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
- مقدمه: مروری بر هوش مصنوعی، یادگیری ماشین، سامانه‌های هوش مصنوعی و سامانه‌های یادگیری ماشین
- اصول مهندسی داده و چرخه حیات داده، داده‌های آموزشی، میزان و کیفیت داده‌ها: نمونه‌برداری، برچسب‌گذاری، افزایش داده
- مهندسی ویژگی
- انتخاب، توسعه و آموزش مدل
- ارزیابی مدل، منابع و مقاوم بودن
- استقرار مدل و سرویس‌دهی
- تشخیص و اصلاح اشکالات سیستم ML
- تغییر و نظارت بر توزیع داده‌ها
- یادگیری مستمر و آزمون سیستم در حین سرویس‌دهی
- انصاف، امنیت، حکمرانی بر مبنای ML
- زیرساخت و ابزارها برای MLOps
- تجاری‌سازی هوش مصنوعی: فرصت‌ها و چالش‌ها
ارزیابی پیشنهادی
- تمرین‌ها: ۲۰ درصد نمره
- آزمون پایانی: ۴۰ درصد نمره
- پروژه‌ها: ۴۰ درصد نمره
منابع پیشنهادی
- C. Huyen. Designing machine learning systems. O'Reilly Media, Inc., 2022.
- A. Burkov. Machine learning engineering. Vol. 1. Montreal, QC, Canada: True Positive Incorporated, 2020.
- H. El-Amir and M. Hamdy. Deep learning pipeline: building a deep learning model with TensorFlow. Apress, 2019.