دوره مقدماتی آموزش پایتون (8 جلسه)

توضیحات

مطالب

عنوان

چند مثال از الگوریتم و روندنما + مثال کامپیوتری

گزینه‌های پیش‌رو برای نصب پایتون (نصب پایتون و یا توزیع‌های آناکوندا، گوگل کولب، ژوپیتر و …)

محیط توسعه انتخاب می‌شود.

این جلسه می‌تواند به صورت کارگاهی انجام شود بهتر است.

الگوریتم نویسی

شروع صفر

۱

برنامه‌سازی رایانه‌ای

انواع زبان‌های رایانه

چرا پایتون؟

نصب و اجرا و بکارگیری (در ویندوز و لینوکس)

شروع برنامه نویسی!

در این جلسه با مفاهیم و اجزای کلیدی پایتون آشنا می‌شویم. 

همچنان نگاهی به الگوریتم نویسی داریم.

انتهای جلسه برای جمع‌بندی یک تمرین داریم.

واژگان کلیدی پایتون

آشنایی با پایتون

۲

اعداد و عملگرها، تعریف متغیرو انواع نوع داده

گزاره‌های شرطی

یک مثال درباره حلقه‌ها

انواع حلقه‌ها در پایتون

تمرین: بازی حدس عدد

تفکیک فضای نام در زبان برنامه‌نویسی بررسی می‌شود، 

دوباره به الگوریتم و روندنما برمی‌گردیم! (جهت توضیح انواع متغیر)

* در صورت امکان مفهوم شیء گرایی و کلاس مطرح می‌شود (اما برای سطح مقدماتی توصیه نمی‌شود)

فضای نام و تفکیک حافظه

توابع و متدها

۳

تعریف تابع و نگارش تابع در پایتون

مفهوم تعریف و فراخوانی یک تابع

متغیر محلی و سراسری (بازبینی ساختار حافظه)

مثال و بکارگیری توابع

مفهوم شیء گرایی و کلاس*

در این جلسه نگاهی به یک مفهوم ماژول می‌اندازیم. 

کمی به ریاضیات ماتریسی دبیرستان رجوع می‌کنیم! و با کتابخانه numpy آشنا می‌شویم.

تعریف ماژول و بسته‌ (کتابخانه استاندارد و غیر)

ماژول‌ها و بسته‌ها

۴

انواع دستیابی به بسته‌ها و ماژول‌ها

کتابخانه  numpy

کار با کتابخانه numpy و انواع داده در این کتابخانه

مطالعه راهنماهای هر کتابخانه

سایر کتابخانه‌ها

5

توابع رسم در پایتون

کتابخانه  pandas

در این جلسه، چند شیوه بارگزاری و بارگیری فایل و داده‌ها بررسی می‌شوند.

اطلاعات داخل فایل‌ها خوانده و نمایش داده می‌شوند.

* چند نمونه فایل جهت پردازش بررسی می‌شوند.

انواع فایل (متنی، باینری، جدولی)

کار با فایل و داده‌ها

6

دستورات سطح پایین کار با فایل‌ها

داده‌های  csv 

داده‌های تصویری

کتابخانه‌های استاندارد برای هرکدام

اجزای یک برنامه پایتون

جمع‌بندی دوره مقدماتی

7

استانداردهای  PEP

تعریف چند پروژه ساده (کار با فایل و پیاده‌سازی چند الگوریتم)

رفع اشکال روی پروژه‌های ساده

اتمام دوره مقدماتی

8

سرفصل دوره هوش مصنوعی مقدماتی (10 جلسه)

این جلسه یکسری مفاهیم کلی آموزش داده می‌شود. هدف این جلسه کد نویسی نیست، بله فراگیری و آماده‌سازی افرادی هست که هیچ پیش‌زمینه‌ای در هوش مصنوعی ندارند.

تصمیم‌گیری چیست؟ تعریف شواهد، ناظر و اندازه‌گیری

 تصمیم

۱

مثال دسته‌بندی 

تصمیم براساس جدول فراوانی

تعمیم جدول فراوانی به تابع چگالی احتمال

تعریف هوش مصنوعی

مفهوم یادگیری و مدل کردن

 انواع یادگیری

آماده‌سازی داده‌ها (مفهوم برچسب، آموزش/آزمون)

انواع مدل احتمال : پارامتری، ناپارامتری

 تصمیمِ احتمالاتی

۲

تصمیم‌گیری کامل (براساس رابطه بیز)

مفهوم احتمال پسین، پیشین و درستنمایی (براساس مثال)

تخمین با دانش پیشین/بیشینه احتمال پسین و درستنمایی

پیاده‌سازی مثال عملی با کتابخانه numpy

در این جلسه مفاهیم مربوط به چند تصمیم‌گیری ناپارامتری به صورت ساده بیان می‌شود، سپس با کمک کتابخانه scikit-learn با نحوه پیاده‌سازی هر کدام آشنا خواهیم شد.

تصمیم براساس فاصله (خوشه‌بندی و نزدیکترین همسایه)

ساده‌سازیِ ناپارامتریِ تصمیمِ احتمالاتی

۳

مرز تصمیم و ماشین بردار پشتیبان

تصمیم‌گیری درختی

مدل‌های مخلوط

مشکلات مربوط به ابعاد داده و انواع روش کاهش بعد 

آشنایی با کتابخانه scikit-learn

در این جلسه با شروع از شیوه‌های مدل کردن تابع درستنمایی و ضعف مدل‌های ناپارامتری در توابع پیچیده، به بررسی ساده‌ترین نوع شبکه عصبی پرداخته می‌شود.

شبکه عصبی پرسپترون چگونه آموزش داده می‌شود، و چطور بفهمیم که این شبکه به درستی کار می‌کند، مباحث مطرح شده در این جلسه خواهد بود.

ضعف روش‌های ناپارامتری در مدل کردن تابع درستنمایی

ساده‌سازیِ پارامتریِ تصمیمِ احتمالاتی

۴

سادگی ماشین بردار پشتیبان و تعمیم به شبکه عصبی پرستپرون

آموزش شبکه با روش پس‌انتشار خطا/ بهینه‌سازی پارامتر شبکه

مفهوم فرابرازش و تعمیم‌پذیری در آموزش مدل‌های پارامتری

روش ارزیابی متقابل و بررسی تعمیم‌پذیری شبکه

معیارهای ارزیابی

پیاده‌سازی چند مثال ساده با کتابخانه scikit-learn

در این جلسه با کتابخانه‌های مهم یادگیری عمیق آشنا می‌شویم.

انواع لایه‌ها موجود بررسی خواهند شد.

درنهایت یک مثال ساده شبیه جلسه قبل با این کتابخانه‌ها اجرا می‌شود.

مهندسی ویژگی دربرابر یادگیری ویژگی

مقدمه یادگیری عمیق

۵

انواع دادگان (عددی، برداری، دنباله، تصویر و ...)

چرا مدل عمیق؟

معرفی کتابخانه‌ها: tensorflow, jax, pytorch, keras

آشنایی با کتابخانه tensorflow و Pytorch

مثال آزمون، پیاده‌سازی پرسپترون چند لایه 

بر روی یکی از دادگان مرکز تحقیقات یک مسأله دسته‌‌بندی اجرا می‌شود.

مدل‌های مشهور نیز بررسی می‌شوند.

معرفی مجموعه دادگان مرکز تحقیقات

حل یک مسأله دسته‌بندی

6

اجرای یک مثال عملی از آماده‌سازی داده تا پیاده‌سازی یک شبکه در دسته‌بندی داده‌ها

تعریف تفسیرپذیری

تفسیرپذیری مدل

7

روش‌‌های GradCam

روش‌های Multiple Instance Learning

انتخاب یک مجموعه داده مناسب از دادگان مرکز تحقیقات

حل یک مسأله ناحیه‌بندی

8

تعریف مسأله ناحیه‌بندی، و نحوه آماده‌سازی داده‌ها

مدل‌های مشهور ناحیه‌بندی

اجرا و پیاده‌سازی مسأله ناحیه‌بندی روی یک داده واقعی

دادگان برچسب خورده درحوزه پزشکی

مشکلات پیشِ‌رو

9

مسائل با ناظرِ ضعیف و بکارگیری از کمک پزشک

حل یک مسأله multiple instance learning

حل یک مسأله به صورت «انسان در چرخه» پردازش

افزودن داده

چکار کنیم مدل بهتر کار کند؟

10

مدل‌های پیش آموزش دیده

تولید داده جدید

جمع‌بندی

هزینه دانشجویان و فارغ التحصیلان رشته های غیر مرتبط

هزینه دانشجویان مرتبط و  دانشجویان و  پرسنل دانشگاه علوم پزشکی اصفهان

مدت دوره 8 جلسه 2 ساعته  آفلاین آموزش پایتون + 10 جلسه 2 ساعته هوش مصنوعی بصورت هیبرید

ششصد هزار تومان

سیصد هزار تومان