مهندسی سامانه‌های یادگیری ماشین

Machine Learning Systems Engineering

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: یادگیری ماشین هم‌نیاز: –

هدف کلی

اهمیت اصلی هوش مصنوعی زمانی است که بتوان آن را تجاری‌سازی کرد. اما فاصله زیادی بین سرویس‌های تجاری و روش‌های پژوهشی وجود دارد. در این درس بعد از اینکه دانشجویان با اهمیت استفاده از هوش مصنوعی و یادگیری ماشین در صنعت آشنا شدند، با مراحل مختلفی که برای تجاری‌سازی هوش مصنوعی نیاز است آشنا خواهند شد. این مراحل از اصول مهندسی داده و انتخاب ویژگی شروع شده و شامل انتخاب و آموزش مدل، ارزیابی و استقرار مدل‌ها، نظارت و آزمون در حین اجرا، و یادگیری مستمر نیز می‌شود. در نهایت دانشجویان با مباحث تکمیلی در رابطه با منصفانه بودن و امنیت مدل‌ها در صنعت و حکمرانی داده محور بر مبنای هوش مصنوعی و همچنین ابزارهای مختلف برای تجاری‌سازی هوش مصنوعی آشنا خواهند شد.

سرفصل‌ها

  1. مقدمه‌: مروری بر هوش مصنوعی، یادگیری ماشین، سامانه‌های هوش مصنوعی و سامانه‌های یادگیری ماشین
  2. اصول مهندسی داده و چرخه حیات داده، داده‌های آموزشی، میزان و کیفیت داده‌ها: نمونه‌برداری، برچسب‌گذاری، افزایش داده
  3. مهندسی ویژگی
  4. انتخاب، توسعه و آموزش مدل
  5. ارزیابی مدل، منابع و مقاوم بودن
  6. استقرار مدل و سرویس‌دهی
  7. تشخیص و اصلاح اشکالات سیستم ML
  8. تغییر و نظارت بر توزیع داده‌ها
  9. یادگیری مستمر و آزمون سیستم در حین سرویس‌دهی
  10. انصاف، امنیت، حکمرانی بر مبنای ML
  11. زیرساخت و ابزارها برای MLOps
  12. تجاری‌سازی هوش مصنوعی: فرصت‌ها و چالش‌ها

ارزیابی پیشنهادی

منابع پیشنهادی

  1. C. Huyen. Designing machine learning systems. O'Reilly Media, Inc., 2022.
  2. A. Burkov. Machine learning engineering. Vol. 1. Montreal, QC, Canada: True Positive Incorporated, 2020.
  3. H. El-Amir and M. Hamdy. Deep learning pipeline: building a deep learning model with TensorFlow. Apress, 2019.