یادگیری ماشین
محمود امینطوسی، پاییز ۱۴۰۵
گروه علوم کامپیوتر، دانشگاه فردوسی مشهد
الزامی، ۴ واحد — کارشناسی ارشد علوم کامپیوتر، گرایش محاسبات نرم و هوش مصنوعی.

دربارهٔ این درس¶
این درس تصویری یکپارچه از مبانی یادگیری ماشین، ارزیابی فرضیه و مدل و بهکارگیری روشها روی مسئلههای با پیچیدگی متوسط میدهد. برای دانشجویان تازهوارد کارشناسی ارشد با پیشینهٔ کارشناسی متنوع طراحی شده است: از مفهومهای مشترک و ارزیابی استاندارد آغاز میکنیم، بعد از مدلهای ساده به مدلهای پیشرفتهتر میرویم، با ریاضیاتی که برای بهکارگیری دقیق روشهای کلاسیک لازم است.
الگووارههای یادگیری: یادگیری با نظارت، بینظارت و نیمهنظارتی.
وظیفهها: دستهبندی، رگرسیون، خوشهبندی و رتبهبندی.
درونمایهها: بیشبرازش و کمبرازش، مبادلهٔ بایاس–واریانس، نفرین ابعاد، و مقایسهٔ اصولیِ
مدلها.
موضوعها تقریباً چنین پیش میروند: مدلهای محلی (kNN) و k-means دادههای با ابعاد بالا و کاهش بُعد (PCA، LDA) مدلهای خطی و روشهای گرادیانی شبکههای عصبی (MLP، پسانتشار) روشهای هسته یادگیری بیزی و نظریهٔ تصمیم مخلوطهای گاوسی و EM مدلهای پنهان مارکوف (رو به جلو، ویتربی) سمینارهای دانشجویی دربارهٔ درختها، مجموعهها، رتبهبندی و نظریهٔ یادگیری موضوعهای پیشرفته و یک پروژه.
نسخهٔ بهار ۲۰۲۵ این کتاب با برچسب
2025-spring در دسترس است.
نتایج یادگیری¶
در پایان درس باید بتوانید:
الگووارههای یادگیری و گونههای مسئله (دستهبندی، رگرسیون، خوشهبندی، رتبهبندی) را تحلیل کنید؛
بیشبرازش، کمبرازش، بایاس–واریانس و نفرین ابعاد را توضیح دهید و به گزینش مدل ربط دهید؛
kNN، k-means، مدلهای خطی و روشهای گرادیانی، MLP و پسانتشار، PCA/LDA، روشهای هسته، MLE / نایو بیز / یادگیری بیزی، و EM / مخلوطهای گاوسی را بفهمید و پیاده کنید؛
فرضیهها و مدلها را با معیارهای استاندارد ارزیابی کنید و نتیجه را تفسیر کنید؛
مقالهای علمی مرتبط را بخوانید، تحلیل کنید و ارائه دهید؛
برای یک مسئلهٔ واقعی: داده را آماده کنید، روشها را برگزینید و پیاده کنید، مقایسه کنید و گزارشی کوتاه و علمی بنویسید.
پیشنیازها¶
برنامهنویسی پایتون و حل مسئله
احتمال و آمار
جبرخطی
ریاضیات لازم برای یادگیری ماشین (مشتق، بهینهسازی مقدماتی)
مرور مقدماتی بخشی از این مطالب در درس گنجانده شده است. لازم نیست پیشتر درس کاملی در یادگیری ماشین گذرانده باشید، ولی آشنایی پایه با واژگان کمک میکند.
کار دانشجو¶
خواندن پیش از کلاس، بحث کلاسی، تمرینهای نظری و عملی، پیادهسازی الگوریتمها (پایتون / scikit-learn، و در صورت نیاز از صفر)، سمینارهای دانشجویی (بایاس–واریانس؛ درختهای تصمیم و هرس؛ مجموعهها؛ یادگیری رتبهبندی؛ نظریهٔ یادگیری و بُعد VC؛ یادگیری نیمهنظارتی)، و یک پروژهٔ کاربردی (آمادهسازی داده، مقایسهٔ چند مدل، ارزیابی و گزارش).
سیاست ابزارهای هوش مصنوعی¶
ابزارهای هوش مصنوعی مجازند، ولی جانشین فهم خودتان نیستند. میتوانید از آنها برای یادگیری مفهومها، اشکالزدایی کد، بارش فکری، بازبینی کد و بهبود نگارش بهره ببرید. نمیتوانید محتوای تولیدشده با هوش مصنوعی را بدون بازبینی و فهم آن، کار مستقل خود معرفی کنید. مسئولیت دقت علمی، کد، نتیجهها و منابع با شماست؛ در کارهای ارزیابیشونده ممکن است از شما خواسته شود فرایند و تصمیمهای فنیتان را توضیح دهید.
ارزشیابی¶
کوییزهای طول ترم و آزمون پایان ترم · تمرینها · پروژه · ارائهها/سمینارهای دانشجویی · مشارکت فعال در کلاس.
روش تدریس¶
یادداشتهای درس و نوتبوکهای Jupyter در همین کتاب (GitHub)، برنامهنویسی با پایتون و scikit-learn؛ تدریس در کلاس و رفع اشکال همراه با بحث، پرسش و پاسخ، مثالهای حلشده و ارائههای دانشجویان. تدریس حضوری است، با بهرهگیری از سامانهٔ VU در صورت نیاز.
پرسشی دارید؟¶
ساعات پاسخگویی: یکشنبه ۸:۰۰–۹:۳۰، یا پیام در بله با @mamintoosi، یا پس از کلاس، یا
رزرو نوبت.
کتابهای درسی¶
M. J. Zaki and W. Meira Jr., Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Cambridge University Press, 2020.
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd ed. John Wiley & Sons, 2001.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. Springer, 2009.
C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
K. P. Murphy, Probabilistic Machine Learning, An Introduction. MIT Press, 2022.
S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2nd ed. Academic Press, 2020.
J. VanderPlas, Python Data Science Handbook. O’Reilly Media, 2016. Jupyter notebooks on GitHub
مقالههای مرتبط¶
افزون بر کتابهای درسی، مقالههای پژوهشی و مروری برگزیده به کار میروند — دربارهٔ بایاس–واریانس و پیچیدگی مدل، نفرین ابعاد، کاهش بُعد (PCA/LDA)، روشهای هسته، یادگیری رتبهبندی، و نظریهٔ محاسباتی یادگیری (از جمله بُعد VC). برای جلسههای سمینار، فهرست خواندنی کوتاهی داده میشود.
بخشی از مطالب آغازین از درس باز یادگیری ماشین نوشتهٔ Joaquin Vanschoren و دیگران اقتباس شده است. فصلهای بعدی نوتبوکهای درسهای مرتبط گروه فردوسی را بازاستفاده و اقتباس میکنند؛ از نویسندگان اصلی سپاسگزاریم.