فلش‌کارت‌های آموزشی چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: درک عمیق مفاهیم هوش مصنوعی

📋 سرفصل‌های دوره

• 1. در اینجا 100 سرفصل برای دوره آموزشی "چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن" با الهام از کتاب "How Smart Machines Think" آورده شده است:
• 2. آغاز سفر: چرا ماشین‌ها می‌توانند فکر کنند؟
• 3. تعریف هوش مصنوعی: فراتر از ربات‌های انسان‌نما
• 4. تاریخچه مختصر هوش مصنوعی: از افسانه‌ها تا واقعیت
• 5. انواع هوش مصنوعی: محدود، عمومی و فوق هوشمند
• 6. یادگیری ماشین: موتور محرکه هوش مصنوعی
• 7. یادگیری نظارت شده: یادگیری از معلم
• 8. یادگیری بدون نظارت: کشف الگوهای پنهان
• 9. یادگیری تقویتی: یادگیری از طریق آزمون و خطا
• 10. شبکه‌های عصبی مصنوعی: الهام از مغز انسان
• 11. نورون‌های مصنوعی: واحدهای سازنده شبکه‌های عصبی
• 12. لایه‌های شبکه‌های عصبی: ورودی، پنهان و خروجی
• 13. توابع فعال‌سازی: افزودن غیرخطی بودن به مدل
• 14. آموزش شبکه‌های عصبی: چگونه مدل یاد می‌گیرد؟
• 15. پس‌انتشار (Backpropagation): الگوریتم کلیدی آموزش
• 16. بهینه‌سازی: یافتن بهترین پارامترها
• 17. نرخ یادگیری: سرعت پیشرفت مدل
• 18. تابع زیان (Loss Function): اندازه‌گیری خطا
• 19. بهینه‌سازهای پیشرفته: Adam، SGD و غیره
• 20. شبکه‌های عصبی کانولوشنال (CNN): برای پردازش تصاویر
• 21. لایه‌های کانولوشن: استخراج ویژگی‌های بصری
• 22. لایه‌های پولینگ: کاهش ابعاد و افزایش مقاومت
• 23. کاربرد CNN در تشخیص تصویر
• 24. شبکه‌های عصبی بازگشتی (RNN): برای داده‌های ترتیبی
• 25. حافظه در RNN: پردازش اطلاعات گذشته
• 26. کاربرد RNN در پردازش زبان طبیعی
• 27. شبکه‌های حافظه طولانی کوتاه مدت (LSTM) و GRU
• 28. معماری ترانسفورمر: انقلابی در پردازش زبان
• 29. مکانیزم توجه (Attention Mechanism): تمرکز بر بخش‌های مهم
• 30. مدل‌های زبان بزرگ (LLM): قدرت پیش‌بینی متن
• 31. آموزش مدل‌های زبان: داده‌های عظیم و محاسبات سنگین
• 32. تولید متن با LLM
• 33. درک زبان طبیعی (NLU): فهم معنای متن
• 34. تولید زبان طبیعی (NLG): تولید متن منسجم
• 35. کاربردهای NLU و NLG: چت‌بات‌ها، خلاصه‌سازی و ترجمه
• 36. یادگیری عمیق (Deep Learning): زیرمجموعه قدرتمند یادگیری ماشین
• 37. مزایای یادگیری عمیق: استخراج خودکار ویژگی
• 38. چالش‌های یادگیری عمیق: نیاز به داده و قدرت محاسباتی
• 39. یادگیری انتقالی (Transfer Learning): استفاده از دانش قبلی
• 40. تنظیم دقیق (Fine-tuning): انطباق مدل‌های از پیش آموزش دیده
• 41. هوش مصنوعی مولد (Generative AI): خلق محتوای جدید
• 42. شبکه‌های مولد تخاصمی (GAN): دو شبکه در رقابت
• 43. تولید تصویر با GAN
• 44. تولید متن و موسیقی با هوش مصنوعی مولد
• 45. یادگیری با نیمه نظارت (Semi-supervised Learning): ترکیبی از داده‌های برچسب‌دار و بدون برچسب
• 46. یادگیری خود نظارت (Self-supervised Learning): یادگیری از داده‌های بدون برچسب با ایجاد وظایف مصنوعی
• 47. یادگیری فعال (Active Learning): انتخاب هوشمندانه داده‌ها برای برچسب‌گذاری
• 48. هوش مصنوعیExplainable (XAI): درک چرایی تصمیمات هوش مصنوعی
• 49. تفسیرپذیری در مقابل قابلیت توضیح
• 50. روش‌های XAI: LIME، SHAP و غیره
• 51. اخلاق در هوش مصنوعی: تعصب، شفافیت و مسئولیت‌پذیری
• 52. تعصب در داده‌ها و مدل‌ها
• 53. راه‌های مقابله با تعصب
• 54. حریم خصوصی و هوش مصنوعی
• 55. امنیت هوش مصنوعی: حملات و دفاع
• 56. نظارت بر هوش مصنوعی: چالش‌ها و رویکردها
• 57. هوش مصنوعی در دنیای واقعی: کاربردهای عملی
• 58. هوش مصنوعی در سلامت: تشخیص بیماری و کشف دارو
• 59. هوش مصنوعی در امور مالی: معاملات الگوریتمی و تشخیص تقلب
• 60. هوش مصنوعی در حمل و نقل: خودروهای خودران
• 61. هوش مصنوعی در سرگرمی: بازی‌ها و توصیه‌گرها
• 62. هوش مصنوعی در رباتیک: تعامل با محیط فیزیکی
• 63. هوش مصنوعی در علم: کشفیات جدید
• 64. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 65. یادگیری تقویتی در بازی‌ها: AlphaGo و AlphaStar
• 66. یادگیری تقویتی در رباتیک و کنترل
• 67. هوش مصنوعی و آگاهی: آیا ماشین‌ها واقعاً فکر می‌کنند؟
• 68. مفهوم آگاهی در فلسفه و علوم اعصاب
• 69. آزمون تورینگ: سنجش هوش ماشینی
• 70. نظریه‌های هوش مصنوعی: رویکردهای نمادین در مقابل رویکردهای اتصال‌گرا
• 71. سیستم‌های خبره (Expert Systems): هوش مصنوعی مبتنی بر قواعد
• 72. پردازش زبان طبیعی (NLP) در عمل
• 73. تحلیل احساسات (Sentiment Analysis)
• 74. ترجمه ماشینی (Machine Translation)
• 75. شناسایی موجودیت نام‌گذاری شده (Named Entity Recognition)
• 76. مدل‌سازی موضوع (Topic Modeling)
• 77. مدل‌های گراف دانش (Knowledge Graph Models)
• 78. هوش مصنوعی و تصمیم‌گیری: منطق فازی و احتمالات
• 79. پردازش تصویر پیشرفته: تشخیص اشیاء و بخش‌بندی تصاویر
• 80. بینایی ماشین (Computer Vision)
• 81. یادگیری خودکار (Autoencoders): فشرده‌سازی و تولید داده
• 82. شبکه‌های مولد پیشرفته: VAEs و StyleGAN
• 83. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 84. یادگیری مداوم (Continual Learning): یادگیری بدون فراموشی
• 85. یادگیری فدرال (Federated Learning): یادگیری حفظ حریم خصوصی
• 86. هوش مصنوعی توزیع شده (Distributed AI)
• 87. شبکه‌های عصبی اسپایکی (Spiking Neural Networks): الهام از پردازش عصبی واقعی
• 88. یادگیری عمیق برای داده‌های گراف (Graph Neural Networks)
• 89. کاربرد GNN در شبکه‌های اجتماعی و مولکولی
• 90. هوش مصنوعی و خلاقیت: آیا ماشین‌ها می‌توانند هنرمند باشند؟
• 91. هنر تولید شده توسط هوش مصنوعی
• 92. موسیقی و ادبیات تولید شده توسط هوش مصنوعی
• 93. چالش‌های آینده هوش مصنوعی: AGI و فراتر از آن
• 94. همزیستی انسان و هوش مصنوعی: آینده همکاری
• 95. آینده پژوهش در هوش مصنوعی
• 96. نگاهی به کتاب "How Smart Machines Think" و ارتباط آن با دوره
• 97. جمع‌بندی و چشم‌انداز آینده هوش مصنوعی
• 98. سفر ما در دنیای هوش مصنوعی به پایان می‌رسد.