اهداف درس: اهداف درس شامل موارد ذیل می باشد:
1-آشنایی دانشجویان با انواع مدلهای هوش مصنوعی
2-کاربرد و مثالهای واقعی از کاربرد انواع مدلهای هوش مصنوعی در صنعت
3-پیاده سازی مراحل توسعه مدلهای هوش مصنوعی
مباحث درس: مباحث درس:
1-تعریف محاسبات نرم، محاسبات سخت، روشهای یادگیری ماشین، روشهای داده کاوی، الگوریتم های فراکاوشی، مدلهای هوش مصنوعی داده محور، محاسبات تکاملی
2-معرفی مدلهای هوش مصنوعی نظیر:ANN, ANFIS, MT, MARS,SVM,EPR,GMDH,NF-GMDH, GEP
3-معرفی الگوریتم های بهینه سازی: GA,GSA, DE,PSO, ABC, ACO, Multi-Objective Optimization
4- روشهای کاهش بعد (feature extraction):PCA, FS,BS, gamma-test
5-نحوه پیاده سازی آموزش و آزمایش مدلهای هوش مصنوعی ارائه شده در فصل دوم و ترکیب آنها با الگوریتم های بهینه سازی
6-ارزیابی کمی و کیفی نتایج مدلهای هوش مصنوعی، heatmap, box plot, scatter plot, Violin Plot و استفاده از آزمونهای R,RMSE, CoD,IOA,MAE,SI, DR,BIASو ROC، Kappa Coe, AUC
7-نحوه انتخاب زمان تاخیر Lag در سری های زمانی، استفاده از ٌتابع موجک در کاهش نامنظمی های دادهای سری زمانی، استفاده از روشهای سری زمانی کلاسیک در برابر مدلهای مدلهای هوش مصنوعی
8-ساخت مدلهای ترکیبی تابع موجک و هوش مصنوعی
9-نحوه ساخت Datasets با استفاده از روشهای هوش مصنوعی(کاهش هزینه های آزمایشگاهی به همراه مثال سازه ورتکس و پایداری سدهای خاکی)
10-استخراج معنای فیزیکی نتایج مدلهای هوش مصنوعی منطبق با رفتار پدیده
11-مروری بر کاربرد مدلهای هوش مصنوعی، عدم قطعیت، و قابلیت اطمینان در هیدرولیک و منابع آب
12-ارائه بیش از 10 مثال کاربردی از سازه های هیدرولیکی و مدیریت منابع آب در زمینه پیشبینی و بهینه سازی
