مبانی محاسبات (رايانش) نرم
نيم‌سال اول 1401-1400
معرفی
تعداد واحد: 3 پیش‌نیاز: ندارد
نوع : نظری
زمان و محل کلاس: شنبه و دوشنبه، ساعت ١٠:00 الی ١٢:٠٠، سامانه eLearn دانشگاه تهران
مدرس: دکتر هادی ویسی، دانشکده علوم و فنون نوین، دانشگاه تهران (پست الکترونیکی: h.veisi@ut.ac.ir)
دستیار آموزشی: مهدیه تلخابی (mah.talkhabi24@gmail.com)
شرح درس
درس مبانی محاسبات نرم شامل مروری بر مفاهیم و کاربردهای پایه محاسبات (رایانش) نرم و روش‌های غالب در این زمینه در سه محور محاسبات نرونی (شبکه‌های عصبی مصنوعی و یادگیری عمیق)، محاسبات فازی (مبانی تفکر و منطق فازی)، و محاسبات تکاملی است. در این درس، اصول نظری و روش‌های غالب در سه موضوع مذکور پوشش داده می‌شوند و تمرین‌های متناسب صورت می‌گیرد.
منابع
- Karray, C. De Silva, Soft Computing and Intelligent Systems Design: Theory, Tools, and Applications, Addison-Wesley Publishing, 2004.
- هادي ويسي، كبري مفاخري، سعيد باقري شورکي، مباني شبكه هاي عصبي: معماري، الگوريتم‌ها و كاربردها، انتشارات نص، پاييز 1388 (ترجمه Laurene Fausette, Fundamentals of neural networks, architecture, algorithms and application, Prentice Hall, 1994)
- محمد صنيعي آباده، زهره جبل‌عامليان، الگوريتم‌هاي تكاملي و محاسبات زيستي، انتشارات نياز دانش، 1397.
- George J. Klir, Bo Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall, 1995.
- Goodfellow I, Bengio Y, Courville A, Deep Learning, Cambridge: MIT Press, 2016
- David E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989.
- J yh-Shing Roger Jang, Chuen-Tsai Sun, Eiji Mizutani, Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, 1997.
Slides Download Links
Scores
Dear students, by having your student number, you can see the grades related to your homework and midterm exam.
Attempts have been made to calculate the scores with the utmost accuracy and fairness.
To view each section, click on its title, then Download.
تحویل پروژه درس محاسبات نرم و بازبینی نمره‌ها
زمان و شرایط تحویل پروژه درس محاسبات نرم (برای افرادی که موضوع پروژه را با بنده نهایی کرده اند) و بازبینی نمره‌هایهای امتحانها به صورت زیر است. کلیه نمره‌ها تا قبل از تاریخ زیر در وب سایت درس قرار داده می‌شود.
- تاریخ تحویل پروژه روز دوشنبه 11/11/1400 ساعت 11 تا 12 میباشد.
- تحویل پروژه به صورت حضوری (آنلاین) است و اجرا و کارکرد برنامه بررسی می‌شود. در صورتی که امکان حضور در جلسه تحویل پروژه را ندارید قبل از آن ساعت فایلهای پروژه را به بنده ایمیل کنید که در این صورت بر اساس بررسی مستندات نمره به پروژه داده می‌شود.
- جلسه در سکایپ خواهد بود (آیدی بنده h.veisi)
- موارد لازم در زمان تحویل:
- کلیه کدهای پروژه
- داده‌های مورد استفاده در پروژه
- گزارش کتبی
- مقاله‌ها و منابع مورد استفاده
لطفا یک نسخه کامل از این موارد را در یک فایل زیپ قبل از ساعت تحویل ایمیل کنید.
- بارم بندی نمرات به صورت زیر است:
- انجام درست پیاده‌سازی و مرتب بودن کدها: 50%
- کامل بودن گزارش (شامل نحوه استفاده از کد و مبانی علمی کار) و رعایت اصول نگارشی در آن: 25%
- ارائه نتایج و تحلیل آن (در گزارش): 25%
- اعتراض به نمره‌ها هم‌زمان با تحویل پروژه انجام می‌شود.
- این تنها مهلت تحویل پروژه و بازنگری نمره‌هاست و تمدید نمی‌شود.
نمره‌دهی
توضیح |
وزن |
عنوان |
| بعد از هر موضوع (وزن تمرین‌ها برابر نیست) | 55% | تمرین |
|
به دلیل غیرحضوری کلاس‌ها بودن نداریم |
– |
آزمونک (کویز) |
| شنبه 27/09/1400 ساعت 10:00 | 20% | امتحان میان‌ترم |
| از کل مطالب درس، مطابق برنامه دانشگاه | 25% | امتحان پایان‌ترم |
| موضوع اختیاری، مرتبط با مطالب درس تحویل پروژه: اولین هفته بعد از آخرین امتحان پایان‌ترم (دوشنبه 11/11/1400) |
10% | (نمره اضافی)پروژه |
| پاسخ دادن به سوالات حین تدریس و مشارکت در بحث‌های کلاس | 5% | حضور و مشارکت کلاس (نمره اضافی) |
همان‌طور که مشخص است، بخش عمده نمره به تمرین‌ها و پروژه اختصاص داده شده است، لذا جهت موفقیت، همراهی دانشجو در طول ترم و یادگیری مستمر با انجام به موقع تمرین‌ها، لازم است.
سیاست‌های درس
1. تمرین: برای هر بخش (موضوع)، تعدادی تمرین در نظر گرفته شده است که باید در مهلت‌های مقرر شده تحویل شود. همفکری و همکاری در یافتن پاسخ سوال‌ها نه تنها بلامانع است، بلکه مورد حمایت نیز است، اما پاسخ هر دانشجو باید توسط خودش و به صورت مستقل نوشته شود و در صورتی که کپی بودن یکی یا چند مورد از پاسخ سوال‌های یک تمرین مشخص شود، کل نمره آن تمرین برای همه طرفین کپی‌برداری در نظر گرفته نمی‌شود.
تمرین‌های دارای پیاده‌سازی، باید هم شامل کدها و هم شامل گزارش مربوطه باشد (ارسال گزارش یا کد به تنهایی، شامل نمره نمی‌شود).
ارسال پاسخ تمرین‌ها: تنها به صورت الکترونیکی و به ایمیل استاد درس است. تحویل کاغذی نیاز نیست و در صورت نوشتن پاسخ تمرین‌های حل شدنی روی کاغذ، تصویر آن را ارسال کنید. همه مطالب و فایلهای مرتبط با یک تمرین را در یک فایل فشرده شده ارسال کنید. فرمت نام‌گذاری فایل ارسالی به صورت زیر است (لطفا از ارسال فایل با اسم‌هایی مانند New Folder.rar یا HW.rar خودداری کنید):
ML4NLP_Family_StNo_HW#.rar
که در آن Family بیانگر نام‌خانودگی دانشجو، StNo شماره دانشجویی و # شماره تمرین است. مثلا پاسخ تمرین شماره 1 توسط آقای/خانم احمدی با شماره دانشجویی 830496001 به صورت ML4NLP_Ahmadi_830496001_HW1.rar است.
تاخیر در تحویل: تحویل به موقع پاسخ تمرین‌ها از موارد ضرروی است و پاسخ‌ها باید حداکثر تا ساعت 23:59 تاریخ تعیین شده ارسال شود. در صورت داشتن تاخیر در ارسال پاسخ‌ها، به ازای هر یک ساعت تاخیر (از یک ثانیه تا 60 دقیقه!) به میزان 1% از نمره آن کسر می‌شود.
2. آزمونک (کویز): با توجه به غیرحضوری بودن کلاس‌های این ترم، آزمونک نداریم!
3. امتحان میان‌ترم و پایان‌ترم: امتحان میان‌ترم شامل مطالب تدریس شده تا تاریخ اعلام شده برای این امتحان است و امتحان پایان‌ترم شامل کلیه مطالب تدریس شده از جمله مطالب پوشش داده شده در امتحان میان‌ترم است.
4. پروژه: : برای درس، هر دانشجو باید یک پروژه کاربردی جهت پیاده‌سازی انتخاب کرده و آن را در MATLAB/Python (یا سایر زبان‌های برنامه‌نویسی) پیاده کند. علاوه‌بر کد برنامه، گزارش مکتوبی (به صورت تایپ شده) از دانشجویان تحویل گرفته می‌شود که باید شامل نتایج بدست آمده و تحلیل‌های مربوطه باشد. هر دانشجو می‌تواند با هماهنگی استاد موضوع خود را انتخاب کرده و در طول ترم اعلام نماید. موضوع پروژه الزاما باید مرتبط با مطالب درس باشد. نمره این بخش با توجه فشرده بودن این نیمسال برای دانشجویان به صورت نمره مازاد در نظر گرفته می‌شود.
5. حضور و مشارکت: با توجه به غیرحضوری بودن کلاس‌ها و عدم تمرکز برخی از دانشجویان (علیرغم حضور ظاهری در جلسه)، نیاز است دانشجویان با استاد در حین تدریس برای مشارکت در بحث‌ها و پاسخ‌دهی به سوالات همراهی کنند. این موضوع هر جلسه بررسی شده و جمع حضور و مشارکت افراد در کلاس به عنوان نمره این شاخص در نظر گرفته می‌شود. این نمره مازاد بر 20 نمره استاندارد کلاس است.
6. بازنگری نمره‌ها و برگه‌ها: دانشجویانی که درخواست دارند هر کدام از نمرات آنها بازنگری شود و یا برگه‌های خود را ببینند، در تاریخی که برای تحویل پروژه درس اعلام می‌شود (هفته بعد از آخرین امتحان پایان‌ترم)، انجام می‌شود.
7. تقلب و کپی‌بردای: هدف درس تمرین و یادگیری مطالب موردنظر توسط دانشجو در طول ترم است و لازم است تمام مطالب مربوط به تمرین‌ها توسط خود دانشجو انجام شود. هرچند همکاری و همفکری دانشجویان در حل مسائل درس توصیه می‌شود، اما پاسخ نهایی سوال‌ها باید توسط هر دانشجو به صورت مستقل نوشته شود. در صورتی که در هر شرایطی مشخص شود که تمام یا بخشی از مطالب توسط دانشجو آماده نشده و کپی‌برداری مستقیم و بدون مرجع بوده است، تقلب تلقی شده و مطابق قوانین انضباطی دانشگاه با آن رفتار می‌شود.
سیلابس درس
- مروری بر مفاهیم و کاربردهای محاسبات نرم
- محاسبات نرونی (شبکه‌های عصبی مصنوعی)
- مرور تعاریف، مفاهیم و تاریخچه شبکه‌های عصبی مصنوعی
- معرفی شبکه پایه مک‌کلاچ-پیتز و هب: ساختار، الگوریتم، کاربردها و مثال
- شبکه‌های پرسپترون و آدالاین: ساختار، الگوریتم، کاربردها و مثال
- شبکه‌های عصبی پس‌انتشار (پرسپترون چند لایه): ساختار، آموزش و کاربردها
- روش‌های به‌روز کردن وزن‌ها (آموزش)
- توابع فعال‌سازی
- تعداد لایه‌های مخفی
- تقریب‌زننده جهانی
- شبکه‌های عصبی عمیق: مروری بر مبانی و روش‌های رایج
- شبکه خودرمزگذار
- شبکه عصبی پیچشی (CNN)
- شبکه مولد مقابله‌ای (GAN)
- شبکه‌های عصبی بازگشتی
- المان و جردن
- حافظه کوتاه مدت ماندگار (LSTM)
- مفهوم مکانیزم توجه
- شبکه‌های مبدل (Transformers)
- محاسبات تکاملی
- مرور مفاهیم و تعاریف محاسبات تکاملی
- مراحل الگوریتم‌های تکاملی
- الگوریتم ژنتیک
- محاسبات زیستی مبتنی بر هوش جمعی
- محاسبات فازی
- مجموعه‌های فازی و عملگرهای مرتبط با آن
- محاسبات (اعداد) و روابط
- منطق و استدلال فازی
- سیستم‌های فازی: طراحی کنترل‌گرهای فازی
- ترکیب روش‌های ترکیب محاسبات نرونی، فازی و تکاملی