کارگاه های آموزشی : ICSPIS 2026 - دوازدهمین کنفرانس بین المللی پردازش سیگنال و سیستمهای هوشمند

کارگاه های آموزشی

عنوان کارگاه: آشنایی با یادگیری عمیق و پیاده‌سازی شبکه‌های عصبی با PyTorch

مدت زمان کارگاه: 4 ساعت

مدرس کارگاه: امیررضا فاتح (دانشجوی دکتری هوش مصنوعی دانشگاه علم و صنعت ایران)

رئوس مطالب:

مروری بر مفاهیم هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
آشنایی با ساختار و عملکرد شبکه‌های عصبی مصنوعی
معرفی کتابخانه PyTorch و مفاهیم اولیه آن
آماده‌سازی داده‌ها و کار با Dataset و DataLoader
پیاده‌سازی و آموزش یک شبکه عصبی ساده برای طبقه‌بندی تصاویر
آشنایی با شبکه‌های عصبی کانولوشنی (CNN) و کاربردهای آن‌ها
پیاده‌سازی یک مدل CNN و ارزیابی عملکرد آن
معرفی کاربردهای روز یادگیری عمیق در بینایی ماشین و هوش مصنوعی

چکیده: یادگیری عمیق (Deep Learning) یکی از مهم‌ترین شاخه‌های هوش مصنوعی است که در سال‌های اخیر پیشرفت چشمگیری داشته و در حوزه‌هایی مانند بینایی ماشین، پردازش زبان طبیعی، پزشکی، خودروهای خودران و سامانه‌های هوشمند کاربرد گسترده‌ای یافته است. امروزه بسیاری از مدل‌های پیشرفته هوش مصنوعی بر پایه شبکه‌های عصبی عمیق توسعه داده می‌شوند و آشنایی با مفاهیم و ابزارهای این حوزه، یکی از نیازهای اساسی دانشجویان و پژوهشگران به شمار می‌رود.

در این کارگاه، ابتدا مفاهیم پایه یادگیری عمیق و شبکه‌های عصبی به زبان ساده معرفی می‌شود. سپس شرکت‌کنندگان با چارچوب PyTorch به عنوان یکی از پرکاربردترین ابزارهای توسعه مدل‌های یادگیری عمیق آشنا خواهند شد و مراحل آماده‌سازی داده، طراحی مدل، آموزش و ارزیابی آن را به صورت عملی فرا خواهند گرفت. در ادامه، شبکه‌های عصبی کانولوشنی (CNN) و کاربرد آن‌ها در مسائل طبقه‌بندی تصویر معرفی شده و یک نمونه عملی با استفاده از PyTorch پیاده‌سازی خواهد شد. در پایان نیز مروری بر کاربردهای نوین یادگیری عمیق و مسیرهای ادامه یادگیری ارائه می‌شود.

************************************************************************************************

*****************************************************************************

**************************************

عنوان کارگاه: یادگیری ماشین قابل اطمینان

مدت زمان کارگاه: 4 ساعت

مدرس کارگاه: دکتر اسماعیل طحانیان (استادیار گروه هوش مصنوعی، دانشگاه صنعتی شاهرود)

چکیده: با گسترش روزافزون کاربرد هوش مصنوعی، تنها دستیابی به دقت بالا برای مدل‌های یادگیری ماشین کافی نیست. امروزه مدل‌ها باید علاوه بر عملکرد مناسب، در برابر تغییرات داده مقاوم باشند، تصمیم‌های خود را به‌صورت قابل فهم ارائه دهند و در برابر تهدیدها و حملات امنیتی از قابلیت اطمینان برخوردار باشند. این کارگاه با تمرکز بر اصول یادگیری ماشین قابل اعتماد، مفاهیم کلیدی تعمیم‌پذیری، توضیح‌پذیری و امنیت مدل‌های یادگیری ماشین را همراه با چالش‌ها، روش‌ها و کاربردهای عملی آن‌ها معرفی می‌کند.

تعمیم‌پذیری:

چرا مدل‌ها در مواجهه با داده‌های ناشناخته دچار خطا می‌شوند؟
راهکارهای افزایش پایداری مدل در برابر داده‌های خارج از توزیع
وقتی سوگیری‌ها تغییر می‌کنند؛ آیا مدل همچنان قابل اعتماد است؟

توضیح‌پذیری:

توضیح‌پذیری و تفسیرپذیری؛ چرا مدل‌ها باید قابل فهم باشند؟
رویکردهای مدرن برای تفسیر رفتار مدل‌های یادگیری ماشین

امنیت:

امنیت مدل‌های هوش مصنوعی؛ تهدیدها و چالش‌ها
آیا می‌توان مدل‌های هوش مصنوعی را فریب داد؟
حملات به داده‌های آموزشی؛ تهدیدی برای اعتماد به مدل
مدل‌های زبانی بزرگ؛ فرصت‌ها و چالشهای امنیتی

************************************************************************************************

*****************************************************************************

**************************************

عنوان کارگاه: از یادگیری عمیق تا مدل‌های بنیادین؛ آینده هوش مصنوعی در تصویربرداری عصبی با تمرکز بر تحلیل تصاویر MRI بیماران مبتلا به مولتیپل اسکلروزیس (ام‌اس)

مدت زمان کارگاه: 6 ساعت

مدرس کارگاه: دکتر مهشید دهقانپور (دکتری هوش مصنوعی، مدرس و پژوهشگر دانشگاه صنعتی شاهرود)

چکیده: هوش مصنوعی در سال‌های اخیر تحولی چشمگیر در تحلیل تصاویر پزشکی ایجاد کرده و نقش آن در تشخیص، پایش و مدیریت بیماری‌های نورولوژیک، به‌ویژه ام‌اس، روزبه‌روز پررنگ‌تر شده است. پیشرفت‌های اخیر، این حوزه را از روش‌های متداول یادگیری عمیق فراتر برده و به سمت مدل‌های بنیادین، هوش مصنوعی قابل تفسیر، یادگیری چندوجهی و سامانه‌های هوشمند قابل اعتماد در کاربردهای بالینی سوق داده است. با گسترش سریع این فناوری‌ها، آشنایی با جدیدترین رویکردها و چشم‌انداز آینده هوش مصنوعی در تصویربرداری عصبی برای پژوهشگران، دانشجویان و متخصصان این حوزه بیش از هر زمان دیگری ضروری است.

در این کارگاه، شرکت‌کنندگان با سیر تکامل هوش مصنوعی در تحلیل تصاویر MRI بیماران مبتلا به ام‌اس، از معماری‌های کلاسیک یادگیری عمیق تا جدیدترین مدل‌های بنیادین پزشکی و چارچوب‌های هوش مصنوعی چندوجهی آشنا خواهند شد. همچنین، از طریق معرفی مجموعه‌داده‌های مرجع، نمایش‌های عملی، مطالعات موردی واقعی و بررسی روندهای نوظهور پژوهشی، دیدگاهی جامع نسبت به فناوری‌های نوین، کاربردهای بالینی، چالش‌های موجود و مسیر آینده پژوهش در تصویربرداری عصبی به دست خواهند آورد. هدف این کارگاه، فراهم کردن دانش نظری و بینش کاربردی لازم برای درک، ارزیابی و توسعه نسل آینده سامانه‌های هوش مصنوعی در حوزه تصویربرداری پزشکی است.

محورهای اصلی کارگاه