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.

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.

• تمرین‌ها و پروژه: ۳۰ درصد نمره
• آزمون‌های میان‌ترم و پایانی: ۷۰ درصد نمره