Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Student Handout — Machine Learning, Fall 2026

برنامه درس یادگیری ماشین — برگه دانشجو

گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد — محمود امین‌طوسی · پاییز ۱۴۰۵ · ۳ واحد

زمان‌بندی هفتگی: شنبه ۱۰:۰۰–۱۱:۳۰ درس · شنبه ۱۱:۳۰–۱۳ ارائه دانشجویان · چهارشنبه ۰۸:۰۰–۱۰:۰۰ درس اولین جلسه: شنبه ۲۳ آبان ۱۴۰۵ (۱۴ نوامبر ۲۰۲۶) · آخرین جلسه: چهارشنبه ۱۶ دی (۶ ژانویه ۲۰۲۷)

هفتهشنبه — درس ۱۰–۱۱:۳۰چهارشنبه — درس ۸–۱۰شنبه ۱۱:۳۰–۱۳مهلت‌ها
۱۲۳ آبان · اعتبارسنجی خوشه‌بندی۲۷ آبان · k-means در عمل—PT1 منتشر شد · تمرین ۱
۲۳۰ آبان · رگرسیون خطی ۲۴ آذر · MLP و پس‌انتشارس۱ · سوگیری–واریانسPT1: ۴ آذر
۳۷ آذر · طبقه‌بندی با مدل خطی۱۱ آذر · PCA ۱س۲ · درخت تصمیم و هرس—
۴۱۴ آذر · PCA ۲ و LDA۱۸ آذر · نقشه ویژگی و کرنلس۳ · ترکیب مدل‌هاPT2 منتشر: ۱۴ آذر · PT4 منتشر: ۱۸ آذر
۵۲۱ آذر · MLE و Naive Bayes۲۵ آذر · بیزی و ماهالانوبیسس۴ · نظریه یادگیری و VCPT4: ۲۵ آذر
۶۲۸ آذر · GMM و EM۲ دی · EM، BIC، طبقه‌بند مخلوطس۵ · رتبه‌دهی + نیمه‌نظارتیPT2: ۲۸ آذر
۷۵ دی · HMM ۱ (Forward)۹ دی · HMM ۲ (Viterbi)آزاد: دموی پروژهPT6 منتشر: ۵ دی · PT3: ۹ دی · PT7 منتشر: ۹ دی
۸۱۲ دی · جمع‌بندی و مرور۱۶ دی · پروژه و مرور امتحانآزاد: دموی نهاییPT5 و PT6: ۱۲ دی · PT7، PT8 و گزارش نهایی: ۱۶ دی

پروژه — هفت مرحله + یک مرحله مازاد (project/final-project.md)

مهلت‌ها: PT1 چهارشنبه ۴ آذر · PT2 شنبه ۲۸ آذر · PT4 چهارشنبه ۲۵ آذر · PT3 چهارشنبه ۹ دی · PT5 شنبه ۱۲ دی · PT6 شنبه ۱۲ دی · PT7 چهارشنبه ۱۶ دی · PT8 و گزارش نهایی ۱۶ دی.

مقدمات کار در کلاس گفته می‌شود و هر چه نمی‌دانید باید خودتان مطالعه کنید؛ کلاس جای آموزش ابزار نیست. پیش از هر تحویل، چک‌لیست خودارزیابی project/project-clinic-pt1-pt2-fa.md را پر کنید.

سمینار — ۵ جلسه، ۱۰ ارائه

  • هر ارائه ۳۰ دقیقه (۲۲ دقیقه ارائه + ۸ دقیقه پرسش)؛ هر جلسه ۶۰ دقیقه ارائه + ۳۰ دقیقه قاب‌بندی و بحث.

  • طرح موضوع یک هفته قبل در اختیار شماست؛ همه کلاس پیش از جلسه می‌خوانند و یک پرسش می‌نویسند.

  • هر ارائه یک آزمایش عددی روی داده درس (Iris، digits یا داده پروژه) لازم دارد؛ اسلاید بدون عدد پذیرفته نیست. عمق کار در نوتبوک تحویلی است، نه در اسلاید.

  • سهم نمره ۱۰–۱۵٪ با روبریک؛ نمره هر ارائه مستقل ثبت می‌شود.

ارزیابی و مقررات

  • ارزیابی: کوییز و امتحان پایان‌ترم · تمرین‌ها · پروژه هفت‌مرحله‌ای (با یک مرحله مازاد) · سمینار · مشارکت کلاسی.

  • ابزارهای هوش مصنوعی: مجاز، اما مسئولیت صحت علمی‌و توانایی توضیح کار با خودتان است.

  • ارتباط: ساعت اداری یکشنبه ۸:۰۰–۹:۳۰، بله @mamintoosi، یا پس از کلاس.

جزئیات هر جلسه، فهرست حذف اضطراری و نقشه پوشش سرفصل در course-plan-fall-2026.md است.