دوره جامع مدل‌سازی ترکیبی؛ تلفیق قوانین فیزیکی و داده‌کاوی در مهندسی و علوم پایه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مدل‌سازی ترکیبی؛ تلفیق قوانین فیزیکی و داده‌کاوی در مهندسی و علوم پایه

موضوع کلی: هوش مصنوعی و مدل‌سازی پیشرفته

موضوع میانی: یادگیری ماشین علمی (Scientific Machine Learning)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین علمی و ضرورت تلفیق فیزیک و داده
• 2. مروری بر مدل‌های ریاضی و معادلات دیفرانسیل در مهندسی
• 3. چالش‌های یادگیری داده‌محور در غیاب دانش فیزیکی
• 4. آشنایی با شبکه‌های عصبی آگاه از فیزیک (PINNs)
• 5. ساختار و معماری شبکه‌های عصبی برای تقریب توابع فیزیکی
• 6. تعبیه قوانین بقا و معادلات حاکم در تابع زیان (Loss Function)
• 7. روش‌های مشتق‌گیری خودکار برای حل معادلات دیفرانسیل
• 8. حل مسائل مقدار مرزی و اولیه با استفاده از شبکه‌های عصبی
• 9. بهینه‌سازی پارامترهای مدل با استفاده از داده‌های تجربی و نظری
• 10. مدل‌سازی سیستم‌های دینامیکی با استفاده از یادگیری ماشین
• 11. تلفیق مدل‌های جایگزین (Surrogate Models) در شبیه‌سازی‌های مهندسی
• 12. یادگیری عملگرها (Operator Learning) برای حل معادلات با مشتقات جزئی
• 13. روش‌های تحلیل حساسیت در مدل‌های ترکیبی فیزیک و داده
• 14. کنترل عدم قطعیت در پیش‌بینی‌های مدل‌های علمی
• 15. کاربرد یادگیری ماشین علمی در شبیه‌سازی جریان سیالات
• 16. مدل‌سازی انتقال حرارت با استفاده از شبکه‌های عصبی آگاه از فیزیک
• 17. بهینه‌سازی ساختاری و تحلیل تنش با رویکرد داده‌کاوی علمی
• 18. حل مسائل معکوس (Inverse Problems) در شناسایی پارامترهای فیزیکی
• 19. کاربرد یادگیری ماشین در تحلیل داده‌های سنسوری و ابزار دقیق
• 20. تلفیق دانش خبرگان با مدل‌های داده‌محور در فرآیندهای صنعتی
• 21. ارزیابی دقت و پایداری عددی در مدل‌های ترکیبی
• 22. مقایسه روش‌های عددی کلاسیک با رویکردهای یادگیری ماشین علمی
• 23. مدیریت کلان‌داده‌های علمی در محیط‌های آزمایشگاهی و صنعتی
• 24. پیاده‌سازی مدل‌های ترکیبی با استفاده از کتابخانه‌های استاندارد پایتون
• 25. آینده مدل‌سازی هوشمند در مهندسی و علوم پایه کشور