سامانه جامع معاونت فرهنگی اجتماعی | وبینار meta learning in forcasting (با پیاده‌سازی پکیجMeta Ts)

انجمن علمی دانشجویی مهندسی صنایع

وبینار meta learning in forcasting (با پیاده‌سازی پکیجMeta Ts)

سحر پيروزان نيا

نوع درخواست:	رویداد های علمی و آموزشی (وبینار)
سطح برگزاری:	کشوری
سخنران:	ساسان براک
سخنران:	امیرعباس اسدی
تاریخ برگزاری:	پنجشنبه, 09 تیر 1401
مکان برگزاری:	اسکای روم
مجموعه‌های همکار:	برخی دانشگاه های مطرح کشور،خانه مهندسی صنایع,
مدت زمان برنامه(دقیقه):	120
تعداد افراد شرکت کننده:	24

انجمن علمی دانشجویی مهندسی صنایع معاونت فرهنگی و اجتماعی دانشگاه الزهرا(س) با همکاری انجمن ‌‌علمی صنایع دانشگاه علم‌ و‌‌ صنعت، خانه مهندسي صنايع و برخي از دانشگاه‌هاي برتر كشور، "وبینار meta learning in forcasting (با پیاده‌سازی پکیجMeta Ts) را با موضوع متالرنینگ در پیش بینی(با پیاده سازی پکیج Meta Ts برای اولین بار)" را با سخنرانی آقایان ساسان براک(استادیار دانشگاه ساوتهمپتون) و امیرعباس اسدی(محقق مستقل هوش مصنوعی) در روز پنجشنبه 9 تیرماه 1401 از ساعت 20 الی 22 با حضور 24 نفر از علاقمندان در فضای مجاز اسکای روم برگزار کرد. سری وبینار‌های رایگان سیگموئید‌‌ با هدف هم‌افزایی و پیشرفت جامعه هوش مصنوعی و علم داده در ایران ایجاد شده است، در هرقسمت از سری وبینارها موضوعی بروز و کاربردی در حوزه هوش مصنوعی وعلم داده با ارائه برترین‌های این حوزه مورد بررسی قرار می‌گیرد.‌ ‌‌‌‌‌‌‌‌‌‌‌در این قسمت دکتر ساسان باراک و مهندس امیرعباس اسدی به توضیح وارائهmeta learning in” forcasing “پرداختند. متالرنیگ (Meta-learning) که یادگیری فرآیند یادگیری (Learn to Learn) هم نامیده می شود از زیر شاخه های یادگیری ماشین است که هدف آن طراحی مدلی است که به سرعت و با تعداد کمی نمونه های آموزشی، مهارت های جدید را یاد بگیرد و با محیط های جدید تطبیق یابد .این زیرشاخه در حال حاضر جزو پر مباحثه‌ترین زیر شاخه‌های هوش مصنوعی در جهان است. یک مدل یادگیری ماشین خوب اغلب نیاز به تعداد زیادی نمونه های آموزشی دارد. اما انسان، مفاهیم و مهارت های جدید را به سرعت یاد می گیرد. مثلا یک کودک با چند بار دیدن گربه و پرنده می تواند انها را از هم تشخیص دهد. هدف متالرنینگ نیز یادگیری سریع و با تعداد کمی نمونه های آموزشی است. انعطاف‌پذیری مهم است زیرا هر الگوریتم یادگیری بر مجموعه‌ای از فرضیات در مورد داده‌ها، یا به عبارتی سوگیری استقرایی داده‌ها، استوار است. این بدان معنی است که یادگیری فقط درصورتی به درستی انجام می‌شود که سوگیری با مسئله یادگیری مورد نظر مطابقت داشته باشد. یک الگوریتم یادگیری ممکن است در یک حوزه عملکرد بسیار خوبی داشته باشد، اما در حوزه بعدی چنین نباشد. این امر محدودیت‌های شدیدی را در استفاده از تکنیک‌های یادگیری ماشین یا داده کاوی تحمیل می‌کند، زیرا رابطه بین مسئله یادگیری (اغلب نوعی پایگاه داده) و مؤثر بودن الگوریتم‌های یادگیری متفاوت هنوز پیدا نشده‌است. با استفاده از انواع مختلف فراداده، مانند خصوصیات مسئله یادگیری، خصوصیات الگوریتم (مانند معیارهای عملکرد)، یا الگوهایی که قبلاً از داده‌ها کشف شده‌است، می‌توان الگوریتم‌های یادگیری مختلف را آموخت، انتخاب کرد، تغییر داد، یا ترکیب کرد تا به‌طور مؤثر یک مسئله یادگیری داده شده را حل کرد. موضوعات مطرح شده در این وبینار: oاستفاده از متالرنینگ در پیش‌ بینی oمتالرنینگ در انتخاب مدل oویژگی های متالرنینگ oپیاده سازی پکیج MetaTs سخنرانان و مدعوین کلیدی جلسه: دکتر ساسان براک: استادیار دانشگاه ساوتهمپتون، بیان‌گذار و مدیرعامل شرکتDeep Finance مهندس امیرعباس اسدی: کارشناسی مهندسی کامپیوتر، محقق مستقل هوش مصنوعی مناسب برای افراد: علاقه‌مند یا حوزه علم داده، مهندسین کامپیوتر، مهندسین صنایع، علوم کامپیوتر

لینک های مفید

معاونت فرهنگی و اجتماعی دانشگاه الزهرا(س)