| 1 |
جایگاه درس در برنامه درسی دوره |
اگرچه از دروس اختیاری دوره است ولی یکی از مهمترین درس های کاربردی حوزه هوش مصنوعی است که دانشجویان با روش های یادگیری ماشین آشنا می شوند. |
| 2 |
هدف کلی |
آشنایی با مفاهیم یادگیری ماشینی، کاهش ابعاد و استخراج ویژگی ها، یادگیری نظارتی، رده بندی، درختهای تصمیم، ماشین بردار پشتیبان، نظریه تصمیم گیری، یادگیری غیر نظارتی، روشهای خوشه بندی داده ها، روش ها و معیارهای ارزیابی مدل، کاربردهای آن در پردازش متن و تصویر |
| 3 |
شایستگی های پایه |
تسلط به جبر خطی و برنامه نویسی پایتون
آشنایی با بهینه سازی |
| 4 |
اهداف یادگیری |
آشنایی با مفاهیم یادگیری ماشین و کاربرد عملی آنها |
| 5 |
روش تدریس |
تدریس حضوری با استفاده از منابع، مطالعه مقالات و حل تمرین با پایتون |
| 6 |
وظایف دانشجو |
حضور مرتب و به موقع در کلاس، شرکت در مباحث درسی و کلاسی،ارائه تمرین ها و سمینار و پروژه های تحویلی و شرکت در آزمون های میان ترم و پایان ترم |
| 7 |
منبع |
1) Machine Learning, Tom M. Mitchel, McGraw Hill, 1977 2) Introduction to Machine Learning, Ethem Alpydin, 3) Pattern Recognition and Machine Learning, Christopher M. Bishop, Springer 2006 4) Kevin Murphy, Machine Learning: Machine Learning: a Probabilistic Perspective, 2012 5) Pattern Classification, Richard O. Duda |
| 8 |
نحوه ارزشیابی |
تمرینات، پروژه، سمینار، امتحان |