طول دوره: 50 ساعت
شهریه : 35,000,000 ریال
نوع آموزش:
پیشنیاز: برنامه نویسی به زبان Python
مدرک پایان دوره:

برنامه زمانی دوره هوش مصنوعی جامع

کد دوره: 6071
روزهای برگزاری:

پنج شنبه ها 16 الی 20

تاریخ شروع: 1401/12/04
35,000,000 ریال

هوش مصنوعی جامع

چنانچه در دوره های ارائه شده نمی توانید شرکت نمایید می توانید شماره موبایل خود را وارد کرده تا دوره های جدیدی که ارائه می شود برای شما پیامک شود

هوش مصنوعی چیست و چه کاربردی دارد؟

AI

هوش مصنوعی چیست؟

‌هوش‌مصنوعی (Artificial Intelligence) به عنوان شبیه سازی هوش انسان در ماشین‌ها (کامپیوتر‌ها) تعریف می‌شود. در این دانش ماشین‌ها یاد می‌گیرند مانند انسان تفکر کرده، محاسبه و رفتار کنند. هدف اصلی ‌هوش‌مصنوعی‌، یادگیری، تحلیل‌، درک و استدلال است. ‌هوش‌مصنوعی (AI) در تمام علوم مانند مهندسی، صنایع، پزشکی و ... کاربرد داشته و از زیر مجموعه‌های مختلفی شامل یادگیری ماشین، بینایی ماشین، یادگیری عمیق و داده کاوی تشکیل شده است که هرکدام از این زیر مجموعه‌ها تکنیک‌ها و کاربرد‌های متفاوتی دارند.

توسعه‌دهنده فرانت‌اند مجری دیدگاه طراح وب، معمولاً از زبان‌های کامپیوتری مانند HTML,CSS,Javascript,Bootstrap استفاده می‌کند.

شاخه های هوش مصنوعی

هوش مصنوعی دارای 4 شاخه پر اهمیت و مهم می باشد:

  • بینایی ماشین
  • یادگیری ماشین
  • داده کاوی

 

داده کاوی چیست؟

داده کاوی فرآیند مرتب سازی از طریق مجموعه داده‌های بزرگ برای شناسایی الگوها و روابطی است که به حل مشکلات تجاری از طریق تجزیه و تحلیل داده‌ها کمک می‌کند. تکنیک‌ها و ابزارهای داده کاوی، شرکت‌ها را قادر می‌سازد تا رویدادهای آینده را پیش بینی کرده و تصمیمات تجاری آگاهانه تری اتخاذ کنند. داده کاوی بخش کلیدی تجزیه و تحلیل داده و یکی از رشته‌های اصلی در علم داده است. این رشته از تکنیک‌های تجزیه و تحلیل پیشرفته، برای یافتن اطلاعات مفید در مجموعه داده‌ها استفاده می‌کند. در یک تعریف جزئی تر، داده کاوی، فرآیند کشف اطلاعات در پایگاه داده برای جمع آوری، پردازش و تجزیه و تحلیل داده‌ها است. پایه و اساس داده کاوی شامل سه رشته علمی‌آمار ، هوش مصنوعی و یادگیری ماشین است.

datamining

کاربرد داده کاوی

در اینجا نحوه استفاده سازمان‌ها و صنایع از داده کاوی برای برنامه‌های تحلیلی معرفی شده است:

  • خرده فروشی

    خرده‌فروشان آنلاین، داده‌های مشتری و سوابق کلیک اینترنتی را برای کمک به هدف قرار دادن کمپین‌های بازاریابی، تبلیغات و پیشنهادات تبلیغاتی برای خریداران فردی استخراج می‌کنند.

  • خدمات مالی

    بانک‌ها و شرکت‌های کارت اعتباری از ابزارهای داده کاوی برای ساخت مدل‌های ریسک مالی، شناسایی تراکنش‌های متقابلانه و درخواست‌های وام و اعتبار استفاده می‌کنند. داده کاوی همچنین نقش کلیدی در بازاریابی و شناسایی فرصت‌های بالقوه افزایش فروش با مشتریان فعلی دارد.

  • بیمه

    بیمه‌گران برای کمک به قیمت‌گذاری سیاست‌های بیمه و تصمیم‌گیری در مورد تأیید برنامه‌های آن مانند مدل‌سازی ریسک و مدیریت مشتریان احتمالی، به داده‌کاوی متکی هستند.

  • ساخت و تولید

    کاربرد داده کاوی برای تولیدکنندگان شامل بهبود زمان و کارایی عملیاتی در کارخانه‌های تولیدی، عملکرد زنجیره تامین و ایمنی محصول است.

  • سرگرمی

    سرویس‌های استریم داده‌کاوی را برای تجزیه و تحلیل آنچه که کاربران تماشا می‌کنند یا گوش می‌دهند و توصیه‌های شخصی‌سازی شده بر اساس عادات تماشا و گوش دادن افراد انجام می‌دهند.

  • مراقبت‌های بهداشتی

    داده‌کاوی به پزشکان در تشخیص شرایط پزشکی، درمان بیماران و تجزیه و تحلیل اشعه ایکس و سایر نتایج تصویربرداری پزشکی کمک می‌کند. تحقیقات پزشکی نیز به شدت به داده کاوی، یادگیری ماشینی و سایر اشکال تجزیه و تحلیل بستگی دارد.

یادگیری ماشین چیست؟

کاربرد داده کاوی در حوزه مالی برای جستجوی الگوها یادگیری ماشین (machine learning) جزء مهم رو به رشد "علم داده" است. این رشته با استفاده از روش‌های آماری، الگوریتم‌ها را برای طبقه‌بندی یا پیش‌بینی، آموزش داده و موارد کلیدی را در پروژه‌های داده‌کاوی آشکار می‌کنند. استفاده از این روش تصمیم‌گیری را در برنامه‌ها و کسب‌وکارها هدایت کرده و به طور ایده‌آل بر معیارهای رشد کلیدی تأثیر می‌گذارند.

machinelearning

کاربرد یادگیری ماشین

یک سیستم یادگیری ماشینی با فراگیری داده‌های قبلی، مدل‌های پیش‌بینی را می‌سازد، و با استفاده از آن، زمانی که داده‌های جدیدی را دریافت کند، خروجی آن را پیش‌بینی می‌کند. لازم به ذکر است، دقت خروجی پیش‌بینی‌شده به مقدار داده بستگی دارد، زیرا حجم عظیم داده به ساخت مدل بهتری برای پیش بینی خروجی با دقت بیشتر، کمک می‌کند. فرض کنید مشکل پیچیده‌ای داریم، جایی که باید پیش‌بینی‌هایی انجام دهیم، بنابراین به جای نوشتن یک کد برای آن، فقط باید داده‌ها را به الگوریتم‌های عمومی‌تغذیه کنیم و با کمک این الگوریتم‌ها، ماشین منطق را مطابق با آن می‌سازد. داده‌ها و پیش بینی خروجی یادگیری ماشینی طرز تفکر ما را در مورد مشکل تغییر داده است. بلوک دیاگرام زیر کار الگوریتم یادگیری ماشین را توضیح می‌دهد: به طور سنتی، بازیگران سرمایه‌گذاری در بازار اوراق بهادار مانند محققان مالی، تحلیلگران، مدیران دارایی و سرمایه گذاران فردی اطلاعات زیادی را از شرکت‌های مختلف در سراسر جهان به دنبال این هستند تصمیمات سرمایه گذاری سودآوری اتخاذ کنند. با این حال، برخی از اطلاعات مرتبط ممکن است به طور گسترده توسط رسانه‌ها منتشر نشود و ممکن است فقط برای تعداد معدودی از کارمندان شرکت یا ساکنان کشوری که اطلاعات از آنجا سرچشمه می‌گیرد، محرمانه باشد. علاوه بر این، اطلاعات بسیار زیادی وجود دارد که انسان می‌تواند در یک بازه زمانی معین جمع آوری و پردازش کند. اینجاست که یادگیری ماشین وارد می‌شود.

بینایی ماشین چیست؟

بینایی ماشین (Computer Vision) یکی از شاخه‌های مهم و اساسی ‌هوش‌مصنوعی برای درک بصری از محیط، توسط کامپیوتر می‌باشد. بینایی ماشین یا بینایی کامپیوتر در واقع‌، درک‌، تشخیص و پردازش تصاویر و فیلم‌ها با الهام گرفتن از الگوریتم تحلیلی مغز انسان است. بدین منظور برای ورودی، از دوربین‌های ویدئویی قابل تبدیل آنالوگ به دیجیتال و یک الگوریتم تحلیلی برای پردازش آن‌ها استفاده می‌کند. در واقع این دانش به ماشین‌ها توانایی بصری و درک محیط اطراف و آنالیز و پردازش اطلاعات پیرامون آن‌ها ‌را می‌دهد

computer-vision

کاربرد بینایی ماشین

بینایی‌ماشین (CV) : به صورت روزمره در زندگی ما اثر دارد و در این قسمت به برخی از مهم‌ترین و کاربردی‌ترین استفاده‌های بینایی ماشین را در زندگی عادی اشاره می‌کنیم

  • خودروهای خودران

    ‌هوش‌مصنوعی و به خصوص بینایی ماشین انقلاب بزرگی را در صنعت خودروسازی دنیا ایجاد کرده‌است. امروزه تمام خودرو‌سازان بزرگ جهان به سمت تولید خودروهای خودران ( خودروهای بدون راننده ) رفته و هرروزه تکنولوژی جدید را روی ماشین‌های خود اعمال می‌کنند. این پیشرفت به جایی خواهد رسید که تا سال 2030 میلادی تمام ماشین‌ها هوشمند شده و دیگر نیازی به دریافت گواهینامه رانندگی نخواهد بود. بینایی کامپیوتر در تشخیص موانع، عابران پیاده، خطوط خیابان، تعیین و تشخیص فاصله و ... کاربرد دارد که مجموع این موارد رانندگی امن را برای سرنشینان و عابران فراهم می‌سازد و میزان حوادث جاده‌ای ناشی از رانندگی را به حداقل می‌رساند.

  • شناسایی چهره

    ویژگی‌های تصاویر چهره افراد مختلف توسط الگوریتم پردازش شده، و با جستجو در پایگاه داده (Data Base) هویت فرد مد نظر تشخیص داده می‌شود این تکنولوژی در تشخیص مجرمان در جاهای شلوغ بسیار کاربرد دارد.برای این منظور تصاویر از سمت دوربین‌های مستقر در محل، دریافت می شود سیستم کامیوتری ویژگی‌های چهره هر شخص را بررسی کرده و آن‌ها را با ویژگی‌های افراد در پایگاه داده مقایسه می‌کند. داشتن پایگاه داده قوی در زمان و نتیجه‌دهی بسیار موثر است.

     

  • >
  • سلامت پزشکی

    دراین شاخه از ‌هوش‌مصنوعی در تشخیص سلول‌های سرطانی روی تصاویر پوست و تشخیص نا‌هنجاری‌ها روی تصاویر x-ray و MRI کاربرد دارد. این روند باعث کاهش اشتباهات پزشکی و افزایش شانس درمان می‌شود.

  • computer-vision

یادگیری عمیق چیست؟

یادگیری عمیق (Deep learning) زیرمجموعه‌ای از یادگیری ماشین بوده و از تعدادی لایه شبکه عصبی تشکیل شده است. شبکه عمیق، بطور خودکار وظایف فیزیکی و تحلیلی داده ها را بدون دخالت انسان انجام و بهبود می‌دهد. فناوری یادگیری عمیق در تمام محصولات و خدمات روزمره ،مانند دستیارهای دیجیتال، کنترل‌های تلویزیون (با قابلیت صوتی) و تشخیص تقلب در کارت اعتباری و همچنین فناوری‌های نوظهور مانند خودروهای خودران کاربرد دارد.

تفاوت یادگیری عمیق و شبکه عصبی مصنوعی

شبکه عصبی مصنوعی روی شبیه‌سازی رفتار مغز انسان تمرکز داشته و از یک لایه اصلی و چند لایه مخفی تشکیل شده‌است. این شبکه قادر به تشخیص و یادگیری به صورت تقریبی می باشد. اما شبکه یادگیری عمیق از چندین لایه در هر سطح تشکیل شده‌است که علاوه بر کاهش زمان پردازش، دقت محاسبات را هم افزایش می‌دهد

تفاوت یادگیری عمیق و یادگیری ماشین

الگوریتم‌های یادگیری ماشین از داده‌های ساختاریافته و برچسب‌گذاری‌شده برای پیش‌بینی استفاده می‌کنند یعنی ویژگی‌های خاصی از داده‌های ورودی که برای مدل تعریف شده اند، را در جداول سازمان‌دهی می کنند. البته این لزوماً به این معنی نیست که از داده های بدون ساختار استفاده نمی کند و فقط به این معنی است که کاری را که معمولاً برای سازماندهی آن در قالبی ساختاریافته از پیش پردازش شده می گذرد، را انجام می‌دهد. یادگیری عمیق برخی از مراحل پیش پردازش داده‌ها را که معمولاً با یادگیری ماشین مرتبط بوده را حذف می‌کند. این الگوریتم‌ها می‌توانند داده‌های بدون ساختار مانند متن و تصاویر را دریافت و پردازش کنند، و استخراج ویژگی‌ها را به صورت خودکار انجام دهند این امر باعث حذف برخی از وابستگی‌ها به متخصصان انسانی می شود.

deeplearning

کاربرد شبکه عمیق

یادگیری عمیق و کاربردهای آن، در زندگی روزمره ما اثر بسیاری دارد. اما در بیشتر موارد، آن‌ها به قدری در محصولات و خدمات ادغام شده‌اند که کاربران از پردازش پیچیده داده‌ای که در پس‌زمینه انجام می‌شود بی‌اطلاع هستند. در ادامه برخی از کاربردهای آن را معرفی می‌کنیم.

 

  • سلامت و پزشکی

    یادگیری عمیق تاثیر بسیار مثبتی در صنعتی پزشکی به خصوص بعد از هوشمند سازی بیمارستان ها داشته‌است. از این روش در تحلیل و پردازش تصاویر و فیلم پزشک مانند تصاویر رادیولوژی، MRI، X-ray ، ثبت سابقه بیماری و شرح حال بیماران و ... کاربرد دارد.

  • خدمات مالی

    مؤسسات مالی به طور منظم از تجزیه و تحلیل پیش‌بینی‌کننده، برای هدایت معاملات الگوریتمی سهام، ارزیابی ریسک‌های تجاری برای تأییدیه‌های وام، کشف تقلب و کمک به مدیریت سپرده اعتباری و سرمایه‌گذاری برای مشتریان استفاده می‌کنند.

  • اجرای قانون

    الگوریتم‌های یادگیری عمیق می‌توانند داده‌های تراکنش را تجزیه و تحلیل کرده و از آنها برای شناسایی الگوهای خطرناکی را که نشان‌دهنده فعالیت‌های احتمالی کلاهبرداری یا مجرمانه هستند، استفاده کنند.

deeplearning

دوره هوش مصنوعی در مهرگان

مجتمع آموزشی مهرگان پیشرو تدریس زبان‌های مختلف برنامه نویسی هوش مصنوعی در اصفهان، با بهره‌گیری از اساتید خبره و روش‌های به روز تدریس، دوره هوش مصنوعی به زبان برنامه پایتون را برگزار ‌می‌کند. در طی برگزاری کلاس‌ها علاوه بر مرور دانش‌ها پایه زبان برنامه نویسی، شما تحت آموزش تخصصی پایتون به صورت کاربردی و پروژه محور قرار ‌می‌گیرید به صورتی که پس از اتمام دوره شما کاملا به مباحث و تکنیک‌های کتابخانه های هوش مصنوعی تسلط پیدا کرده و علاوه بر دریافت مدرک معتبر و قابل ترجمه، مانند یک برنامه نویسی حرفه ای شروع به حل مسایل یادگیری عمیق ‌‌کنید.

مخاطبان دوره

  • علاقه مندان به برنامه نویسی وب
  • دانشجویان و دانش آموزان رشته کامپیوتر
  • طراحان و توسعه دهندگان صفحات وب
  • محققین و دانشجویان
  •  

    سرفصل های دوره هوش مصنوعی اختصار به شرح زیر می باشد:

      یادگیری ماشین و داده کاوی
    • معرفی یادگیری ماشین و کاربردها- معرفی شاخه های اصلی (با نظارت، بدون نظارت و نیمه نظارتی)- معرفی و راه اندازی کتابخانه های مورد نیاز در پایتون (numpy و scikit)
    • رگرسیون خطی و غیر خطی
    • روش های ارزیابی مدل
    • دسته بندی (knn-naïve bayes- Decision Tree-SVM )
    • یادگیری بی نظارت (k-means- Hierarchical - Density Base)
    • روشهای انتخاب ویژگی و کاهش بعد(PCA-LDA)
    • مروری بر کتابخانه های پردازش متن (NLTK, Gensim, TextBlob)
    • یادگیری منیفولد
    • روش های ترکیبی یادگیری
    • مروری بر یادگیری نیمه نظارتی
      بینایی ماشین و پردازش تصاویر
    • ماژول های مورد نیاز OpenCV
    • راه اندازی و مفاهیم اولیه OpenCV
    • کار با وبکم و انواع فایلها
    • آشنایی با انواع ساختارهای پایه ایستا و پویا، آشنایی با اعمال پایه ی ماتریسی و توابع ریاضی هسته و روالهای رسم اشکال هندسی
    • تبدیل فوریه و ویولت
    • فیلترهای پایه حوزه مکان و فرکانس در OpenCV، تبدیلات هندسی اقلیدسی، تبدیلات فضای رنگ، اعمال هیستوگرامی و انتگرال تصاویر
    • لبه یابی و بخش بندی، تحلیل ساختار و بافت
    • کالیبره سازی دوربین، تغییر دید در مختصات 3 بعدی و مفاهیم مختصات هموژنیوس و تبدیلات پرسپکتیو و هوموگرافیک
    • استخراج ویژگی
    • تغییرات Morphologic
    • تبدیل هاف
    • آشنایی و کار با کلاسیفایر HaarCascade
    • تشخیص چهره و اشیا
    • ردیابی در OpenCV
      یادگیری عمیق
    • معرفی، کاربردها و راه اندازی Keras و Tensorflow
    • اجرا در colab
    • مروری بر شبکه های عصبی
    • مروری بر یادگیری ماشین
    • بهینه سازها و توابع اتلاف
    • شبکه های DFN
    • شبکه های CNN
    • Transfer Learning
    • شبکه های تشخیص و بازشناسی Fast RCNN و Yolo
    • شبکه های AutoEncoder
    • مدل های زبانی و word2vec
    • شبکه های RNN
    • شبکه های LSTM
    • شبکه های GAN
    • مروری بر Deep Reinforcement learning

    تماس با ما


    031-36292828(10 خط)

    شماره های داخلی:


    ثبت نام : 12-14

    حسابداری :16

    برنامه ریزی آموزشی :11

    انتشارات :17

    بخش انجام پروژه :22

    روابط عمومی : 24

    logo-samandehi
    mehregansoftware@gmail.com