| 1 |
جایگاه درس در برنامه درسی دوره |
این درس از دروس تخصصی انتخابی ارشد علوم داده است.
یادگیری آماری یکی از ارکان اصلی هوش مصنوعی و علم داده است که امکان ساخت سیستمهای هوشمند مبتنی بر داده را فراهم میآورد. این درس پایهای نظری و عملی برای درک و طراحی الگوریتمهای یادگیری در مسائل واقعی است. |
| 2 |
هدف کلی |
ارائه چارچوبهای نظری محکم (به ویژه بر مبنای نظریه تصمیم بیزی و تخمین پارامتر) و روشهای عملی برای طراحی و ارزیابی سیستمهای تشخیص الگو و پیشبینی. |
| 3 |
شایستگی های پایه |
آشنایی با مفاهیم پایه احتمالات و آمار، جبر خطی، و برنامهنویسی پایتون. تسلط بر این مبانی برای درک عمیق الگوریتمها ضروری است. |
| 4 |
اهداف یادگیری |
دانشجو پس از پایان این درس باید بتواند:
• اصول نظریه تصمیمگیری بیزی و کاربرد آن در طبقهبندی را توضیح دهد.
• مدلهای پارامتری (نرمال، مخلوط گاوسی) و ناپارامتری را بهکار گیرد.
• مدلهای خطی و غیرخطی (با استفاده از ترفند کرنل) را برای رگرسیون و طبقهبندی پیادهسازی کند.
• مدلهای متوالی (مارکوف پنهان) را درک و برای دادههای سریزمانی بهکار برد.
• روشهای ارزیابی و انتخاب مدل را بر اساس داده اجرا کند. |
| 5 |
روش تدریس |
برگزاری جلسات درس به صورت حضوری، همزمان با نمایش کار عملی
پاسخ به سوالات و بررسی برنامه ها در کلاس |
| 6 |
وظایف دانشجو |
• مطالعه عمیق مباحث تئوری ارائهشده در کلاس و مرجع اصلی.
• حل مسئلههای تمرینی جهت تعمیق درک مفاهیم.
• انجام یک پروژه عملی مرحلهای که شامل پیادهسازی، آزمایش و مقایسه چندین الگوریتم یادگیری ماشین بر روی یک مجموعه داده واقعی باشد.
• مشارکت فعال در جلسات بحث و پرسشوپاسخ. |
| 7 |
منبع |
1- Pattern Classification (Second Edition), Richard O. Duda, Peter E. Hart, David G. Stork, John Wiley & Sons, 2001.
2. The Elements of Statistical Learning, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009. |
| 8 |
مواد و امکانات آموزشی |
کلاس دارای ویدئو پروژکتور و کامپیوتر متصل به اینترنت |
| 9 |
نحوه ارزشیابی |
تمرینهای متعدد عملی، آزمونهای کلاسی، ارائه دانشجویان و آزمون پایان ترم |