فیلم های آموزشی هوش مصنوعی (فارسی) دکتر مهدیه سلیمانی 25 قسمت، کیفیت خوب، همه با حجم 5.3GB
لیست وسرفصل های 25 جلسه:
✅جلسه اول - مقدمه، سرفصل مطالب و تاریخچه
✅جلسه دوم - آشنایی با عامل های هوشمند و خواص محیط
✅جلسه سوم - ادامه بحث عامل های هوشمند، شروع بحث حل مساله با جستجو (search)
جلسه چهارم - روش های جستجوی ناآگاهانه (uninformed)
✅جلسه پنجم - ادامه روش های جستجوی ناآگاهانه (uninformded) و معرفی اولیه A*
✅جلسه ششم - الگوریتم *A، اثبات بهینگی و خواص تابع اکتشافی (heuristic function)
✅جلسه هفتم - طراحی تابع اکتشافی و شروع بحث جستجوی محلی (local search)
جلسه هشتم - روشهای جستجوی محلی (local search)
✅جلسه نهم - جستجو در محیط های نيمه مشاهدهپذير (partially observable) و و غير قطعی (non-deterministic)
✅جلسه دهم - جستجوی برخط (online search)
✅جلسه یازدهم - - جستجوی در مقابل حریف (adversarial search)
✅جلسه دوازدهم - ادامه بحث جستجوی در مقابل حریف، شروع بحث معرفی مسایل ارضا محدودیت (csp)
✅جلسه سیزدهم - حل مسایل ارضای محدودیت (csp) (1)
✅جلسه چهاردهم - حل مسایل ارضای محدودیت (csp) (2)
✅جلسه پانزدهم - نکاتی در حل مسایل ارضای محدودیت (csp) و شروع بحث عاملهای منطقی و منطق گزارهای
✅جلسه شانزدهم - استنتاج در منطق گزارهای
✅جلسه هفدهم - عامل منطقی و منطق مرتبه اول
✅جلسه هجدهم - منطق مرتبه اول و استنتاج در منطق مرتبه اول
✅جلسه نوزدهم - استنتاج در منطق مرتبه اول
✅جلسه بیستم - برنامه ریزی
✅جلسه بیست و یکم - گراف برنامه ریزی
✅جلسه بیست ودوم - برنامه ریزSAT Plan و pop
✅جلسه بیست و سوم - نمایش دانش احتمالی و استنتاج در دانش احتمالی
✅جلسه بیست و چهارم
✅جلسه بیست و پنجم - تصمیم گیری در محیط های غیر قطعی(یادگیری تقویتی)
#ویدئو #فیلم #هوش_مصنوعی #هوش_مصنوعی #عامل_هوشمند #جستجو_مکاشفه_ای #جستجو_محلی #عامل_منطقی #یادگیری_تقویتی
#Video #Artificial_Intelligence #ArtificialIntelligence #AI #Intelligen_Agent #Heuristics #local_Search #ConstraintSatisfactionProblems #CSP #logicalAgent #ReinforcementLearning #Reinforcement_Learning
@Engineer_Computer
لیست وسرفصل های 25 جلسه:
✅جلسه اول - مقدمه، سرفصل مطالب و تاریخچه
✅جلسه دوم - آشنایی با عامل های هوشمند و خواص محیط
✅جلسه سوم - ادامه بحث عامل های هوشمند، شروع بحث حل مساله با جستجو (search)
جلسه چهارم - روش های جستجوی ناآگاهانه (uninformed)
✅جلسه پنجم - ادامه روش های جستجوی ناآگاهانه (uninformded) و معرفی اولیه A*
✅جلسه ششم - الگوریتم *A، اثبات بهینگی و خواص تابع اکتشافی (heuristic function)
✅جلسه هفتم - طراحی تابع اکتشافی و شروع بحث جستجوی محلی (local search)
جلسه هشتم - روشهای جستجوی محلی (local search)
✅جلسه نهم - جستجو در محیط های نيمه مشاهدهپذير (partially observable) و و غير قطعی (non-deterministic)
✅جلسه دهم - جستجوی برخط (online search)
✅جلسه یازدهم - - جستجوی در مقابل حریف (adversarial search)
✅جلسه دوازدهم - ادامه بحث جستجوی در مقابل حریف، شروع بحث معرفی مسایل ارضا محدودیت (csp)
✅جلسه سیزدهم - حل مسایل ارضای محدودیت (csp) (1)
✅جلسه چهاردهم - حل مسایل ارضای محدودیت (csp) (2)
✅جلسه پانزدهم - نکاتی در حل مسایل ارضای محدودیت (csp) و شروع بحث عاملهای منطقی و منطق گزارهای
✅جلسه شانزدهم - استنتاج در منطق گزارهای
✅جلسه هفدهم - عامل منطقی و منطق مرتبه اول
✅جلسه هجدهم - منطق مرتبه اول و استنتاج در منطق مرتبه اول
✅جلسه نوزدهم - استنتاج در منطق مرتبه اول
✅جلسه بیستم - برنامه ریزی
✅جلسه بیست و یکم - گراف برنامه ریزی
✅جلسه بیست ودوم - برنامه ریزSAT Plan و pop
✅جلسه بیست و سوم - نمایش دانش احتمالی و استنتاج در دانش احتمالی
✅جلسه بیست و چهارم
✅جلسه بیست و پنجم - تصمیم گیری در محیط های غیر قطعی(یادگیری تقویتی)
#ویدئو #فیلم #هوش_مصنوعی #هوش_مصنوعی #عامل_هوشمند #جستجو_مکاشفه_ای #جستجو_محلی #عامل_منطقی #یادگیری_تقویتی
#Video #Artificial_Intelligence #ArtificialIntelligence #AI #Intelligen_Agent #Heuristics #local_Search #ConstraintSatisfactionProblems #CSP #logicalAgent #ReinforcementLearning #Reinforcement_Learning
@Engineer_Computer
2007_Usage_Based_Web_Recommendations_A_Reinforcement_Learning_Approach.pdf
423.9 KB
2007 Usage-Based Web Recommendations A Reinforcement Learning Approach
#UsageBased #Web #Usage #ReinforcementLearning
#Usage_Based #Reinforcement_Learning #Reinforcement
@Recommender_Systems
کانال آموزش کامپیوتر
@Engineer_Computer
#UsageBased #Web #Usage #ReinforcementLearning
#Usage_Based #Reinforcement_Learning #Reinforcement
@Recommender_Systems
کانال آموزش کامپیوتر
@Engineer_Computer
لیستی از دورههای رایگان و با کیفیت حوزههای مختلف #علم_داده در موضوعات زیر
Machine Learning
Deep Learning
NLP
Computer Vision
Reinforcement Learning
Graph ML
The latest machine learning courses on YouTube:
https://github.com/dair-ai/ML-YouTube-Courses
#MachineLearning #ML #Machine_Learning #NLP #ComputerVision #Vision
#DeepLearning #DL #Deep_Learning #ReinforcementLearning #Reinforcement_Learning #RL
@Engineer_Computer
Machine Learning
Deep Learning
NLP
Computer Vision
Reinforcement Learning
Graph ML
The latest machine learning courses on YouTube:
https://github.com/dair-ai/ML-YouTube-Courses
#MachineLearning #ML #Machine_Learning #NLP #ComputerVision #Vision
#DeepLearning #DL #Deep_Learning #ReinforcementLearning #Reinforcement_Learning #RL
@Engineer_Computer
GitHub
GitHub - dair-ai/ML-YouTube-Courses: 📺 Discover the latest machine learning / AI courses on YouTube.
📺 Discover the latest machine learning / AI courses on YouTube. - dair-ai/ML-YouTube-Courses
#Reinforcement_Learning for #Automonous_Resilient #Cyber_Defence
سازمان #GCHQ و #MOD و #DARPA پارتنرشیپ تحقیقاتی در خصوص یک اکوسیستمی با نام #ARCD شدند تا فرایند های دفاع سایبری رو بواسطه Machine Learning بتونن اتوماسیون کنند و کیفیت دفاع رو بالا ببرند.
تمرکز این تحقیقات بر روی بالا بردن سرعت پاسخ و فرایند های بازیابی بوده که مبتنی بر چهارچوب NIST آمریکا شکل گرفته است.
ایجاد یک واکنش پاسخ به حادثه در لحظه، بواسطه ACO موجبات آموزش دیدن هر چه بیشتر هوش مصنوعی خواهد شد، که با ظرفیت های الگوریتمی که هوش مصنوعی داره، فرایند یادگیری اتفاق خواهد افتاد.
الگوریتم هایی مانند PPO - DQN - DDQN - GA - GNN - MARL که بر روی شبیه سازی هایی با نام PrimAITE - Yawing Titan - Cyborg عملیاتی شده است.
این یادگیری در ابعاد نظامی و تکنولوژی های عملیاتی آن نیز پیاده سازی شده است که میتواند موجبات دفع حملاتی که مبتنی بر فضای سایبر رخ میدهد، شود.
https://i.blackhat.com/BH-US-24/Presentations/US24-MilesFarmer-ReinforcementLearningForAutonomousResilientCyberDefence-Thursday.pdf
@Engineer_Computer
سازمان #GCHQ و #MOD و #DARPA پارتنرشیپ تحقیقاتی در خصوص یک اکوسیستمی با نام #ARCD شدند تا فرایند های دفاع سایبری رو بواسطه Machine Learning بتونن اتوماسیون کنند و کیفیت دفاع رو بالا ببرند.
تمرکز این تحقیقات بر روی بالا بردن سرعت پاسخ و فرایند های بازیابی بوده که مبتنی بر چهارچوب NIST آمریکا شکل گرفته است.
ایجاد یک واکنش پاسخ به حادثه در لحظه، بواسطه ACO موجبات آموزش دیدن هر چه بیشتر هوش مصنوعی خواهد شد، که با ظرفیت های الگوریتمی که هوش مصنوعی داره، فرایند یادگیری اتفاق خواهد افتاد.
الگوریتم هایی مانند PPO - DQN - DDQN - GA - GNN - MARL که بر روی شبیه سازی هایی با نام PrimAITE - Yawing Titan - Cyborg عملیاتی شده است.
این یادگیری در ابعاد نظامی و تکنولوژی های عملیاتی آن نیز پیاده سازی شده است که میتواند موجبات دفع حملاتی که مبتنی بر فضای سایبر رخ میدهد، شود.
https://i.blackhat.com/BH-US-24/Presentations/US24-MilesFarmer-ReinforcementLearningForAutonomousResilientCyberDefence-Thursday.pdf
@Engineer_Computer