مقدمه ای بر هوش مصنوعی (AI)

اصول اولیه یادگیری ماشین ، نظارت ، بدون نظارت ، FFNN ، CNN ، NLP ، RNN
را بیاموزید

عنوان اصلی : Hands-on Introduction to Artificial Intelligence(AI)

سرفصل های دوره :

مقدمه:
نقشه برداری از عملکردهای انسانی به فناوری های هوش مصنوعی
AI - شاخه های الگوریتم یادگیری ماشین
AI - الگوریتم ها و برنامه های یادگیری ماشین نظارت شده
AI - الگوریتم ها و برنامه های یادگیری ماشین بدون نظارت
AI - پردازش زبان طبیعی و برنامه های کاربردی
AI - IoT و برنامه ها
شبکه های عصبی - Perceptron
شبکه های عصبی عمیق چیست؟
ساختار شبکه های عصبی به جلو (FFNN) و پاس رو به جلو
ورودی - شبکه های عصبی به جلو (FFNN)
مرحله یادگیری - شبکه های عصبی به جلو (FFNN)
تکثیر و یادگیری مرحله -شبکه های عصبی رو به جلو (FFNN)
برنامه ها و محدودیت های شبکه های عصبی به جلو (FFNN)
مقدمه CNN
CNN - لایه حلقوی و RELU
CNN - لایه جمع آوری حداکثر
CNN - مثال پایان تا پایان
شبکه عصبی مکرر (RNN)
معماری RNN
شبکه های مخالف مولد (GAN)
یادگیری تقویت
یادگیری انتقال
چه کسی به AI شل می شود
نیاز به بازآموزی و بازگشت مجدد
چگونه می توان از AI بهره مند شد و از آن بهره مند شد
IBM Watson - مدل های یادگیری ماشین نظارت و بدون نظارت:
ساختمان مدل های یادگیری ماشین نظارت شده و بدون نظارت با استفاده از IBM Watson
رویکرد برای ساخت مدل های یادگیری ماشین
تنظیم و پیکربندی حساب
تحت نظارت و آزمایش مدل خود با استفاده از رگرسیون لجستیک
تحت نظارت - ساخت مدل طبقه بندی چند کلاس (ML) پایان تا پایان
بدون نظارت - ساخت یک مدل رگرسیون (ML) پایان به پایان
پارامترهای ارزیابی عملکرد برای الگوریتم های ML
پردازش زبان طبیعی (NLP) با IBM Watson:
مقدمه ای بر بخش
IBM Watson - متن به گفتار
IBM Watson - گفتار به متن
IBM Watson - استخراج معنایی
شبکه های عصبی رو به جلو (FFNN) با شبیه ساز جریان تانسور و Google Colab:
مقدمه ای بر بخش و برگه آزمایش
ساختن یک perceptron
ساختن یک شبکه عصبی به جلو با یک لایه پنهان - نظارت
ایجاد یک شبکه عصبی به جلو فید عمیق - نظارت
معرفی سطح بالا به جریان تانسور ، داده ها و تنظیم - بدون نظارت
ساختن یک شبکه عصبی به جلو (FFNN) - بدون نظارت
ساختن یک شبکه عصبی به جلو کم عمق فیدر - بدون نظارت
ساختن یک FFNN رگرسیون با Adamoptimizer مختلف
ساختن یک FFNN رگرسیون با نرخ های مختلف یادگیری و دوره ها
تجزیه و تحلیل عملکرد شبکه های عصبی Feed Forward
شبکه های عصبی حلقوی (CNN) با IBM Watson:
بخش مقدمه و داده ها
CNN برای معماری Mnist Walkthrough
اصول اولیه تنظیم حساب IBM Watson
CNN - راه اندازی و اولین بار با مثال mnist - قسمت 1
CNN - راه اندازی و اولین بار با مثال mnist - قسمت 2
CNN برای MNIST با SGD
بهینه سازی CNN برای mnist
CNN برای Cifar 10
گزینه های بهینه سازی CNN در Cifar 10
CNN - آزمایش های غیرقابل کنترل
شبکه عصبی مکرر (RNN) با Mathworks:
مقدمه بخش
طبقه بندی مصوت های ژاپنی با LSTM- از طریق Mathworks Walk
طبقه بندی فعالیت های انسانی با LSTM- به عنوان مثال Mathworks