بهینه سازی و یادگیری ماشینی

شرح و سرفصل ها

عنوانِ اصلی: No Code ML

عنوانِ فرعی: بهینه‌سازی با Wallacei و یادگیریِ ماشینی با LunchBoxML

این دوره در 10 نشستِ 2 ساعت و 30 دقیقه‌ای (در مجموع 25 ساعت) برگزار می‌شود.
شنبه ها و دوشنبه ها 12:30-10:00
باتوجه به‌کثرتِ پلاگین‌های موجود برای گرسهاپر و توجهِ ویژه‌ی طراحان و برنامه‌نویسان به‌هوشِ مصنوعی، به‌نظر می‌رسد هم‌اکنون می‌توان بخشی -هر چند کوچک اما قابلِ ملاحظه- از یادگیری‌ماشینی را به‌راحتی و بدونِ نیاز به‌کمترین کدنویسی در قالبِ ابزارهای از پیش آماده در اختیار داشت. در دوره‌ی پیشِ رو سعی بر این است که بدونِ استفاده از ابزارهای کدنویسی و صرفاً به‌کمک پلاگین‌های موجود، مبانیِ یادگیری‌ماشینی و کاربردهای آن در معماری موردِ مطالعه قرارگیرد.

5 نشستِ نخست، Wallacei:

در ابتدای این دوره به‌بررسیِ الگوریتمِ ژنتیک و به‌طورِ خاص الگوریتمِ NSGA-II در بهینه‌سازی می‌پردازیم، در ادامه به‌تفصیل رابطِ کاربریِ پلاگینِ Wallacei و کامپوننت‌های آن را بررسی خواهیم کرد. پس از این چند نمونه‌ی کاربردی از بهینه‌سازیِ هندسی، سازه‌ای، اقلیمی و ... را تمرین می‌کنیم. در پایان روش‌های تولیدِ خروجی‌ها و نمودارهای مناسب به‌منظورِ ارائه بررسی می‌شود.

5 نشستِ پایانی، LunchBoxML:

در بخشِ دوم ابزارهای یادگیریِ ماشینی با تمرکز بر پلاگینِ LunchBoxML بررسی می‌شود. در این قسمت سعی بر این است تا در کنار استفاده‌ی عَمَلی از کامپوننت‌های موجود، مفاهیمِ پایه‌ای و ابتداییِ یادگیریِ ماشینی در هر دو حوزه‌ی Supervised و Unsupervised واکاوی شود. در ابتدا به مفهومِ Regression، انواع و کاربردهای هریک می‌پردازیم، پس از این با Mixture Modelها و ابزارهای Clustering آشنا خواهیم شد. در نهایت از Neural Networkها استفاده خواهیم کرد و تلاش خواهد شد با استفاده از گرسهاپر دیتاست‌های مناسبی برای آموزشِ این شبکه‌ها آماده شود. بعد از این دقتِ شبکه‌ی عصبیِ آموزش داده شده بررسی می‌شود و روش‌هایی برای بهبودِ عمل‌کرد شبکه‌ی موردِ بحث، پیشنهاد خواهد شد.

واضح است که تمرکز اصلی این دوره بر فرآیند بهینه‌سازی‌ و یادگیریِ ماشینی‌ست و تعمق در آنالیزهای سازه‌ای، اقلیمی و ... خارج از سرفصلِ این دوره است.

پیش‌نیاز: شناختِ گرسهاپر