فرادرسمعرفی منابع آموزش ویدئویی هوش مصنوعی به زبان فارسی و انگلیسی
هوش مصنوعی یکی از موضوعات جذابی است که هم در فضای دانشگاهی و هم در صنعت بسیار مطرح شده و در سال‌های اخیر توجهات زیادی را به خود جلب کرده است. اگرچه مبحث ساخت عامل‌های هوشمند و رایانه‌های مکانیکی که انسان‌گونه فکر و عمل کنند ریشه در آثار اسطوره‌ای و تخیلی تاریخی دارد، ولیکن به جرات می‌توان گفت این علم در حال حاضر در دوران اوج خود قرار گرفته است.
پرداختن به هوش مصنوعی، نه فقط از جهت جذابیت تولید ربات‌های انسان‌نما، که به دلیل مزایای متعددی که می‌تواند برای بشر و ساخت جهان آرمانی آینده داشته باشد در راس کار بسیاری از دانشگاه‌های برتر و شرکت‌های مطرح فناوری اطلاعات جهان قرار گرفته است. از جمله مزایای این علم می‌توان به حفظ حیات وحش، خدمات‌دهی بهتر به توان‌خواهان و افراد دچار معلولیت، ارائه خدمات امدادی بهینه در هنگام خطرات و بلایای طبیعی و بهینه‌سازی مصرف انرژی و آب اشاره کرد.
یادگیری این علم به لطف محتواهای آموزشی متعددی که توسط اساتید مطرح این حوزه ارائه شده به شیوه‌های گوناگون (کتب، مقالات، ویدئوهای آموزشی) امکان‌پذیر است. اغلب منابع آموزشی هوش مصنوعی شامل بخش‌های تئوری و عملی هستند. در بخش تئوری این آموزشها معمولا به مقدمه، تاریخچه، مفاهیم، رویکردها و الگوریتم‌ها پرداخته شده و سپس در بخش عملی با استفاده از ابزارهای موجود شامل زبان‌های برنامه‌نویسی و نرم‌افزارهای کاربردی تخصصی، چگونگی پیاده‌سازی و ساخت یک سیستم مبتنی بر هوش‌مصنوعی مورد بررسی قرار می‌گیرد.
در این مطلب برخی از بهترین دوره‌های آموزشی ویدئویی هوش مصنوعی که به زبان ساده، و به طور کامل و جامع به این مبحث پرداخته‌اند معرفی شده که به علاقمندان این علم کمک شایان توجهی جهت فراگیری آن می‌کند. همچنین، افرادی که دانش ابتدایی از این حوزه دارند و به‌دنبال ارتقا سطح علمی و عملیاتی خود هستند نیز می‌توانند از این آموزشها استفاده کنند.
کورسرا (Coursera)، یودمی (Udemy)، یوداسیتی (Udacity) و ادکس (edX) برخی از بهترین منابع آموزشی زبان انگلیسی هوش مصنوعی و فرادرس یکی از منابع غنی آموزش‌های این زمینه به زبان فارسی است. در ادامه به دوره‌های ارائه شده توسط هر یک از این دانشگاه‌های آنلاین می‌پردازیم.
دوره‌های هوش مصنوعی یودمی
دوره‌های آموزشی ارائه شده در این وب‌سایت دارای سه سطح مقدماتی، متوسطه و پیشرفته (دارای جنبه‌های تخصصی و فنی برجسته) هستند.
لذا محتوای آموزشی یودمی در ادامه در دو بخش «مبتدی» جهت افراد غیر متخصص و «تخصصی» ویژه دانشجویان دارای توانایی برنامه‌نویسی، معرفی شده است.
Salesforce Einstein Discovery: Easy AI and Machine Learning | مبتدی
در این دوره که تاکنون بیش از ۱۱۰۰ دانشجو داشته، به مباحث هوش مصنوعی، علوم داده و کشف داده پرداخته شده است. با مشاهده مجموعه آموزشی یاد شده و انجام تمرینات لازم، دانشجو می‌آموزد که چگونه از ابزار هوش مصنوعی Einstein Discovery برای خودکارسازی فرآیندها و تصمیم‌سازی استفاده کند. پیش‌نیازهای دوره داشتن دسترسی به رایانه، اینترنت و علاقمندی به مباحث یادگیری ماشین و هوش مصنوعی است. این دوره ۲۶ ویدئو آموزشی با مدت زمان کل ۱:۵۲:۳۶ را شامل می‌شود.
مبتدی | Artificial Intelligence Video Creation: Amazing Video Tools
این دوره به زبان انگلیسی تاکنون بالغ بر ۲۱۵۰۰ دانشجو داشته است. نکته جالب توجه درباره دوره آن است که هیچ پیش‌نیازی لازم ندارد. دانشجو در طی این دوره با یادگیری ابزار ساخت ویدئو Learn Biteable، می‌آموزد که چگونه از هوش مصنوعی برای ساخت ویدئو استفاده کند.
همچنین، در ادامه دوره، ابزار Lumen5 برای تبدیل سریع مقاله به ویدئو آموزش داده می‌شود. کل زمان لازم برای مشاهده آن ۰۰:۵۳:۳۸ است که شامل ۷ ویدئو کوتاه می‌شود.
تخصصی | Deep Learning A-Z: Hands-On Artificial Neural Networks
در این دوره روش ساخت الگوریتم‌های یادگیری عمیق در زبان برنامه‌نویسی پایتون توسط دو متخصص یادگیری ماشین و علوم داده آموزش داده می‌شود. گفتنی است که دانشجو در طول آموزش مفاهیم شبکه عصبی مصنوعی، شبکه عصبی پیچشی، شبکه عصبی بازگشتی، نقشه‌های خود سازمان‌دهنده، ماشین بولتزمن و شبکه عصبی خودرمزگذار را به صورت تئوری و عملی می‌آموزد. این دوره که تاکنون ۹۷۰۰۰ دانشجو داشته به زبان‌های انگلیسی، ایتالیایی، ژاپنی، پرتغالی، ترکیه‌ای و اسپانیایی موجود است. طول کل آن ۲۳:۱۴:۱۲ است که شامل ۱۷۹ ویدئو آموزشی می‌شود.
تخصصی | Deep Learning Prerequisites: The Numpy Stack in Python
مفاهیم هوش مصنوعی، یادگیری ماشین و یادگیری عمیق و همچنین کتابخانه‌های پایتون Numpy ،Scipy ،Pandas و Matplotlib محتوای اصلی این آمورش هستند. در این دوره که تاکنون بالغ بر ۸۵۰۰۰ دانشجو در آن شرکت کرده‌اند و تنها به زبان انگلیسی موجود است، افراد می‌آموزند که چگونه با استفاده از کتابخانه Numpy برنامه‌نویسی کنند.
همچنین، آموزش استفاده از کتابخانه‌های Numpy، Scipy، Pandas و Matplotlib برای پیاده‌سازی الگوریتم‌های عددی داده می‌شود. دانشجو نیاز دارد پیش از آغاز این دوره با توزیع‌های گاوسی، جبر خطی، اصول کد زدن در پایتون و برخی مفاهیم ریاضی مانند ماتریس وارون، ضرب داخلی ماتریس‌ها و توزیع طبیعی آشنا باشد.
تخصصی | Artificial Intelligence: Reinforcement Learning in Python
در دوره «هوش مصنوعی: یادگیری تقویتی در پایتون»، مفاهیم هوش مصنوعی و یادگیری ماشین، به عنوان مقدمه‌ای بر یادگیری تقویتی ارائه می‌شود. سپس، روش‌های نظارت شده مبتنی بر گرادیان، ارتباط بین روانشناسی و یادگیری تقویتی، مفاهیم عملیاتی یادگیری تقویتی و روش پیاده‌سازی ۱۷ الگوریتم مختلف یادگیری تقویتی ارائه شده است.
طول مدت این دوره آموزشی که تاکنون بیش از ۱۴۵۰۰ دانشجو داشته ۷:۴۹:۴۸ است و دانشجو باید پیش از شروع آن با مفاهیم حساب دیفرانسیل و انتگرال، احتمالات، مدل مارکو، کتابخانه Numby، مفاهیم یادگیری نظارت شده و گرادیان نزولی آشنا و به برنامه‌نویسی پایتون در سطح خوب مسلط باشد.
دوره‌های هوش مصنوعی کورسرا
کورسرا دوره‌های آموزشی متنوعی در زمینه هوش مصنوعی ارائه می‌کند که دانشجو با مشاهده آن‌ها می‌تواند طی چند هفته دانش خوبی در این حوزه کسب کند.
برخی از این دوره‌ها در ادامه معرفی شده‌اند.
Machine Learning
مدرس این دوره «اندرو وو»، یکی از بانفوذترین افراد در حوزه هوش مصنوعی و دانشمند علوم رایانه‌ای است. دوره «یادگیری ماشین» به زبان‌های انگلیسی، فرانسوی، هندی و ژاپنی در دسترس قرار دارد و به‌گونه‌ای تنظیم شده که دانشجو طی یازده هفته بتواند سطح دانش خوبی از مبحث یادگیری ماشین داشته باشد.
رگرسیون خطی تک متغیره و چند متغیره، رگرسیون لوجستیک، جبر خطی، شبکه‌های عصبی، طراحی سیستم یادگیری ماشین، ماشین بردار پشتیبان، یادگیری نظارت نشده، کاهش ابعاد، تشخیص ناهنجاری، سیستم‌های توصیه‌گر و یادگیری ماشین بزرگ مقیاس، برخی از سرفصل‌های ارائه شده در این دوره آموزشی هستند.
Algorithms, Part I & II
مفاهیم ساختمان داده‌ها، طراحی الگوریتم‌ها، انواع الگوریتم‌های جست‌و‌جو و مرتب‌سازی، الگوریتم‌های پردازش رشته و گراف از جمله مباحثی هستند که تسلط بر آن‌ها برای یادگیری هر چه بیشتر و عمیق‌تر هوش مصنوعی و یادگیری ماشین مورد نیاز است.
در این دوره مفاهیم فوق توسط دو استاد حوزه رایانه، کوین وین و رابرت سدویک ارائه شده است. دوره به گونه‌ای برنامه‌ریزی شده که دانشجو طی شش هفته، با تخصیص هر هفته ۶ الی ۱۰ ساعت، به دانش خوبی در حوزه‌های یاد شده دست یابد.
Neural Networks and Deep Learning
در این دوره که توسط اندرو وو، کیان کتان‌فروش و یونس بنسودا تدریس می‌شود، به مفاهیم شبکه‌های عصبی و یادگیری عمیق پرداخته شده است. گرایش‌های فناوری در حوزه یادگیری عمیق، شیوه ساخت شبکه عصبی، آموزش و اعمال شبکه‌های عصبی کاملا متصل و چگونگی پیاده‌سازی شبکه‌های عصبی بردارسازی شده برخی از سرفصل‌های ارائه شده در این آموزش هستند.
این دوره مناسب افراد دارای سطح دانش متوسط در زمینه هوش مصنوعی است و انتظار می‌رود فرد پیش از شروع آن با اصول مقدماتی برنامه‌نویسی پایتون، مفاهیم ساختار داده و برخی مفاهیم جبر خطی مانند عملیات روی ماتریس‌ها آشنا باشد.
Structuring Machine Learning Projects
دانشجو در این دوره می‌آموزد که چگونه یک پروژه موفق یادگیری ماشین را ساخته و هدایت کند. دیدن این آموزش به افرادی توصیه می‌شود که مشتاق آموختن روش مدیریت و تبیین خط مشی برای تیم پروژه هوش مصنوعی هستند.
دانشجوی دوره، پس از دو هفته قادر به درک چگونگی کشف خطا در سیستم‌های یادگیری ماشین، راهکار در اولویت قرار دادن روش‌هایی که احتمال خطا را کاهش می‌دهند، تنظیمات پیچیده یادگیری ماشین مانند مجموعه‌های آموزش/آزمون نامنطبق و مقایسه چگونگی اعمال یادگیری انتها-به-انتها، انتقال یادگیری و یادگیری چند وظیفه‌ای خواهد بود. سطح این دوره مبتدی است و مدرسان آن اندرو وو، کیان کتان‌فروش و یونس بنسودا هستند.
Machine Learning Foundations: A Case Study Approach
دوره «مبانی یادگیری ماشین: رویکرد مطالعه موردی»، به‌گونه‌ای طراحی شده که کلیه مفاهیم یادگیری ماشین را با بهره‌گیری از مثال‌های جهان واقعی و انجام پروژه‌های نمونه آموزش دهد. مدرسان این دوره، امیلی فاکس و کارلوس گاسترین از اساتید هوش مصنوعی آمازون هستند. فراگیری این دوره مستلزم تخصیص شش هفته، و هر هفته، ۵ الی ۸ ساعت زمان است و انتظار می‌رود پس از پایان آن دانشجو با کاربردهای عملی یادگیری ماشین آشنا شده باشد.
از دیگر مفاهیمی که در این دوره آموزش داده می‌شود می‌توان به تفاوت‌های اساسی انواع تحلیل‌های یادگیری ماشین مانند رگرسیون، طبقه‌بندی و خوشه‌بندی، انتخاب وظایف یادگیری ماشین مناسب برای یک کاربرد مشخص، اعمال روش‌های رگرسیون، طبقه‌بندی، خوشه‌بندی، سیستم‌های توصیه‌گیر، بازیابی اطلاعات و یادگیری عمیق، ارائه داده به عنوان ورودی یک مدل یادگیری ماشین، ارزیابی کیفیت مدل و کشف خطا برای هر وظیفه، استفاده از مجموعه داده‌های برچسب‌دار موجود برای برازش مدل و ساخت مدلی که توانایی پیش‌بینی داشته باشد، ساخت یک نرم‌افزار انتها-به-انتها که از یادگیری ماشین بهره می‌برد و پیاده‌سازی روش‌های یادگیری ماشین در پایتون اشاره کرد.
Deep Learning for Business
دوره «یادگیری عمیق برای کسب‌و‌کار»، به زبان‌های انگلیسی و رومانیای موجود است. در این دوره که ویژه افراد مبتدی آماده‌سازی شده، محصولات و خدمات یادگیری عمیق، چگونگی انجام کسب‌و‌کار با بهره‌گیری از هوش مصنوعی و یادگیری عمیق، نرم‌افزارها و سیستم‌های یادگیری عمیق، مبانی شبکه‌های عصبی، یادگیری عمیق با شبکه‌های عصبی بازگشتی و پیچشی و روش انجام پروژه یادگیری عمیق با کتابخانه TensorFlow در پایتون، مورد بررسی قرار گرفته‌اند.
دوره‌های هوش مصنوعی EdX
دوره‌های ارائه شده در این وب‌سایت توسط دانشگاه‌های برتر دنیا تولید شده‌اند و همین امر موجب شده قیمت دوره‌ها نسبت به دیگر وب‌سایت‌ها بالاتر باشد.
در ادامه برخی از این دوره‌ها معرفی شده‌اند.
Artificial Intelligence at Columbia University
در این دوره مفاهیم پایه‌ای و روش‌های پیاده‌سازی الگوریتم‌های هوش مصنوعی مورد بررسی قرار گرفته‌اند. طراحی عامل‌های هوشمند با هدف حل مسائل جهان واقعی شامل جست‌و‌جو، بازی، یادگیری ماشین، منطق و مسائل ارضای محدودیت از جمله سرفصل‌های این دوره آموزشی هستند.
مجموعه آموزشی مذکور توسط دانشگاه کلمبیا ارائه شده، تنها به زبان انگلیسی موجود است و دوازده هفته به طول می‌انجامد. سطح دوره پیشرفته است و دانشجویان نیاز دارند پیش از آغاز آن با مفاهیم جبر خطی (بردارها، ماتریس‌ها و مشتق)، حساب دیفرانسیل و انتگرال، نظرات پایه‌ای احتمال و زبان برنامه‌نویسی پایتون آشنا باشند.
Machine Learning at Columbia University
در این دوره که توسط دانشگاه کلمبیا تولید شده، مباحث مدل‌سازی احتمالاتی و غیر احتمالاتی و یادگیری نظارت شده و نظارت نشده مورد بررسی قرار گرفته‌اند.
طبقه‌بندی و رگرسیون، روش‌های خوشه‌بندی، مدل‌های متوالی، فاکتورگیری ماتریس‌ها، مدل‌سازی موضوع و روش انتخاب مدل، سرفصل‌های اصلی دوره مذکور هستند.
Machine Learning at Georgia Tech
در دوره یادگیری ماشین که توسط موسسه فناوری جورجیا تولید شده روش‌های یادگیری نظارت شده و نظارت نشده آماری، الگوریتم‌های جست‌و‌جوی تصادفی، روش‌های یادگیری بیزی و یادگیری تقویتی مورد بررسی قرار گرفته‌اند. دوره به گونه‌ای برنامه‌ریزی شده که دانشجو پس از گذراندن چهارده هفته و هر هفته ۸ الی ۱۰ ساعت بتواند به دانش خوبی در مباحث یاد شده دست یابد.
دوره‌های هوش مصنوعی یوداسیتی
دوره‌های آموزشی یوداسیتی با تمرکز بر مهارت‌های عملی مورد نیاز شرکت‌ها تولید می‌شوند.
در ادامه، برخی از دوره‌های آموزشی هوش مصنوعی تولید شده توسط دانشگاه‌های همکار این وب‌سایت، معرفی شده‌اند.
Intro to Artificial Intelligence
این دوره شامل مبانی و مفاهیم هوش مصنوعی دارای سطح متوسط و پیش‌نیاز آن نظریه احتمالات و جبر خطی است. محتوا به گونه‌ای طراحی شده که دانشجو به‌طور خودآموز مفاهیم ارائه شده در زمینه هوش مصنوعی را بیاموزد. گفتنی است که ارائه‌دهندگان این دوره پیش‌تر نیز آموزش‌هایی ویژه مبحث هوش مصنوعی و یادگیری ماشین تولید کرده‌اند که با استقبال زیادی مواجه شده بود.
Knowledge-Based AI: Cognitive Systems by Georgia Tech
این آموزش توسط موسسه فناوری جورجیا تولید و به گونه‌ای برنامه‌ریزی شده تا دانش لازم را طی مدت هفت هفته به دانشجو ارائه کند. سرفصل‌های این دوره شامل مقدمه‌ای بر هوش مصنوعی دانش‌محور، استدلال مبتنی بر خرد جمعی، برنامه‌ریزی، یادگیری، استدلال قیاسی، «استدلال فضا-دیداری» (Visuospatial reasoning)، و مباحث فراشناختی مرتبط با موضوع است.
آموزش‌های هوش مصنوعی و یادگیری ماشین فرادرس
بسیاری از افراد تمایل دارند از آموزش‌های تخصصی به زبان فارسی استفاده کنند. فرادرس که از سال ۱۳۸۷ با هدف ایجاد دسترسی آسان، همیشگی و همگانی به دانش دانشگاهی و تخصصی راه‌اندازی شد، غنی‌ترین منبع آموزش‌های تخصصی هوش مصنوعی، یادگیری ماشین و داده‌کاوی به زبان فارسی است. آموزش‌های فرادرس توسط اساتید برتر دانشگاهی و با رویکرد علمی-مهارتی تولید شده‌اند و کیفیت آموزشی بالا مبنای ایجاد هر یک از آن‌ها بوده است. در ادامه برخی از دوره‌های آموزشی هوش مصنوعی و یادگیری ماشین فرادرس معرفی شده‌اند.
آموزش هوش مصنوعی
دوره «آموزش هوش مصنوعی» تاکنون نزدیک به ۲۰۰۰ دانشجو داشته و کل مدت آن ۴:۳۴:۰۰ است. زبان ویدئوها فارسی و تهیه آموزشها با دریافت لینک دانلود یا ارسال فیزیکی امکان‌پذیر است. در این دوره مبانی هوش مصنوعی، مفاهیم عامل هوشمند، انواع جست‌و‌جوها (آگاهاه و ناآگاهانه)، مسائل ارضای محدودیت و بازی‌ها مورد بررسی قرار گرفته‌اند. مدرس این دوره، مهندس محمد صبری، عضو هیات علمی دانشگاه آزاد اسلامی واحد شهر قدس تهران است.
آموزش هوش مصنوعی – تکمیلی
دوره «تکمیلی آموزش هوش مصنوعی» با هدف پر کردن خلا موجود در آموزش‌های زبان فارسی این حوزه، تولید شده. مدت زمان ویدئوها ۱۹:۰۷:۰۰ و مدرس آن مهندس منوچهر بابایی است. لازم به ذکر است که این دوره تاکنون بیش از ۶۵۰ دانشجو داشته. از جمله سرفصل‌های ارائه شده این مجموعه آموزشی می‌توان به مقدمه‌ای بر هوش مصنوعی و مفاهیم عامل‌های هوشمند، جست‌و‌جوی آگاهانه و ناآگاهانه، مسائل ارضای محدودیت، جست‌و‌جوی خصمانه، عامل‌های منطقی، منطق مرتبه اول، استنتاج در منطق مرتبه اول و عدم قطعیت شبکه‌های بیزین اشاره کرد. دانشجو پیش از آغاز این دوره باید با مفاهیم طراحی الگوریتم و ساختمان گسسته (منطق) آشنایی داشته باشد.
آموزش یادگیری ماشین
مدرس این دوره که تاکنون بیش از ۱۱۰۰ دانشجو داشته، دکتر امیرحسین کیهانی‌پور، استاد دانشگاه تهران است. طول مدت ویدئوها ۲۲:۵۴:۰۰، زبان آن فارسی، و قابل دریافت با استفاده از لینک دانلود یا ارسال فیزیکی است. کلیات و مفاهیم پایه در یادگیری ماشین، مرور روش‌های کلاسیک در یادگیری ماشین و یادگیری تقویتی سرفصل‌های اصلی این دوره آموزشی هستند. دانشجو باید پیش از آغاز دوره با مفاهیم آمار و احتمال مقدماتی و جبر خطی آشنایی داشته باشد.
مجموعه آموزش‌های کاربردی شبکه‌های عصبی مصنوعی
مدرس این دوره آموزشی، دکتر اسماعیل آتشپز گرگری، عضو هیات علمی دانشگاه National ایالات متحده آمریکا است. مجموعه فرادرس‌های شبکه عصبی شامل ۸:۴۰:۰۰ ویدئو آموزشی برای مباحث مفاهیم شبکه‌های عصبی، پیش‌بینی سری‌های زمانی با استفاده از شبکه‌های عصبی، طبقه‌بندی و بازشناسی الگو توسط شبکه عصبی، مفاهیم و نکات الگوریتم ژنتیک، الگوریتم ازدحام ذرات PSO و ذرات آن و الگوریتم رقابت استعماری ICA به همراه پیاده‌سازی‌ها و پیشنهادات پژوهشی برای هر یک از این مباحث است.
مجموعه آموزش‌های شبکه‌های عصبی مصنوعی در متلب
این مجموعه آموزشی که تاکنون بیش از ۴۴۰۰ دانشجو داشته، متشکل از هفت فرادرس جامع درباره شبکه‌های عصبی مصنوعی است. بیش از ۲۷ ساعت ویدئو آموزشی با تدریس دکتر سید مصطفی کلامی هریس، عضو هیات علمی فرادرس، در زمینه مفاهیم شبکه‌های عصبی، شبکه‌های عصبی شعاعی پایه (RBF)، ماشین‌های بردار پشتیبان، یادگیری غیر نظارت شده و خوشه‌بندی با الگوریتم k-Means، شبکه‌های عصبی رقابتی و نقشه‌های خودسازمان‌دهنده، تحلیل مولفه اساسی، شبکه‌های عصبی هاپفیلد به همراه آموزش پیاده‌سازی کلیه موارد در متلب سرفصل‌های اصلی این مجموعه آموزشی را تشکیل می‌دهند. این آموزشها به زبان فارسی بوده و به دو روش استفاده از لینک دانلود یا ارسال فیزیکی قابل دریافت هستند.
آموزش یادگیری عمیق
دوره آموزشی یادگیری عمیق با تدریس مهندس سعید محققی تاکنون بیش از ۱۵۰۰ دانشجو داشته است. در این آموزش، مفاهیم یادگیری عمیق، روش‌ها و مدل‌های یادگیری عمیق، جزئیات شبکه‌های عصبی پیچشی و سخت‌افزارها و نرم‌افزارهای مناسب یادگیری عمیق مورد بررسی قرار گرفته‌اند. همچنین استفاده از زبان برنامه‌نویسی پایتون و کتابخانه TensorFlow جهت پیاده‌سازی روش بیان شده، آموزش داده شده است.
پیشنهاد ویژه: گنجینه آموزش‌های محاسبات هوشمند
گنجینه‌های فرادرس در واقع مجموعه‌ای از چندین آموزش مجزا هستند که در یک بسته بزرگ‌تر برای یک مبحث مشخص ارائه می‌شوند. در بحث هوش مصنوعی و یادگیری ماشین، «گنجینه آموزش‌های محاسبات هوشمند» گزینه‌ای بسیار عالی برای دانشجویان، اهالی کسب‌و‌کار و علاقمندان به مباحث مرتبط است. این مجموعه ۶۶ ساعت و ۲۸ دقیقه آموزش در زمینه هوش مصنوعی را در بر می‌گیرد. از جمله آموزش‌های موجود در این گنجینه می‌توان به مجموعه آموزش‌های شبکه‌های عصبی مصنوعی در متلب، مجموعه آموزش‌های سیستم‌های فازی در متلب، مجموعه آموزش‌های کاربردی شبکه‌های عصبی مصنوعی، آموزش شبکه عصبی GMDH به همراه پیاده‌سازی عملی در متلب، آموزش طراحی سیستم‌های فازی عصبی یا ANFIS با استفاده از الگوریتم‌های فراابتکاری و تکاملی، آموزش طبقه‌بندی و بازشناسی الگو با شبکه‌های عصبی LVQ در متلب اشاره کرد.
اگر نوشته بالا برای شما مفید بوده است، مطالعه مطالب زیر نیز به شما پیشنهاد می‌شود:
- هوش مصنوعی چیست؟ - بخش اول: مقدمه، تاریخچه و مبانی - وبلاگ فرادرس
- تأثیر هوش مصنوعی بر روش‌های تصمیم‌گیری
- هوش مصنوعی و ارتباط آن با بانکداری - وبلاگ فرادرس
- یادگیری ماشین و هوش مصنوعی
- معرفی ۱۰ شرکت برتر در حوزه هوش مصنوعی - وبلاگ فرادرس
^^
