فلش‌کارت‌های آموزشی پیشگامان اندیشه: ریشه‌های تاریخی هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیشگامان اندیشه: ریشه‌های تاریخی هوش مصنوعی

موضوع کلی: توسعه فردی

موضوع میانی: تاریخچه هوش مصنوعی

📋 سرفصل‌های دوره

• 1. فصل ۱: دوران باستان و اسطوره‌های ماشین‌های اندیشنده
• 2. فصل ۲: فیلسوفان یونان و منطق صوری
• 3. فصل ۳: ابن سینا و مفهوم روح مصنوعی
• 4. فصل ۴: ریموند لولی و آلت اوتوماتیک
• 5. فصل ۵: گوتفرید لایبنیتس و ماشین حساب جهانی
• 6. فصل ۶: شارل بایئج و ماشین تفاضل
• 7. فصل ۷: آدا لاولیس و اولین الگوریتم
• 8. فصل ۸: جورج بول و منطق بولی
• 9. فصل ۹: گوتلوب فرگه و مبانی حساب
• 10. فصل ۱۰: آلن تورینگ و مفهوم ماشین تورینگ
• 11. فصل ۱۱: آلن تورینگ و آزمون تورینگ
• 12. فصل ۱۲: نوربرت وینر و نظریه سایبرنتیک
• 13. فصل ۱۳: واتسون و اولین کامپیوتر الکترونیکی
• 14. فصل ۱۴: دارتموث کالج و تولد هوش مصنوعی
• 15. فصل ۱۵: جان مک‌کارتی و واژه "هوش مصنوعی"
• 16. فصل ۱۶: ماروین مینسکی و اولین شبکه‌های عصبی
• 17. فصل ۱۷: هربرت سایمون و نظریه تصمیم‌گیری
• 18. فصل ۱۸: آلن نیول و برنامه‌های حل مسئله
• 19. فصل ۱۹: ارنست دیترش و منطق فازی
• 20. فصل ۲۰: جوزف ویزنبام و ELIZA
• 21. فصل ۲۱: شری کالدروود و ELIZA
• 22. فصل ۲۲: دوره اول خوش‌بینی: دهه‌های ۱۹۵۰ و ۱۹۶۰
• 23. فصل ۲۳: الگوریتم‌های جستجوی اول عمق و اول سطح
• 24. فصل ۲۴: بازی شطرنج و هوش مصنوعی
• 25. فصل ۲۵: مدل‌های نمادین و مبتنی بر قواعد
• 26. فصل ۲۶: تولید زبان طبیعی در دهه‌های اولیه
• 27. فصل ۲۷: درک زبان طبیعی و چالش‌های آن
• 28. فصل ۲۸: رباتیک و اولین ربات‌ها
• 29. فصل ۲۹: دید ماشینی و تشخیص الگو
• 30. فصل ۳۰: دوره اول ناامیدی: محدودیت‌ها و واقعیت‌ها
• 31. فصل ۳۱: مسئله شکست استدلال و پیچیدگی محاسباتی
• 32. فصل ۳۲: محدودیت‌های حافظه و قدرت پردازش
• 33. فصل ۳۳: انتقادات به رویکردهای نمادین
• 34. فصل ۳۴: مفهوم "مشکلات مقیاس‌پذیری"
• 35. فصل ۳۵: بودجه‌بندی و سرمایه‌گذاری در هوش مصنوعی
• 36. فصل ۳۶: تحقیقات در مورد هوش مصنوعی تخصصی
• 37. فصل ۳۷: سیستم‌های خبره و عصر طلایی آن‌ها
• 38. فصل ۳۸: MYCIN و تشخیص پزشکی
• 39. فصل ۳۹: DENDRAL و کشف مولکولی
• 40. فصل ۴۰: XCON و پیکربندی سیستم‌های کامپیوتری
• 41. فصل ۴۱: برنامه‌های مبتنی بر دانش و استدلال
• 42. فصل ۴۲: مهندسی دانش و استخراج دانش
• 43. فصل ۴۳: ظهور ماشین‌های یادگیرنده
• 44. فصل ۴۴: الگوریتم‌های یادگیری آماری
• 45. فصل ۴۵: شبکه‌های عصبی و ظهور مجدد آن‌ها
• 46. فصل ۴۶: پس‌انتشار (Backpropagation) و پیشرفت شبکه‌ها
• 47. فصل ۴۷: الگوریتم‌های درخت تصمیم (Decision Trees)
• 48. فصل ۴۸: ماشین‌های بردار پشتیبان (SVMs)
• 49. فصل ۴۹: الگوریتم‌های خوشه‌بندی (Clustering)
• 50. فصل ۵۰: یادگیری تقویتی (Reinforcement Learning)
• 51. فصل ۵۱: دوره‌های زمستانی هوش مصنوعی
• 52. فصل ۵۲: کاهش بودجه و علاقه پژوهشی
• 53. فصل ۵۳: انتظارات بیش از حد و ناامیدی مجدد
• 54. فصل ۵۴: ظهور پدیده‌های غیرمنتظره در هوش مصنوعی
• 55. فصل ۵۵: تحلیل داده‌های بزرگ و انفجار داده
• 56. فصل ۵۶: قدرت محاسباتی و پیشرفت سخت‌افزار
• 57. فصل ۵۷: الگوریتم‌های یادگیری عمیق (Deep Learning)
• 58. فصل ۵۸: شبکه‌های عصبی کانولوشنی (CNNs)
• 59. فصل ۵۹: شبکه‌های عصبی بازگشتی (RNNs)
• 60. فصل ۶۰: معماری‌های جدید شبکه‌های عصبی
• 61. فصل ۶۱: مدل‌های زبانی عظیم (LLMs)
• 62. فصل ۶۲: ترنسفورمرها (Transformers) و انقلاب NLP
• 63. فصل ۶۳: پردازش زبان طبیعی (NLP) نوین
• 64. فصل ۶۴: تولید متن و ترجمه ماشینی پیشرفته
• 65. فصل ۶۵: درک زبان طبیعی و استخراج اطلاعات
• 66. فصل ۶۶: دید ماشینی پیشرفته
• 67. فصل ۶۷: تشخیص اشیاء و صحنه‌ها
• 68. فصل ۶۸: تولید تصویر و ویدئو توسط هوش مصنوعی
• 69. فصل ۶۹: رباتیک پیشرفته و خودکارسازی
• 70. فصل ۷۰: ربات‌های خودمختار و توانایی تصمیم‌گیری
• 71. فصل ۷۱: هوش مصنوعی در بازی‌ها (AlphaGo)
• 72. فصل ۷۲: هوش مصنوعی در پزشکی و تشخیص بیماری
• 73. فصل ۷۳: هوش مصنوعی در امور مالی و تحلیل بازار
• 74. فصل ۷۴: هوش مصنوعی در خودروهای خودران
• 75. فصل ۷۵: هوش مصنوعی در آموزش و یادگیری شخصی‌سازی شده
• 76. فصل ۷۶: هوش مصنوعی در هنر و خلاقیت
• 77. فصل ۷۷: اخلاق و هوش مصنوعی
• 78. فصل ۷۸: سوگیری در داده‌ها و الگوریتم‌ها
• 79. فصل ۷۹: شفافیت و توضیح‌پذیری (Explainability)
• 80. فصل ۸۰: مسئولیت‌پذیری و حاکمیت هوش مصنوعی
• 81. فصل ۸۱: آینده هوش مصنوعی: هوش مصنوعی عمومی (AGI)
• 82. فصل ۸۲: چالش‌های دستیابی به AGI
• 83. فصل ۸۳: هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف
• 84. فصل ۸۴: همزیستی انسان و هوش مصنوعی
• 85. فصل ۸۵: ابزارهای توسعه هوش مصنوعی
• 86. فصل ۸۶: پلتفرم‌های ابری و دسترسی به هوش مصنوعی
• 87. فصل ۸۷: کتابخانه‌ها و فریم‌ورک‌های محبوب (TensorFlow, PyTorch)
• 88. فصل ۸۸: مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 89. فصل ۸۹: اتوماسیون یادگیری ماشین (AutoML)
• 90. فصل ۹۰: هوش مصنوعی محاسباتی و کاربردهای آن
• 91. فصل ۹۱: هوش مصنوعی و علوم اعصاب
• 92. فصل ۹۲: هوش مصنوعی و فلسفه ذهن
• 93. فصل ۹۳: هوش مصنوعی و نظریه اطلاعات
• 94. فصل ۹۴: تاثیر هوش مصنوعی بر جامعه و اقتصاد
• 95. فصل ۹۵: آینده کار و اتوماسیون نیروی کار
• 96. فصل ۹۶: مسائل امنیتی و هوش مصنوعی
• 97. فصل ۹۷: چالش‌های تنظیم‌گری و نظارت بر هوش مصنوعی
• 98. فصل ۹۸: پیش‌بینی‌های بلندمدت و سناریوهای آینده
• 99. فصل ۹۹: اهمیت درک ریشه‌ها برای آینده هوش مصنوعی
• 100. فصل ۱۰۰: میراث و چشم‌انداز هوش مصنوعی