لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اصول هوش مصنوعی: مفاهیم و نظریه های اصلی برای مبتدیان
- آخرین آپدیت
دانلود AI Fundamentals: Core Concepts and Theories for Beginners
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
راهنمای مبتدی شما برای اصول هوش مصنوعی ، تأثیر کیفیت داده ها را بر عملکرد مدل یادگیری ماشین درک می کند ، یاد بگیرید که چگونه مقدار داده ها بر صحت هوش مصنوعی تأثیر می گذارد و قابلیت اطمینان را برای جمع آوری داده های مؤثر و پیش پردازش ارزیابی می کند و اهمیت مجموعه داده های متعادل را برای برنامه های موفقیت آمیز AI پیش nیahaha: ارزیابی می کند: سواد اساسی رایانه: آشنایی با استفاده از رایانه و پیمایش علاقه به اینترنت به هوش مصنوعی: یک ذهنیت کنجکاو و اشتیاق برای یادگیری در مورد مفاهیم هوش مصنوعی بدون دانش کدگذاری مورد نیاز است: این دوره نظری است و به مهارت های برنامه نویسی نیاز ندارد ریاضیات دبیرستان: درک اساسی جبر خطی و احتمال مفید خواهد بود اما اجباری نیست
اسرار هوش مصنوعی (AI) را با این دوره جامع و متمرکز بر تئوری باز کنید. این دوره که برای مبتدیان و علاقه مندان طراحی شده است ، به اصول بنیادی ، روش ها و چارچوب هایی که فن آوری های مدرن هوش مصنوعی را هدایت می کنند ، عمیق است. این که آیا شما یک دانش آموز ، حرفه ای و یا به سادگی کنجکاو در مورد هوش مصنوعی هستید ، این دوره به شما کمک می کند تا بدون نیاز به دانش کدگذاری ، درک مفهومی قوی از هوش مصنوعی ایجاد کنید.
آنچه را یاد خواهید گرفت:
مفاهیم اصلی و تاریخ هوش مصنوعی ، از آلن تورینگ گرفته تا پیشرفتهای مدرن.
انواع AI: AI باریک ، جنرال هوش مصنوعی و Superintelligence.
اصول یادگیری ماشین: یادگیری تحت نظارت ، بدون نظارت و تقویت کننده.
مبانی ریاضی هوش مصنوعی ، از جمله جبر خطی و احتمال.
تجارت ، تجارت بیش از حد و تکنیک برای بهبود عملکرد مدل.
نقش مهم کیفیت و کمیت داده ها در یادگیری ماشین.
کاربردهای هوش مصنوعی در صنایع مانند مراقبت های بهداشتی ، امور مالی و حمل و نقل.
پیامدهای اخلاقی ، اجتماعی و فلسفی AI.
این دوره برای چه کسی است:
مبتدیان در مورد مفاهیم هوش مصنوعی کنجکاو هستند.
متخصصان غیر فنی که می خواهند نظریه AI را درک کنند.
دانش آموزان و محققان به دنبال یک بنیاد قوی در تئوری هوش مصنوعی.
علاقه مندان مشتاق کشف جنبه های اجتماعی و فلسفی AI.
چه چیزی این دوره را منحصر به فرد می کند:
هیچ برنامه نویسی لازم نیست: کاملاً بر تئوری و مفاهیم بدون غواصی در برنامه نویسی متمرکز شوید.
پوشش جامع: تاریخچه ، روش شناسی ، برنامه ها و ملاحظات اخلاقی را کاوش کنید.
بینش های عملی: بیاموزید که چگونه AI صنایع را از طریق نمونه های دنیای واقعی تغییر می دهد.
محتوای قابل دسترسی: نظریه های پیچیده برای درک آسان ساده شده است.
چرا این دوره را طی می کنید؟
هوش مصنوعی در حال تغییر شکل دنیای ما است ، و درک اصول آن برای ماندن در چشم انداز فناوری محور امروز مهم است. در پایان این دوره ، شما دانش و اعتماد به نفس خواهید داشت تا در مورد مفاهیم هوش مصنوعی و پیامدهای آنها در تنظیمات دانشگاهی ، حرفه ای یا گاه به گاه بحث کنید.
اکنون ثبت نام کنید و اولین قدم را برای تسلط بر دنیای جذاب هوش مصنوعی بردارید!
سرفصل ها و درس ها
ماژول 1: آشنایی با هوش مصنوعی
Module 1: Introduction to Artificial Intelligence
مفاهیم اصلی و تاریخ هوش مصنوعی را درک کنید
Understand the core concepts and history of AI
AI چیست؟ تعاریف و دامنه
What is AI? Definitions and Scope
درس 2: تاریخچه مختصر هوش مصنوعی: از تورینگ تا هوش مصنوعی مدرن
Lesson 2: Brief History of AI: From Turing to Modern AI
تاریخچه مختصر هوش مصنوعی
Brief History of AI
درس 3: انواع هوش مصنوعی: باریک ، عمومی و سرپرستی
Lesson 3: Types of AI: Narrow, General, and Superintelligence
انواع هوش مصنوعی
Types of AI
درس 4: برنامه های کلیدی هوش مصنوعی در دنیای واقعی
Lesson 4: Key Applications of AI in the Real World
برنامه های اصلی AI
Key Applications of AI
ماژول 2: مفاهیم اصلی در AI
Module 2: Core Concepts in AI
درس 1: یادگیری ماشین (ML): انواع و بررسی اجمالی
Lesson 1: Machine Learning (ML): Types and Overview
یادگیری ماشین: انواع و نمای کلی
Machine Learning: Types and Overview
درس 2: نمایندگی و استدلال دانش
Lesson 2: Knowledge Representation and Reasoning
نمایندگی و استدلال دانش
Knowledge Representation and Reasoning
درس 3: الگوریتم های حل مسئله و جستجو
Lesson 3: Problem Solving and Search Algorithms
الگوریتم های حل مسئله و جستجو
Problem Solving and Search Algorithms
درس 4: تصمیم گیری در سیستم های AI
Lesson 4: Decision Making in AI Systems
تصمیم گیری در سیستم های هوش مصنوعی
Decision Making in AI Systems
ماژول 3: نظریه یادگیری ماشین
Module 3: Machine Learning Theory
درس 1 رئوس مطالب تحت نظارت ، بدون نظارت و یادگیری تقویت
Lesson 1 Outline Supervised, Unsupervised, and Reinforcement Learning
یادگیری تحت نظارت ، بدون نظارت و تقویت
Supervised, Unsupervised, and Reinforcement Learning
درس 2: مبانی ریاضی ML: جبر خطی و احتمال
Lesson 2: Mathematical Foundations of ML: Linear Algebra and Probability
مبانی ریاضی یادگیری ماشین
Mathematical Foundations of Machine Learning
درس 3: تجارت تعصب و واریانس و بیش از حد
Lesson 3: Bias-Variance Tradeoff and Overfitting
مبادله و تعصب واریانس و بیش از حد
Bias-Variance Tradeoff and Overfitting
درس 4: نقش داده ها در ML: کیفیت و کمیت
Lesson 4: The Role of Data in ML: Quality and Quantity
نقش داده ها در یادگیری ماشین
The Role of Data in Machine Learning
نمایش نظرات