آموزش تپه‌نوردی و الگوریتم‌های هوش مصنوعی آنیلینگ شبیه‌سازی شده
Hill Climbing and Simulated Annealing AI Algorithms
الگوریتم‌های جستجو و تکنیک‌های بهینه‌سازی موتورهای بیشتر تکنیک‌های هوش مصنوعی و علم داده هستند. شکی نیست که تپه‌نوردی و بازپخت شبیه‌سازی شده به خوبی مورد توجه قرار گرفته‌اند و به‌طور گسترده‌ای مورد استفاده قرار می‌گیرند جستجوی هوش مصنوعی.
بسیاری از دانشمندان و پزشکان از الگوریتم های جستجو و بهینه سازی بدون درک ساختار داخلی آنها استفاده می کنند. با این حال، درک ساختار داخلی و مکانیسم چنین تکنیک‌های حل مسئله هوش مصنوعی به آنها اجازه می‌دهد تا مشکلات را به طور موثرتری حل کنند. این همچنین به آنها اجازه می‌دهد تا الگوریتم‌های جدیدی را برای پروژه‌های مختلف تنظیم، تغییر دادن و حتی طراحی کنند.
این دوره ساده ترین راه برای درک جزئیات نحوه عملکرد تپه نوردی و شبیه سازی آنیل است. درک عمیق این دو الگوریتم و تسلط بر آنها، شما را از بسیاری از دانشمندان داده پیشی می‌گیرد. شما به طور بالقوه شانس بیشتری برای پیوستن به گروه کوچکی از متخصصان هوش مصنوعی خواهید داشت.
چرا الگوریتم های بهینه سازی را به عنوان یک دانشمند داده یاد بگیریم؟
بهینه سازی هر ماه در همه صنایع با هدف اصلی بهبود درآمد و کاهش هزینه ها رایج می شود. الگوریتم های بهینه سازی تکنیک های هوش مصنوعی بسیار کاربردی در پروژه های مختلف هستند. می‌توانید از آنها برای خودکارسازی و بهینه‌سازی فرآیند حل وظایف چالش‌برانگیز استفاده کنید.
چه کسی باید در مورد بهینه سازی بیاموزد؟
اولین چیزی که باید یاد بگیرید مدل های ریاضی پشت آنهاست. نمی توانید باور کنید که مدل ها و معادلات ریاضی چقدر آسان و شهودی هستند. این دوره با مثال‌های شهودی شروع می‌شود تا شما را با اساسی‌ترین مدل‌های ریاضی همه تپه‌نوردی و بازپخت شبیه‌سازی شده آشنا کند. هیچ معادله ای در این درس بدون توضیح عمیق و مثال های تصویری وجود ندارد. اگر از ریاضی متنفرید، پس بنشینید، استراحت کنید و از ویدیوها لذت ببرید تا با حداقل تلاش، ریاضیات پشت شبکه های عصبی را بیاموزید.
همچنین مهم است که بدانید چه نوع مشکلاتی را می توان با الگوریتم های بهینه سازی هوش مصنوعی حل کرد. این دوره انواع مختلفی از مشکلات را نیز نشان می دهد. چندین مثال برای تمرین نحوه حل چنین مشکلاتی نیز وجود خواهد داشت.
این دوره شامل چه مواردی می شود؟
همانطور که در بالا توضیح داده شد، این دوره مستقیماً با یک مثال شهودی شروع می‌شود تا ببینیم تپه‌نوردی به عنوان یکی از اساسی‌ترین رویکردهای حل مشکل هوش مصنوعی چیست. پس از یادگیری آسان و ساده بودن الهام و الگوریتم‌های Hill Climbing، نحوه عملکرد آن را به صورت زنده مشاهده خواهید کرد.
بخش دوم این دوره اصطلاحات در زمینه بهینه سازی هوش مصنوعی را پوشش می دهد. در قسمت سوم با شما در مورد فرآیند طراحی Simulated Annealing با استفاده از Hill Climbing کار خواهیم کرد. در سه بخش اول این دوره، به نحوه الهام گرفتن، تئوری، مدل‌های ریاضی و الگوریتم‌های هر دو الگوریتم Hill Climbing و Simulated Annealing تسلط دارید.
در قسمت آخر دوره، هر دو الگوریتم را پیاده سازی می کنیم و آنها را برای برخی از مسائل از جمله طیف گسترده ای از توابع آزمایشی و مشکلات فروشنده دوره گرد اعمال می کنیم.
در پایان این دوره، درک جامعی از تپه‌نوردی و بازپخت شبیه‌سازی شده خواهید داشت و می‌توانید به راحتی از آنها در پروژه خود استفاده کنید. همچنین می‌توانید بر اساس پروژه خود، عملکرد هر دو تکنیک را تحلیل، تنظیم و بهبود بخشید.
آیا این دوره برای شما مناسب است؟
این دوره مقدمه ای بر بهینه سازی و جستجو در هوش مصنوعی است، بنابراین شما مطلقاً به هیچ دانش قبلی در زمینه هوش مصنوعی، یادگیری ماشین یا علم داده نیاز ندارید. با این حال، شما باید یک درک اولیه از برنامه نویسی ترجیحا در Matlab داشته باشید تا به راحتی فیلم کدنویسی را دنبال کنید. اگر فقط می‌خواهید مدل ریاضی و فرآیند حل مسئله را با استفاده از دو الگوریتم یاد بگیرید، می‌توانید ویدیوهای کدگذاری را نادیده بگیرید.
مربی کیست؟
من یک محقق برجسته در زمینه بهینه سازی و هوش مصنوعی هستم. من بیش از 150 مقاله از جمله 100 مقاله مجله، پنج کتاب و 20 مقاله کنفرانس دارم. این نشریات بیش از 15000 بار در سراسر جهان مورد استناد قرار گرفته اند. من در سال 2019 توسط وب آو ساینس، معتبرترین سازمان نمایه سازی در دانشگاه، به عنوان یکی از تأثیرگذارترین محققان در هوش مصنوعی معرفی شدم.
من به عنوان یک محقق برجسته در این زمینه با بیش از 15 سال تجربه، این دوره آموزشی را آماده کرده ام تا همه چیز را برای علاقه مندان به جستجو و بهینه سازی هوش مصنوعی آسان کنم. من در حرفه ام نیز به شرکت های بزرگی مانند فیس بوک و گوگل مشاوره می دهم. من همچنین یک مربی ستاره‌دار Udemy با بیش از 5000 دانش‌آموز و 1200 بررسی 5 ستاره هستم، این دوره را برای تسهیل فرآیند یادگیری Hill Climbing و Simulated Annealing برای علاقه‌مندان به این حوزه طراحی و توسعه داده‌ام. شما در طول مسیر یادگیری خود در این دوره از حمایت کامل من برخوردار خواهید بود.
هیچ خطری وجود ندارد!
من چند پیش‌نمایش ویدیو دارم، پس حتماً آنها را تماشا کنید تا ببینید آیا این دوره برای شما مناسب است یا خیر. این دوره با 30 روز ضمانت بازگشت وجه کامل ارائه می‌شود، به این معنی که اگر پس از خرید خود راضی نبودید، می‌توانید 100% بازپرداخت دریافت کنید.
منتظر چه چیزی هستید؟
اکنون با استفاده از دکمه "افزودن به سبد خرید" در سمت راست ثبت نام کنید و همین امروز شروع کنید.
معرفی Introduction
-
الگوریتم های جستجو در هوش مصنوعی Search Algorithms in Artificial Intelligence
الگوریتم تپه نوردی Hill Climbing Algorithm
-
بیایید با یک قیاس ساده شروع کنیم Let's start with a simple analogy
-
الگوریتم تپه نوردی Hill Climbing Algorithm
-
کد شبه الگوریتم تپه نوردی Pseudocode of The Hill Climbing Algorithm
-
مزایا و معایب الگوریتم تپه نوردی Pros and Cons of the Hill Climbing Algorithm
-
کدنویسی الگوریتم تپه نوردی Coding The Hill Climbing Algoirthm
-
چگونه یک مسئله را برای الگوریتم تپه نوردی فرمول بندی کنیم How to Formulate a Problem for The Hill Climbing Algorithm
الگوریتم بازپخت شبیه سازی شده Simulated Annealing Algorithm
-
بازپخت شبیه سازی شده: الهام و الگوریتم Simulated Annealing: Inspiration and Algorithm
-
درک بهتر معادلات ریاضی بازپخت شبیه سازی شده Understanding The Mathematical Equations of The Simulated Annealing Better
-
کدگذاری الگوریتم آنیل شبیه سازی شده Coding The Simulated Annealing Algorithm
کاربرد بازپخت شبیه سازی شده و تپه نوردی Application of Simulated Annealing and Hill Cllimbing
-
استفاده از SA و HC برای مشکل فروشنده دوره گرد Applying SA and HC to Travelling Salesman Problem
کتاب الکترونیکی رایگان Free E-book
-
کتاب الکترونیکی Ebook
-
همه کدهای منبع All source codes
https://donyad.com/d/799d0c
Seyedali Mirjalili
دکتری هوش مصنوعی
نمایش نظرات