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

آموزش ریاضیات بنیادی برای هوش مصنوعی
جزییات دوره
49h 8m
50
(آخرین آپدیت)
4,304
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar