اهمیت یادگیری هوش مصنوعی چیست؟
هوش مصنوعی از علومی است که در دهه‌های گذشته پیشرفت شگرفی را در علم به وجود آورده است. پر واضح است که امروزه این پیشرفت به هیچ وجه در یک علم خاص محدود نبوده، بلکه تمامی علوم را در بر گرفته است. با استفاده از هوش مصنوعی، می‌توان برای کامپیوتر و دستگاه‌های الکترونیکی، قابلیت تفکر، شناخت الگو، تصمیم‌گیری و حل مسئله را ایجاد کرد. در حال حاضر در زمینه‌های مختلفی مانند پزشکی، بانکداری، خودروسازی، بازی‌های رایانه‌ای و حتی صنایع خدماتی، هوش مصنوعی به کار گرفته می‌شود.
موقعیت شغلی مناسب برای رشته هوش مصنوعی:
طبق آمار تقاضا برای موقعیت‌های شغلی مرتبط با هوش مصنوعی نسبت به ۵ سال پیش، بیش از دو برابر افزایش داشته و پیش‌بینی می‌شود در سالیان آتی، این روند رشدی به‌مراتب بیشتر داشته باشد و موجب اشتغال‌زایی فوق‌العاده‌ای برای فعالان این حوزه شود. حتی درحال حاظر نیز تقاضا برای کارشناسان هوش مصنوعی بیشتر از نیروهای فعال در این زمینه است و با کمبود نیروی متخصص در این حوزه مواجه هستیم. علاوه بر این، حقوق بسیار مناسب این شغل می‌تواند یکی دیگر از دلایلی باشد که بسیاری از علاقه‌مندان رشته‌های ریاضی، آمار، مهندسی، برنامه‌نویسی و … علم هوش مصنوعی را برای آینده شغلی خود برگزینند. امروزه هوش مصنوعی در بسیاری از مشاغل دنیا ادغام شده و تقریبا در هر زمینه‌ی کاری می‌توانید هوش مصنوعی را دخیل کنید اما برخی از مشاغل تخصصی این رشته عبارتند از:
- مهندس یادگیری ماشین (Machine Learning Engineer)
- مهندس رباتیک (Robotics engineering)
- مهندس بینایی کامپیوتر (computer vision engineer)
- مهندسی داده (Data Scientist)
سرفصل دوره اول ( مقدماتی ) :
- آشنایی با هوش مصنوعی شامل:
لزوم استفاده از هوش مصنوعی
تعاریف علمی هوش مصنوعی
تاریخچه هوش مصنوعی
کاربردهای هوش مصنوعی - آشنایی با عامل های هوشمند شامل:
عاملهای حل مسئله
حل مسائل جست و جوی معروف (نقشه رومانی، دنیای جاروبرقی، مسئله ۸ وزیر)
اندازه گیری کارایی حل مسئله - آشنایی با جست و جوی آگاهانه عامل هوشمند شامل:
روش های جست و جوی آگاهانه
جست و جوی محلی و بهینه سازی - آشنایی با مسائل ارضای محدودیت و جست و جوی خصمانه شامل:
ارضای محدودیت چیست؟
جست و جوی عقب گرد
جست و جوی خصمانه چیست؟
انواع بازی ها - آشنایی با مفاهیم اولیه یادگیری ماشین
مفاهیم اساسی یادگیری یک ماشین هوشمند
انواع روش های یادگیری در یک ماشین هوشمند - آشنایی با پایتون-بخش۱
انواع متغییرها در پایتون
انواع ساختمان داده ها در پایتون
دستورات شرطی، توابع، مدیریت استثناها - آشنایی با پایتون- بخش ۲
شی گرایی و وراثت در پایتون - پیاده سازی چند پروژه کوچک پایتونی
- آشنایی با جبر خطی
- آشنایی با کتابخانه های هوش مصنوعی (Numpy )
- آشنایی با کتابخانه های هوش مصنوعی (Pandas )
- آشنایی با کتابخانه های هوش مصنوعی (Matplotlib )
- آشنایی با کتابخانه های هوش مصنوعی (Matplotlib )
- آشنایی با کتابخانه های هوش مصنوعی (SciPy & learn-Scikit)
- آموزش الگوریتم های پرکاربرد نظارت شده و غیر نظارت شده
- یادگیری ماشین با چارچوب تنسورفلو
(رگرسیون خطی و لجستیک- درخت تصمیم- ماشین بردار پشتیبان- بیز، خوشه بندی و غیره)
سرفصل دوره دوم ( پیشرفته ) :
- آشنایی با مفاهیم اولیه یادگیری عمیق (Learning Deep)
- آشنایی با جزئیات ساختمان یک شبکه عصبی مصنوعی
- پیاده سازی یک شبکه عصبی مصنوعی ساده
- آشنایی با پارامترها و هایپرپارامترهای شبکه عصبی مصنوعی
- آشنایی با الگوریتم های بهینه سازی
- آشنایی با استراتژی های پیاده سازی یک پروژه یادگیری ماشین واقعی
- آشنایی با شبکه های عصبی کانولوشن و کانولوشن عمیق
- آشنایی یا الگوریتم های تشخیص اشیا در عکس
- پیاده سازی پروژه تشخیص چهره
- پیاده سازی پروژه تشخیص اعداد دست نویس در تصویر
- پیاده سازی پروژه طبقه بندی تصاویر
- آشنایی با شبکه های عصبی بازگشتی و ترتیبی
- آشنایی با مفا هیم اولیه پردازش زبان طبیعی
- اَشنایی با روش های پیش پردازش متن
- آشنایی با الگوریتم های بردارسازی کلمات و مکانیزم توجه
- آشنایی با مفاهیم پیشرفته پردازش زبان طبیعی، یادگیری انتقالی و ترانسفورمرها
- پیاده سازی پروژه تحلیل احساسات کاربران سایت دیجی کال
- پیاده سازی پروژه تشخیص اخبار جعلی
- پیاده سازی یک چت بات ساده
