کارگاه هوش مصنوعی و یادگیری ماشین | AI + ML

توضیحات

معرفی کارگاه AIoT (متشکل از 4 بخش و 2 محصول)

مباحث مقدمات AI

1. یادگیری ماشین و آمار و ریاضیات
2. کاربردهای یادگیری ماشین
3. فرصت های شغلی
4. زبان و فریمورک
5. تعریف انواع یادگیری ماشین
6. روال / روند یادگیری ماشین
7. تفاوت آنالیز آنلاین و آفلاین (بلادرنگ و دسته ای)
8. الگوریتم های یادگیری ماشین کلاسیک
   1. متد KNN
   2. آندرفیت و اورفیت
   3. متد Naive Bayse
   4. متد SVM
   5. متد Decision Trees
   6. متد Random Forest
   7. متد Linear Regression
   8. متد K-Means
   9. متد PCA
   10. متد Hidden Markov Models
9. شبکه های عصبی
   1. ساده و عمیق
   2. شبکه های Convolution
   3. حافظه و Attention
   4. شبکه های UNET و GAN
   5. شبکه های گرافی
   6. عملیات Back Propagation و Gradient Descent
   7. بررسی شبکه های معروف
10. یادگیری تقویتی
    1. مدل محور و بدون مدل
    2. مبتنی بر جایزه و مبتنی بر قانون
11. چگونه متد مناسب انتخاب کنیم؟
12. منابع یادگیری بیشتر

مباحث کارگاه مقدمات AI

1. آشنایی با SQL و PostgreSQL
2. آناکوندا و Jupyter
3. مباحث پایه Python مورد نیاز یادگیری ماشین
4. نگاهی بر Apache Spark
5. کتابخانه Numpy
6. کتابخانه Matplotlib
7. شمارش لوله ها با استفاده از بینایی ماشین و OpenCV
8. پیاده سازی Decision Tree
9. پیاده سازی Random Forest
10. پیاده سازی SVM
11. پیاده سازی Naive Bayes
12. پیاده سازی شبکه عصبی برای دیتاست MNIST
13. پیاده سازی شبکه عصبی برای دیتاست Fashion MNIST
14. یادگیری انتقالی با شبکه MobileNet
15. ذخیره سازی در Colab
16. تشخیص چهره با DLib و آشنایی با امکانات MediaPipe