هوش مصنوعی و یادگیری ماشین: تئوری و عمل
Lady Margaret Hall, University of Oxford
اطلاعات کلیدی
موقعیت پردیس
Oxford, بریتانیا
زبان های خارجی
زبان انگلیسی
قالب مطالعه
آموزش از راه دور, در محوطه دانشگاه
مدت زمان
3 هفته ها
سرعت
تمام وقت
شهریه
GBP ۳٬۹۸۰ / per course *
آخرین مهلت تقاضا
10 May 2024
زودترین تاریخ شروع
24 Jun 2024
* برای مسکونی: 9 هفته | برای آنلاین: 9 هفته - 3960 پوند
مقدمه
در عصر رو به رشد فناوری هوشمند و اتوماسیون، ما در حال حاضر پتانسیل تحولآفرین هوش مصنوعی و یادگیری ماشینی را در زمینههای متنوعی مانند مالی، پزشکی و تولید میبینیم. این دوره مقدمه ای عملی برای این حوزه تحقیقاتی متمرکز بر آینده ارائه می دهد.
شما با مقدمه ای بر اصول برنامه نویسی در پایتون، به ویژه درک برنامه نویسی شی گرا و اهمیت آن برای یادگیری عمیق، شروع خواهید کرد. شما به سرعت وارد مقدمه ای بر هوش مصنوعی خواهید شد، و اصول یادگیری ماشینی تحت نظارت، از جمله رگرسیون خطی، رگرسیون لجستیک، شبکه های عصبی و نزول گرادیان را بررسی می کنید. در هفته دوم دوره، قبل از مقدمهای بر شبکههای عصبی کانولوشنال و برخی از معماریهای برجسته CNN مانند VGG و ResNet، پردازش تصویر، بررسی تحولات، فیلترهای کانولوشن و تشخیص لبه را بررسی خواهید کرد. در بخش پایانی دوره، به مفاهیم اصلی پردازش زبان طبیعی، از جمله مدلسازی توالی، مدلهای اتورگرسیو و شبکههای عصبی مکرر نگاه خواهید کرد.
این دوره فشرده هم مقدمه ای نظری بر مفاهیم هوش مصنوعی و یادگیری ماشین و هم فرصتی برای عملی کردن این دانش در حل مسائل عملی در مقیاس کوچک از حوزه های مختلف ارائه می دهد.
تاریخ ها و در دسترس بودن
در تاریخ های زیر به صورت دوره های اقامتی یا آنلاین موجود است:
جلسه 1: 24 ژوئن تا 12 ژوئیه 2024
جلسه 3: 5 آگوست تا 23 آگوست 2024
گالری
دانش آموزان ایده آل
این دوره برای دانشجویان STEM در مقاطع کارشناسی یا مقطع کارشناسی ارشد مناسب است. دانش اولیه حساب دیفرانسیل و انتگرال و جبر خطی مورد نیاز است و مقداری تجربه در کدنویسی توصیه می شود. تجربه قبلی در هوش مصنوعی، یادگیری ماشین یا زبان برنامه نویسی پایتون لازم نیست.
پذیرش ها
نتیجه برنامه
تا پایان این دوره:
- مفاهیم نظری هوش مصنوعی و یادگیری ماشین را درک کنید.
- بدانید که چگونه از هوش مصنوعی اولیه و ابزارهای یادگیری ماشین در عمل استفاده می شود.
- نحوه پیاده سازی الگوریتم های اساسی و آموزش شبکه های کوچک برای مسائل عملی را بدانید.
- قادر به شناسایی و استفاده از هوش مصنوعی مرتبط و ابزارهای یادگیری ماشین در تحقیق باشید.
- نحوه پیاده سازی و استقرار الگوریتم های هوش مصنوعی و یادگیری ماشین را در Google Cloud بدانید.