مبانی محاسبات (رايانش) نرم
نيمسال اول 1405-1404
مدرس: دکتر هادی ویسی
دانشکده علوم و فنون نوین، دانشگاه تهران
آدرس ایمیل: h.veisi@ut.ac.ir
پیش نیاز: تشنگی در یادگیری
تعداد واحد: ۳
زمان و محل برگزاری
- یکشنبه و سهشنبه، ساعت ۹:۰۰ الی ۱۰:۳۰
حضوری در دانشکده سامانههای هوشمند
دستیاران آموزشی
علیرضا نعمتی: alinmt94@gmail.com
کیوان شکروی: hadivardanjani1378@gmail.com
درباره 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 (الگوریتم ژنتیک و الگوریتمهای هوش جمعی) است. در این درس، اصول نظری و عملی با روشهای غالب در سه موضوع مذکور پوشش داده میشوند و تمرینهای متناسب ارائه میشود.
منابع
- 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)
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.
- Kamath, U., Keenan, K., Somers, G., & Sorenson, S., Large language models: A deep dive. Springer Nature, 2024.
- محمد صنيعي آباده، زهره جبلعامليان، الگوريتمهاي تكاملي و محاسبات زيستي، انتشارات نياز دانش، 1403.
- David E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989.
- George J. Klir, Bo Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall, 1995.
- Karray, C. De Silva, Soft Computing and Intelligent Systems Design: Theory, Tools, and Applications, Addison-Wesley Publishing, 2004.
- 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.
اسلایدها و لینکها
تمرینها
نمرهدهی
توضیح |
وزن |
عنوان |
| بعد از هر موضوع (وزن تمرینها برابر نیست) | ۵۵% | تمرین |
|
ممکن است بدون اعلام قبلی باشد |
۵% |
آزمونک (کویز) |
| سهشنبه ۱۴۰۴/۰۹/۱۸ ساعت ۹:۰۰ | ۲۰% | آزمون میانترم |
| از کل مطالب درس، مطابق برنامه دانشگاه | ۲۰% | آزمون پایانترم |
| موضوع اختیاری، مرتبط با مطالب درس (آخرین مهلت انتخاب موضوع: روز آزمون میانترم) تحویل پروژه: اولین هفته بعد از آخرین امتحان پایانترم |
۱۰% | (نمره اضافی)پروژه |
با توجه به اینکه بخش عمده نمره به تمرینها و انجام پیادهسازیها (کارهای عملی) اختصاص داده شده است، لذا جهت موفقیت، همراهی دانشجو در طول ترم و یادگیری مستمر، ضروری است.
سیاستهای درس
۱. 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):
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 SC_Ahmadi_830496001_HW1.rar است.
دیرکرد 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 دیرکرد (از یک ثانیه تا 60 دقیقه!) به میزان 1% از نمره آن کسر میشود. هر دانشجو در انتهای نیمسال میتواند از امکان بخشودگی یک مورد دیرکرد (برای یک تمرین)، حداکثر به اندازه یک روز (24 ساعت)، به انتخاب خودش برخوردار شود.
استفاده از هوش مصنوعی برای تولید پاسخ تمرینها: بکارگیری و استفاده از مدلهای هوش مصنوعی زاینده مانند ChatGPT، Gemeni، Claude و … در یافتن پاسخ سوالها یا کدنویسی اکیدا توصیه میشود و میتوانید از این مدلها برای یافتن سریعتر راهحلها استفاده کنید اما توجه کنید که نیاز است پاسخ ارائه شده توسط خودتان فهم شده و بر آن مسلط شوید. برای ارزیابی این موضوع، تمرینها پس از ارسال، در صورت لزوم، به صورت حضوری از شما تحویل گرفته میشود و تسلط شما بر پاسخها و کدها سنجیده میشود.
۲. 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. این آزمونها در کلاس و به صورت حضوری است.
۳. امتحان میانترم و پایانترم: امتحان میانترم در تاریخ بیان شده و شامل کلیه مطالب تدریس شده تا آن تاریخ است و به صورت حضوری برگزار میشود. امتحان پایانترم شامل کلیه مطالب تدریس شده (از جمله مطالب پوشش داده شده در میان ترم) است.
۴. پروژه: برای درس، هر دانشجو میتواند (به صورت اختیاری) یک پروژه کاربردی جهت پیادهسازی انتخاب کرده و آن را در Python (یا سایر زبانهای برنامهنویسی) پیاده کند. پروژه حتما باید دارای پیادهسازی باشد و کار مطالعاتی به تنهایی پروژه محسوب نمیشود. در پروژه نیاز به نوآوری نیست و انجام یک کار مشابه آنچه که قبلا در یک مقاله یا پایاننامه انجام شده است، مورد قبول است. دانشجویانی که علاقمند به انجام پروژه هستند باید تا تاریخ اعلام شده موضوع پروژه خود را اعلام کرده باشند؛ اعلام موضوع پس از آن مورد پذیرش نخواهد بود و به معنای عدم انجام پروژه است. در زمان تحویل پروژه، موارد زیر باید تحویل شود:
۱. کلیه کدهای پروژه
۲. گزارش مکتوب (به صورت تایپ شده) شامل توضیح روش و جزئیات پیادهسازی و نتایج بدست آمده و تحلیلهای مربوطه
۳. دادههای مورد استفاده در پروژه
۴. مقالهها و منابع مورد استفاده
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 برای دانشجویان به صورت نمره مازاد در نظر گرفته میشود. بارم بندی نمرات به صورت زیر است:
• انجام درست پیادهسازی و مرتب بودن کدها: ۵۰%
• کامل بودن گزارش (شامل نحوه استفاده از کد و مبانی علمی کار) و رعایت اصول نگارشی در آن: ۲۵%
• ارائه نتایج و تحلیل آن (در گزارش): ۲۵%
نمونههایی از موضوع پروژههای درس عبارتنداز:
• تشخیص احساس در متن نظرات دیجی کالا با یادگیری عمیق
• تشخیص مسیر حرکت در خودروهای خودران با یادگیری عمیق
• تشخیص تقلب در تراکنشهای بانکی
• تبدیل گفتار (تبدیل صدای فردی به صدای فردی دیگر)
• پیشبینی قیمت ارز/طلا/شاخص بورس
• تولید خودکار متن (مانند شعر فردوسی) با شبکههای عصبی عمیق
• شمارش تعداد افراد در تصاویر ویدئویی (در متروی تهران)
• استفاده از مدلهای زبانی بزرگ (LLM) برای ساخت چتبات/دستیار/عامل
• تخمین قیمت املاک/خودروها در اپلیکیشن دیوار/شیپور
• تخمین قیمت هر سفر در تاکسی اینترنتی تپسی/سنپ
۵. بازنگری نمرهها و برگهها: دانشجویانی که درخواست دارند هر کدام از نمرات آنها بازنگری شود و یا برگههای آزمونهای خود را ببینند، در تاریخی که برای تحویل پروژه درس اعلام میشود (هفته بعد از آخرین امتحان پایانترم)، میتوانند این کار را انجام دهند. رسیدگی به همه موارد فقط در این تاریخ انجام میشود.
۶. تقلب و کپیبردای: هدف درس تمرین و یادگیری مطالب موردنظر توسط دانشجو در طول ترم است و لازم است تمام مطالب مربوط به تمرینها و پاسخدهی به آزمونها توسط خود دانشجو انجام شود. هرچند همکاری و همفکری دانشجویان در حل مسائل درس در مواردی مانند حل تمرینها اکیدا 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.
نمرهها
دانشجویان عزیز، با داشتن شماره دانشجویی می توانید نمرات خود را مشاهده کنید.
سعی شده است امتیازات با نهایت دقت و انصاف محاسبه شود.
برای مشاهده هر بخش، روی عنوان آن کلیک و سپس روی دانلود کلیک کنید.