کتاب صوتی نقشه‌برداری هوشمند فقر: رمزگشایی از الگوهای اجتماعی با هوش مصنوعی چندوجهی (تصاویر ماهواره‌ای و LLM)

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب نقشه‌برداری هوشمند فقر: رمزگشایی از الگوهای اجتماعی با هوش مصنوعی چندوجهی (تصاویر ماهواره‌ای و LLM)

موضوع کلی: هوش مصنوعی و توسعه پایدار

موضوع میانی: هوش مصنوعی مکانی و تحلیل داده‌های چندوجهی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی هوش مصنوعی و توسعه پایدار
• 2. مقدمه‌ای بر هوش مصنوعی مکانی
• 3. تعریف و اهمیت نقشه‌برداری فقر
• 4. چالش‌های سنتی در نقشه‌برداری فقر
• 5. ضرورت رویکردهای نوین در نقشه‌برداری فقر
• 6. آشنایی با مفاهیم کلیدی هوش مصنوعی
• 7. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 8. یادگیری نظارت شده (Supervised Learning)
• 9. یادگیری نظارت نشده (Unsupervised Learning)
• 10. یادگیری تقویتی (Reinforcement Learning)
• 11. شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 12. مبانی یادگیری عمیق (Deep Learning)
• 13. شبکه‌های عصبی کانولوشنال (CNNs)
• 14. شبکه‌های عصبی بازگشتی (RNNs)
• 15. مبانی پردازش زبان طبیعی (NLP)
• 16. مدل‌های زبانی بزرگ (LLMs)
• 17. مقدمه‌ای بر داده‌های چندوجهی (Multimodal Data)
• 18. ترکیب داده‌های تصویری و متنی
• 19. مقاله‌ی "Platonic Representations for Poverty Mapping" - مقدمه
• 20. هدف اصلی مقاله و سؤالات پژوهشی
• 21. مفاهیم کلیدی در مقاله: نمایش‌های افلاطونی (Platonic Representations)
• 22. مفهوم کدهای بصری-زبانی یکپارچه (Unified Vision-Language Codes)
• 23. مفهوم نوآوری القا شده توسط عامل (Agent-Induced Novelty)
• 24. ارتباط نمایش‌های افلاطونی با نقشه‌برداری فقر
• 25. کاربرد تصاویر ماهواره‌ای در تحلیل فضایی
• 26. اصول جمع‌آوری و پردازش تصاویر ماهواره‌ای
• 27. انواع تصاویر ماهواره‌ای و سنسورها
• 28. تکنیک‌های پیش‌پردازش تصاویر ماهواره‌ای
• 29. مقدمه‌ای بر تحلیل تصاویر ماهواره‌ای با هوش مصنوعی
• 30. استخراج ویژگی از تصاویر ماهواره‌ای
• 31. کاربرد CNNs در تحلیل تصاویر ماهواره‌ای
• 32. شناسایی عوارض جغرافیایی از تصاویر
• 33. تحلیل تغییرات مکانی با تصاویر ماهواره‌ای
• 34. مبانی پردازش زبان طبیعی برای تحلیل متون
• 35. شناسایی موجودیت‌های نام‌دار (Named Entity Recognition - NER)
• 36. طبقه‌بندی متن (Text Classification)
• 37. مدل‌های جاسازی کلمه (Word Embeddings)
• 38. مدل‌های جاسازی جمله (Sentence Embeddings)
• 39. آشنایی با معماری‌های ترنسفورمر (Transformer Architectures)
• 40. مقدمه‌ای بر LLMs و قابلیت‌های آن‌ها
• 41. کاربرد LLMs در استخراج اطلاعات
• 42. تکنیک‌های Prompt Engineering برای LLMs
• 43. ارتباط LLMs با داده‌های مکانی
• 44. ترکیب داده‌های تصویری و LLMs
• 45. مفهوم نمایش‌های بصری-زبانی (Vision-Language Representations)
• 46. مدل‌های یادگیری دوجانبه (Bimodal Learning Models)
• 47. مفهوم نمایش‌های افلاطونی در چارچوب بصری-زبانی
• 48. چگونگی تولید نمایش‌های افلاطونی از داده‌های چندوجهی
• 49. نقش کدهای بصری-زبانی یکپارچه در مدل
• 50. پیاده‌سازی مدل‌های بصری-زبانی برای نقشه‌برداری فقر
• 51. نحوه استفاده از تصاویر ماهواره‌ای برای پیش‌بینی فقر
• 52. نحوه استفاده از داده‌های متنی (مانند گزارش‌ها) برای پیش‌بینی فقر
• 53. ادغام اطلاعات از تصاویر ماهواره‌ای و متون
• 54. نحوه استخراج نشانگرهای فقر از تصاویر ماهواره‌ای
• 55. نحوه استخراج نشانگرهای فقر از متون
• 56. مفهوم "نوآوری القا شده توسط عامل" (Agent-Induced Novelty)
• 57. شناسایی الگوهای نوظهور در داده‌های فقر
• 58. چگونگی تشخیص "جدید" بودن یک الگو
• 59. نقش عامل (Agent) در تولید یا کشف نوآوری
• 60. کاربرد این مفهوم در پیش‌بینی و مدیریت فقر
• 61. مقایسه رویکرد نمایش‌های افلاطونی با سایر روش‌ها
• 62. مزایای رویکرد نمایش‌های افلاطونی
• 63. محدودیت‌های رویکرد نمایش‌های افلاطونی
• 64. چالش‌های پیاده‌سازی مدل‌های چندوجهی
• 65. جمع‌آوری و آماده‌سازی داده‌های چندوجهی برای نقشه‌برداری فقر
• 66. کیفیت داده‌ها و تأثیر آن بر نتایج
• 67. ارزیابی مدل‌های نقشه‌برداری فقر
• 68. معیارهای ارزیابی مدل‌های پیش‌بینی فقر
• 69. روش‌های اعتبارسنجی (Validation) مدل‌ها
• 70. تفسیرپذیری (Interpretability) مدل‌های هوش مصنوعی در نقشه‌برداری فقر
• 71. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای نقشه‌برداری فقر
• 72. حریم خصوصی و سوگیری (Bias) در داده‌ها و مدل‌ها
• 73. پیامدهای اجتماعی و اقتصادی نقشه‌برداری هوشمند فقر
• 74. کاربرد عملی نقشه‌برداری هوشمند فقر برای سیاست‌گذاران
• 75. تعیین مناطق اولویت‌دار برای مداخله
• 76. طراحی برنامه‌های توسعه پایدار
• 77. پایش اثرات برنامه‌های توسعه
• 78. چشم‌انداز آینده تحقیقات در زمینه هوش مصنوعی مکانی و فقر
• 79. نقش LLMs در آینده نقشه‌برداری فقر
• 80. توسعه مدل‌های بصری-زبانی پیشرفته‌تر
• 81. نقش عامل‌های هوشمند (Intelligent Agents) در تحلیل فقر
• 82. مطالعات موردی (Case Studies) موفق در نقشه‌برداری فقر با هوش مصنوعی
• 83. کاربرد در کشورهای در حال توسعه
• 84. کاربرد در مناطق شهری و روستایی
• 85. جمع‌بندی و نتیجه‌گیری از دوره آموزشی
• 86. مسیرهای تحقیقاتی برای دانشجویان علاقه‌مند
• 87. منابع و مراجع کلیدی برای مطالعه بیشتر
• 88. مباحث پیشرفته در هوش مصنوعی مکانی
• 89. هوش مصنوعی و تحلیل داده‌های شبکه‌ای
• 90. یادگیری انتقالی (Transfer Learning) در تحلیل تصاویر ماهواره‌ای
• 91. یادگیری با داده‌های کم (Few-Shot Learning) برای نشانگرهای فقر
• 92. روش‌های تشخیص ناهنجاری (Anomaly Detection) در داده‌های فقر
• 93. سیستم‌های توصیه‌گر (Recommender Systems) برای برنامه‌های توسعه
• 94. تحلیل سری‌های زمانی (Time Series Analysis) با هوش مصنوعی برای پایش فقر
• 95. مدل‌سازی سه‌بعدی (3D Modeling) و نقشه‌برداری فقر
• 96. واقعیت افزوده (Augmented Reality) و نقشه‌برداری فقر
• 97. اینترنت اشیاء (IoT) و جمع‌آوری داده‌های فقر
• 98. بلا‌ک‌چین (Blockchain) و شفافیت در برنامه‌های توسعه
• 99. یادگیری فدرال (Federated Learning) برای حفظ حریم خصوصی داده‌ها
• 100. مدل‌های مولد (Generative Models) برای شبیه‌سازی سناریوهای فقر