چرا به یادگیری ریاضیات برای مهندسین هوش مصنوعی نیاز داریم؟
این دوره بهعنوان پیشنیازی اساسی برای دورههای پیشرفته یادگیری ماشین و یادگیری عمیق در مسیر مهندسی هوش مصنوعی طراحی شده است. این دوره تضمین میکند که یادگیرندگان درک عمیقی از ساختارهای ریاضیاتی، روشهای بهینهسازی و استدلال احتمالاتی پیدا کنند. پروژههای عملی گنجاندهشده در این دوره، ارتباط بین تئوری و عمل را تقویت میکند و به دانشجویان کمک میکند تا دادهها را تحلیل، مدلها را بهینهسازی و روشهای مبتنی بر گراف را به کار گیرند. با تسلط بر این ابزارهای ریاضیاتی، شرکتکنندگان آماده طراحی، تنظیم و ارزیابی راهحلهای هوش مصنوعی به طور مؤثر خواهند بود و به شایستگی کلی آنها بهعنوان مهندسین هوش مصنوعی کمک خواهد کرد.
محتوای دوره:
جبر خطی
- عملیات ماتریسی، بردارهای ویژه، تجزیه ماتریس و فضاهای برداری.
- پروژه عملی: پیادهسازی عملیات ماتریسی و دستکاری بردارها با استفاده از کتابخانه NumPy در پایتون.
احتمالات و آمار
- توزیعهای احتمالی، قضیه بیز، فرآیندهای تصادفی.
- پروژه عملی: استفاده از کتابخانههای پایتون مانند SciPy و StatsModels برای شبیه سازی مفاهیم آماری.
بهینهسازی
- گرادیان نزولی، بهینهسازی محدب و الگوریتمهای پیشرفته بهینهسازی.
- پروژه عملی: پیادهسازی گرادیان نزولی برای بهینهسازی مدلهای ساده یادگیری ماشین.
نظریه گراف
- نمایش گرافها، الگوریتمهای پیمایش گراف، کوتاهترین مسیر و درختهای پوشا.
- پروژه عملی: ساخت ساختارهای دادهای مبتنی بر گراف و اعمال الگوریتمهای کوتاه ترین مسیر بر روی آن.