اولین مدرسه پاییزه هوش مصنوعی در علوم ورزشی

مدرسه علم داده و هوش ‌مصنوعی در صنعت ورزش:

مرکز نوآوری اسپورتک با همکاری مرکز نواوری علم داده برای کسانی که علاقمند به یادگیری مباحث مرتبط با علم داده و هوش مصنوعی در هر رشته ای هستند یک دوره 8 روزه در روزهای ۸ و ۹ – ۱۵ و ۱۶- ۲۲و ۲۳- ۲۹و۳۰ آذر ماه به صورت حضوری برگزار می گردد. در ادامه به ترتیب به طرح دروس مدرسه علم داده و هوش مصنوعی در صنعت ورزش پرداخته می شود.

• پایتون برای علم داده: پایتون برای علم داده، مهارت‌های لازم و ضروری برای استفاده از زبان برنامه‌نویسی پایتون در زمینه علم داده و هوش مصنوعی را آموزش می‌دهد.
• شرکت کننده ها در انتهای این آموزش چه مطالبی را می‌آموزند؟

در انتهای این آموزش، شرکت‌کنندگان قادر خواهند بود تا پایه‌های لازم برای شروع به کار با ماشین لرنینگ را بیاموزند و در پروژه‌های واقعی از این دانش استفاده کنند

سرفصل درس:

• معرفی زبان برنامه‌نویسی پایتون
• نصب و راه‌اندازی محیط توسعه
• متغیرها و انواع داده
• عملگرها و عبارات شرطی
• حلقه‌ها و توابع
• معرفی و کار با کتابخانه‌های پایتون برای ماشین لرنینگ

مدرس دوره: مسعود کاویانی

مدت: دو روز

 

• جمع آوری داده، پیش پردازش داده و اکتشاف داده:
• به پروسه جمع‎آوری داده برای استفاده در تصمیم‌گیری تجاری، برنامه ریزی استراتژیک، تحقیقات و اهداف دیگر جمع‌آوری داده میگویند. این کار بخش الزامی برای تحلیل داده و تحقیقات روی داده است. جمع‌آوری داده موثر اطلاعاتی را فراهم میکند که به سوالات ما پاسخ دقیق میدهد، کسب و کار را تحلیل میکند و یا به اهداف دیگر ما پاسخ میدهد. اطمینان از صحت داده و کیفیت آنها از چالش های جمع‌آوری داده است.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

داده کجاست؟ چرا داده جمع آوری می شود؟ تعیین اینکه چه داده ای باید جمع­آوری شود؟ چگونه باید داده را جمع­آوری کرد؟ مسکلات جمع­آوری داده چیست؟

سرفصل:

• جمع‎آوری داده برای استفاده در تصمیم‌گیری تجاری، برنامه ریزی استراتژیک، تحقیقات و اهداف دیگر
• جمع‌آوری داده موثر در راستای فراهم سازی اطلاعات مفید در جهت تحلیل کسب و کار یا اهداف دیگر
• اطمینان از صحت داده و کیفیت آنها
• پیش‌پردازش داده شامل تمیز کردن، تبدیل و تحلیل داده‌ها به منظور آماده‌سازی آنها برای مراحل بعدی تحلیل داده است. این مراحل شامل حذف داده‌های تکراری یا ناقص، تبدیل داده‌ها به فرمت‌های قابل استفاده و ایجاد ویژگی‌های جدید برای استفاده در مدل‌های پیش‌بینی و تحلیل داده می‌باشد.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

 

• مدیریت متغیرها، پراکندگی، افزایش بعد، مقادیر گمشده، داده­های پرت، نرمال‌سازی، تبدیل داده و مهندسی ویژگی، جداسازی داده و مدیریت داده‌های نامتوازن

سرفصل:

• به فرایند پیش پردازش‌داده خام در راستای خوانایی و دقیق بودن برای پردازش و تحلیل داده
• جمع‌آوری از منابع مختلف، استاندارد سازی ساختار داده، تمیزکردن و برچسب‌زنی داده
• آماده سازی داده برای الگوریتم‌های یادگیری ماشین، اکتشاف و مصورسازی داده
• اکتشاف داده نیز شامل استفاده از روش‌ها و تکنیک‌های مختلف برای کشف الگوها، روابط و اطلاعات مفید در داده‌ها است که می‌تواند به درک بهتر داده‌ها و انتخاب ویژگی‌های مهم برای مدل‌سازی کمک کند.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

 

• مقدمه ای بر تحلیل داده های اکتشافی(EDA)، اکتشاف داده با مصورسازی، گروه بندی داده برایEDA ، تبدیل متغیر، رمزگذاری ویژگی، مقیاس بندی ویژگی ها

در این دو روز دانشجویان مهارت های لازم برای جمع‌آوری داده از منابع مختلف و پیش‌پردازش داده برای آماده‌سازی آنها و همچنین اکتشاف داده را برای تحلیل و مدل‌سازی داده یاد می‌گیرند.

سرفصل:

• تحلیل اکتشافی داده و مصورسازی آن به وسیله نمودار در جهت یافتن اطلاعات و ارزش های مخفی درون داده
• مصورسازی داده‌ در راستای کمک به تحلیلگر داده جهت خلاصه سازی داده‌ با هدف فرآیند شناخت و کشف ساده تر اطلاعات
• آشنایی با ابزارهای مصورسازی و داشبوردهای مدیریتی

    مدرسین دوره: دکتر مسعود مظلوم، مهدی ناصحیان، سروش ریاضی، حامد قاسمیه

    مدت: دو روز

 

• پایگاه داده: داده‌های مدرن برای ذخیره و بازیابی نیاز به تکنولوژی‌هایی پیشرفته‌تر از پایگاه داده‌های سنتی دارند. سرعت تولید و مصرف بالای داده‌ها در کنار تنوع و حجم بالای آن‌ها، این نیازمندی را در بین متخصصان علم داده ایجاد کرده است.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

آشنایی با ابزارهای مدرن برای ذخیره و بازیابی اطلاعات با حجم و سرعت تولید بالا

       سرفصل:

• آشنایی با ابزارهای مدرن برای ذخیره و بازیابی اطلاعات با حجم و سرعت تولید بالا
• توانایی پردازش داده‌های حجیم با سرعت بالا برای عملیات مختلف داده‌کاوی و یادگیری ماشین

مدرس دوره: دکتر مسعود کاویانی و دکتر سهیل تهرانی پور

مدت: دو روز

 

• آمار برای علم داده: آمار برای علم داده مفاهیم و مهارت‌های آماری لازم و ضروری برای تجزیه و تحلیل داده‌ها در زمینه علم داده را به صورت عملی با استفاده از زبان برنامه نویسی پایتون آموزش می‌دهد. این درس به مباحثی از آمار کاربردی در حوزه علوم داده می‌پردازد. در این درس، ابتدا مقدماتی از ابزارهای آماری مورد نیاز بیان می‌شوند و سپس مدلهای آماری و توزیع ‌های مهم شرح داده می‌شوند. همچنین روشهای احتمالاتی و ابزارهای مهم با کاربرد در علوم داده و یادگیری ماشین بیان می‌شوند. مدلهای رگرسیونی از جمله مدلهای آماری است که در کارگاه بیان می شوند و همچنین توسعه آنها برای داده های ابعاد بالا نیز تشریح می‌شود.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

در انتهای کارگاه، دانشجویان باید بتوانند ابزارهای مهم آماری و احتمالاتی لازم را کسب کنند.

سرفصل:

• شناسایی ویژگی‌های مهم مدلها و ابزارهای آماری در علم داده
• چگونگی کار با ابزارهای آماری و به کارگیری مناسب آنها برای تحلیل دادگان
• آشنایی با ابزارها و کتابخانه های پایتون برای تحلیل آماری دادگان

    مدرس دوره: دکتر مسعود کاویانی و دکتر سهیل تهرانی پور

   مدت: یک روز

• یادگیری ماشین: یادگیری ماشین برای علم داده، مهارت‌های لازم برای استفاده از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌ها و استخراج دانش از آنها را به صورت مقدماتی آموزش می‌دهد. هدف از این درس، آشنایی با مبانی و مفاهیم یادگیری ماشین و الگوریتم‌های پایه به همراه تمرین عملی آنها می­باشد.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

مبانی یادگیری ماشین، روش‌های دسته‌بندی، روش‌های خوشه‌بندی، آشنایی با پیاده‌سازی و استفاده از برخی از الگوریتم‌های یادگیری ماشین

سرفصل:

• مبانی یادگیری ماشین
• روش‌های دسته‌بندی از جمله :
  • بیز ساده، نزدیکترین همسایه، رگرسیون، درخت تصمیم و شبکه‌های عصبی مصنوعی، پرسپترون، آدالاین و پرسپترون
• روش‌های خوشه‌بندی از جمله:
  • k-میانگین و meanshift
• آشنایی با پیاده‌سازی و استفاده از برخی از الگوریتم‌های یادگیری ماشین

    مدرس دوره: دکتر هادی ویسی

    مدت: یک روز

• پردازش متن : در این دوره سعی بر آن شده تا با زبان ساده، کاربردی و عملی انواع داده های متنی با زبان های مختلف را مورد پردازش قرار دهند تا دانشجو بتواند از روی داده های متنی پردازش و خلق ارزش داشته باشد و در مراحل بعدی انواع روش های پردازش زبان طبیعی را بر روی داده های متنی پردازش شده بکار گیرد.
• شرکت کننده ها در انتهای دوره چه مطالبی را می‌آموزند؟

مبانی پردازش متن ، پردازش داده متنی ، مبانی فرایند های پیش پردازش برروی داده های متنی ،استخراج الگو از داده های متنی ،کتابخانه های مختلف پردازش متن و زبان طبیعی .

    مدرس دوره: دکتر هادی کلماتی و مهندس صالحی

    مدت: یک روز

• مسابقه داده: تحلیل و بازگشایی یک پروژه واقعی علم داده (اسپانسر)

 

جدول زمانبندی دوره:

پنجشنبه 8/09	جمعه 9/09	پنجشنبه 15/09	جمعه 16/09	پنجشنبه 22/09	جمعه 23/09	پنجشنبه 29/09	جمعه 30/09
8 تا 10:30 پایتون برای علم داده	8 تا 10:30 پایتون برای علم داده	8 تا 10:30 جمع آوری داده	8 تا 10:30 اکتشاف داده و مصور سازی	8 تا 10:30 پایگاه داده	8 تا 10:30 یادگیری ماشین	8 تا 10:30 پردازش متن	8 تا 10:30 مهارت های نرم و کار تیمی
10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت	10:30 تا 11استراحت
11 تا 12:30 پایتون برای علم داده	11 تا 12:30 پایتون برای علم داده	11 تا 12:30 جمع آوری داده	11 تا 12:30 اکتشاف داده و مصور سازی	11 تا 12:30 پایگاه داده	11 تا 12:30 یادگیری ماشین	11 تا 12:30 پردازش متن	11 تا 12:30 مهارت های نرم و کار تیمی
12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار	12:30 تا 1:30 ناهار
13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت	13:30 تا 2 ارتباط با صنعت
14 تا 15:30 پایتون برای علم داده	14 تا 15:30 پایتون برای علم داده	14 تا 15:30 جمع آوری داده	14 تا 15:30 اکتشاف داده و مصور سازی	14 تا 15:30 آمار برای علم داده	14 تا 15:30 یادگیری ماشین	14 تا 15:30 پردازش متن	14 تا 15:30 تحلیل و بازگشایی یک پروژه واقعی
15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت	15:30 تا 16 استراحت
16 تا 17:30 پایتون برای علم داده	16 تا 17:30 پایتون برای علم داده	16 تا 17:30 پیش پردازش داده	16 تا 17:30 پایگاه داده	16 تا 17:30 آمار برای علم داده	16 تا 17:30 یادگیری ماشین	16 تا 17:30 پردازش متن	16 تا 17:30 تحلیل و بازگشایی یک پروژه واقعی
17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت	17:30 تا 18 استراحت
18 تا 19 پایتون برای علم داده	18 تا 19 پایتون برای علم داده	18 تا 19 پیش پردازش داده	18 تا 19 پایگاه داده	18 تا 19 آمار برای علم داده	18 تا 19 یادگیری ماشین	18 تا 19 پردازش متن	18 تا 19 تحلیل و بازگشایی یک پروژه واقعی
				19تا 20:30 نشست علمی