یادگیری ماشین
| مدرس: دکتر مریم رمضانی | پیش‌نیاز: ریاضیات هوش مصنوعی و علم داده |
| ترم: پاییز ۱۴۰۵ | محل برگزاری: کلاس مجازی |
| زمان ارائه: سه‌شنبه ۱۵:۳۰ تا ۱۷:۰۰ | مشاهده: دریافت لایسنس |
معرفی درس
یادگیری ماشین؛ از مبانی الگوریتم‌ها تا حل مسائل واقعی
یادگیری ماشین یکی از فناوری‌های اصلی هوش مصنوعی است که امکان استخراج الگو از داده‌ها و ساخت مدل‌هایی را فراهم می‌کند که می‌توانند پیش‌بینی کنند، داده‌ها را دسته‌بندی کنند یا ساختارهای پنهان در آن‌ها را شناسایی کنند. این روش‌ها امروزه در حوزه‌های متنوعی از صنعت و کسب‌وکار تا پژوهش‌های علمی کاربرد دارند.
درس یادگیری ماشین با هدف آشنایی نظام‌مند با روشهای اصلی این حوزه و به‌کارگیری آن‌ها برای حل مسائل واقعی طراحی شده است. در این درس، با دو رویکرد اصلی یادگیری ماشین، یعنی یادگیری باناظر (Supervised Learning) و یادگیری بدون‌ناظر (Unsupervised Learning)، آشنا می‌شوید و روش‌هایی مانند رگرسیون، دسته‌بندی، یادگیری جمعی، کاهش ابعاد و خوشه‌بندی را فرا می‌گیرید.
در کنار شناخت الگوریتم‌ها، بخش مهمی از درس به چگونگی استفاده صحیح از مدل‌ها اختصاص دارد. انتخاب مدل مناسب، تنظیم پارامترها، ارزیابی عملکرد، کنترل بیش‌برازش و بررسی توانایی تعمیم مدل به داده‌های جدید، از جمله موضوعاتی هستند که در این درس بررسی می‌شوند. همچنین، با رویکرد داده‌محور (Data-Centric) آشنا می‌شوید؛ رویکردی که به‌جای تمرکز صرف بر تغییر الگوریتم، کیفیت، آماده‌سازی و ویژگی‌های داده‌ها را نیز در بهبود عملکرد مدل مؤثر می‌داند.
وجه کاربردی درس، پیاده‌سازی مدل‌های مختلف در پایتون و استفاده از کتابخانه‌های یادگیری ماشین برای حل مسائل عملی است. در بخش پایانی نیز با بررسی چند مسئله کاربردی و طراحی خط‌لوله حل مسئله (Pipeline)، فرصت خواهید داشت مراحل مختلف یک راهکار یادگیری ماشین را در کنار یکدیگر به کار بگیرید.
در پایان این درس چه توانایی‌هایی کسب می‌کنید؟
- شناخت و انتخاب روشهای مناسب یادگیری باناظر و بدون‌ناظر متناسب با نوع مسئله و داده
- ساخت مدل‌های رگرسیون و دسته‌بندی برای پیش‌بینی و تصمیم‌گیری
- استفاده از روشهای یادگیری جمعی مانند جنگل تصادفی (Random Forest) و روشهای مبتنی بر تقویت (Boosting)
- به‌کارگیری روشهای کاهش ابعاد مانند PCA و SVD و الگوریتم‌های خوشه‌بندی
- ارزیابی عملکرد مدل‌ها با معیارهای مناسب برای مسائل رگرسیون و دسته‌بندی
- تشخیص و کنترل بیش‌برازش و استفاده از روشهای اعتبارسنجی و انتخاب مدل
- آشنایی با تنظیم مدل‌ها و رویکرد داده‌محور برای بهبود عملکرد
- پیاده‌سازی الگوریتم‌های یادگیری ماشین در پایتون و طراحی خط‌لوله برای حل مسائل عملی
این درس برای دانشجویان، دانش‌آموختگان، پژوهشگران و متخصصانی مناسب است که می‌خواهند مبانی یادگیری ماشین را به‌صورت منظم فرا بگیرند و توانایی خود را در استفاده از این روش‌ها برای تحلیل داده و حل مسائل کاربردی توسعه دهند. آموخته‌های این درس می‌تواند زمینه‌ای برای مطالعه پیشرفته‌تر هوش مصنوعی و یادگیری عمیق و نیز مشارکت در پروژه‌های داده‌محور در حوزه‌های علمی، صنعتی و کسب‌وکار فراهم کند.
پیش‌نیاز
برای بهره‌گیری بهتر از این درس، آشنایی مقدماتی با برنامه‌نویسی پایتون و مفاهیم پایه ریاضی، جبر خطی، آمار و احتمال توصیه می‌شود. تجربه کار با داده‌ها و کتابخانه‌های پایتون نیز می‌تواند به پیاده‌سازی و درک بهتر الگوریتم‌ها کمک کند.
سرفصل‌ها
- مقدمه‌ای بر یادگیری ماشین (۱ جلسه)
- رگرسیون (۴ جلسه)
- رگرسیون خطی
- روش بهینه‌سازی کاهش در راستای گرادیان (gradient descent)
- رگرسیون غیر خطی
- منظم‌سازی (regularization)
- بیش‌برازش (overfitting)
- اعتبارسنجی (validation) و انتخاب مدل (model selection)
- دسته‌بندی (۴ جلسه)
- درخت تصمیم
- ماشین بردار پشتیان (SVM)
- دسته‌بندی احتمالاتی: Naïve Bayes و Logistic regression
- روشهای یادگیری مبتنی بر نمونه (Instance-based) نظیر kNN
- معیارهای ارزیابی کارایی دسته‌بندی و رگرسیون (۱ جلسه)
- یادگیری جمعی (۲ جلسه)
- رویکرد bagging: روش Random Forest
- رویکرد boosting: روشهای boosted trees نظیر xgBoost
- کاهش ابعاد (۲ جلسه)
- روش PCA
- روش SVD
- خوشه‌بندی (۲ جلسه)
- روش K-means
- خوشه‌بندی سلسله‌مراتبی
- ارزیابی خوشه‌بندی
- تکنیک‌های عملی حل مساله (۲ جلسه)
- طرح چند مساله کاربردی و ارائه پایپلاین حل مساله
ارزیابی
- آزمونک: ۲۰٪
- تمرین: ۴۰٪
- پایان‌ترم: ۴۰٪
- امتحان‌های کوتاه: ۱۰٪
منابع
- C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
- A. Ng. Machine Learning Yearning. 2018.
- T. Mitchell. Machine Learning. MIT Press, 1998.
- K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.