لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ریاضیات بنیادی برای هوش مصنوعی
- آخرین آپدیت
دانلود Foundational Mathematics for AI
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره یک معرفی جامع از اصول ریاضیاتی است که زیربنای هوش مصنوعی و یادگیری ماشین را تشکیل میدهند. این دوره که برای زبانآموزانی با پیشزمینههای تحصیلی مختلف طراحی شده است، مفاهیم ضروری ریاضی را به کاربردهای واقعی هوش مصنوعی پیوند میدهد و دانشجویان را قادر میسازد تا تکنیکهای ریاضی حیاتی برای توسعه AI را درک و پیادهسازی کنند.
در پایان این دوره، فراگیران قادر خواهند بود از توابع، ماتریسها و بردارها برای نمایش و تحلیل روابط دادهها استفاده کنند. دانشجویان میتوانند از آمار توصیفی و تکنیکهای بصریسازی برای بررسی و خلاصه کردن مجموعهدادهها بهره ببرند، سیستمهای معادلات خطی را حل کنند، روابط پیچیده را با استفاده از رگرسیون خطی تکمتغیره و چندمتغیره مدلسازی نمایند و اصول بنیادی احتمال، از جمله قضیه بیز را درک و اجرا کنند.
این دوره به سمت تکنیکهای پیشرفته ریاضی در حساب دیفرانسیل و انتگرال پیش میرود و مشتقات و انتگرالها را برای تحلیل نرخ تغییرات و توزیعها توسعه میدهد که برای بهینهسازی و مدلسازی در هوش مصنوعی ضروری هستند. مفاهیم جبر خطی برای بررسی مباحث پیشرفتهای مانند بردارهای ویژه، دترمینانها و تبدیلات خطی جهت کاهش ابعاد و الگوریتمهای طبقهبندی به کار گرفته میشوند.
این دوره بهطور خاص برای متقاضیان فعالیت در حوزه هوش مصنوعی طراحی شده است. برخلاف دورههای ریاضی سنتی، این برنامه درسی بر تکنیکهای ریاضی متمرکز است که مستقیماً در هوش مصنوعی و یادگیری ماشین کاربرد دارند و تئوری را به عمل پیوند میزند. از طریق ماژولهای تعاملی، مجموعهدادههای واقعی و ابزارهایی مانند پایتون و اکسل، شما نهتنها مفاهیم را درک میکنید، بلکه آنها را برای حل مسائل کاربردی به کار میگیرید. با ماژولهای تعریفشدهای مانند آمار توصیفی، جبر خطی، احتمال و بهینهسازی، این دوره به شما اجازه میدهد تا دانش خود را بهصورت گامبهگام افزایش دهید و هر مفهوم را به موارد استفاده در AI متصل کنید.
هر موضوع با مثالهای مرتبط با هوش مصنوعی معرفی میشود، مانند استفاده از رگرسیون خطی برای مدلسازی حقوق یا به کارگیری تکنیکهای بهینهسازی در الگوریتمهای خوشهبندی، و سپس بر کاربردهای تئوری تمرکز میشود. این دوره شما را به تسلط ریاضی لازم برای دورههای پیشرفتهتر AI و تحقیقاتی مانند یادگیری عمیق یا پردازش زبان طبیعی مجهز میکند.
چه مهندس باشید، چه دانشمند داده و یا صرفاً علاقهمند به ورود به دنیای AI، این دوره زیربنای ریاضی مورد نیاز شما را برای درک و مشارکت در حوزه بهسرعت در حال تکامل هوش مصنوعی فراهم میکند.
سرفصل ها و درس ها
توابع ضروری
Essential Functions
مبانی توابع
Function Basics
توابع تکهای و نمودارها
Piecewise Functions & Graphs
وبسایتهای رسم نمودار
Graphing Websites
توابع رایج
Common Functions
معادلات خطوط
Equations of Lines
توابع درجه دو
Quadratic Functions
توابع نمایی
Exponential Functions
توابع لگاریتمی
Logarithmic Functions
توصیف و بصریسازی دادهها
Describing and Visualizing Data
آمار توصیفی در اکسل
Descriptive Statistics in Excel
معیارهای پراکندگی
Measures of Dispersion
بصریسازی دادهها: شکل دادهها
Data Visualization: The Shape of Data
نمودارهای خوب در مقابل نمودارهای بد
Good vs Bad Graphs
بردارها، ماتریسها و معادلات خطی
Vectors, Matrices, and Linear Equations
سیستمهای معادلات خطی
Systems of Linear Equations
معادلات برداری
Vector Equations
معادلات ماتریسی
Matrix Equations
عملیات ماتریسی
Matrix Operations
ماتریسهای معکوس
Inverse Matrices
مدلسازی با معادلات خطی
Modeling with Linear Equations
تحلیل نمودارهای پراکندگی
Analyzing Scatterplots
مدلسازی خطی
Linear Modeling
نمودارهای پراکندگی در اکسل و Desmos
Scatterplots in Excel and Desmos
رگرسیون خطی چندگانه
Multiple Linear Regression
تبدیل فضاها از طریق تبدیلات خطی
Transforming Spaces through Linear Transformations
استقلال خطی
Linear Independence
مقدمهای بر تبدیلات خطی
Introduction to Linear Transformations
ماتریس یک تبدیل خطی
The Matrix of a Linear Transformation
هندسه برداری: بررسی روابط در فضای چندبعدی
Vector Geometry: Exploring Relationships in Multidimensional Space
ضرب داخلی، طول و تعامد
Dot Product, Length, and Orthogonality
زیرفضاهای R^n
Subspaces of R^n
مجموعههای متعامد بردارها
Orthogonal Sets of Vectors Video
فرآیند گرم-شمیت
Gram-Schmidt Process
دترمینانها و بردارهای ویژه: رمزگشایی از ماتریسها
Determinants and Eigenvectors: Unlocking Matrix Insights
دترمینانها
Determinants
مقدمهای بر مقادیر ویژه و بردارهای ویژه
Introduction to Eigenvalues and Eigenvectors
معادله مشخصه
The Characteristic Equation
توزیعهای احتمال گسسته
Discrete Probability Distributions
احتمال و پیشامدها
Probability and Events
ترکیب پیشامدها
Combinations of Events
متغیرهای تصادفی
Random Variables
احتمال شرطی
Conditional Probability
مشتقات و نرخ تغییرات: شتاب بخشیدن به درک مفاهیم
Derivatives and Rates of Change: Accelerating Understanding
مقدمهای بر حدها
Introduction to Limits
مثالهایی برای یافتن حد
Examples to Find Limits
مسئله خط مماس
The Tangent Line Problem
مشتقات
Derivatives
تسلط بر بهینهسازی
Mastering Optimization
مقادیر بیشینه و کمینه
Maximum and Minimum Values
پایتون: محاسبهگر اکسترممهای محلی
Python: Local Extrema Calculator
مثالهای بهینهسازی
Optimization Examples
انتگرالگیری و احتمال: پیوند حساب دیفرانسیل و عدم قطعیت
Integration and Probability: Bridging Calculus and Uncertainty
مساحت زیر منحنیها
Area Under Curves
انتگرال معین
The Definite Integral
پایتون: انتگرالگیری تقریبی و دقیق
Python: Approximate and Exact Integration
قضیه بنیادی حساب دیفرانسیل و انتگرال
The Fundamental Theorem of Calculus
توزیع نرمال ۱
Normal Distribution I
توزیع نرمال ۲
Normal Distribution II
مشتقات جزئی و گرادیان: چشمانداز هوش مصنوعی
Partial Derivatives and the Gradient: The Landscape of AI
مشتقات جزئی
Partial Derivatives
مشتقات جهتدار و گرادیان
Directional Derivatives and the Gradient
نمایش نظرات