لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش الگوریتم های ژنتیک و شبکه های عصبی: جاوا، هوش مصنوعی
Genetic Algorithms & Neural Networks: Java, AI
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
الگوریتمهای ژنتیک، شبکههای عصبی، هوش مصنوعی، تکامل عصبی، الگوریتمهای ژنتیک جاوا: بهینهسازی استاد با محاسبات تکاملی الگوریتمهای ژنتیک: بهبود و ارتقای الگوریتم ژنتیک هوش مصنوعی: تکنیکهای هوش مصنوعی پیشرفته را برای حل مسائل پیچیده کاوش کنید. Neuro-Evolution: در شبکه های عصبی در حال تکامل برای راه حل های تطبیقی شیرجه بزنید. شبکه های عصبی: از یادگیری ماشین برای تشخیص الگوی پیشرفته استفاده کنید. پیش نیازها: برنامه نویسی پایه - جاوا، اما تجربه در هر زبان برنامه نویسی برای این دوره مفید است
نمای کلی دوره
پیشترین هوش مصنوعی را با دوره مفصل ما در مورد الگوریتمهای ژنتیک و شبکههای عصبی کاوش کنید. این دوره به گونهای طراحی شده است که شما را از درک نظری الگوریتمهای پیچیده به کاربرد مستقیم و عملی از طریق یک سری فعالیتهای جذاب و مشکلات دنیای واقعی هدایت کند. این دوره برای کسانی که به دنبال تعمیق تخصص هوش مصنوعی خود هستند ایدهآل است، از ساختارها و عملکردهای اولیه گرفته تا برنامههای کاربردی پیشرفته در بازیها و تشخیص الگو را پوشش میدهد.
اهداف آموزشی
در پایان این دوره، دانش آموزان:
اصول و اجزای الگوریتم ژنتیک، از جمله فرآیندهای انتخاب، متقاطع و جهش را بدانید.
با حل مسائلی مانند فروشنده دوره گرد و بهینه سازی عملکرد، تجربه عملی با الگوریتم های ژنتیک به دست آورید.
اصولات شبکه های عصبی را بیاموزید و آنها را در کارهای دنیای واقعی مانند تشخیص رقم به کار ببرید.
با ایجاد یک "بازی مار" خودآموز، درک درستی از تکنیک های تکامل عصبی ایجاد کنید.
مزایا و محدودیتهای این تکنیکهای هوش مصنوعی و کاربردهای آنها را به صورت انتقادی تجزیه و تحلیل کنید.
مخاطب هدف
این دوره برای:
طراحی شده است
دانشجویان و متخصصان علاقه مند به فناوری های پیشرفته هوش مصنوعی.
دانشمندان و مهندسان داده به دنبال افزودن روشهای الگوریتمی پیچیده به جعبه ابزار خود هستند.
ماژول های دوره
نظریه
نمای کلی الگوریتم ژنتیک: مقدمه و تاریخچه.
مبانی: ساختار اساسی، انتخاب والدین، متقاطع، جهش، و انتخاب بازمانده.
ارزیابی: مزایا و معایب الگوریتم ژنتیک.
فعالیت های عملی با الگوریتم های ژنتیک
مقدمه "Hello World": پیاده سازی اولیه.
مشکل فروشنده دوره گرد: بهینه سازی یک مسئله محاسباتی کلاسیک.
بهینه سازی عملکرد: به حداکثر رساندن یا کوچک کردن مقادیر تابع.
حلکننده سودوکو: استفاده از الگوریتمهای ژنتیک برای حل مؤثر پازلهای سودوکو.
نمای کلی شبکه های عصبی
مبانی معماری شبکه های عصبی: درک لایه ها، نورون ها و توابع فعال سازی.
یادگیری و سازگاری: چگونه شبکه ها در طول زمان یاد می گیرند و تکامل می یابند.
فعالیت های عملی با شبکه های عصبی
تشخیص رقم: استفاده از شبکه های عصبی برای تشخیص و تفسیر ارقام دست نویس.
برنامه پیشرفته: تکامل عصبی در بازی ها
بازی Snake: توسعه یک هوش مصنوعی که یاد میگیرد با استفاده از الگوریتمهای ژنتیک و شبکههای عصبی بازی Snake را یاد بگیرد.
با رویکرد ساختاریافته و عملی ما که بین تئوری و تجربه عملی گسترده تعادل برقرار میکند، وارد دنیای الگوریتمهای ژنتیک و شبکههای عصبی شوید. برای شروع تبدیل دانش نظری به راه حل ها و نوآوری های تاثیرگذار در زمینه هوش مصنوعی، همین امروز ثبت نام کنید.
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
تکامل عصبی
Neuro-Evolution
مبانی الگوریتم ژنتیک
Foundations of Genetic Algorithms
مقدمه ای بر الگوریتم ژنتیک
Introduction to Genetic Algorithms
اصول اصلی الگوریتم های ژنتیک
Core Principles of Genetic Algorithms
نمایش نظرات