دوره هوش مصنوعی کومودور 64: خلق الگوریتم‌های هوشمند در یک ماشین افسانه‌ای همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب هوش مصنوعی کومودور 64: خلق الگوریتم‌های هوشمند در یک ماشین افسانه‌ای

موضوع کلی: هوش مصنوعی کلاسیک

موضوع میانی: هوش مصنوعی روی کامپیوترهای خانگی دهه 80

📋 سرفصل‌های کتاب (100 موضوع)

• 1. آغاز سفر: چرا کومودور 64؟
• 2. معرفی هوش مصنوعی کلاسیک
• 3. کومودور 64: قهرمان گمنام هوش مصنوعی
• 4. محیط توسعه: BASIC روی کومودور 64
• 5. اولین گام‌ها: نوشتن اولین برنامه هوشمند
• 6. ساختارهای داده اولیه: آرایه‌ها و متغیرها
• 7. جستجو: مفاهیم پایه
• 8. الگوریتم جستجوی خطی
• 9. بهینه‌سازی جستجوی خطی
• 10. جستجوی دودویی (Binary Search)
• 11. کاربرد جستجو در مسائل هوش مصنوعی
• 12. حل مسئله با جستجو: مثال‌های ساده
• 13. مقدمه‌ای بر عامل‌ها (Agents)
• 14. عامل‌های واکنشی ساده (Simple Reactive Agents)
• 15. طراحی یک عامل واکنشی
• 16. محدودیت‌های عامل‌های واکنشی
• 17. شبیه‌سازی یک عامل واکنشی روی کومودور 64
• 18. مقدمه‌ای بر منطق (Logic)
• 19. قیاس استثنایی (Modus Ponens)
• 20. قیاس استثنایی منفی (Modus Tollens)
• 21. جداول درستی (Truth Tables)
• 22. نمایش دانش با گزاره‌ها (Propositions)
• 23. سیستم‌های استنتاج مبتنی بر گزاره
• 24. پیاده‌سازی استنتاج گزاره‌ای در BASIC
• 25. نمایش دانش با قوانین (Rules)
• 26. سیستم‌های مبتنی بر قانون (Rule-Based Systems)
• 27. قوانین "اگر-آنگاه" (If-Then Rules)
• 28. موتور استنتاج (Inference Engine)
• 29. طراحی یک سیستم مبتنی بر قانون ساده
• 30. مثال: یک سیستم تشخیص بیماری اولیه
• 31. مثال: یک سیستم مشاوره هوشمند
• 32. محدودیت‌های سیستم‌های مبتنی بر قانون
• 33. جستجو در فضاهای حالت (State-Space Search)
• 34. مفهوم فضای حالت
• 35. گره‌ها (Nodes) و یال‌ها (Edges)
• 36. درخت جستجو (Search Tree)
• 37. عمق اول (Depth-First Search - DFS)
• 38. پیاده‌سازی DFS روی کومودور 64
• 39. مزایا و معایب DFS
• 40. عرض اول (Breadth-First Search - BFS)
• 41. پیاده‌سازی BFS روی کومودور 64
• 42. مزایا و معایب BFS
• 43. جستجوی حریصانه (Greedy Search)
• 44. تابع ارزیابی (Evaluation Function)
• 45. پیاده‌سازی جستجوی حریصانه
• 46. مثال: مسئله سفر فروشنده (TSP) با جستجوی حریصانه
• 47. الگوریتم A* (A-Star Search)
• 48. تابع هزینه (Cost Function)
• 49. تابع پیش‌بینی (Heuristic Function)
• 50. پیاده‌سازی A*
• 51. مزایای A*
• 52. چالش‌های پیاده‌سازی A* روی کومودور 64
• 53. حل مسئله برج هانوی (Tower of Hanoi) با A*
• 54. حل مسئله مسیریابی ساده با A*
• 55. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 56. یادگیری با نظارت (Supervised Learning)
• 57. یادگیری بدون نظارت (Unsupervised Learning)
• 58. یادگیری تقویتی (Reinforcement Learning)
• 59. الگوریتم KNN (K-Nearest Neighbors)
• 60. پیاده‌سازی KNN ساده
• 61. مثال: طبقه‌بندی داده‌های ساده
• 62. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks)
• 63. نورون مصنوعی (Artificial Neuron)
• 64. تابع فعال‌سازی (Activation Function)
• 65. لایه ورودی، لایه مخفی، لایه خروجی
• 66. شبکه‌های عصبی پرسپترون تک لایه
• 67. آموزش پرسپترون تک لایه
• 68. محدودیت‌های پرسپترون تک لایه
• 69. شبکه‌های عصبی پرسپترون چند لایه (MLP)
• 70. انتشار رو به عقب (Backpropagation)
• 71. پیاده‌سازی MLP ساده
• 72. مثال: تشخیص الگوهای ساده
• 73. مقدمه‌ای بر درختان تصمیم (Decision Trees)
• 74. ایجاد گره‌ها و برگ‌ها
• 75. معیار اطلاعات (Information Gain)
• 76. ساخت یک درخت تصمیم ساده
• 77. مثال: تصمیم‌گیری در مورد بازی
• 78. مقدمه‌ای بر الگوریتم‌های تکاملی (Evolutionary Algorithms)
• 79. مفهوم جمعیت (Population)
• 80. انتخاب (Selection)
• 81. تقاطع (Crossover)
• 82. جهش (Mutation)
• 83. الگوریتم ژنتیک (Genetic Algorithm - GA)
• 84. پیاده‌سازی GA ساده
• 85. مثال: بهینه‌سازی پارامترهای یک سیستم
• 86. مقدمه‌ای بر بازی‌سازی (Game Playing)
• 87. استراتژی‌های در مقابل حریف
• 88. حداکثر (Maximizer) و حداقل (Minimizer)
• 89. الگوریتم مینی‌مکس (Minimax Algorithm)
• 90. شاخه‌بندی و هرس آلفا-بتا (Alpha-Beta Pruning)
• 91. پیاده‌سازی مینی‌مکس
• 92. بازی دوز (Checkers) ساده
• 93. بازی XO (Tic-Tac-Toe) با مینی‌مکس
• 94. محدودیت‌های مینی‌مکس
• 95. مقدمه‌ای بر پردازش زبان طبیعی (Natural Language Processing - NLP)
• 96. نمایش کلمات و جملات
• 97. تحلیل گرامری ساده
• 98. تجزیه و تحلیل معنایی اولیه
• 99. ساخت یک سیستم پاسخگو به پرسش ساده
• 100. محدودیت‌های NLP روی کومودور 64