مجموعه‌ها · ۹ بخش · در مجموع حدود ۸۷ دقیقه
مبانی هوش مصنوعی و علم داده
مفاهیم پایه‌ی هوش مصنوعی، یادگیری ماشین و علم داده به زبان ساده؛ از تعریف هوش مصنوعی و آمار تا کار با داده، نمودار و مدل‌های یادگیری.
-
بخش ۱· ۱۱ دقیقه
هوش مصنوعی چیست؟ از تعریف تا نقشه راه ساخت یک دستیار هوشمند
هوش مصنوعی چیست و چرا بعضی کارها را نمی‌شود با برنامه‌نویسی معمولی حل کرد؟ در این مقاله تعریف هوش، آزمون تورینگ، دو رویکرد نمادین و شبکه عصبی و تاریخچه کوتاه هوش مصنوعی را می‌خوانید و یک نقشه راه چهارمرحله‌ای برای ساخت دستیار هوشمند می‌گیرید.
-
بخش ۲· ۱۰ دقیقه
علم داده چیست؟ تعریف مسئله داده‌محور پیش از ساخت هوش مصنوعی
علم داده چیست و چه ربطی به ساخت دستیار هوش مصنوعی دارد؟ در این قسمت تعریف علم داده، رابطه‌اش با آمار، یادگیری ماشین و بصری‌سازی، منابع رایج داده و پنج مرحله مسیر داده را می‌خوانید و یاد می‌گیرید پیش از شروع پروژه، خروجی و معیار پذیرش را دقیق بنویسید.
-
بخش ۳· ۱۰ دقیقه
سیستم خبره چیست؟ بازنمایی دانش و انتخاب بین قاعده و یادگیری ماشین
سیستم خبره چیست و چرا هنوز در دستیارهای امروزی جا دارد؟ در این قسمت هرم داده تا حکمت، روش‌های بازنمایی دانش، ساختار سیستم خبره، استنتاج پیشرو و بازگشتی را با مثال پایتون می‌خوانید و یاد می‌گیرید کجا قاعده کافی است و کجا به یادگیری ماشین نیاز دارید.
-
بخش ۴· ۹ دقیقه
یادگیری ماشین چیست؟ هفت مرحله یادگیری نظارت‌شده از سؤال تا پیش‌بینی
یادگیری ماشین چیست و یک پروژه یادگیری نظارت‌شده چه مراحلی دارد؟ در این قسمت هفت مرحله از انتخاب سؤال تا پیش‌بینی، مفهوم ویژگی و هدف، تقسیم داده به آموزش و آزمون، بیش‌برازش و کم‌برازش را با یک مثال کوتاه scikit-learn یاد می‌گیرید.
-
بخش ۵· ۹ دقیقه
داده ساختاریافته، نیمه‌ساختاریافته و بدون ساختار؛ انواع داده برای هوش مصنوعی
داده ساختاریافته چیست و چه فرقی با داده بدون ساختار و نیمه‌ساختاریافته دارد؟ در این قسمت انواع داده، داده کمی و کیفی، منابع داده و صفحه گسترده را می‌شناسید و یاد می‌گیرید هر نوع داده را چطور به ورودی قابل استفاده برای مدل هوش مصنوعی تبدیل کنید.
-
بخش ۶· ۱۰ دقیقه
شبکه عصبی چیست؟ ریاضیات پرسپترون، نزول گرادیان و پس‌انتشار به زبان ساده
شبکه عصبی چیست و چطور از اشتباهش یاد می‌گیرد؟ در این قسمت از پرسپترون روزنبلات شروع می‌کنیم، تابع خطا، نزول گرادیان و نرخ یادگیری را با مثال عددی می‌فهمیم، به شبکه چندلایه و پس‌انتشار خطا می‌رسیم و یک پرسپترون کوچک را با پایتون از صفر می‌سازیم.
-
بخش ۷· ۱۰ دقیقه
آمار و احتمال برای هوش مصنوعی؛ از میانگین تا بازه اطمینان با مثال پایتون
آمار و احتمال زبان مشترک داده و هوش مصنوعی است. در این قسمت احتمال و متغیر تصادفی، توزیع یکنواخت و نرمال، میانگین، واریانس، میانه و چارک، جعبه‌نمودار و بازه اطمینان را با مثال پایتون می‌خوانید و یاد می‌گیرید دقت یک مدل را با بازه اطمینان گزارش کنید.
-
بخش ۸· ۹ دقیقه
سوگیری در هوش مصنوعی؛ ارزیابی منصفانه مدل برای گروه‌های مختلف کاربران
سوگیری در هوش مصنوعی از کجا می‌آید و چطور پیدایش کنیم؟ در این قسمت پنج نوع آسیب ناعادلانه، شش اصل هوش مصنوعی مسئولانه و ارزیابی تأثیر را می‌شناسید و یاد می‌گیرید دقت مدل را به تفکیک گروه‌های کاربران با پایتون بسنجید تا میانگین خوب، ضعف پنهان را نپوشاند.
-
بخش ۹· ۹ دقیقه
چرخه عمر علم داده؛ از جمع‌آوری تا تصمیم قابل دفاع با CRISP-DM
چرخه عمر علم داده چه مراحلی دارد و چرا پروژه‌های داده بدون آن از مسیر خارج می‌شوند؟ در این قسمت پنج مرحله جمع‌آوری، پردازش، تحلیل، ارتباط و نگه‌داری را با سؤال‌های کلیدی هر مرحله، مقایسه TDSP و CRISP-DM و یک مثال pandas برای پروفایل داده یاد می‌گیرید.