مبانی هوش مصنوعی

Fundamentals of Artificial Intelligence

مقطع: کارشناسی گرایش: –
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: برنامه‌سازی کامپیوتر، آمار و احتمال مهندسی هم‌نیاز: –

هدف کلی

هدف این درس آشنا نمودن دانشجویان رشته‌های فنی و مهندسی با مفاهیم پایه و اصول روش‌های تحلیل داده‌ها و روش‌های هوشمند حل مسائل مهندسی با استفاده از رویکردهای پایه هوش مصنوعی، منطق فازی، فرآیند‌های تکاملی، و شبکه‌های عصبی مصنوعی می‌باشد. در تحقق این هدف، دانشجویان با ابزارهای نرم‌افزاری لازم برای استفاده از این روش‌ها آشنا می‌شوند.

سرفصل‌ها

  1. مقدمه‌ای بر هوش مصنوعی و هوش محاسباتی، چه چیزی هوش مصنوعی نیست؟
  2. عامل‌های هوشمند، الگوریتم‌های جستجو
  3. معرفی مفاهیم پایه یادگیری ماشین: ویژگی‌ها، بهینه‌سازی، رگرسیون، مسائل ارضای محدودیت، تابع هدف، تابع هزینه، تابع ضرر، نزول در راستای گرادیان
  4. آشنایی با مفاهیم دسته‌بندی و خوشه‌بندی، یادگیری باناظر، بی‌ناظر و تقویتی
  5. آماده‌سازی مجموعه داده، داده‌های نامتوازن، پرت، تحلیل مولفه اصلی (PCA)، بیش‌برازش، زیربرازش
  6. شاخص‌های ارزیابی و انتخاب مدل، پارامتر‌ها و ابرپارامتر
  7. درخت تصمیم، k میانگین (k-means) و k نزدیکترین همسایه (KNN)
  8. شبکه عصبی مصنوعی: معرفی نورون بیولوژیک، نورون‌های مصنوعی، تابع فعالیت، یادگیری، پرسپترون، پرسپترون چندلایه، آشنایی با شبکه‌های عمیق، شبکه عمیق پیچشی و همگشتی
  9. روش‌های فازی: مبانی نظری مجموعه‌های فازی، توابع تعلق، استنتاج در منطق فازی، قوانین فازی، سیستم‌های مبتنی بر دانش فازی، کنترل فازی
  10. روش‌های تکاملی: الگوریتم ژنتیک، بازنمایی، بازترکیبی، جهش و انتخاب، بهینه‌سازی گروه ذرات، بهینه عمومی، بهینه محلی، وزن اینرسی
  11. کاربردهای هوش مصنوعی: چند مثال پرکاربرد شامل پیش‌بینی بار، تحلیل خطا و ناهنجاری، پردازش زبان طبیعی، پردازش تصویر و مثال‌های دیگر متناسب با رشته دانشجویان

انتظار‌ می‌رود در ارائه بخش آخر درس، متناسب با رشته دانشجویان مثال‌های مرتبط انتخاب و ارائه شود. در ضمن مثال‌های این بخش عمدتا با استفاده از نوت‌بوک‌های موجود در jupyter. org قابل انجام بوده و نیازی به برنامه‌نویسی از صفر نخواهند داشت.

ارزیابی پیشنهادی

منابع پیشنهادی

  1. E. Hossain. Machine Learning Crash Course for Engineers. Springer, 2024.
  2. R. Kruse, S. Mostaghim, C. Borgelt, C. Braune, and M. Steinbrecher. Computational Intelligence: A Methodological Introduction. 3rd edition, Springer, 2022.
  3. A. Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 3rd Edition, O'Reilly Media, 2022.
  4. A. Lindholm, N. Wahlström, F. Lindsten, and T. B. Schön. Machine Learning: A First Course for Engineers and Scientists. Cambridge University Press, 2022.