Introduction to ML- Fall 1401

2023-06-09 14:34:59 برای هریک از موارد بالا، منابع آموزشی فراوانی در اینترنت موجود است که می‌توانید با انگیزه‌ و وقت کافی، آن‌ها را به صورت خودآموز یادبگیرید. به طور کلی برای انتخاب یک دوره‌ی آموزشی پیشنهاد می‌کنم یکی دو جلسه ابتدایی دوره‌های مختلف را ببینید و بعد خودتان تصمیم بگیرید که با کدام دوره بهتر ارتباط برقرار می‌کنید، فهم بهتری از آن دارید، و صدالبته، به آموخته‌های شما بیشتر و بهتر اضافه می‌کند.
اگر به زبان انگلیسی مسلط هستید می‌توانید از دوره‌های درسی سایت‌هایی نظیر Coursera ، edX ، DeepLearning.ai و fast.ai استفاده کنید. دوره‌های عمومی YouTube را پیشنهاد نمی‌کنم مگر آن‌که یک استاد برجسته از یک دانشگاه معتبر را انتخاب کنید، چون بسیاری از دوره‌های موجود در YouTube سطحی یا شامل ایرادهای متعددی است. مثلا برای درس جبرخطی، دوره‌ی Gilbert Strang استاد سابق دانشگاه MIT واقعا لذت‌بخش است. اگر برای اتصال به سایت‌های خارجی مشکل دارید، این دوره در سایت مکتب‌خونه هم قابل دسترس است. 

اگر ترجیح شما فارسی است، علاوه بر دوره‌های آموزشی غیررایگانی که در سایت‌هایی نظیر مکتب‌خونه (مکتب‌پلاس)، کوئرا (کوئراکالج) یا فرادرس وجود دارد، دوره‌های رایگان متعدد و بعضا باکیفیتی وجود دارد، مثلا برای آمار و احتمال، داده‌ساختارها و الگوریتم‌ها، طراحی و تحلیل الگوریتم‌ها و یادگیری ماشین می‌توانید دوره‌های رایگان من یا سایر همکارانم در دانشگاه صنعتی شریف را در مکتب‌خونه ببینید. 

اگر برای یادگیری شنا به دیدن ویدئوهای آموزشی اکتفا کنید مطمئن باشید غرق می‌شوید. برای یادگیری ریاضیات، برنامه‌نویسی، الگوریتم، و هوش مصنوعی نیز شرط اساسی تمرین و تمرین و تمرین است. یکی از بهترین منابع رایگان برای تمرین برنامه‌نویسی و فهم عمیق داده‌ساختار و الگوریتم، قسمت «بانک سوالات» از سایت «کوئرا Quera.ir» است. می‌توانید سوال‌ها را به ترتیب نزولی تعداد حل مرتب کنید، از مساله‌های ساده‌تر شروع کنید و به مساله‌های سخت‌تر برسید. این سایت، امکان آن را می‌دهد که برنامه‌ی خود را ارسال کنید؛ برنامه‌ی شما بلافاصله به صورت خودکار بر روی تست‌های مختلفی که توسط طراح سوال بارگذاری شده مورد ارزیابی قرار می‌گیرد و پس از چند ثانیه نمره‌ به شما نمایش داده می‌شود و بدین ترتیب متوجه می‌شوید که آیا سوال را به درستی حل کرده‌اید یا لازم است آن را اصلاح و مجددا ارسال کنید. برای تمرین یادگیری ماشین ضروری است به یک سرور دسترسی داشته باشید، یا از Google Colab استفاده کنید.

امیدوارم در این مسیر یادگیری، تجربه‌ی هیجان‌انگیز و بسیار موفقی داشته باشید. 
با احترام
علی شریفی زارچی Öffnen / Wie

2023-06-09 14:34:59 سلام
دانشجویان زیادی تاکنون در مورد مسیر یادگیری خودآموز هوش‌مصنوعی از من پرسیده‌اند. سعی می‌کنم در اینجا ایده‌هایم را توضیح دهم.

هوش مصنوعی را مانند هر دانش دیگری می‌توان در سطوح مختلفی فراگرفت. در سطحی‌ترین حالت ممکن است شما صرفا یک کاربر و استفاده‌کننده‌ی هوش مصنوعی باشید، بدون آن‌که قدرت تغییر چیزی را داشته باشید. در حالت دوم، می‌توانید یک توسعه‌دهنده‌ی ساده باشید، یعنی مثل کسی که قطعات LEGO را به یک‌دیگر متصل می‌کند تا یک خانه بسازد، اجزای مختلف یک شبکه‌ی عصبی ژرف را به هم متصل کنید تا یک شبکه‌ی جدید بسازید، بدون آن‌که بدانید با چه منطقی دارید این کار را می‌کنید، یا درون هریک از این اجزا و در کل فرایند یادگیری دقیقا چه اتفاقی می‌افتد. در حالت سوم، شما دانش و بینش عمیقی نسبت به یکایک اجزای یک الگوریتم یادگیری ماشین یا شبکه‌ی عصبی ژرف دارید، با ریاضیات و پایه‌های الگوریتمی آن به خوبی آشنا هستید، و علاوه بر «چیست» می‌توانید به سوال «چرا» پاسخ دهید: مثلا چرا یک لایه‌ی Convolutional برای تصویر بهتر از یک لایه‌ی Fully Connected کار می‌کند، چرا Transformer ها نسبت به RNN عمل‌کرد بهتری در پردازش زبان‌های طبیعی دارند، یا چرا در یک Transformer از اتصال Residual استفاده می‌شود؟

در ادامه فرض می‌کنم قصد شما، حالت سوم است یعنی می‌خواهید دانش و بینش عمیقی نسبت به هوش مصنوعی داشته‌باشید و بتوانید آن را توسعه دهید. برای این مسیر شما به یک «هرم یادگیری» نیاز دارید. من به حداقل درس‌های لازم در این هرم یادگیری اشاره می‌کنم، بدیهی است شما می‌توانید علاوه بر درس‌هایی که من فهرست کردم، درس‌های بیشتری را فرابگیرید که فهم و دانش خود را گسترده‌تر کنید. 

در قاعده‌ی هرم، درس‌های پیش‌نیاز قرار می‌گیرند که رسیدن به سطوح بالاتر هرم نیاز به یادگیری آن‌ها دارید. «زبان برنامه‌نویسی پایتون»، «ریاضیات عمومی» رشته‌های فنی دانشگاه در حدی که مشتق، انتگرال و گرادیان را به خوبی بشناسید، «جبرخطی» و «احتمال و آمار»، اصلی‌ترین پایه‌های یادگیری ژرف شما هستند. منابع فراوانی به صورت رایگان در اینترنت برای یادگیری این درس‌ها وجود دارند. 

تسلط به هنر برنامه‌نویسی ممکن نیست مگر با فهم عمیقی از داده‌ساختارها و الگوریتم‌ها. برای این موضوع می‌توانید از درس‌های رایگان «داده‌ساختارها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» استفاده کنید. اما برای تسلط به الگوریتم‌ها ضروری است به اندازه‌ی کافی تمرین کنید. 

پس از تسلط به درس‌های قبل، آماده‌ی گذراندن درس‌های «یادگیری ماشین Machine Learning» و «یادگیری ژرف Deep Learning» خواهید بود. محتوای این درس‌ها بسته به ارائه‌کننده و سال ارائه متفاوت است. به طور کلی، الگوریتم‌های یادگیری ماشین در طول زمان تحول چشم‌گیری داشته‌اند: روش‌های کلاسیک نظیر SVM و PCA از چند دهه پیش مورد استفاده قرار می‌گرفتند ولی در یک دهه‌ی اخیر معماری شبکه‌های عصبی ژرف (Deep Neural Networks) رشد حیرت‌انگیزی کرد و در اکثر مسائل، به خصوص زمانی که داده‌ی کافی وجود دارد، جایگزین روش‌های کلاسیک شد. پیشنهاد من آن است هر دو گروه الگوریتم‌ها را به خوبی فرابگیرید چرا که فهم عمیق روش‌های کلاسیک، در هنگام یادگیری و توسعه‌ی شبکه‌های عصبی ژرف، به شما کمک شایانی خواهد کرد. در بعضی از دوره‌های درسی یادگیری ماشین، تمرکز اصلی روی روش‌های کلاسیک است و آموزش روش‌های مدرن را به دوره‌ی Deep  Learning محول می‌کنند، در حالی‌که در دوره‌های جدیدتر تمرکز خوبی روی هردو گروه شیوه‌های کلاسیک و ژرف وجود دارد. پس از آن، می‌توانید به طور تخصصی وارد یکی از حوزه‌های هوش مصنوعی شوید و آن زمینه را ادامه دهید، مثلا ممکن است بخواهید برای تولید تصویر و ویدئو دوره‌های Stable Diffusion را بگذرانید، یا برای پردازش متن به GPT مسلط شوید، یا برای طراحی دارو از Graph Neural Networks استفاده کنید. Öffnen / Wie

2023-05-16 19:14:36 سلام به همگی،
وقت‌تون بخیر باشه إن شاء الله...

راستش این کانال رو برای آموزش مطالبی در حوزه دیتاساینس، ماشین‌لرنینگ و دیپ‌لرنینگ ساختیم.

اهداف اصلی این کانال شامل موارد زیر خواهد بود:

آموزش ریاضیات و آمار و مفاهیم پایه ماشین‌لرنینگ و دیپ‌لرنینگ.

آموزش ماشین‌لرنینگ و دیپ‌لرنینگ مقدماتی و پیشرفته و مسائل و موضوعات مربوطه.

قرار دادن نمونه کدهای آموزشی در مورد ماشین‌لرنینگ و دیپ‌لرنینگ و دیتاساینس.

برگزاری جلسات لایو ماهیانه پرسش و پاسخ در مورد مسائل ماشین‌لرنینگ و دیپ‌لرنینگ و دیتاساینس.

قرار دادن مطالب پیشرفته‌ای در زمینه‌های
Multi-Modal Learning ،Computer Vision، Nlp، Self-Supervised Learning, Generative AI
و موضوعات مشابه دیگه.

گفتن چند تا نکته هم ضروری به نظرم مهم هست.

این کانال به هیچ وجه هیچ انگیزه مالی رو دنبال نخواهد کرد.

هدف اصلی این کانال آموزش مفاهیم ماشین‌لرنینگ و دیپ‌لرنینگ و دیتاساینس هست.
بنابراین بقیه موارد مرتبط به هوش مصنوعی در اینجا کاور نخواهند شد. اما کانالهای خیلی زیادی هستند که این موارد رو کاور می‌کنند.

خیلی ممنون میشم اگه این کانال رو به بقیه دوستان هم معرفی بکنید.

با تشکر و احترام،
بهروز آذرخلیلی Öffnen / Wie

2023-04-25 17:44:26 Introduction to ML- Fall 1401 pinned «سلام مجدد به همه دوستان. وقت همگی بخیر باشه إن شاء الله... پیرامون فرصت اینترنشیپ ریموت که قبلاً سر کلاس صحبت کردیم... راند اول این اینترنشیپ تمام شد و نهایتاً کار چهار نفر مختلف از بچه‌ها داره برای دولوپ و ارسال مقاله‌های مرتبط آماده میشه... ما تصمیم داریم…» Öffnen / Wie

2023-04-25 17:43:18 سلام مجدد به همه دوستان.
وقت همگی بخیر باشه إن شاء الله...

پیرامون فرصت اینترنشیپ ریموت که قبلاً سر کلاس صحبت کردیم...

راند اول این اینترنشیپ تمام شد و نهایتاً کار چهار نفر مختلف از بچه‌ها داره برای دولوپ و ارسال مقاله‌های مرتبط آماده میشه...

ما تصمیم داریم راند دوم اینترنشیپ رو برگزار بکنیم

۰. این فرصت اینترنشیپ بصورت ریموت و در یکی از موسسات تحقیقاتی در یکی از ده دانشگاه برتر دنیا در زمینه بیوانفورماتیک هست...

زمینه کاری و پروژه‌های اینترنشیپ هم کاربرد دیپ‌لرنینگ بر روی داده‌های single cell خواهد بود...

۱. ما افراد dedicated و interested لازم داریم که خیلی خوب کد پایتون بزنن...

و متأسفانه علاقه‌مندی صرف برای این پوزیشن کفایت نمی‌کنه.

۲. حتماً باید به دیپ‌لرنینگ مقدماتی و MLP تسلط خوبی داشته باشید.

۳. حتما باید به لااقل یکی از پکیج‌های Tensorflow، pytorch و یا pytorch lightning مسلط باشید.

۴. اگه همه شرایط بالا رو دارید، رزومه خودتون به همراه آدرس یک پروژه از خودتون روی گیت هاب رو تا یکشنبه بعدی به ایمیل
deepscproject@gmail.com
بفرستید.

۵. ممنونم میشم این پست رو با دوست و یا همکار دیگری که می‌شناسید و ممکنه این پوزیشن براشون مفید باشه به اشتراک بذارید.

بی‌نهایت سپاسگزارم.
بهروز آذرخلیلی Öffnen / Wie

2023-03-03 21:01:58 Introduction to ML- Fall 1401 pinned «سلام دوستان هرچند پرونده‌ی این درس چند هفته پیش با ارسال نمرات به آموزش بسته شد، نمی‌توانم از انجام آخرین وظیفه‌ی خود چشم‌پوشی کنم: صمیمانه‌ترین سپاس‌هایم را تقدیم می‌کنم به هر ۳۰ نفر از تیم فوق‌العاده‌ای که بدون حضور، حمایت و تلاش ایشان، ارائه‌ی این درس…» Öffnen / Wie

2023-03-03 20:58:39 سلام دوستان
هرچند پرونده‌ی این درس چند هفته پیش با ارسال نمرات به آموزش بسته شد، نمی‌توانم از انجام آخرین وظیفه‌ی خود چشم‌پوشی کنم:

صمیمانه‌ترین سپاس‌هایم را تقدیم می‌کنم به هر ۳۰ نفر از تیم فوق‌العاده‌ای که بدون حضور، حمایت و تلاش ایشان، ارائه‌ی این درس و آماده‌سازی محتوایش امکان‌پذیر نبود.
در این میان می‌خواستم از افراد زیر به طور ویژه سپاس‌گزاری کنم:
علیرضا گرگوری‌مطلق به خاطر پشتیبانی عالی و تهیه‌ی محتوای باکیفیت
علیرضا بلال به خاطر حمایت همیشگی در لحظات سخت
آرین امانی از دانشگاه امیرکبیر به خاطر بی‌دریغ‌ترین تلاش‌ها و انجام کارهای سخت در مدت کوتاه
پیمان ناصری به خاطر دلسوزی و انجام هر کاری که بر زمین مانده بود
جواد هزاره، متین شجاع و امین داوودآبادی به خاطر نقش برجسته در آماده‌سازی بخش‌هایی از محتوای درس و کارگاه‌ها
همه‌ی تیم آماده‌سازی فصل ۷ محتوا (پارسا حسینی، علیرضا فراشاه، مهدی سلمانی و عماد صالحی) که مثل یک روح در چند بدن فعالیت کردند و هماهنگی و کیفیت کار بالایی داشتند.
کوروش مسلمی از دانشگاه امیرکبیر به خاطر کیفیت عالی در انجام فعالیت‌ها
سینا عبدوس و آرش پوردامغانی به خاطر تلاش ماندگار در پروژه ویکی‌پدیا
فریده احمدیان که با وجود مسوولیت در یکی از درس‌های دیگر، در این درس هم ایفای نقشی جدی داشت
امیدرضا حیدری و طاها اکبری که در سکوت، کارها را در سریع‌ترین زمان انجام می‌دادند
پرناز بابلیان به خاطر توجه به جزئیات
سینا مظاهری به خاطر نقش ویژه در تکمیل محتوای فصل ۲
امیر گودرزی از دانشگاه امیرکبیر به خاطر ایفای نقش در تهیه محتوای دو فصل متفاوت
پویان علوی دانشجوی ارشد امیرکبیر به خاطر کیفیت انجام کار و تحویل به موقع کارهای فوری
علیرضا حیدری به خاطر نقش جدی در کارگاه و انتهای ترم
حمیدرضا یعقوبی به خاطر اشتیاق در انجام کارها
نیلوفر رازانی به خاطر حضور دلگرم‌کننده
امیرصدرا عبدالهی و اشکان خادمیان به خاطر ایفای نقش مثل یک تیم کوچک
از امیرمحمد عیسی زاده، سپهر کیانیان، آرمان زارعی و علی باقری هم بخاطر تلاش‌هایشان سپاس‌گزارم.
و البته متواضعانه‌ترین سپاس‌هایم را تقدیم می‌کنم به دکتر امید چترآبگون عزیز، استاد دوست‌داشتنی علوم داده و هوش مصنوعی دانشگاه کاونتری انگلستان که هم ایده‌هایشان چراغ راهمان بود و هم در برگزاری آزمون‌ میان‌ترم درس جدی‌ترین نقش را ایفا کردند.
اما ارائه‌ی این درس هرگز با این شکل ممکن نبود بدون تلاش بی‌وقفه، بسیار دل‌سوزانه و پشتکار خستگی‌ناپذیر کاپیتان تیم تدریس، سرکار خانم مهسا یزدانی.  از ایشان بی‌نهایت سپاس‌گزارم و همیشه قدردان زحمات ایشان خواهم بود.
و در پایان، گرم‌ترین سپاسم به دوست دیرین، بهروز آذرخلیلی عزیز که هیچ کلمه‌ای برای توصیف اوج قدردانی‌ام از او ندارم.

با مهر و بهترین آرزوها
علی شریفی زارچی Öffnen / Wie

2023-02-09 23:54:32 https://sebastianraschka.com/blog/2023/self-attention-from-scratch.html Öffnen / Wie

2023-02-08 22:39:52 سلسله جلسات بایوگپ(BioGap)

در آخرین جلسه از اولین سری بایوگپ، میزبان آقای دکتر محمدحسین کریمی جعفری از گروه بیوانفورماتیک دانشگاه تهران و آقای دکتر علی شریفی زارچی از دانشگاه شریف هستیم.

در این جلسه در مورد <<بیوانفورماتیک: علم یا مهندسی>> به گفتگو با این دو سخنران بزرگوار می‌پردازیم.

این جلسه در بستر اسکای روم برگزار میگردد و ورود برای عموم آزاد و رایگان است.


یکشنبه، ۲۳ بهمن ماه ۱۴۰۱ ساعت ۱۹

لینک جلسه:
https://www.skyroom.online/ch/arashfj/biogap

@IranianBioinformaticsSociety
@CBRC_aut Öffnen / Wie

2023-02-06 21:15:38 سلام،
تا آخر امشب زمان استفاده از تاخیر مجاز برای تمرین عملی سری چهارم تموم میشه اما تا دو روز (تا پایان ۱۹ بهمن) امکان استفاده از تاخیر غیر مجاز با کسر ۱۰ درصد از نمره‌ی تمرین به ازای هر ۲۴ ساعت، وجود داره. (کسر نمره به صورت ساعتی اعمال میشه) Öffnen / Wie