You are not allowed to perform this action

یادگیری ماشین کاربردی

Applied Machine Learning

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

هدف کلی

امروزه یادگیری ماشین در حوزه‌های مختلف علوم و مهندسی کاربرد فراوان یافته است. هدف این درس آشنایی دانشجویان رشته‌های مختلف مهندسی با یادگیری ماشین به صورت کاربردی است. در این درس الگوریتم‌های مختلفی که قادر به یادگیری از داده‌ها و تجربیات هستند، مورد بررسی قرار گرفته و مثال‌ها و پروژه‌های کاربردی در هر زمینه مطرح می‌شود.

سرفصل‌ها

  1. مقدمه: مروری بر رویکردهای مختلف یادگیری و کاربردها
  2. آشنایی با داده‌ها: پیش‌پردازش، معیارهای فاصله و مصورسازی
  3. انتخاب و استخراج ویژگی‌ها
  4. کاهش ابعاد تحلیل مولفه اصلی
  5. رگرسیون: خطی، غیرخطی و چند متغیره
  6. دسته‌بندی: نزدیک‌ترین k همسایه، درخت تصمیم، بیز ساده، رگرسیون لجستیکی، ماشین بردار پشتیبان
  7. ارزیابی و تنظیم کردن مدل‌ها: اعتبارسنجی متقابل و انتخاب مدل
  8. خوشه‌بندی: روش‌های مبتنی بر افراز، سلسله مراتبی، مبتنی بر چگالی
  9. روش‌های تجمعی: بگینگ، بوستینگ و استکینگ
  10. شبکه‌های عصبی
  11. یادگیری تقویتی
  12. الگوریتم‌های ژنتیک و سیستم‌های فازی

ارزیابی پیشنهادی

  • تمرین‌ها و پروژه: ۴۰ درصد نمره
  • آزمون‌های میان‌ترم و پایانی: ۵۰ درصد نمره
  • پروژه پژوهشی: ۱۰ درصد نمره

منابع پیشنهادی

  1. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2013.
  2. E. Alpaydin. Introduction to Machine Learning. MIT Press, 2011.
  3. T. Mitchell. Machine Learning. McGraw Hill, 1997.
  4. R. S. Sutton and A. G. Barto. Reinforcement Learning: An Introduction. MIT Press, 2018.