سوالات پرتکرار
آیا ممکن است برخی جلسات یک درس ناقص باشند؟
سوالات پرتکرار
اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟
سوالات پرتکرار
آیا میتوان ویدئوهای یک درس را بهصورت سیدی یا دیویدی از شما تهیه کرد؟
آموزش رایگان درس هوش مصنوعی
دوره «آموزش رایگان هوش مصنوعی» یک مسیر جامع و ساختاریافته برای ورود به دنیای AI است که از مفاهیم پایه تا کاربردهای پیشرفته را پوشش میدهد. در ابتدای دوره با مبانی هوش مصنوعی و عاملهای ... بیشتر
جدید
51دانشجو
مقدماتی
دانشگاه صنعتی شریف
مهدیه سلیمانی
بهروزرسانی: ۱۴۰۴/۱۲/۰۲
آنچه در این دوره میآموزید
مفاهیم بنیادین هوش مصنوعی و عاملهای هوشمند
الگوریتمهای جستجو و تصمیمگیری هوشمند
تحلیل و حل مسائل واقعی با روشهای هوش مصنوعی
مبانی یادگیری ماشین و شبکههای عصبی
محتوای دوره
1 فصل27 جلسه32 ساعت ویدیو
اموزش رایگان هوشمصنوعی
مقدمه و آشنایی با هوش مصنوعی
مشاهده
"73:11
Uninformed Search
"69:32
Informed Search
"68:57
Local Search
"71:00
Search in Continuous spaces
"71:44
Constraint Satisfaction Problems I
"69:36
Constraint Satisfaction Problems II
"73:46
Adversarial Search
"68:50
Markov Decision Process
"70:58
Markov Decision Process: Value Iteration & Policy Iteration
"72:31
Reinforcement Learning I
"42:24
Reinforcement Learning II
"73:42
Uncertainty & Inference
"65:18
Bayesian Networks: Representation
"74:24
Inference in Bayesian Networks: Exact I
"77:30
Inference in Bayesian Networks: Exact II
"73:22
Inference in Bayesian Networks: Approximate
"73:29
Temporal Probability Models: Markov Chains & HMMs
"77:16
Temporal Probability Models: Particle Filters
"70:59
Learning in Bayesian Networks & Naive Bayes
"64:20
Decision Tree
"72:55
Concepts of Machine Learning (Regression & Classification)
"62:57
Classification
"78:01
Generalization
"74:50
Neural Networks I
"69:53
Neural Networks II
"71:32
Applications
"71:46
درباره دوره
دوره «آموزش رایگان هوش مصنوعی» یک مسیر جامع و ساختاریافته برای ورود به دنیای AI است که از مفاهیم پایه تا کاربردهای پیشرفته را پوشش میدهد. در ابتدای دوره با مبانی هوش مصنوعی و عاملهای هوشمند (Intelligent Agents) آشنا میشوید و سپس انواع روشهای جستجو شامل جستجوی ناآگاهانه، آگاهانه و محلی را یاد میگیرید. در ادامه، جستجو در فضاهای پیوسته و مسائل ارضای محدودیت (CSP) بررسی میشود و با جستجوی رقابتی وارد مباحث تصمیمگیری در محیطهای پویا خواهید شد.
بخش مهمی از دوره به فرایندهای تصمیمگیری مارکوف (MDP)، تکرار مقدار و سیاست، و همچنین یادگیری تقویتی اختصاص دارد. سپس با مفاهیم عدم قطعیت، استنتاج و شبکههای بیزی (از نمایش تا استنتاج دقیق و تقریبی) آشنا میشوید. مدلهای احتمالی زمانی مانند زنجیرههای مارکوف و HMMها نیز بهصورت کاربردی آموزش داده میشوند. در بخش یادگیری ماشین، مباحثی مانند درخت تصمیم، رگرسیون، طبقهبندی و تعمیم بررسی میگردد. در نهایت با شبکههای عصبی و کاربردهای عملی هوش مصنوعی، دیدی کامل و کاربردی برای ورود به بازار کار یا ادامه مسیر تخصصی به دست خواهید آورد.
اطلاعات بیشتر
درباره استاد
مهدیه سلیمانی
3دوره
32,899دانشجو
دکتر مهدیه سلیمانی دانشیار دانشگاه صنعتی شریف و مدرس دروسی نظیر هوش مصنوعی، یادگیری ماشین، یادگیری ژرف (deep learning)، مدلهای زبانی بزرگ (LLMs) در دانشکدهی مهندسی کامپیوتر این دانشگاه بوده است. او موسس و مدیر آزمایشگاه یادگیری ماشین (MLL) است و در زمینههایی مانند یادگیری ژرف، مدلهای بزرگ (تصویری)-زبانی، تعمیمپذیری، یادگیری تقویتی و تفسیرپذیری مدلها تحقیق میکند.
اطلاعات بیشتر