آموزش شناسایی الگو و یادگیری ماشین استاد مهدیانی

دوره شناسایی الگو و یادگیری ماشین با تدریس استاد مهدیانی یکی از جامع‌ترین و حرفه‌ای‌ترین دوره‌های آموزشی برای آمادگی در کنکور دکتری کامپیوتر است. این دوره تخصصی به‌طور ویژه برای داوطلبان دکتری هوش مصنوعی طراحی شده تا آن‌ها را برای موفقیت در آزمون و درک عمیق مفاهیم ضروری این حوزه آماده کند.

با توجه به نقش کلیدی مباحث یادگیری ماشین (Machine Learning) و شناسایی الگو (Pattern Recognition) در آزمون دکتری و حوزه‌های تحقیقاتی، شرکت در این دوره می‌تواند پایه‌ای قوی برای ورود به دنیای پژوهش، مقالات علمی و آموزش دانشگاهی فراهم کند. در این مسیر، شما با مفاهیم پایه تا پیشرفته، به صورت گام‌به‌گام و مفهومی آشنا خواهید شد.

معرفی دوره

این دوره طوری طراحی شده است که داوطلب را از سطح پایه، به تسلط کامل بر سرفصل‌های کلیدی آزمون دکتری برساند. ابتدا مباحث پایه مانند جبر خطی، آمار و احتمال مرور می‌شوند تا پیش‌نیازهای ریاضی به خوبی پوشش داده شوند. سپس وارد مباحث اصلی مانند رگرسیون، دسته‌بندی، ماشین بردار پشتیبان (SVM)، درخت تصمیم، یادگیری جمعی، شبکه‌های عصبی، خوشه‌بندی، کاهش ابعاد (PCA)، یادگیری تقویتی، مارکوف و شبکه‌های بیزین می‌شویم.

برای مشاهده سایر دوره‌های آموزش و تست مجموعه استاد یوسفی کلیک کنید.

یکی از مزیت‌های این دوره، پس از یادگیری مفاهیم هر بخش، به حل تست‌های متنوع خواهیم پرداخت. در نتیجه شما فقط مفاهیم را یاد نمی‌گیرید، بلکه با سؤالات استاندارد کنکور دکتری تمرین خواهید کرد تا کاملا بر سرفصل‌های تدریسی مسلط شوید. در این دوره، مفاهیمی مانند تئوری یادگیری، روش‌های ارزیابی مدل‌ها، بعد VC، بیش‌برازش و تعمیم‌پذیری نیز مورد بررسی خواهد گرفت.

اگر به دنبال یادگیری عمیق، آمادگی کامل برای کنکور دکتری هوش مصنوعی، یا ورود به دنیای تحقیقات و پروژه‌های هوش مصنوعی هستید، این دوره بهترین انتخاب برای شما خواهد بود.

مخاطبین دوره

• داوطلبان کنکور دکتری رشته کامپیوتر 
• دانشجویان علاقه‌مند به یادگیری مفهومی یادگیری ماشین و الگوهای آماری
• افرادی که قصد ورود به تحقیقات و مقالات علمی در حوزه هوش مصنوعی را دارند

سرفصل‌های دوره

• مقدمه و مفاهیم یادگیری ماشین
• پیش نیاز جبر خطی
• پیش نیاز آمار و احتمال
• Maximum Likelihood(ML) , Maximum A Posteriori(MAP)
• رگرسیون : رگرسیون خطی تک و چند متغیره – رگرسیون غیر خطی – تابع هزینه و گرادیان کاهشی – معادله نرمال
• بایاس/ واریانس
• بیش برازش و تعمیم پذیریHold-Out,Cross Validation,Regularization : – رگرسیون با تنظیم
• رگرسیون آماری و تابع هدف مبتنی بر SSE
• دسته بند بیز / ریسک / دسته بند بیز ساده : تئوری بیز – حداقل کردن خطا – ریسک – مرز تصمیم – بیز ساده
• دسته بند خطی / پرسپترون
• رگرسیون لجستیک: فرضیه – تابع هزینه – بیش برازش و مقابله با آن – نحوه دسته بندی چند کلاسه
• ماشین بردار پشتیبان: مفاهیم اولیه – تابع هزینه – دوگان مساله – الگوریتم پیدا کننده جداساز – Soft Margin SVM – ترفند کرنل و توابع کرنل
• فیشر ( LDA ): مفاهیم و معیار ها – الگوریتم
• PCA مفاهیم و ایده – الگوریتم
• نزدیک ترین همسایه / پنجره پارزن
• درخت تصمیم: الگوریتم ID3 – محاسبه آنتروپی و information gain – روش های مقابله با بیش برازش – الگوریتم 5 ضریب gini
• یادگیری جمعی (Bagging / Boosting): جنگل تصادفی – Adaboost
• انتخاب ویژگی: Wrapper – filter – embedded
• شبکه های عصبی: پرسپترون – توابع فعالیت – محوشدگی و انفجار گرادیان – Backpropagation – Drop Out
• ارزیابی: ماتریس درهم ریختگی – معیار های ارزیابی- منحنی ROC
• خوشه بندی Kmeans,Hierachichal,DBSCAN,GMM:
• تئوری یادگیری / بعد VC
• یادگیری تقویتی
• مارکوف
• شبکه بیزین

درباره استاد

• دانش آموخته هوش مصنوعی و علم داده
• توسعه دهنده یادگیری ماشین و یادگیری عمیق
• بیش از ۳ سال تدریس در مجتمع فنی تهران
• سابقه همکاری با مجموعه فرادرس
• سابقه همکاری با موسسه آموزشی عالی آزاد ارژنگ و موبایلت بانک سامان
• همکاری با موسسه ماهان

همچنین شما می‌توانید برای دریافت مشاوره رایگان کنکور با شماره‌های 88922915-021| 88809039-021 تماس بگیرید و یا به تلگرام مجموعه به شماره: 09384361587 پیام بدهید.