تعداد واحد: ۳

 پیش‌نیاز: ندارد

نوع : نظری

زمان ومحل کلاس: ‌ شنبه و دو‌شنبه، ساعت ١٠:٣۰ الی ١٢:٠٠، دانشکده علوم و فنون نوین

مدرس: دکتر هادی ویسی، دانشکده علوم و فنون نوین، دانشگاه تهران (پست الکترونیکی: h.veisi [at] ut.ac.ir)

دستیار آموزشی:

احسان حسین‌زاده (hoseinzadeehsan@ut.ac.ir)

نیلوفر ابهری (niloufarabhari@ut.ac.ir)

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)، 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.

معرفی درس و سیاست‌های کلاس

F. 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، 1396.

---

George J. Klir, Bo Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall, 1995.

---

Simon Haykin, Neural Networks: A Comprehensive Foundation, Prentice Hall, 1999.

---

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.

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 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):

SC_Family_StNo_HW#.rar

که در آن Family بیانگر نام‌خانوادگی دانشجو (به لاتین)، StNo شماره دانشجویی و # معادل شماره تمرین است. مثلا پاسخ تمرین شماره 1 توسط آقای احمدی با شماره دانشجویی 830496001 به صورت SC_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 یک روز تاخیر در ارسال پاسخ‌ها (از یک ثانیه تا 24 ساعت!)، 25% نمره آن تمرین و در صورت تاخیر دو روزه 50% نمره مربوطه به عنوان جریمه تاخیر لحاظ می‌شود. پس از دو روز نمره‌ای در نظر گرفته نمی‌شود.

2-

آزمونک (کویز): از مطالب هر بخش، یکی یا دو سوال به صورت امتحان کوتاه (کویز) برگزار می‌شود که برگزاری آن ممکن است بدون اطلاع قبلی باشد.

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 (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 اعلام نماید. آخرین زمان تعیین موضوع پروژه در جدول نمره‌دهی مشخص شده است. در صورت عدم نهایی کردن موضوع تا این تاریخ، یک موضوع توسط استاد تعیین شده و برای دانشجو در نظر گرفته می‌شود.

5-

مقاله: برای آن دسته از دانشجویانی که در موضوع‌های مرتبط با درس، به ویژه در پروژه، کار علمی مناسبی انجام داده و به نتایج قابل انتشاری دست یافته‌اند، می‌توانند آن را در قالب یک مقاله منتشر کنند. در این درس، نوشتن مقاله اجباری نیست و نمره آن مازاد بر نمره درس است. نمره تنها به دانشجویانی تعلق می‌گیرد که قبل از ارسال نمرات درس به آموزش، مقاله خود را به مجله/کنفرانس ارسال کرده باشند. لذا از نظر سیاست‌های این درس، ننوشتن مقاله، بسیار پسندیده‌تر از نوشتن آن به هر قیمتی است! یادآوری می‌شود دانشجویانی که استاد راهنمای آنها مشخص شده است، لازم است همکاری با این درس در نوشتن مقاله را به اطلاع استاد راهنمای خود برسانند.

6-

بازنگری نمره‌ها و برگه‌ها: دانشجویانی که درخواست دارند هر کدام از نمرات آنها بازنگری شود و یا برگه‌های خود را ببینند، در زمان تحویل پروژه درس (به صورت حضوری) این کار را انجام دهند.

7-

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 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.

توضیح	وزن	عنوان
بعد از هر موضوع (وزن تمرین‌ها برابر نیست)	30%	تمرین
ممکن است بدون اطلاع قبلی باشد	10%	آزمونک (کویز)
دو‌شنبه 29/08/1396 ساعت 10:30	20%	امتحان میان‌ترم
مطابق برنامه دانشگاه	25%	امتحان پایان‌ترم
موضوع اختیاری تعیین موضوع تا دوشنبه 01/08/1396 تحویل پروژه: شنبه 07/11/1396	15%	پروژه
مقاله ارسال شده به مجله/کنفرانس مورد قبول است	15%	مقاله (نمره اضافی)

سرفصل‌های 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 شبکه‌های انجمنی: انواع، ساختار، الگوریتم، کاربردها و مثال

• 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

  • طراحی کنترل‌گرهای فازی

• ترکیب روش‌های ترکیب محاسبات نرونی، فازی و تکاملی

اسلاید 0 –  معرفی درس

اسلاید 1 –  مقدمه و معرفی

اسلاید 2 –  شبکه‌های عصبی: مقدمه، شبکه‌ مک‌کلاچ‌-پیتز و شبکه هب

اسلاید 3 – شبکه‌های عصبی: پرسپترون و آدالاین

اسلاید 4 –  شبکه‌های عصبی: پرسپترون چند لایه (پس انتشار خطا)

اسلاید 5 –  محاسبات زیستی: پردازش تکاملی

اسلاید 6 –  محاسبات زیستی: هوش جمعی

اسلاید 7 –  فازی: مجموعه‌ها

اسلاید 8- فازی: محاسبات (اعداد ) و روابط

اسلاید 9- فازی: منطق و استدلال

اسلاید 10– فازی: کنترل‌گرها

تمرین شماره 1 (داده‌های آموزش ، داده‌های آزمون )

تمرین شماره 2 (داده‌های آموزش فشرده‌سازی تصویر، داده‌های آزمون فشرده‌سازی تصویر،  مقاله 1 و مقاله 2)

تمرین 3

تمرین 4

موضوع پروژه

تمرین‌ها

تمرین اول

تمرین دوم

تمرین سوم

تمرین چهارم

آزمونک‌ها

آزمون اول

میان ترم 

میان ترم

پایان ترم

پایان ترم

نمره‌ی نهایی

سلام

زمان و شرایط تحویل پروژه درس مبانی محاسبات نرم و دیدن برگه‏های امتحان‏‏‏ها به صورت زیر است. کلیه نمره‏ها تا قبل از تاریخ زیر در وب سایت درس قرار داده می‌شود.

• تاریخ تحویل پروژه روز دوشنبه 09/10/1396 ساعت 10:00 می‏باشد.
• تحویل پروژه به صورت حضوری است و اجرا و کارکرد برنامه بررسی می‌شود.
• موارد لازم در زمان تحویل:
  1. کلیه کدهای پروژه
  2. داده‌های مورد استفاده در پروژه
  3. گزارش کتبی
  4. مقاله‌ها و منابع مورد استفاده

لطفا یک نسخه کامل از این موارد را در یک حافظه همراه (فلاش) جهت تحویل دادن به همراه داشته باشید.

• بارم بندی نمرات به صورت زیر است:

1. انجام درست پیاده‌سازی و مرتب بودن کدها: 50%
2. کامل بودن گزارش (شامل نحوه استفاده از کد و مبانی علمی کار) و رعایت اصول نگارشی در آن: 25%
3. ارائه نتایج و تحلیل آن (در گزارش): 25%

• دیدن برگه‏ها و اعتراض به نمره‌ها هم‌زمان با تحویل پروژه انجام می‌شود.
• این تنها مهلت تحویل پروژه و بازنگری نمره‌هاست و تمدید نمی‌شود.