مشخصات و مطالب درس کارشناسی ارشد یادگیری ماشینی که در سال 1401 برای دانشجویان علوم کامپیوتر دانشگاه شریف ارایه کردم و بعد از آن هم چند بار برای دانشجویان گروه ریاضی و همچنین رشته آمار دانشگاه شیراز ارایه شد. یادگیری ماشینی، زیربنای نظری هوش مصنوعی امروزی هست.
دستیاران آموزشی: علی باقری، غزل فراهانی، جواد سجادی، ملیکا نصیریان
پیشنیازها: جبر خطی، حساب دیفرانسیل چند متغیره، مبانی آمار و احتمال، آشنایی با زبان پایتون
کتابها
- Reza Rezazadegan, Applications of Artificial Intelligence and Big Data in Industry 4.0 Technologies, in Industry 4.0 Vision for Energy and Materials: Enabling Technologies and Case Studies, Wiley, 2022
- Aurelien Geron, Hands-on Machine Learning with Scikit-Learn
- Blum, et al, Foundations of Data Science
ارزیابی درس: پروزه و ارایه دانشجویی
مطالب و اسلایدهای درس
1- آشنایی با یادگیری ماشینی و هوش مصنوعی: هوش مصنوعی به عنوان تقریب زدن تابعها
2- رگرسیون
3- رده بندی
9- یادگیری جمعی
Syllabus
1-Introducing AI and Machine Learning: AI as function approximation (slides)
2-Regression (slides)
3-Introduction to classification (slides)
4-Classification methods: Support Vector Machines (slides)
5-Bayesian learning: the naive Bayes classifier (slides)
6-Classification methods: Decision trees (slides)
7-Unsupervised learning: clustering (k-means, Agglomerative, DBSCAN) (slides)
8-Unsupervised learning: dimensionality reduction (slides)
9-Ensemble Learning (slides)
10-Topological Data Analysis
11-Evolutionary optimization
12-Rule-based Machine Learning: Learning classifier systems
13-Time series forecasting