کلاس و دوره هوش مصنوعی برای دانش آموزان با دکتری صنعتی شریف

معلم هوش مصنوعی برای دانش آموزان
سلام من حسین بهمن آبادی هستم، مدرس دوره های المپیاد و دانشگاهی و از سال 1393 در زمینه آموزش فعالیت دارم. اول از همه یکم با هم آشنا بشیم 🙂 خب من سال 1389 وارد مدرسه سمپاد شهید سلطانی یک کرج شدم، سال 1392 مدال برنز المپیاد فیزیک گرفتم و سال 1393 با سهمیه المپیاد راهی رشته مهندسی مکانیک دانشگاه صنعتی شریف شدم. سال 1397 و در پایان دوران لیسانس با یه پروژه راجع به افزایش دقت مکانیابی پهپادها کارم تموم شد و با سهمیه ی استعدادهای درخشان دانشگاه و بدون کنکور ارشد به سمت مهندسی هوافضا رفتم و در رشته مهندسی سیستمهای فضایی کارشناسی ارشدم رو گذروندم. پایان نامه ام در این دوران راجع به کنترل بازوهای رباتهای انعطاف پذیر به کمک هوش مصنوعی بود. چیزی شبیه به کنترل ربات کانادآرم که به دلیل طول زیادش باید اثرات انعطاف پذیری در مدلسازیش لحاظ بشه.
لینک پایان نامه ارشدم در کتابخانه صنعتی شریف : اینجا کلیک کنید
دوران ارشد به دکتری دانشگاه اجازه استفاده مجدد از استعدادهای درخشان رو به دلایل کاغذبازی و اینها نداد و خب منم با رتبه یک کنکور دکتری به مکانیک – گرایش دینامیک، کنترل و رباتیک شریف برگشتم. الان (شهریور 1404) در این دوره مشغول به پژوهش و نگارش رساله دکتریم هستم که اون هم در زمینه بهبود الگوریتمهای یادگیری تقویتی در مسائل رباتیک گروهی هست. به طور خلاصه تلاش میکنم با تعداد حجم محاسابات کمتر نسبت به روشهای قبلی همون نتیجه رو در این مسائل بگیرم و بهترین مسیر حرکتی دسته ای از رباتها رو بسازم. یادگیری تقویتی هم یکی از الگوریتمهای هوش مصنوعیه که با کنترل بهینه ارتباط زیادی داره.
اما راجع به آموزش و معلم هوش مصنوعی برای دانش آموزان بودنم بگم. من از سال 1393 به تدریس المپیاد فیزیک مشغول هستم و خب بلدم به یه دانش آموز پایه متوسطه اول از صفر حساب دیفرانسیل و انتگرال، جبر خطی، آمار و معادلات دیفرانسیل درس بدم. از طرفی شاگردهای مختلفی هم به سبب معرفی افراد به یکدیگر از خارج از کشور داشتم و دارم که توی مقاطع ارشد و دکتری تحصیل میکنن و خب مباحث مختلفی بهشون درس دادم.
این تجربه و سابقه وبسایت کوشیار که در زمینه ریاضی تکمیلی کار میکنه جمع شد و من به سمت تدریس برنامه نویسی و هوش مصنوعی دانش آموزی هم حرکت کردم. چیزی که در وهله اول ظاهرا از فیزیک دوره در عمل خیلی نزدیکه! شما برای فیزیک باید حساب دیفرانسیل، جبرخطی و آمار بدونی و خب یادگیری ماشین و هوش مصنوعی هم دقیقاً همین رو میخواد.
حالا چی کمه تو کشور؟ کسی که هم سابقه تدریس این مفاهیم ریاضیاتی رو به دانش آموزا داشته باشه، هم سابقه تدریس برنامه نویسی داشته باشه، هم خودش توی کار و پروژه و تحصیلش هر روز با این موارد درگیر باشه و تجربه بدست آورده باشه!
خب اینم خلاصه ای از اطلاعات تحصیلی و کاری من.
کلاس و دوره هوش مصنوعی برای دانش آموزان
خب چرا حالا هوش مصنوعی یاد بگیریم؟ چرا کلاس بریم؟ ببینید سالهای 1389 تا 1393 که من دانش آموز بودم خبری از هوش مصنوعی در این سطح نبود و خب این گزینه وجود نداشت که من به سمت هوش مصنوعی برم. البته خب در حد خودم بازم خیلی خیلی جلوتر از کتابهای معمول یاد گرفتم برای المپیاد طوری که حتی آموخته های من در دوران المپیاد فیزیک در امتجان جامع دکتری هم بدردم خورد!
الان اما کمی نگرشم به روز تر شده و اگر بخوام به بچه های مستعد توصیه کنم صرفاً بحث المپیاد روی میزم نیست! واقعیتش الان بحث هوش مصنوعی داغه چه خودش و چه المپیادش و منم در کنار توصیه به المپیادهای کلاسیک به یادگیری هوش مصنوعی و المپیاد هوش مصنوعی هم توصیه میکنم. نهایتش این انتخاب به خود فرد برمیگرده ولی در نهایت خوبه که توی یک شاخه باشید تا نتیجه بگیرید و عمیق بشید و الکی وقت و پولتون هدر نره! از همه مهمنر شانستون برای موفقیت الکی از دست نره!
مباحث کلاس هوش مصنوعی برای دانش آموزان:
من توی دوره هوش مصنوعی روی دو محور تمرکز دارم، ریاضی و برنامه نویسی!
پس از یه سمت باید برنامه نویسی یاد بگیریم و از یه سمت هم باید ریاضیاتمون قوی بشه. این دو تخصص منه که چطور به بچه های مدرسه ای اینا رو یاد بدم. یعنی فقط ماجرا کد نیست شما باید عمیق متوجه بشید پشت صحنه هر فرمول یا هر خط کد چه خبره!
مباحث محور برنامه نویسی پایتون، دوره هوش مصنوعی برای دانش آموزان:
- متغیر ها
- دستورات پایه
- شرط ها
- حلقه ها
- لیست ها
- رشته ها
- تاپل ها
- دیکشنری ها
- تابع
- آرایه ها
- رسم نمودار
- خطاها
- کلاس ها
- کارکردن با فایلها
- کارکردن با ماژول ها
- پانداس
- عبارات با قاعده
- موضوعات ویژه
مباحث ریاضی دوره هوش مصنوعی برای دانش آموزان :
- حساب پایه
- حساب دیفرانسیل
- جبر خطی
- آمار
- بهینه سازی
- مهارت تبدیل مسئله ریاضی به برنامه کامپیوتری و کد
مباحث داده کاوی دوره هوش مصنوعی برای دانش آموزان:
-
مباحث پایهای
1.1 تعریف دادهکاوی و تفاوت آن با یادگیری ماشین و آمار
1.2 مراحل فرایند دادهکاوی (CRISP-DM)
1.2.1 درک مسئله (Business Understanding)
1.2.2 درک دادهها (Data Understanding)
1.2.3 آمادهسازی دادهها (Data Preparation)
1.2.4 مدلسازی (Modeling)
1.2.5 ارزیابی (Evaluation)
1.2.6 استقرار (Deployment) -
آمادهسازی دادهها
2.1 پاکسازی دادهها (Data Cleaning)
2.2 یکپارچهسازی دادهها (Data Integration)
2.3 کاهش دادهها (Data Reduction)
2.4 تبدیل دادهها (Data Transformation)
2.5 نرمالسازی و استانداردسازی -
روشهای اصلی دادهکاوی
3.1 دستهبندی (Classification)
3.1.1 درخت تصمیم (Decision Trees)
3.1.2 k-نزدیکترین همسایه (k-NN)
3.1.3 Naïve Bayes
3.1.4 ماشین بردار پشتیبان (SVM)
3.1.5 شبکههای عصبی3.2 خوشهبندی (Clustering)
3.2.1 K-Means
3.2.2 خوشهبندی سلسلهمراتبی (Hierarchical Clustering)3.3 کشف قوانین انجمنی (Association Rule Mining)
3.3.1 الگوریتم Apriori
3.3.2 الگوریتم FP-Growth
3.3.3 کشف الگوهای تکراری (Frequent Pattern Mining)3.4 رگرسیون (Regression)
3.4.1 رگرسیون خطی و چندگانه
3.4.2 رگرسیون لجستیک
3.4.3 رگرسیون غیرخطی3.5 کاهش ابعاد (Dimensionality Reduction)
3.5.1 تحلیل مؤلفههای اصلی (PCA)
3.5.2 تحلیل تفکیک خطی (LDA) -
مباحث پیشرفتهتر
4.1 کشف ناهنجاریها (Anomaly Detection)
4.2 دادهکاوی متنی (Text Mining)
4.3 تحلیل احساسات (Sentiment Analysis)
4.4 دادهکاوی شبکههای اجتماعی
4.5 دادهکاوی وب (Web Mining)
4.6 دادهکاوی سریهای زمانی (Time Series Mining) -
مباحث کاربردی
5.1 دادهکاوی در بازاریابی (تحلیل مشتریان، سبد خرید)
5.2 دادهکاوی در پزشکی
5.3 دادهکاوی مالی (کشف تقلب، پیشبینی بورس)
5.4 دادهکاوی صنعتی و مهندسی
مباحث یادگیری ماشین دوره هوش مصنوعی برای دانش آموزان (اشتراک مبحث با داده کاوی دارد) :
- مقدمه و مباحث پایهای
1.1 تعریف یادگیری ماشین (Machine Learning)
1.2 تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
1.3 انواع یادگیری ماشین
1.3.1 یادگیری نظارتشده (Supervised Learning)
1.3.2 یادگیری بدون نظارت (Unsupervised Learning)
1.3.3 یادگیری تقویتی (Reinforcement Learning) -
آمادهسازی دادهها
2.1 جمعآوری دادهها
2.2 پاکسازی دادهها (Data Cleaning)
2.3 تقسیم داده به دادهی آموزش و آزمایش
2.4 نرمالسازی و مقیاسبندی -
روشهای یادگیری نظارتشده
3.1 رگرسیون (Regression)
3.1.1 رگرسیون خطی
3.1.2 رگرسیون لجستیک
3.2 دستهبندی (Classification)
3.2.1 درخت تصمیم (Decision Trees)
3.2.2 k-نزدیکترین همسایه (k-NN)
3.2.3 Naïve Bayes
3.2.4 ماشین بردار پشتیبان (SVM) -
روشهای یادگیری بدون نظارت
4.1 خوشهبندی (Clustering)
4.1.1 K-Means
4.1.2 خوشهبندی سلسلهمراتبی
4.1.3 DBSCAN
4.2 کاهش ابعاد (Dimensionality Reduction)
4.2.1 تحلیل مؤلفههای اصلی (PCA)
4.2.2 -
یادگیری تقویتی (Reinforcement Learning)
5.1 عامل و محیط (Agent & Environment)
5.2 پاداش و سیاست (Reward & Policy)
5.3 مثالهای ساده مثل بازیها -
مبانی یادگیری عمیق (Deep Learning)
6.1 شبکههای عصبی مصنوعی (Artificial Neural Networks)
6.2 لایههای ورودی، پنهان و خروجی
6.3 شبکههای پیچشی (CNN) برای تصویر
6.4 شبکههای بازگشتی (RNN) برای دادههای زمانی -
مباحث کاربردی
7.1 تشخیص تصویر
7.2 پردازش زبان طبیعی (NLP)
7.3 پیشبینی دادهها (مثل هواشناسی یا قیمتها)
7.4 تحلیل دادههای پزشکی
7.5 سیستمهای پیشنهاددهنده (Recommendation Systems)
مباحث یادگیری تقویتی دوره هوش مصنوعی برای دانش آموزان:
-
مفاهیم پایه
1.1 تعریف یادگیری تقویتی
1.2 تفاوت یادگیری تقویتی با یادگیری نظارتشده و بدون نظارت
1.3 مثالهای ساده (مثل بازی مار و پله یا ربات در یک ماز) -
اجزای اصلی یک مسئله RL
2.1 عامل (Agent)
2.2 محیط (Environment)
2.3 حالت (State)
2.4 عمل (Action)
2.5 پاداش (Reward)
2.6 سیاست یا راهبرد (Policy)
2.7 ارزش (Value) -
مدل ریاضی یادگیری تقویتی
3.1 فرایندهای تصمیمگیری مارکوف (Markov Decision Process – MDP)
3.2 تابع بازگشت (Return)
3.3 تابع ارزش (Value Function)
3.4 تابع عمل-ارزش (Q-Function) -
روشهای اصلی RL
4.1 یادگیری مبتنی بر سیاست (Policy-based)
4.2 یادگیری مبتنی بر ارزش (Value-based)
4.3 ترکیبی (Actor-Critic) -
الگوریتمهای پایهای
5.1 الگوریتم باندیت چند مسلحه (Multi-armed Bandit)
5.2 روشهای مونتکارلو (Monte Carlo Methods)
5.3 یادگیری پویا (Dynamic Programming)
5.4 یادگیری تفاوت زمانی (Temporal Difference Learning – TD)
5.5 الگوریتم Q-Learning
5.6 الگوریتم SARSA -
روشهای پیشرفتهتر
6.1 سیاستهای گرادیانی (Policy Gradient Methods)
6.2 الگوریتم REINFORCE
6.3 Actor-Critic
6.4 Deep Q-Networks (DQN)
6.5 الگوریتمهای پیشرفته مثل PPO، A3C، DDPG -
کاربردهای یادگیری تقویتی
7.1 بازیها (مثل AlphaGo و شطرنج)
7.2 رباتیک (یادگیری حرکت بازو یا راه رفتن)
7.3 سیستمهای توصیهگر (Recommendation Systems)
7.4 مدیریت منابع (Resource Management)
7.5 کنترل در مهندسی (مثل کنترل پرواز یا موتور)
مباحث یادگیری عمیق دوره هوش مصنوعی برای دانش آموزان:
1. مقدمه
1.1 تفاوت یادگیری ماشین و یادگیری عمیق
1.2 تاریخچه شبکههای عصبی و پرسپترون
2. شبکههای عصبی پایه
2.1 شبکه عصبی مصنوعی (ANN)
2.1.1 لایه ورودی
2.1.2 لایههای مخفی
2.1.3 لایه خروجی
2.2 مفهوم وزنها و بایاس
2.3 توابع فعالسازی (Activation Functions)
2.3.1 سیگموید
2.3.2 تانژانت هایپربولیک (tanh)
2.3.3 ReLU و انواع آن
3. آموزش شبکههای عصبی
3.1 الگوریتم پسانتشار خطا (Backpropagation)
3.2 گرادیان نزولی (Gradient Descent)
3.3 روشهای بهینهسازی پیشرفته
3.3.1 SGD
3.3.2 Adam
3.3.3 RMSProp
4. مشکلات و راهحلها
4.1 بیشبرازش (Overfitting) و کمبرازش (Underfitting)
4.2 ناپدید شدن و انفجار گرادیانها
4.3 تکنیکهای جلوگیری
4.3.1 Dropout
4.3.2 Regularization
5. شبکههای عمیق پیشرفته
5.1 شبکههای کانولوشنی (CNN) – مخصوص تصاویر
5.2 شبکههای بازگشتی (RNN) – مخصوص دادههای ترتیبی
5.3 LSTM و GRU – برای متن و صدا
5.4 خودرمزگذارها (Autoencoders)
6. یادگیری انتقالی (Transfer Learning)
6.1 استفاده از شبکههای از پیش آموزشدیده
6.2 کاربردها در بینایی ماشین و زبان
7. شبکههای مولد (GAN)
7.1 ایده تولید تصویر جدید
7.2 رقابت Generator و Discriminator
8. ترنسفورمرها و توجه (Transformers & Attention)
8.1 ایده توجه (Attention)
8.2 ترنسفورمرها و کاربرد در زبان
9. کاربردهای یادگیری عمیق
9.1 پردازش تصویر (تشخیص چهره، دستهبندی تصاویر)
9.2 پردازش زبان طبیعی (ترجمه، چتباتها)
9.3 رباتیک و بینایی ماشین
کلاس هوش مصنوعی برای دانش آموزان سخته؟
خیر 🙂 دوره ما ساده است. در واقع هنر من اینه که این چیزا رو ساده بهتون درس بدم و یه جوری بالا بیاید که خودتون هم نفهمید جطور گدشت (انقدر راحت به نظرتون بیاد). البته تلاش و نظم و استعداد میخواد. این طور نیست که شل بگیرید و نهایتش هم یه متخصص هوش مصنوعی بشید.
دوره هوش مصنوعی برای دانش آموزان ریاضی داره؟
قطعاً داره. اصلاً هر کی ادعا کنه تو این حوزه کار میکنه و اساسی هست کارش و در عین حال ریاضیش ضعیفه، ندید داره دروغ میگه یا کار خیلی خیلی سطح پایین به لحاظ علمی میکنه. در واقع هوش مصنوعی تقلید ریاضیاتی کارکرد مغزه.
برنامه ریزی هوش مصنوعی برای دانش آموزان
اینا که خیلی زیاد شد خب یه بچه کلاس هفتم مثلاً میتونه یاد بگیره؟ این مباحث یک شبه آموزش داده نمیشن! برای یه دانش آموز مقطع متوسطه اول این آموزشها میتونه 3 تا 4 سال طول بکشه. فشرده تر هم میشه؟ بله اگر فرد مستعد باشه و تحت تعلیم فشرده یا مطالعه انفرادی قرار بگیره میشه. پس بنابراین نگران نباشید. ریاضیاتش رو هم به من بسپارید اگر قکر میکنید سنگینه! البته یه حداقلی از استعداد لازمه و یه حد زیادی از پشتکار! بدون اینا هیچ امیدی به نتیجه بخش بودن آموزشها نیست!
از چه سنی بچه ها و دانش آموزها هوش مصنوعی یاد بگیرن؟
به این سبک اصولی و علمی از کلاس هفتم به بعد میتونن شروع کنن.
این دوره چقدر طول میکشه؟
این دوره میتونه 3 تا 4 سال برای یه دانش آموز مقطع متوسطه اول که با هوش مصنوعی آشنا نیست ولی مستعده طول بکشه. نیازی هم نیست از اول تا آخر رو با ما باشید، بعضی از افراد میتونن قسمتی از دوره رو با ما باشند و بقیه رو خودشون ادامه بدن. یا مثلاً ممکنه فقط برنامه نویسی رو بخواید، خب اونم ممکنه.
ادیت ویدئو و یا چیزهای دیگه هم یاد میدید؟
ببنید این دوره برای یادگیری علم و اساس هوش مصنوعیه نه کاربردش! برای کاربرد دوره های دیگری در نظر داریم ولی باید دقت کنید که این دوره تهش به نوشتن نرم افزاری که تولید تصویر کنه میتونه منجر بشه و نه استفاده از نرم افزار کاملاً آماده!
در قالب تمثیل اینجا شما یاد می گیرید چطور ماشین مسابقه فرمول یک بسازید ولی رانندگی یه بحث دیگه است. رانندگی رو میشه خیلی سریعتر از طراحی خودروهای پیشرفته یادگرفت اما یک راننده میتونه خودروهای پیشرفته تولید کنه؟ خیر!
برای یادگیری کار با نرم افزار تولید فیلم و عکس خیلی به پشت صحنه کدها احتیاج ندارید و ابزار آماده همین الانم هست اما اونچا شما مصرف کننده اید و نه سازنده نرم افزار. ما میخوایم تولید کننده نرم افزار هوش مصنوعی تربیت کنیم!
مشاوره هوش مصنوعی برای دانش آموزان
اگز هنوز سوالاتی دارید بهتره بهم پیام بدید و با هم صحبت کنیم. تلفن 09364166626
البته از طریق لینک سمت چپ سایت میتونید با دو سه تا کلیک تماس بگیرید یا پیام بدید.
یا میتونید روی لینکهای زیر کلیک کنید.
.
موبایل کامپیوتر تلگرام
تماس پیامک
تدریس خصوصی هوش مصنوعی برای دانش آموزان
بله تدریس خصوصی هم داریم، به صورت آنلاین
دوره ضبط شده هوش مصنوعی برای دانش آموزان
اینم به زودی تهیه میشه.
کانال هوش مصنوعی برای دانش آموزان
فعلاً تو کانال ریاضی پیشرفته و تیزهوشان عضو بشید تا اونجا خیرای بیشتری داشته باشید : کلیک کنید : https://t.me/kooshyar_takmili
دیدگاهتان را بنویسید