معرفی ارشد هوش مصنوعی

رباتهای متحرک خودگردان

Autonomous Mobile Robots

اهداف درس

1۔ مطالعه الگوریتم های اساسی مطرح در رباتیک با تأکید بر مطالب تحقیقاتی و کاربردی در رباتهای
متحرک خودگردان
۲- مطالعه مکانیزم های لازم برای حرکت یک ربات در یک محیط واقعی و انجام کارهای مورد نظر شامل
توانائی حرکت، حس محیط، مکان یابی، و برنامه ریزی برای حرکت

سرفصل درس ها

1. مقدمه معرفی ربات های متحرک، انواع روشهای جابجائی ربات.
2. سینماتیک ربات های متحرک، توصیف موقعیت ربات در محیط، محدودیتهای سینماتیکی.
3. مانور ربات، کنترل موقعیت ( حلقه باز و حلقه بسته).
4. ادراک محیط توسط سنسورها، انکدر، جهت ( قطب نما، ژایروسکوپ)، شتاب سنج، سرعت سنج.
5. ادراک محیط توسط سنسورها. لیزر. سونار، بینایی.
6. ادراک محیط توسط سنسورها، عدم قطعیت در اندازه گیری، انتشار خطا، استخراج ویژگی.
7. مکان یابی: روش های احتمالی، روش کالمن. روش مارکف.
8. ناوبری: مفاهیم طراحی مسیر.
9. ناوبری: روش های توابع پتانسیل، نقشه راه تجزیه سلولی. الگوریتم BUG.
10. ناوبری: روش های توابع پتانسیل، نقشه راه تجزیه سلولی، الگوریتم BUG.

تکالیف پیشنهادی

• حداقل ۴ پروژه روی مباحث مطرح شده در درس

کتاب (های) مرجع

[1] Introduction to Autonomous Mobile Robots, Roland Siegwart and Illah R. Nourbakhsh, MIT Press, 2004.

رایانش تکاملی

Evolutionary Computing

اهداف درس

هدف از این درس یادگیری الگوریتمهای تکاملی موجود و ابداع الگوریتم های تکاملی جدید است

سرفصل درس ها

1. مقدمه.
2. تئوری تکامل از دیدگاه ماکروسکوپی.
3. تئوری تکامل از دیدگاه میکروسکوپی.
4. چارچوب کلی الگوریتم های تکاملی.
5. عملگرهای انتخاب.
6. عملگرهای تنوع.
7. الگوریتم ژنتیک.
8. استراتژی های تکامل.
9. برنامه نویسی تکامل.
10. برنامه نویسی ژنتیک.
11. مدیریت محدودیت‌ها.
12. تنظیم پارامترها.
13. الگوریتمهای تکاملی چند هدفی.
14. سیستمهای دسته بندی کننده.
15. الگوریتم تخمین توزیع.
16. الگوریتم های تکاملی تفاضلی.

کتاب (های) مرجع

[1] Thomas Back, Evolutionary Computation Vol.1 Basic Algorithms, 2000.

[2] Thomas Back. Evolutionary Computation Vol.2 Advanced Algorithms, 2000.

یادگیری ماشین

Machine Learning

اهداف درس

یادگیری ماشین بر اکتاب و تجمیع دانش به صورت خودگردان اشاره دارد. هدف اصلی این درس فراهم آوردن یک مقدمه جامع بر یادگیری ماشین است. برای این کار رویکردهای اصلی بحث خواهد شد و اصول. تکنیکها و کاربردهای پایه یادگیری ماشین مطرح میشوند. این درس ایده های پایه و دید لازم را در خصوص یادگیری ماشین مدرن به دانشجویان میدهد و تا حدودی نیز به مباحث رسمی مرتبط با یادگیری می پردازد.

سرفصل درس ها

1. مقدمه.
2. یادگیری درخت بیزی (بزارش بیش از حد، روشهای هرس).
3. یادگیری بیزی.
4. یادگیری بر پایه مثال.
5. ارزیابی فرضیه.
6. الگوریتم انتشار خطا به عقب.
7. ماشین بردار پشتیبان.
8. رگرسیون خطی و لاجیستیک.
9. نظریه یادگیری محاسباتی.
10. ترکیب دسته بندها.
11. مدل اختلاط.
12. یادگیری برخط.
13. یادگیری نیمه نظارتی.
14. یادگیری فعال.
15. یادگیری چند برچسبی.
16. یادگیری از داده های غیر کامل.

نرم افزارهای مورد نیاز

Matlab, SVMLight, Weka

کتاب (های) مرجع

[1] Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. Foundations of Machine Learning. MIT Press, 2012.

[2] Kevin Murphy, Machine Learning: a Probabilistic Perspective, 2012.

[3] Tom M. Mitchell, Machine Learning, McGraw Hill, 1997.

[4] Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer 2006.

سیستمهای چندعاملی

Multi-Agent Systems

اهداف درس

بسیاری از محیطهای واقعی که عامل های هوشمند در آنها بکار گرفته می شوند محیطهای چندعامله ای هستند که در آنها عامل ها مختلف به تعامل با یکدیگر و محیط پیرامون می پردازند. در این درس ویژگیها و چالشهای محیط های چندعامله و راهکارهای طراحی عامل های موفق برای چنین محیط هایی مورد بررسی قرار می گیرد.

سرفصل درس ها

1. مقدمه.
2. معماری و مدل سازی عاملها.
3. الگوریتم های جستجو و مسیریابی.
4. ارتباطات و همکاری عاملها.
5. نظریه بازی ها و تصمیم گیری عقلانی توزیع شده.
   • مفهوم بازی و دسته بندی های مختلف بازی ها، مفهوم عقلانیت و عقلانیت محدود، محاسبه حالات تعادل. طراحی مکانیزه، حراج هاء
6. یادگیری در محیط های چند عاملی.
   • یادگیری تقویتی Replicator Dynamics و استراتژی های پایدار تکاملی، ...
7. کاربردها.

کتاب (های) مرجع

[1] An Introduction to MultiAgent Systems, Michael Wooldridge, John Wiley & Sons,
Second Edition, 2009..

[2] Multiagent Systems: Algorithmic, Game-Theorctic, and Logical Foundations, Yoav
Shoham and Kevin Leyton-Brown, Cambridge University Press, 2009.

شبکه های عصبی

Neural Networks

اهداف درس

آشنائی با اصول نظری و استفاده عملی از شبکه های عصبی متنوع با یادگیری با نظارت و بی نظارت برای حل مسائل مختلف دسته بندی، تقریب تابع، بهینه سازی و امثال آن.

سرفصل درس ها

1. مقدمه: معرفی شبکه های عصبی، تاریخچه شبکه های عصبی، کاربردها.
2. مفاهیم پایه و مدل های شبکه های عصبی: مغز انسان، مدل های نورون، معماری های شبکه، یادگیری با نظارت و بی نظارت، قوانین یادگیری متنوع شبکه‌ها.
3. شبکه تک لایه پرسپترونی: مسأله دسته بندی، معرفی پرسپترون، حل مسأله با پرسپترون.
4. شبکه چند لایه پیشرو(Feedforward) معرفی شبکه های چند لایه پیش رو، قانون یادگیری پس انتشار خطاء عوامل مؤثر در یادگیری، ایجاد بهبود در شبکه، عملکرد شبکه در دسته بندی و تخمین تابع، شبکه های کانولوشنی.
5. شبکه توابع پایه شعاعی: جدائی پذیری الگوهای شبکه توابع پایه شعاعی و روشهای آموزش آن، نظریه قانونمندسازی، شبکه توابع پایه شعاعی تعمیم یافته، مقایسه با شبکه های پرسپترونی چند لایه.
6. شبکه تحلیل مؤلفه اصلی تحلیل مؤلفه اصلی استفاده از قانون هب، تحلیل مؤلفه اصلی تطبیقی، تحلیل مؤلفه اصلی مبتنی بر هسته.
7. شبکه های خودسازمانده مدل های نگاشت و یزکی، نقشه خودسازمانده، یادگیری کوانتیزاسیون برداری.
8. حافظه های تداعی گر: حافظه تداعی گر خطی، مفاهیم پایه و عملکرد حافظه خود نداعی گر بازگشتی حافظه تداعی گر دوطرفه.
9. شبکه های بازی: شبکه های بازگشتی تک لایه، سیستم های دینامیکی، مدل فضای حالت، پایداری معماری های شبکه های باز گشنی، آموزش شبکه های بازگشتی.
10. شبکه های اتفاقی: شبیه سازی تابکاری (Simulated Annealing). ماشین بولتزمن، شبکه های باور سیگموئیدی.
11. نظریه تشدید تطبیقی: تناقض پایداری-تأثیرپذیری، شبکه ارت-1 (ART1).
12. شبکه های پردازش زمانی: معماری های مناسب، شبکه های پیش رو تأخیر دار متمرکز، شبکه های پیش رو تأخیر دار توزیع شده، الگوریتم پس انتشار خطای زمانی.
13. شبکه همبستگی آبشاری (Cascade Correlation): مشخصات و مزایای شبکه، روش ساخت شبکه، آموزش شبکه.
14. شبکه‌های عمیق.

نرم افزارهای مورد نیاز

نرم افزار متلب Matlab)، جعبه ابزار شبکدهای عصبی
شبیه ساز شبکه عصبی اشتوتگارت (Stuttgart Neural Network Simulator (SNNS

کتاب (های) مرجع

[1] S. Haykin, Neural Networks and Learning Machines, 3rd Edition, Prentice-Hall, 2008.

[2] J. M. Zurada. Introduction to Artificial Neural Systems, West Publishing Company, 1992.