح کامل مباحث مربوطه است. آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه، تهیه شده است. مجموعه فرادرس های مباحث تئوری و عملی موجک ها در متلب، عنوان مجموعه ای از فرادرس هایی است که در مجموع شامل هفت و نیم ساعت برنامه آموزشی تخصصی در زمینه تبدیلات موجک، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها است.

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این فرادرس، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

در این فرادرس، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فراابتکاری برای حل مساله انتخاب ویژگی مورد بحث و بررسی واقع شده اند و پیاده سازی عملی این روش ها، به صورت گام به گام در محیط متلب آموزش داده شده اند.

در این آموزش، سعی بر آن داریم تا مجموعه بزرگی از سؤالات درس هوش مصنوعی مشتمل بر سؤالات تألیفی، کنکورهای کارشناسی ارشد را حل کنیم. این مجموعه برای دانشجویان کارشناسی منبع بسیار مفیدی خواهد بود تا بتوانند با انواع مسائل در درس هوش مصنوعی آشنا شده و مرور ارزشمندی بر کلیه مطالب کتاب داشته باشند.

در ادامه مسیر شروع شده در آموزش های الگوریتم ژنتیک در پایتون مقدماتی و تکمیلی بخش اول، در این فرادرس مسائل دیگری را به کمک الگوریتم ژنتیک در پایتون بهینه سازی می کنیم. تا بدین جا مسائل گوناگون بهینه سازی از سطح ساده انتخاب شده و در هر درس مساله پیچیده تری که نیازمند الگوریتم ژنتیک کامل تری بود را بررسی کردیم. همین روند در این آموزش نیز دنبال می شود. در پایان این آموزش شما با حل مساله های بهینه سازی جدید و پیچیده تری نسبت به آموزش های مقدماتی و تکمیلی بخش اول آشنا خواهید شد و قادر خواهید بود برای حل یک مساله بهینه سازی از الگوریتم ژنتیک در پایتون استفاده کنید.

الگوریتم ژنتیک، یک ابزار قدرتمند بهینه سازی و زبان برنامه نویسی پایتون، یک زبان قدرتمند برنامه نویسی است. امروزه بسیاری از مسائل محاسباتی در پروژه های مختلف علوم و مهندسی با استفاده از پایتون و بسیاری از مسائل بهینه سازی با استفاده از الگوریتم ژنتیک حل می شوند. این فرادرس به شما کمک می کند که بتوانید مسائل محاسباتی که نیازمند بهینه سازی با الگوریتم ژنتیک هستند را در پایتون پیاده سازی کنید که هم از قدرت پایتون در محاسبات و هم از قدرت الگوریتم ژنتیک در بهینه سازی در کنار هم بهره ببرید.

GAMS یک نرم افزار مدل سازی سطح بالا برای برنامه نویسی و حل مسائل بهینه سازی است. این نرم افزار شامل یک کامپایلر و مجموعه ای از حل کننده های جامع با توان اجرایی قوی هست. GAMS برای ساخت مدل های مرکب و در مقیاس بزرگ مناسب است و این امـکان را فراهم می کند که مدل های بزرگ ایجاد شده ذخیره شود و در صورت نیاز برای شرایط (مدل های) جدید تغییر یابد. از طرفی ایجاد خروجی و ارتباط با نرم افزار MATLAB می تواند توانایی و کاربرد این نرم افزار را افزایش دهد. با برقراری ارتباط بین دو نرم افزار MATLAB و GAMS می توان به حل بهتر مسائل Iterative (تکراری) پرداخت و مسائلی مانند بهینه سازی و جایابی و… را با استفاده از قابلیت های هر دو نرم افزار حل کرد.

در این فرادرس، در شروع بحث، مفاهیم پایه مرتبط با کاهش ابعاد (استخراج و انتخاب ویژگی) را با هم مرور خواهیم کرد. تمرکز ما در این بحث بر روی روش های انتخاب ویژگی خواهد بود و روش های استخراج ویژگی از آن جهت که در فرادرس دیگری به صورت مفصل مورد بررسی قرار گرفته اند، محور بحث نخواهند بود.

از زمان معرفی اولیه مفهوم هوش مصنوعی توزیع شده در دهه 1980، این مفهوم گسترش و تنوع زیادی یافته است و امروزه به یکی از حوزه های بسیار فعال تحقیقاتی تبدیل شده است و در عین حال، طی سال های اخیر، عامل های هوشمند و خودکار (Intelligent Autonomous Agents) در طیف وسیعی از کاربردهای مختلف نظیر حوزه فناوری اطلاعات، صنعت، ارتباطات، آموزش و نیز حوزه دفاعی و نظامی، به صورت موفقیت آمیزی مورد استفاده قرار گرفته اند.

تخمین خطای کلاسیفایر (Classifier Error Estimation) اگر مهم ترین بخش طراحی یک کلاسیفایر (Classifier - طبقه بندی کننده) نباشد، قطعا یکی از مهم ترین قسمت های این فرایند است. به عنوان مثال فرایند انتخاب ویژگی (Feature Selection) بدون داشتن یک تخمین گر خطا (Error Estimator) مناسب یک روند عبث خواهد بود. به خاطر همین اهمیت بسیار بالا، در این فرادرس ما به موضوع تخمین خطای کلاسیفایر می پردازیم و در طی آن روش هایی همانند: تخمین گر Resubstitution، تخمین گر Cross-Validation، تخمین گر Leave-One-Out، تخمین گر Bootstrap را مورد بررسی قرار داده و نقاط ضعف و قوت هر یک را بیان می کنیم.

روش های متعددی برای انجام کاهش رنگ یا Color Reduction (و یا Color Quantization) وجود دارند. اما در این آموزش، بر روی روش های مبتنی بر خوشه بندی تمرکز شده است و کاربرد سه روش خوشه بندی هوشمند برای کاهش رنگ در تصاویر رنگی، به صورت عملی مورد استفاده قرار گرفته اند.

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مساله طبقه بندی مورد استفاده قرار گرفته است.

شبکه‌های عصبی که الهام گرفته شده از مغز انسان هستند، به دلیل توانایی بالایی که در یادگیری دارند، در علوم مختلف از جمله: هوش مصنوعی (Artificial Intelligence)، یادگیری ماشین (Machine Learning)، علم داده (Data Science) و حتی در صنعت بسیار مورد توجه هستند. در این آموزش قصد داریم همزمان با آموزش مباحث تئوریک شبکه عصبی، به پیاده‌سازی آن‌ها در محیط زبان برنامه‌نویسی پایتون بپردازیم.

سیستم‌های خبره (Expert Systems) برنامه‌های کامپیوتری هستند و به نحوی طراحی شده‌اند که توانایی یک فرد خبره را در زمینه خاص و در حل یک مساله مدل می‌کنند. در واقع این سیستم‌ها با الگوبرداری از نظام منطق، استدلال انسان و با یکسان بودن دانش مورد استفاده قرار می‌گیرند. نتیجه کار یک سیستم خبره شامل تصمیماتی خواهد بود که در حوزه‌ها و شرایط مختلف مورد اطمینان، قابل استفاده و تاثیرگذار هستند. بسیاری از افراد معتقدند که سیستم‌های خبره بیشترین پیشرفت را در هوش مصنوعی به وجود آورده‌اند. سیستم‌های خبره امروزه بخشی از برنامه درسی دانشجویان کامپیوتر است. این فرادرس به نحوی در نظر گرفته شده است که برای دانشجویان مقطع کارشناسی و عموم علاقه‌مندان مفید باشد و بتوانند از این آموزش برای منظور خود استفاده نمایند.

در این آموزش، یکی از محبوب‌ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در حال حاضر، تقریبا در تمام كاربردهای هوش مصنوعی مبتنی بر پردازش تصویر، صوت و متن، مانند: تلفن‌های همراه، سامانه‌های هوشمند اینترنتی، رباتیک و ماشین‌های خودران، ردپای یادگیری عمیق دیده می‌شود. در این آموزش، علاوه بر تئوری مبانی یادگیری عمیق، تکنیک‌ها و مدل‌های مختلف و نحوه آموزش شبکه‌های عصبی عمیق، مثال‌های عملی کار با مدل‌ها و نحوه پیاده‌سازی بستر کدنویسی پایتون و تنسورفلو نیز ارائه خواهد شد.

یکی از کاربردهای حوزه شبکه عصبی، تشخیص اشیا (Object‎ Detection‎) است که یک تکنیک بینایی رایانه‌ای برای پیدا کردن یک یا چند شی خاص در تصاویر و یا ویدئو است. الگوریتم‌های یادگیری ماشین از روش‌های محاسباتی برای یادگیری اطلاعات مستقیم از داده‌ها بدون اتکا به یک معادله از پیش تعیین شده به عنوان یک مدل استفاده می‌کنند. تشخیص اشیا کاربردهای فراوانی در حوزه‌های مختلف دارد. به عنوان مثال: قابلیت تشخیص پلاک خودروها توسط دوربین‌های راهنمایی و رانندگی، تشخیص چهره، رانندگی خودکار، تشخیص مسیر، تشخیص عابران پیاده و... نمونه‌ای از کاربرد تشخیص اشیا است.

یادگیری ماشین (Machine Learning) بخشی از هوش مصنوعی (Artificial Intelligence) و جزو شاخه‌های پرکاربرد و اثرگزار در علوم کامپیوتر است. در این آموزش قصد داریم تا بخشی از الگوریتم‌های یادگیری ماشین موجود در کتابخانه scikit-learn را مورد بررسی قرار دهیم. پس از فراگیری این فرادرس، قادر خواهید بود مسائل مختلف را با توجه به شرایط حل کرده و به جواب نهایی برسانید.

در یادگیری تقویتی عامل از طریق تعامل با محیط تجربه کسب می‌کند و یاد می‌گیرد کارهایی را انجام دهد که منجر به دریافت بیشترین پاداش در آینده شود. یادگیری تقویتی در حقیقت روش محاسباتی برای یادگیری از طریق تجربه و تعامل با محیط و همواره در تلاش برای ماکزیمم‌ کردن پاداش‌ها در بلندمدت است. به بیان دیگر، یادگیری تقویتی یک نگاشت از موقعیت به عمل است، یعنی نشان می‌دهد در هر موقعیت یا حالتی چه عملی باید انجام شود تا به هدف برسیم. در این آموزش به بخش مقدماتی یادگیری تقویتی می‌پردازیم و شالوده این الگوریتم را یاد می‌گیریم.

سیستم per-c‎ که در این آموزش بر روی آن تمرکز داریم، سیستمی است که ورودی و خروجی آن‌ها کلمات زبان طبیعی است. در معماری سیستم per-c‎ سه بخش مهم وجود دارد که عبارتند از: Encoder, CWW‎ Engine‎ و Decoder. بخش Encoder‎ وظیفه دارد که ورودی سیستم per-c‎ که کلمات زبان طبیعی هستند را دریافت کرده و آن‌ها را به مجموعه‌های Fuzzy‎ Set‎ از نوع IT2FS‎ تبدیل کند. برای انجام این فرایند، الگوریتم‌های مختلفی، از جمله: Person‎ FOU, ‎Interval‎ Approach, Enhanced‎ Interval‎ Approach‎ و Median‎ Interval‎ Approach‎ ارائه شده‌اند. در این آموزش، الگوریتم Median‎ Interval‎ Approach‎ (MIA‎) توضیح داده می‌شود و سپس با استفاده از برنامه متلب بر روی یک Dataset‎ پیاده‌سازی می‌گردد.