فلش‌کارت‌های آموزشی کاربرد AI قابل اعتماد

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد AI قابل اعتماد

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: هوش مصنوعی قابل اعتماد (Trustworthy AI)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر هوش مصنوعی قابل اعتماد
• 2. اصول کلیدی هوش مصنوعی قابل اعتماد
• 3. چالش های هوش مصنوعی قابل اعتماد
• 4. اهداف هوش مصنوعی قابل اعتماد
• 5. اهمیت هوش مصنوعی قابل اعتماد در دنیای امروز
• 6. انواع هوش مصنوعی قابل اعتماد (شفافیت، انصاف، استحکام، حریم خصوصی)
• 7. شفافیت در هوش مصنوعی: چرا مهم است؟
• 8. تکنیک های شفافیت در هوش مصنوعی
• 9. تفسیرپذیری مدل های هوش مصنوعی
• 10. تجسم سازی درک مدل های هوش مصنوعی
• 11. توضیح پذیری در هوش مصنوعی: تفاوت با شفافیت
• 12. روش های توضیح پذیری مدل های هوش مصنوعی
• 13. مدل های قابل تفسیر از پایه (Intrinsic Interpretability)
• 14. مدل های قابل تفسیر پس از آموزش (Post-hoc Interpretability)
• 15. مدل های جعبه سیاه (Black Box Models) و چالش های آن
• 16. ارزیابی شفافیت و توضیح پذیری
• 17. کاربرد شفافیت در تصمیم گیری های حیاتی
• 18. انصاف در هوش مصنوعی: تعریف و ابعاد
• 19. چالش های انصاف در هوش مصنوعی
• 20. اندازه گیری و ارزیابی انصاف
• 21. تکنیک های کاهش سوگیری در داده ها
• 22. تکنیک های کاهش سوگیری در الگوریتم ها
• 23. روش های تنظیم مدل برای انصاف
• 24. تکنیک های پیش پردازش برای انصاف
• 25. تکنیک های در حین پردازش برای انصاف
• 26. تکنیک های پس پردازش برای انصاف
• 27. انصاف در سیستم های یادگیری ماشین
• 28. انصاف در مدل های یادگیری عمیق
• 29. انصاف در تشخیص چهره
• 30. انصاف در سیستم های استخدام
• 31. انصاف در سیستم های قضایی
• 32. انصاف در سیستم های پزشکی
• 33. انصاف در سیستم های مالی
• 34. پیامدهای عدم انصاف در هوش مصنوعی
• 35. استحکام در هوش مصنوعی: تعریف و اهمیت
• 36. چالش های استحکام در هوش مصنوعی
• 37. حملات متخاصمانه (Adversarial Attacks)
• 38. تشخیص و دفاع در برابر حملات متخاصمانه
• 39. تکنیک های افزایش استحکام مدل
• 40. آموزش مقاوم در برابر حملات (Robust Training)
• 41. استحکام در برابر نویز (Noise Robustness)
• 42. استحکام در برابر تغییرات داده (Data Perturbations)
• 43. استحکام در برابر تغییرات محیطی (Environmental Changes)
• 44. استحکام در سیستم های بینایی ماشین
• 45. استحکام در پردازش زبان طبیعی
• 46. استحکام در رباتیک
• 47. استحکام در سیستم های خودران
• 48. ارزیابی استحکام مدل ها
• 49. حریم خصوصی در هوش مصنوعی: تعریف و اهمیت
• 50. چالش های حریم خصوصی در هوش مصنوعی
• 51. حملات به حریم خصوصی (Privacy Attacks)
• 52. تکنیک های حفظ حریم خصوصی
• 53. حریم خصوصی تفاضلی (Differential Privacy)
• 54. کاربرد حریم خصوصی تفاضلی
• 55. یادگیری فدرال (Federated Learning)
• 56. کاربرد یادگیری فدرال
• 57. رمزگذاری همومورفیک (Homomorphic Encryption)
• 58. کاربرد رمزگذاری همومورفیک
• 59. امنیت داده ها در چرخه عمر هوش مصنوعی
• 60. مدیریت داده های حساس در هوش مصنوعی
• 61. استانداردها و چارچوب های هوش مصنوعی قابل اعتماد
• 62. چارچوب های اخلاقی هوش مصنوعی
• 63. چارچوب های قانونی هوش مصنوعی
• 64. چارچوب های نظارتی هوش مصنوعی
• 65. نقش سازمان ها در پیاده سازی هوش مصنوعی قابل اعتماد
• 66. نقش توسعه دهندگان در پیاده سازی هوش مصنوعی قابل اعتماد
• 67. نقش کاربران در پیاده سازی هوش مصنوعی قابل اعتماد
• 68. هوش مصنوعی قابل اعتماد در بخش های مختلف صنعتی
• 69. هوش مصنوعی قابل اعتماد در بهداشت و درمان
• 70. هوش مصنوعی قابل اعتماد در مالی
• 71. هوش مصنوعی قابل اعتماد در حمل و نقل
• 72. هوش مصنوعی قابل اعتماد در تولید
• 73. هوش مصنوعی قابل اعتماد در کشاورزی
• 74. هوش مصنوعی قابل اعتماد در آموزش
• 75. هوش مصنوعی قابل اعتماد در خدمات مشتری
• 76. مسائل حقوقی و مسئولیت پذیری در هوش مصنوعی
• 77. مسائل اخلاقی در توسعه هوش مصنوعی
• 78. مسائل اجتماعی هوش مصنوعی قابل اعتماد
• 79. آینده هوش مصنوعی قابل اعتماد
• 80. روندها و پیشرفت های آینده در هوش مصنوعی قابل اعتماد
• 81. چالش های آینده هوش مصنوعی قابل اعتماد
• 82. نقش هوش مصنوعی قابل اعتماد در توسعه پایدار
• 83. کارگاه عملی: پیاده سازی اصول هوش مصنوعی قابل اعتماد
• 84. مطالعات موردی موفقیت آمیز هوش مصنوعی قابل اعتماد
• 85. مطالعات موردی شکست خورده هوش مصنوعی قابل اعتماد و درس های آن
• 86. نکات کلیدی برای ایجاد و پیاده سازی هوش مصنوعی قابل اعتماد