مجموعه آموزش‌ هوش مصنوعی

در این آموزش ویدئویی، یکی از محبوب ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در این آموزش، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق، تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. همچنین در این آموزش به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود.

در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. یکی از مهم ترین شاخه های مبحث یادگیری عمیق، بسترهای نرم افزاری و برنامه نویسی هستند که به منظور پیاده سازی و آموزش مدل ها به کار می روند. همچنین، فعالیت های زیادی در زمینه ایجاد بسترها و کتابخانه های نرم افزاری مخصوص یادگیری عمیق، توسط شرکت ها و دانشگاه های معتبر دنیا، انجام شده است؛ در میان این بسترها، با اطمینان می توان بستر TensorFlow شرکت گوگل به همراه کتابخانه Keras را پرکاربردترین و محبوب ترین و در عین حال، قدرتمندترین بستر نرم افزاری در این زمینه معرفی کرد. در این آموزش مطالب اصلی برای ایجاد و آموزش مدل های یادگیری عمیق در Keras آورده شده است.

آموزش تئوری و عملی الگوریتم ژنتیک (Genetic Algorithm) یا GA، به طور قطع شناخته شده ترین روش بهینه سازی هوشمند و الگوریتم تکاملی است که کاربردهای فراوانی در رشته های مختلف علمی و مهندسی دارد. اهمیت این الگوریتم در محاسبات تکاملی و هوش محاسباتی به قدری است که اولین کلمه ای که پس از عبارت الگوریتم تکاملی به ذهن می رسد، الگوریتم ژنتیک است. بسیاری از افراد، سایر روش های بهینه سازی هوشمند را نسخه های تغییر یافته ای از الگوریتم ژنتیک می شناسند و قائل به اصالت وجود و ماهیت سایر الگوریتم ها نیستند. این ابزار محاسباتی، در اوایل دهه ۱۹۷۰ از دل نتایجی پدید آمد که از تلاش های مهندسین و دانشمندان آن روزگار برای شبیه سازی فرایند تکامل صورت پذیرفته بود.

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.

در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق (GAN (Generative Adversarial Network آشنا خواهید شد. شبکه های GAN، یکی از به روزترین معماری های یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS در سال های اخیر است. در این آموزش با شبکه های GAN معمولی، شبکه های Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا می شوید.

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. 

بالا رفتن قدرت محاسباتی سیستم ها، افزایش حافظه ها و همچنین دسترسی آسان به داده های موجود در وب، باعث شده است تا پژوهشگران حوزه علوم داده به استفاده از داده های حجیم تحت وب، علاقه مند شوند. با توجه به این که سایت ها، شرکت ها و بنگاه های تجاری اینترنتی، داده های خود را به سادگی در اختیار دیگران نمی گذارند، پژوهشگران و برنامه نویسان، روش ها و ابزارهای قدرتمندی را برای جمع آوری و ذخیره سازی داده های وب توسعه داده اند که به آن خزش یا کرال در وب (Web Crawling) می گویند. آن ها با استفاده از این ابزار ها، داده ها و اطلاعات داخل وب سایت ها را کرال کرده و در قالب های معمول و قابل استفاده برای تحلیل های خود ذخیره می کنند و پس از آن می توانند به شکل یک فایل از آن استفاده کرده و یا برای پژوهش های حوزه داده کاوی از طریق وب، در اختیار عموم قرار دهند. موتورهای جستجو نیز برای ایندکس کردن (Indexing) صفحات وب از کرال و خزش در بین این صفحات استفاده می کنند.

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.

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.

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.

طراحی و آموزش سیستم های استنتاج فازی (FIS) و سیستم های تطبیقی استنتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر: گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. اما در این آموزش، کاربرد الگوریتم های تکاملی و فراابتکاری در طراحی بهینه سیستم های فازی نوع تاکاگی-سوگنو-کانگ (TSK) مورد بحث واقع شده است.

در این فرادرس به چندین محور از الگوریتم بهینه سازی گرگ خاکستری (GWO) پرداخته شده است که درس یکم به مفاهیم مهم بهینه سازی و تاریخچه بهینه سازی هوشمند در ۵۰ سال گذشته و در درس دوم به تئوری الگوریتم گرگ خاکستری و در ادامه به دو خاصیت مهم Exploitation به معنی استخراج و Exploration به معنی اکتشاف در الگوریتم های بهینه سازی هوشمند پرداخته شده است و در نهایت در درس سوم پیاده سازی عملی الگوریتم گرگ خاکستری در متلب (MATLAB) آموزش داده شده است.

در این فرادرس ابتدا برنامه نویسی الگوریتم ژنتیک مورد بحث قرار می گیرد و سپس الگوریتم بهینه سازی ازدحام ذرات یا PSO پیاده سازی می شود. در ادامه ایده هایی برای ترکیب این دو الگوریتم مطرح می شوند و در محیط نرم افزار متلب پیاده سازی می گردند. زمان این فیلم تقریبا برابر با یک جلسه آموزشی (۹۰ دقیقه) 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.

الگوریتم بهینه ساز شیرمورچه یا مورچه گیر (Antlion Optimizer) که به اختصار ALO نامیده می شود، براساس رفتار شیرمورچه ها در طبیعت، برای اولین بار در سال ۲۰۱۵ ارائه شده است. در این فرادرس ضمن آموزش گام به گام الگوریتم بهینه ساز شیرمورچه (ALO) به معرفی ۲۳ تابع هدف پرداخته شده و در پایان نحوه کدنویسی توابع بهینه ساز و الگوریتم شیرمورچه در نرم افزار متلب (MATLAB) تشریح و نتایج بررسی می گردد.

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.

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

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.

اگر به دنبال نرم افزاری منسجم برای مدل سازی هستید که به کدنویسی های پیچیده نیازی نداشته باشد، Eureqa بهترین گزینه برای شما محسوب می شود. یادگیری و اجرای این نرم افزار هوش مصنوعی بسیار ساده است به طوری که طیف گسترده ای از مردم، از دانشجویان گرفته تا فعالین در بورس می توانند به راحتی آن را یاد گرفته و از آن استفاده کنند. این برنامه توسط شرکت Nutonian طراحی و توسعه داده شده است که با بهره گیری از الگوریتم ژنتیک روابط بین پارامترها را کشف کرده و به صورت رگرسیون نمادین با ارائه مجموعه ای از روابط ریاضی، مدل را در اختیار کاربر قرار می دهد و همچنین با ارائه نمودارهای مختلف، آنالیز مدل ارائه شده را برای کاربر ساده می کند.

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.

مساله فروشنده دوره گرد یکی از مسائل بهینه سازی ترکیباتی است که از الگوریتم های ژنتیک معمولا برای حل این مساله استفاده می شود. برای بهبود کارایی الگوریتم ژنتیک در حل مساله فروشنده دوره گرد روش ها و عملگرهای متفاوتی اعمال شده است. تعداد بهینه چرخه ها در زمان محدود و ایجاد سود مطلوب به عنوان هدف تعیین می شود. هدف این فرادرس آموزشی استفاده از عملگرهای گسسته و پیوسته برای حل مساله فروشنده دوره گرد است.

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

یکی از مهم ترین بخش های توسعه بازی های کامپیوتری، مسیریابی است که با پیاده سازی آن می توان هوش مصنوعی را به بازی اضافه کرد. تعیین نواحی قابل عبور، تعیین هدف و مقصد دقیق آن با مختصات قابل به روز رسانی، پیدا کردن بهینه ترین مسیر از میان چند مسیر، تشخیص موانع ثابت و متحرک موجود در مسیر از جمله مواردی است که در این فرادرس یاد می گیریم و همچنین با اضافه کردن کدنویسی #C به این سیستم، عملکرد مسیریابی را بهبود می بخشیم. این فرادرس به مسیریابی در فضای سه بعدی می پردازد و در ابتدا به ارائه مباحث مربوط به مسیریابی در فضای سه بعدی و پیاده سازی عملی آن روی اشیای ساده (بدون انیمیشن) می پردازد.

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.

در این فرادرس ما مباحث وب معنایی مشتمل بر زبان های موجود و ابزار مرسوم را با مثال های مختلف مورد بررسی قرار می دهیم. این آموزش برای آن دسته از علاقه مندانی که تمایل دارند با یادگیری مفاهیم وب معنایی به استقبال نسل بعدی وب بروند، مناسب است. یکی از مفاهیم اساسی وب معنایی، هستی شناسی یا آنتولوژی (Ontology) است که در این آموزش بعد از آشنایی با مفهوم وب معنایی، مفهوم هستی شناسی مورد بررسی قرار گرفته و سپس به ایجاد آنتولوژی در زبان های مختلف وب معنایی با مثال های متنوع پرداخته می شود. مباحثی که در این فرادرس به آن ها پرداخته می شود، شامل: آشنایی با مفهوم وب معنایی، آشنایی با آنتولوژی که پایه و اساس وب معنایی محسوب می شود، آموزش زبان های وب معنایی، شامل: XML, RDF, RDFS, OWL, OWL 2 و در نهایت یکی از مهم ترین نرم افزارهای وب معنایی یعنی Protégé است که یک پروژه عملی آنتولوژی را در آن ایجاد کرده و با ویژگی های آن آشنا می شویم.

الگوریتم های سیستم ایمنی مصنوعی از جمله الگوریتم های الهام گرفته شده از مکانیزم بدن انسان هستند که در دسته سیستم های تکاملی قرار می گیرند. این الگوریتم ها برای اهداف بهینه سازی و تشخیص ناهنجاری طراحی شده اند و در مسائل مبتنی بر این دو مورد، قابل استفاده هستند. سیستم ایمنی بدن انسان یکی از سیستم های دقیق و حیرت انگیز زنده است که مکانیزم کارکرد آن در مقابل ویروس ها و میکروب ها می تواند الهام بخش سیستم های: کشف تقلب، کشف نفوذ، بهینه سازی سیستم های دفاعی مبتنی بر عامل ها و... باشد. هدف از این فرادرس، یادگیری مکانیزم سیستم ایمنی و الهام از آن برای حل مسائل است که در این آموزش می‌ توانید مکانیزم و الگوریتم‌ های سیستم ایمنی مصنوعی را بیاموزید.