آشنایی با مقداری جبر خطی درک مفاهیم درس را آسانتر میکند.
آشنایی با حساب دیفرانسیل و انتگرال برای درک عمیقتر تکنیکهای یادگیری ماشین و ویولتها مفید خواهد بود. هدف اصلی من آموزش ریاضیات نیست، اما با داشتن پیشزمینه ریاضی، میتوانید از محتوای دوره بیشتر بهرهمند شوید.
به دوره من در زمینه یادگیری ماشین و تحلیل داده خوش آمدید. این دوره به شما آموزش میدهد که چگونه از الگوریتمهای پیشرفته برای حل مسائل واقعی با استفاده از دادهها استفاده کنید. من امانوئل، یک مهندس مکانیک با مدرک دکترا در الگوریتمهای پیشرفته هستم و مدرس شما در این دوره خواهم بود.
این دوره از چهار بخش اصلی تشکیل شده است:
بخش اول: مروری بر تحلیل فوریه و ویولت. شما اصول این دو ابزار قدرتمند ریاضی برای تحلیل سیگنالها و تصاویر در دامنههای مختلف را یاد خواهید گرفت.
بخش دوم: تحلیل داده با سریهای فوریه، تبدیلها و ویولتها. شما یاد خواهید گرفت که چگونه از این روشها برای پردازش و بررسی دادهها به طور موثر و کارآمد، هم در حوزه زمان و هم در حوزه فرکانس، استفاده کنید.
بخش سوم: روشهای یادگیری ماشین. شما یاد خواهید گرفت که چگونه از تکنیکهایی استفاده کنید که به کامپیوترها امکان یادگیری از دادهها و انجام پیشبینیهای هوشمندانه یا تصمیمگیریها را میدهد، مانند رگرسیون خطی، برازش منحنی، کمترین مربعات، گرادیان کاهشی، تجزیه مقدار منفرد (و موارد دیگر).
بخش چهارم: سیستمهای دینامیکی. شما یاد خواهید گرفت که چگونه پدیدههای پیچیده و غیرخطی که در طول زمان تغییر میکنند را با استفاده از معادلات ریاضی مدلسازی و درک کنید. ما همچنین از تکنیکهای یادگیری ماشین در سیستمهای دینامیکی، مانند الگوریتم SINDy، استفاده خواهیم کرد.
در پایان این دوره، شما قادر خواهید بود:
اصول و کاربردهای تحلیل فوریه و ویولت را درک کنید.
از سریها و تبدیلهای فوریه برای تحلیل دادهها در دامنههای مختلف استفاده کنید.
روشهای یادگیری ماشین را برای حل مسائل گوناگون به کار ببرید.
ویژگیها را از دادهها با استفاده از ویولتها استخراج کنید.
اهمیت خلوتبودن دادههای طبیعی، و همچنین مفهوم انقلابی حسگری فشرده، را با مثالهای واقعی درک کنید.
معادلات حاکم بر یک سیستم دینامیکی را از دادههای سری زمانی (الگوریتم SINDy) کشف کنید.
امیدوارم از این دوره لذت ببرید و آن را برای اهداف شخصی و حرفهای خود مفید بیابید.
------------------------------------------------------------------------------------------------------------------------------------
بیایید جزئیات بیشتری در مورد بخشهای اصلی این دوره ارائه دهیم:
بخش اول مقدمهای اولیه بر تحلیل فوریه و ویولت است. تمرکز ویژهای بر درک مفاهیم مرتبط با این موضوعات اساسی خواهد بود.
در بخش دوم، سریهای فوریه و تبدیل فوریه معرفی میشوند. اگرچه مهمترین فرمولهای ریاضی نشان داده میشوند، اما تمرکز بر ریاضیات نیست. یکی از نکات کلیدی این بخش نشان دادن یک کاربرد احتمالی از تبدیل فوریه است: مشتق طیفی. سپس، مفهوم ویولتها را با نشان دادن برخی کاربردهای تحلیل چند رزولوشن به تفصیل بیشتری معرفی میکنیم.
این موضوع با استفاده از متلب، بدون استفاده از فرمولهای ریاضی دقیق، مثالسازی میشود. دانشجو میتواند حتی اگر به متلب دسترسی نداشته باشد، دنبال کند و شهود خود را تقویت کند.
یکی دیگر از دستاوردهای مهم این بخش، انتقال یک توضیح ساده اما کامل از روش محاسباتی معروف FFT است.
همچنین مواردی اضافی در مورد تبدیل ویولت معکوس و اصل عدم قطعیت وجود دارد (در اینجا ریاضیات بیشتری میبینیم، اما این یک مورد اضافی است، اگر میخواهید آن را رد کنید، فقط این کار را انجام دهید).
در بخش سوم، برخی از تکنیکهای یادگیری ماشین معرفی میشوند: روشهای برازش منحنی، گرادیان کاهشی، رگرسیون خطی، تجزیه مقدار منفرد (SVD)، استخراج ویژگی، دستهبندی، مدل مخلوط گوسی (GMM). هدف در این بخش نشان دادن برخی از کاربردهای عملی و روشن کردن مفید بودن آنها است.
ما همچنین بر خلوتبودن و حسگری فشرده تمرکز خواهیم کرد، که مفاهیم مرتبط در پردازش سیگنال هستند. خلوتبودن به این معنی است که یک سیگنال میتواند توسط تعداد کمی از ضرایب غیرصفر در برخی از دامنهها، مانند فرکانس یا ویولت، نشان داده شود. حسگری فشرده به این معنی است که یک سیگنال میتواند از اندازهگیریهای کمتری نسبت به آنچه که قضیه نمونهبرداری نایکوئیست-شانون نیاز دارد، با بهرهبرداری از خلوتبودن آن و استفاده از تکنیکهای بهینهسازی، بازسازی شود. این مفاهیم برای کاهش ابعاد و پیچیدگی دادهها در کاربردهای یادگیری ماشین، مانند پردازش تصویر یا تصویربرداری راداری، مفید هستند.
بخش چهارم مقدمهای خودکفا بر مدلهای دینامیکی است. مدلهای موجود در این بخش عبارتند از مدل شکارچی-طعمه، مدل اپیدمیها، مدل لجستیکی رشد جمعیت.
دانشجو یاد خواهد گرفت که چگونه این مدلها را با استفاده از نرمافزار رایگان و متنباز به نام Scilab (بسیار شبیه به متلب) پیادهسازی کند.
مرتبط با بخش 4، کاربردی از تکنیک یادگیری ماشین به نام SINDy وجود دارد، که مخفف شناسایی پراکنده دینامیک غیرخطی است. این یک الگوریتم یادگیری ماشین است که میتواند معادلات حاکم بر یک سیستم دینامیکی را از دادههای سری زمانی کشف کند. ایده اصلی این است که فرض کنیم سیستم میتواند توسط مجموعهای پراکنده از توابع غیرخطی توصیف شود، و سپس از یک تکنیک رگرسیون ترویجکننده پراکندگی برای یافتن ضرایب این توابع استفاده کنیم که بهترین تناسب را با دادهها داشته باشند. به این ترتیب، SINDy میتواند مدلهای قابل تفسیر و صرفهجویانه از سیستمهای پیچیده را بازیابی کند.
توجه: برای برخی از سخنرانیهای دوره، من از کتاب S.L. Brunton و J. N. Kutz با عنوان "علم و مهندسی دادهمحور" الهام گرفتهام. این کتاب منبع بسیار خوبی از اطلاعات برای کاوش عمیقتر در بیشتر (اگرچه نه همه) مباحث مورد بحث در این دوره است.
Emanuele Pesaresi
دکترای مهندسی مکانیک و مهندسی پیشرفته در تاریخ 26 مارس 2021، دکترای من را در "مکانیک و علوم مهندسی پیشرفته" به دست آورد. من در سال 2015 و 2017 به کارشناسی مهندسی علوم و کارشناسی علوم مهندسی مکانیک به دست آمده، با افتخارات از دانشگاه بولونیا به دست آوردم. من از زمان تحصیلات مکانیک ماشین آلات از سال تحصیلی 2018-19 در دانشگاه بولونیا (شاخه ای از فولیت)، معلم تدریس را نیز به دست آورده ام. شور و شوق من برای ریاضیات، فیزیک و تدریس من را به سخنرانی دبیرستان و دانشجویان دانشگاه کمک کرده است. رویکرد من به عنوان یک معلم این است که به دانشجویان ثابت کند که حافظه برای مهندس، ریاضیدان یا فیزیکدان کمتر اهمیت دارد، از یادگیری نحوه برخورد با یک مشکل از طریق استدلال منطقی. من معتقدم که یک معلم از موضوعات علمی باید سعی کند کنجکاوی دانش آموزان خود را در مورد موضوع توسعه دهد، نه تنها تمرکز بر کسب دانش، اما مهم است که ممکن است نیز باشد. دانش آموزان باید تشویق شوند تا عمیق تر بشوند و بر دانش خود بسازند و به طور مداوم آن را مورد سوال قرار دهند، به جای پذیرش همه چیز در ارزش اسمی بدون درک کامل.
نمایش نظرات