کارگاههای آموزشی کنفرانس

  

  • کارگاه‌های آموزشی کنفرانس همانند سایر برنامه‌های کنفرانس بصورت مجازی و از طریق سامانه مجازی کنفرانس برگزار خواهد شد.
  • شرکت در کارگاه‌های آموزشی رایگان است و به شرکت‌کنندگان گواهی معتبر ارائه خواهد شد. گواهی‌ها بصورت الکترونیکی به ایمیل شرکت‌کنندگان ارسال می‌شوند.
  • جهت ثبت نام در کارگاه‌های آموزشی، نام و نام خانوادگی خویش را به همراه عناوین کارگاه‌های آموزشی که درخواست ثبت‌نام‌ آنها را دارید، به آدرس ایمیل amin.oskui@gmail.com ارسال نمائید. لطفا در عنوان ایمیل عبارت "ثبت نام در کارگاه آموزشی" را درج نمائید.
  • تاریخ برگزاری کارگاه‌ها در روز 13 اسفند 99 خواهد بود و ساعت برگزاری آنها متعاقبا همراه با جدول زمانبندی برنامه‌های کنفرانس اعلام خواهد شد.
  • نحوه اتصال به سامانه مجازی کنفرانس و شرکت در کارگاه‌ها متعاقبا اطلاع‌رسانی خواهد شد.
  • برای پیشنهاد برگزاری کارگاه آموزشی، لطفا با دبیرخانه کنفرانس با آدرس ایمیل dcbdp@azaruniv.ac.ir تماس حاصل نمائید.
  • به برگزار کنندگان کارگاه‌ها گواهی معتبر از سوی کنفرانس ارائه خواهد شد.

 

----------------------------------------------------------------------------------- 

 

عنوان کارگاه آموزشی 1: فرایند انجام یک پروژه‌ی علم داده با پایتون

ارائه دهنده: آقای مهندس سعید حمدالهی (کارشناس ارشد فناوری اطلاعات دانشگاه شهید مدنی آذربایجان)

مدت زمان کارگاه: ۲ ساعت

 

چکیده:

ژیاوی هان دانشمند علم داده می‌گوید:

عبارت «بشر در عصر اطلاعات زندگی می‌کند» بسیار معروف است. این در حالیست که در حقیقت، بشر در عصر داده‌ها زندگی می‌کند. با تبدیل این داده‌ها به اطلاعات، می‌توان آن‌ها را به شمش‌هایی از طلا مبدل ساخت.

علم داده، دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای داده و اطلاعات است که از روش‌ها، فرآیند‌ها، الگوریتم‌ها و سیستم‌های علمی برای استخراج دانش و بینش از داده‌ها در اشکال گوناگون (ساختار یافته و ساختار نیافته) استفاده می‌کند.

چرخه‌ی حیات یک پروژه‌ی علم داده شامل مراحل گردآوری داده‌ها، آماده‌سازی داده‌ها، طرح‌ریزی مدل، ایجاد مدل، عملیاتی کردن مدل و در نهایت، ارائه به ذینفعان است.

در این کارگاه، نحوه‌ی انجام کل مراحل چرخه‌ی یک پروژه‌ی علم داده با استفاده از زبان برنامه‌نویسی پایتون و ابزارهای آن در قالب یک پروژه‌ی واقعی بررسی و آموزش داده خواهد شد.

 

مخاطبان کارگاه:

دانشجويان، فارغ‌التحصیلان و محققان رشته‌های علوم و مهندسی کامپيوتر و فناوري اطلاعات

 

سرفصل مطالب:
  • معرفی مفاهیم علم داده و چرخه‌ی حیات یک پروژه‌ی علم داده
  • نصب و راه اندازی محیط­ توسعه و ابزارهای لازم

  • استخراج داده از وب و ایجاد مجموعه داده با Beautifulsoup

  • آرایه‌­ها، ماتریس‌­ها و عملیات ریاضی با Numpy

  • تجزیه و تحلیل و آماده‌سازی داده‌­ها‌ با Pandas

  • مصورسازی داده­‌ها با Matplotlib

  • یادگیری ماشین و ایجاد مدل با Scikit-learn

  • ایجاد مدل‌های یادگیری عمیق با Tensorflow و Keras

  • ارائه‌ی نتایج بدست آمده در قالب Jupyter Notebook

  • معرفی سایر ابزارهای پرکاربرد.

 

عنوان کارگاه آموزشی 2: یادگیری عمیق با پایتون

ارائه دهنده: آقای امین گلزاری اسکوئی (دانشجوی دکترای هوش مصنوعی و رباتیکز دانشگاه تبریز)

مدت زمان کارگاه: ۲ ساعت

 

چکیده:

یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین و هوش مصنوعی است. یادگیری عمیق پیشرفت‌های خارق‌العاده‌ای در چند سال گذشته در حوزه هوش مصنوعی داشته است. تنها در عرض چند سال، از سامانه‌های غیر قابل استفاده تبدیل گفتار به متن و شناسایی تصویر، تقریباً به عملکرد فراانسانی در این مسائل رسیده‌ایم.

این کارگاه کاوشی کاربردی و ملموس از یادگیری عمیق ارائه می‌دهد. در این دوره از مفاهیم ریاضی دوری جسته و در مقابل تلاش گردیده مفاهیم از طریق کدها توضیح داده شود و درک عملی در مورد ایده‌های اصلی یادگیری ماشین و یادگیری عمیق ایجاد شود. این کارگاه در سه بخش تهیه شده است. ما با مسائل ساده شروع خواهیم کرد به صورت تدریجی به روش‌های نوین خواهیم رسید. در بخش یک، نصب و راه اندازی محیط توسعه و ابزارهای لازم برای کار با یادگیری عمیق را معرفی می‌کنیم. بخش دو مقدمه سطح بالایی برای یادگیری عمیق است که در آن محتوا و تعاریف ارائه می‌شود و تمامی نظریه‌های لازم برای شروع یادگیری ماشین و شبکه‌های عصبی توضیح داده می‌شود. بخش سه به کاربردهای عملی یادگیری عمیق در بینایی کامپیوتر و پردازش زبان طبیعی می‌پردازد. از اکثر مسائل معرفی شده در این بخش می‌توان به عنوان الگوی حل مسائل یادگیری عمیق در دنیای واقعی استفاده کرد.

 

مخاطبان کارگاه

دانشجویان، فارغ‌التحصیلان و محققان رشته‌های علوم و مهندسی کامپیوتر و فناوری اطلاعات

 

سرفصل مطالب:

بخش 1: نصب و راه اندازی محیط توسعه و ابزارهای لازم

  • مقدمه‌ای بر کراس، چارچوب یادگیری عمیق
  • راهنمای راه‌اندازی محیط یادگیری عمیق

بخش 2: اصول پایه‌ای یادگیری عمیق

  • یادگیری عمیق چیست؟
  • شروع کار با شبکه‌های عصبی
  • اصول یادگیری ماشین

بخش 3: یادگیری عمیق در عمل

  • یادگیری عمیق برای بینایی ماشین
  • یادگیری عمیق برای متن و دنباله‌ها
  • بهترین نمونه‌های یادگیری عمیق پیشرفته
  • یادگیری عمیق مولد

 

عنوان کارگاه آموزشی 3: محاسبات کوانتومی در یادگیری ماشین: چند نمونه کاربردی

ارائه دهنده: خانم نسیم عبدالملکی (دانشجوی دکترای مهندسی کامپیوتر دانشگاه تبریز)

مدت زمان کارگاه: ۲ ساعت

 

چکیده:

یادگیری ماشین یک موضوع کاملاً بین رشته‌­ای است که بر اساس ایده‌­های مختلف از زمینه‌­هایی مانند هوش مصنوعی، نظریه بهینه­‌سازی، تئوری اطلاعات، آمار، علوم شناختی، کنترل بهینه و بسیاری از رشته­‌های دیگر علوم، مهندسی و ریاضیات، ساخته شده است. یادگیری ماشین تقریباً همه حوزه‌­های علمی را در بر گرفته است، این رشته به دنبال درک اینکه یادگیری چه چیزی است، می‌­باشد و بررسی می­‌کند که چگونه الگوریتم‌­ها یاد می‌­گیرند. با توجه به رشد روز افزون داده­‌های تولید ­شده در عصر حاضر، یافتن ارتباط میان این داده­‌ها و موضوعات توجه بسیاری از محققان را به خود جلب کرده ­است. همچنین در سال­‌های اخیر ایده استفاده از مکانیک کوانتومی در مسائل یادگیری ماشین رشد روز افزون داشته است. یادگیری ماشین کوانتومی (Quantum Machine Learning) گامی فراتر را ادامه می­‌دهد. با این رویکرد که یک الگوریتم کوانتومی باید سریع­تر و دارای محاسبات کمتری از هر الگوریتم کلاسیک شناخته شده برای یک هدف مشخص باشد. در این میان روش‌­های خوشه‌­بندی کوانتومی (Quantum Clustering) بر مبنای تئوری کوانتوم توسط فرمول­‌بندی معادله شرودینگر به وجود آمده­‌اند که برای تشخیص گروه­‌های مشابه و مرتبط به هم در حجم انبوه اطلاعات مناسب به نظر می­‌رسند.

از اهداف مهم این کارگاه، دست ­یافتن به دانش و آگاهی نسبت به مفاهیم اولیه و کاربرد الگوریتم‌­های یادگیری ماشین کوانتومی می‌­باشد. بویژه بهره‌مندی از ویژگی­‌های ذاتی مکانیک کوانتوم و بکارگیری ابزارهای مکانیک کوانتوم در الگوریتم­‌های خوشه­‌بندی که راهی جدید پیش ­روی محققان و دانشجویان در جهت مدیریت، تحلیل و آنالیز حجم عظیم داده­‌های بدون برچسب در دنیای امروز خواهد گشود که بطور بالقوه دقت بیشتر و قابلیت اطمینان بیشتری را برای ما به ارمغان خواهند آورد.

 

مخاطبان کارگاه:

دانشجویان رشته مهندسی کامپیوتر و علاق­مندان به علم آنالیز داده و حوزه مکانیک کوانتوم

 

سرفصل مطالب:
  • آشنایی اولیه با مفهوم یادگیری ماشین و انواع روش‌­های مورد استفاده در یادگیری ماشین و کاربرد آن­ها

  • آشنایی دقیق با مفهوم و روش خوشه‌­بندی مجموعه داده­‌ها

  • بررسی اجمالی الگوریتم­‌های خوشه­‌بندی متفاوت، نقاط قوت و ضعف آنها

  • آشنایی اولیه با مفهوم یادگیری ماشین کوانتومی

  • مرور اجمالی بر کاربردها و روش­های مبتنی بر کوانتوم در یادگیری ماشین

  • بررسی روش خوشه­‌بندی کوانتومی، مزایا و معایب آن

  • مروری بر کدهای خوشه­‌بندی کوانتومی در متلب

 

عنوان کارگاه آموزشی 4: پردازش جریان داده‌ها (Data Stream) در نرم افزار MOA

ارائه دهنده: خانم نگین صمدی (دانشجوی دکترای هوش مصنوعی و رباتیکز دانشگاه تبریز)

مدت زمان کارگاه: ۲ ساعت

 

چکیده:

در اکثر حوزه‌های جدید علمی مانند شبکه‌های حسگر، مدیریت ترافیک، بانکداری، مانیتورینگ و مخابرات، داده‌ها حالت پویا داشته و دائما در حال تولید شدن هستند. در چنین محیط‌های پویایی که داده‌های ورودی از یک جریان داده دارای حجم نمونه­‌ی زیاد و همچنین سرعت ورود بالایی برخوردار هستند، نیازمند یک سیستم پاسخ‌گویی بلادرنگ هستیم. در مقایسه با محیط‌های ایستا، در پردازش جریان داده‌ها، الگوریتم‌های یادگیری با چالش‌های متفاوت و جدیدی رو به رو هستند. برای نمونه می‌توان به محدودیت حافظه، لزوم یادگیری از روی داده‌هایی که فقط یک بار دیده می‌شوند و زمان پاسخ‌گویی کوتاه اشاره کرد. در عصر حاضر، تحلیل جریان داده‌ها و ارائه روش‌های نوین برای پردازش آنها توجه بسیاری از محققان را به خود جلب کرده ­است.

در این کارگاه ابتدا مقدمه‌ای بر جریان داده‌ها، چالش‌ها و روش‌های پردازش جریان داده ارائه می‌شود. همچنین در جهت ارتقا درک عملی محققان، انواع نمونه داده‌های مصنوعی بررسی شده و سناریوهای طبقه‌بندی و ارزیابی متنوعی اجرا می‌گردد. هدف اصلی این کارگاه، ایجاد فرصتی برای آشنایی با نحوه کار با یک نرم افزار تحلیل جریان داده‌ها و انجام سناریو‌های عملی برای ملموس‌تر شدن مبحث نوین تحلیل جریان داده می‌باشد.

 

مخاطبان کارگاه:

دانشجویان، فارغ‌التحصیلان و محققان رشته‌های علوم و مهندسی کامپیوتر و فناوری اطلاعات

 

سرفصل مطالب:
  • معرفی مفهوم جریان داده

  • مروری بر روش‌های پردازش جریان داده‌ها

  • بررسی چالش‌های موجود در حوزه جریان داده

  • مقدمه‌ای بر مفهوم Concept Drift و انواع آن

  • آشنایی با نرم افزار MOA

  • راهنمای نصب نرم افزار

  • آشنایی با نحوه ایجاد جریان داده‌های مصنوعی در MOA

  • آشنایی با نحوه ایجاد Concept Drift در جریان داده‌ها

  • اجرای انواع سناریو طبقه‌بندی جریان داده‌ها

  • بررسی انواع ارزیابی و تست نتایج طبقه‌بندی جریان داده‌ها توسط نرم افزار

 
پوستر کنفرانس گروه تلگرامی کنفرانس گروه واتساپی کنفرانس

طراحی و اجرا: اداره فناوری اطلاعات دانشگاه شهید مدنی آذربایجان