آموزش الگوریتم های هوش مصنوعی با الهام از زیستی

Bio-inspired Artificial Intelligence Algorithms

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: الگوریتم ژنتیک، تکامل دیفرانسیل، شبکه های عصبی، انتخاب کلونال، ازدحام ذرات، بهینه سازی کلونی مورچه ها درک نظریه و عمل الگوریتم های اصلی هوش مصنوعی الهام گرفته شده از زیستی حل مسائل بهینه سازی دنیای واقعی با استفاده از الگوریتم های الهام گرفته شده از زیستی به حداقل رساندن قیمت بلیط هواپیما با استفاده از الگوریتم‌های ژنتیک ایجاد منوهای سفارشی با استفاده از تکامل تفاضلی طبقه‌بندی ارقام دست‌نویس با استفاده از شبکه‌های عصبی مصنوعی تطبیق آنتی‌بادی‌ها و آنتی‌ژن‌ها با الگوریتم انتخاب کلونال، اعمال شده در تشخیص رقم. برنامه نویسی پایتون

طبیعت طیف گسترده ای از الهامات را برای فرآیندهای بیولوژیکی ارائه می دهد تا در فناوری و محاسبات گنجانده شوند. برخی از این فرآیندها و الگوها الهام بخش توسعه الگوریتم هایی بوده اند که می توانند برای حل مسائل دنیای واقعی مورد استفاده قرار گیرند. آنها الگوریتم های الهام گرفته از زیست نامیده می شوند، که الهام گرفتن از آنها در طبیعت امکان کاربرد در مسائل مختلف بهینه سازی و طبقه بندی را فراهم می کند.

در این دوره، پیاده سازی تئوری و عمدتاً عملی الگوریتم های اصلی و پرکاربرد الهام گرفته از زیست را خواهید آموخت! در پایان دوره شما تمام ابزارهای مورد نیاز برای ساخت راه حل های هوش مصنوعی را خواهید داشت که می توانند برای مشکلات خود اعمال شوند! این دوره به شش بخش تقسیم می شود که الگوریتم های مختلف مورد استفاده در مطالعات موردی دنیای واقعی را پوشش می دهد. پروژه هایی که گام به گام اجرا خواهند شد را در زیر مشاهده کنید:


  1. الگوریتم های ژنتیک (GA): یکی از پرکاربردترین و شناخته شده ترین الگوریتم های الهام گرفته شده از زیست برای حل مسائل بهینه سازی است. این بر اساس تکامل بیولوژیکی است که در آن جمعیت افراد در طول نسل ها از طریق جهش، انتخاب و تلاقی تکامل می یابند. ما مشکل برنامه پرواز را حل خواهیم کرد و هدف این است که قیمت بلیط خطوط هوایی و زمان انتظار در فرودگاه را به حداقل برسانیم.

  2. تکامل دیفرانسیل (DE): همچنین از تکامل بیولوژیکی الهام گرفته شده است و مطالعه موردی ما گام به گام حل خواهیم کرد ایجاد منوها، متعادل کردن صحیح میزان کربوهیدرات ها، پروتئین ها و چربی ها.

  3. شبکه‌های عصبی (ANN): این مبتنی بر نحوه عملکرد نورون‌های بیولوژیکی است و یکی از مدرن‌ترین تکنیک‌ها برای حل مشکلات پیچیده مانند: ربات‌های گفتگو، مترجم‌های خودکار، اتومبیل‌های خودران، تشخیص صدا و بسیاری دیگر در نظر گرفته می‌شود. مطالعه موردی ایجاد یک شبکه عصبی برای طبقه بندی تصاویر خواهد بود.

  4. الگوریتم انتخاب کلونال (CSA): این الگوریتم مبتنی بر عملکرد بهینه‌سازی پاسخ آنتی‌بادی در برابر یک آنتی ژن است که شبیه فرآیند تکامل بیولوژیکی است. این مفاهیم در عمل برای شناسایی رقم و تولید رقم استفاده خواهند شد.

  5. بهینه سازی ازدحام ذرات (PSO): بر رفتار اجتماعی حیوانات متکی است، که در آن گروه سعی می کند بهترین راه حل را برای یک مشکل خاص پیدا کند. مشکلی که باید حل شود جدول زمانی خواهد بود: یک دوره وجود دارد، افرادی که می خواهند آن را بگذرانند و برنامه های زمانی مختلف. در پایان، الگوریتم بهترین زمان‌ها را برای هر کلاس برای گذراندن دوره نشان می‌دهد.

  6. بهینه سازی کلونی مورچه ها (ACO): این بر اساس مفاهیم چگونگی جستجوی مورچه ها برای غذا در طبیعت است. مطالعه موردی یکی از کلاسیک ترین ها در منطقه خواهد بود که انتخاب کوتاه ترین مسیر است.

هر نوع مشکلی برای حل خود به تکنیک های متفاوتی نیاز دارد. وقتی شهود و اجرای الگوریتم‌های الهام‌گرفته از زیست‌شناسی را درک می‌کنید، تشخیص اینکه کدام تکنیک‌ها برای استفاده در هر سناریو بهترین هستند، آسان‌تر است. در طول دوره تمامی کدها با استفاده از زبان برنامه نویسی پایتون گام به گام پیاده سازی می شوند! ما قرار است از Google Colab استفاده کنیم، بنابراین لازم نیست نگران نصب کتابخانه ها بر روی دستگاه خود باشید، زیرا همه چیز به صورت آنلاین با استفاده از GPU های Google توسعه می یابد!


سرفصل ها و درس ها

معرفی Introduction

  • محتوای کوس Couse content

  • مواد درسی Course materials

الگوریتم های ژنتیک Genetic Algorithms

  • مطالعه موردی - برنامه پرواز Case study - flight schedule

  • ایجاد متغیرها Creating the variables

  • مجموعه داده پروازها Flights dataset

  • چاپ جدول Printing the schedule

  • ساعت تا دقیقه Hours to minutes

  • عملکرد تناسب اندام 1 Fitness function 1

  • عملکرد تناسب اندام 2 Fitness function 2

  • الگوریتم ژنتیک - شهود Genetic algorithm - intuition

  • بخش 1 - جهش Part 1 - mutation

  • قسمت 2 - متقاطع Part 2 - crossover

  • قسمت 3 - الگوریتم ژنتیک کامل Part 3 - complete genetic algorithm

  • قسمت 4 - الگوریتم ژنتیک کامل Part 4 - complete genetic algorithm

  • قسمت 5 - الگوریتم ژنتیک کامل Part 5 - complete genetic algorithm

تکامل دیفرانسیل Differential Evolution

  • مقدمه ای بر الگوریتم Introduction to the algorithm

  • ساختار کلی الگوریتم General structure of the algorithm

  • عملگر تغییرات و تولید بردارهای جدید The variation operator and the generation of new vectors

  • تفاوت های اصلی بین DE و GA Main differences between DE and GA

  • کاربرد: مشکل تخصیص مواد مغذی Application: nutrient allocation problem

  • قسمت 1 - راه حل کاندیدا Part 1 - Candidate solution

  • قسمت 2 - جمعیت بردارها Part 2 - Population of vectors

  • بخش 3 - عملکرد هدف/تناسب اندام Part 3 - Objective/fitness function

  • قسمت 4 - انتخاب سه بردار دیگر Part 4 - selecting three other vectors

  • قسمت 5 - عملگر تغییرات Part 5 - variation operator

  • بخش 6 - انتخاب بهترین بردار از هر جمعیت Part 6 - selecting the best vector from each population

  • قسمت 7 - اجرای الگوریتم Part 7 - running the algorithm

  • قسمت 8 - نمودار راه حل Part 8 - solution graph

شبکه های عصبی مصنوعی Artificial Neural Networks

  • مبانی بیولوژیکی Biological fundamentals

  • پرسپترون تک لایه Single layer perceptron

  • شبکه های چند لایه - توابع جمع و فعال سازی Multi-layer networks – sum and activation functions

  • شبکه های چند لایه - محاسبه خطا Multi-layer networks – error calculation

  • نزول گرادیان Gradient descent

  • پارامتر دلتا Delta parameter

  • تنظیم وزنه ها با پس انتشار Adjusting the weights with backpropagation

  • تعصب، خطا، نزول گرادیان تصادفی، و مفاهیم بیشتر Bias, error, stochastic gradient descent, and more concepts

  • بخش 1 - مجموعه داده اعداد Part 1 - digits dataset

  • قسمت 2 - پیش پردازش تصاویر Part 2 - pre-processing the images

  • قسمت 3 - آموزش Part 3 - training

  • بخش 4 - ارزیابی Part 4 - evaluating

  • بخش 5 - طبقه بندی یک تصویر واحد Part 5 - classifying one single image

الگوریتم انتخاب کلونال Clonal Selection Algorithm

  • الگوریتم انتخاب کلونال Clonal Selection Algorithm

  • ساختار کلی الگوریتم General structure of the algorithm

  • محاسبه فاکتور شبیه سازی Calculating the cloning factor

  • محاسبه هایپرجهش Calculation of hypermutation

  • برنامه - تولید/تشخیص رقم Application - Digit generation/recognition

  • بخش 1 - عملکرد آنتی بادی Part 1 - antibody function

  • بخش 2 - جمعیت آنتی بادی Part 2 - antibody population

  • بخش 3 - عملکرد تناسب اندام Part 3 - fitness function

  • بخش 4 - لیست میل آنتی بادی Part 4 - antibody affinity list

  • بخش 5 - انتخاب بهترین آنتی بادی N Part 5 - selecting the N best antibodies

  • قسمت 6 - شبیه سازی بهترین آنتی بادی ها Part 6 - cloning the best antibodies

  • قسمت 7 - هیپرموتاسیون آنتی بادی ها Part 7 - Hypermutation of the antibodies

  • قسمت 8 - اجرای الگوریتم Part 8 - Running the algorithm

  • قسمت 9 - نمودار راه حل Part 9 - Solution graph

بهینه سازی ازدحام ذرات Particle Swarm Optimization

  • مقدمه ای بر الگوریتم Introduction to the algorithm

  • ساختار کلی الگوریتم General structure of the algorithm

  • ذرات و جمعیت (ازدحام) Particles and the population (swarm)

  • بهترین ذره فردی و بهترین ذره جهانی Individual best particle and Global best particle

  • به روز رسانی موقعیت و سرعت ذرات Updating the position and velocity of the particles

  • نمایش گرافیکی/برداری از موقعیت/سرعت به روز رسانی Graphical/vectorial representation of position/velocity update

  • مطالعه موردی Case study

  • قسمت 1 - ذره Part 1 - Particle

  • قسمت 2 - جمعیت Part 2 - Population

  • قسمت 3 - عملکرد تناسب اندام Part 3 - Fitness function

  • قسمت 4 - بهترین موقعیت شخصی (pbest) Part 4 - Personal best position (pbest)

  • قسمت 5 - بهترین موقعیت جهانی (gbest) Part 5 - Global best position (gbest)

  • قسمت 6 - به روز رسانی موقعیت و سرعت ذره Part 6 - Updating the position and velocity of the particle

  • قسمت 7 - موقعیت/ذره جدید Part 7 - New position/particle

  • قسمت 8 - اجرای الگوریتم Part 8 - Running the algorithm

  • قسمت 9 - نمودار راه حل Part 9 - Solution graph

بهینه سازی کلونی مورچه ها Ant Colony Optimization

  • رفتار جستجوی مورچه ها Foraging behavior of ants

  • رفتار جستجوی مورچه ها: قسمت 2 Foraging behavior of ants: part 2

  • به روز رسانی رسوب فرمون Update of pheromone deposition

  • احتمال انتخاب لبه Probability of edge selection

  • مورچه ها و مشکل TSP Ants and the TSP problem

  • مطالعه موردی Case study

  • قسمت 1 - لبه ها Part 1 - Edges

  • قسمت 2 - احتمال انتخاب لبه Part 2 - Edge selection probability

  • قسمت 3 - عملکردی که لبه ها را انتخاب می کند Part 3 - Function that chooses edges

  • قسمت 4 - ایجاد مسیرها/مورچه ها Part 4 - Generating paths/ants

  • قسمت 5 - تابع طول مسیر Part 5 - Path length function

  • قسمت 6 - آپدیت فرمون Part 6 - Pheromone update

  • قسمت 7 - اجرای الگوریتم Part 7 - Running the algorithm

  • قسمت 8 - 5 گره Part 8 - 5 nodes

  • قسمت 9 - اجرای الگوریتم با 5 گره Part 9 - Running the algorithm with 5 nodes

اظهارات پایانی Final remarks

  • اظهارات پایانی Final remarks

نمایش نظرات

نظری ارسال نشده است.

آموزش الگوریتم های هوش مصنوعی با الهام از زیستی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
8.5 hours
87
Udemy (یودمی) udemy-small
02 خرداد 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
945
4.4 از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jones Granatyr Jones Granatyr

استاد اولا! 10 مورد از جونز گراناتیر و ترابیلو در 10 سال گذشته است که شامل Inteligência Artificial (IA) می باشد استاد حرفه ای ، پشکیزادور و بنیانگذار پورتال IA Expert ، وب سایت com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA، como as exemplolo: یادگیری عمیق ، یادگیری ماشین ، علم داده ، Redes Neurais Artificiais، Algoritmos Genéticos، Detecção e Reconhecimento Facial، Algoritmos de cesos، Busca ، Mineração de Regras de Associação ، Sistemas Especialistas e Sistemas de Recomendação. اگر بخواهید از طریق برنامه های مختلف زبان (Python ، R e Java) و یا فن آوری های مختلف (tensorflow ، keras ، pandas ، sklearn ، opencv ، dlib ، weka ، nltk ، به عنوان مثال) استفاده کنید. با توجه به هدف اصلی و دستیابی به اطلاعات IA و مجوز فعالیت در TI و متقاضیان ، به عنوان تجدید نظر در زمینه استفاده از قوانین و مقررات و امکان مشاهده تجدید نظرهای جدید در زمینه مشروبات الکلی ارائه می شود.

Guilherme Matos Passarini, phD Guilherme Matos Passarini, phD

ProfessorEnglish: سلام، اسم من Guilherme است، لیسانس علوم زیستی، فوق لیسانس زیست شناسی تجربی و Ph.D. همچنین در زیست شناسی تجربی، هر دو از دانشگاه فدرال Rondonia (برزیل). حوزه اصلی تحقیق من جستجوی ترکیباتی است که علیه انگل های مالاریا و لیشمانیوز فعال هستند. من همچنین مدتی است که برنامه نویسی می کنم، به خصوص در زبان های برنامه نویسی Python و R. علایق اصلی من زیست شناسی، بیوتکنولوژی، برنامه نویسی، شیمی دارویی و هوش مصنوعی است. بنابراین هدف اصلی من در اینجا در Udemy گسترش دانش مربوط به این مناطق به مردم در سراسر جهان است. پرتغالی: Bacharel e licenciado em Ciências Biológicas pela Universidade Federal de Rondonia, mestre em Biologia Experimental pela Universidade Federal de Rondonia و Doutor Também em Biologia Experimental pela Universidade Federal de Rondonia. Desenvolveu seus trabalhos de iniciação científica e mestrado na busca de moléculas de plantas bioativas contra os parasitas da malária e leishmaniose، tendo trabalhado com fitoquímica and ensaios antiparasitários in vitro. بدون انجام نهایی، بیوانفورماتیک، داروهای دارویی و برنامه‌ریزی‌شده، برنامه‌های کاربردی آلگان‌های بیوانفورماتیک و کویمیوانفورماتیک برای کمک‌رسانی به ضد مالاریا در دسکوببرتا. تجربه‌ای را به‌عنوان زبان‌شناس پایتون و R، و برنامه‌نویسی با جاوا اسکریپت شروع کنید. Seu projeto de doutorado se constitui em avaliar um composto antimalárico já testado durante o mestrado de forma mais aprofundada contra o parasita da malária, realando análises virtuais, como verificação de características físico-quíae virtuale do parasita) e ensaios em placas de cultura.

IA Expert Academy IA Expert Academy

Plataforma de Cursos sobre Ciência de Dados و IAA plataforma IA Expert tem o Objetivo de trazer cursos teóricos and Páticos de facil entendimento sobre sobre Inteligência Artificial e Ciência de Dados، برای اینکه حرفه ای به عنوان یک IAcareos به عنوان یک رضایتمندی به عنوان یک رضایتمندی شناخته شود. trazer para seus negócios، bem como apresentar todas as oportunidades que essa área pode trazer para profissionais de tecnologia da informação. Também trazemos notícias atualizadas semanais sobre a área em nosso portal.

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.