| 1 |
مقدمه‌ای بر هوش مصنوعی |
|
| 2 |
انواع محیط‌ها در هوش مصنوعی |
|
| 3 |
مروری بر الگوریتم‌های جستجوی نا‌آگاهانه |
|
| 4 |
مروری بر الگوریتم‌های جستجوی آگاهانه (A* و جستجوی حریصانه) |
|
| 5 |
مروری بر الگوریتم‌های جستجوی آگاهانه (A* و جستجوی حریصانه) |
|
| 6 |
مروری بر الگوریتم‌های جستجوی محلی (جستجوی تپه‌نوردی و الگوریتم شبیه‌سازی تبرید) |
|
| 7 |
الگوریتم‌های فراابتکاری (بهینه‌سازی کلونی مورچگان و Grey Wolf Optimizer) |
|
| 8 |
مقدمه‌ای بر نایقینی و تئوری احتمال |
|
| 9 |
شبکه بیزین و مدل‌های گراف احتمالی |
|
| 10 |
مدل مارکوف و مدل مارکوف پنهان (HMM) |
|
| 11 |
مدل مارکوف و مدل مارکوف پنهان (HMM) |
|
| 12 |
مقدمه‌ای بر یادگیری تقویتی |
|
| 13 |
روش‌های کلاسیک یادگیری تقویتی (Q-Learning و SARSA) |
|
| 14 |
روش‌های کلاسیک یادگیری تقویتی (Q-Learning و SARSA) |
|
| 15 |
مقدمه‌ای بر یادگیری ماشین (مفاهیم پایه و تعاریف) |
|
| 16 |
آزمون میان ترم |
|
| 17 |
یادگیری با نظارت (الگوریتم‌های نظارت‌شده) |
|
| 18 |
سمینار دانشجویان |
|
| 19 |
سمینار دانشجویان |
|
| 20 |
سمینار دانشجویان |
|
| 21 |
یادگیری بدون نظارت (الگوریتم‌های بدون نظارت) |
|
| 22 |
یادگیری بدون نظارت (الگوریتم‌های بدون نظارت) |
|
| 23 |
یادگیری با نظارت (الگوریتم‌های نظارت‌شده) |
|
| 24 |
کاهش بعد |
|