- هوش مصنوعی
هوش مصنوعی: اصول، الگوریتم‌ها و کاربردها
این دوره به عنوان یک دروازه ورودی جامع به دنیای هوش مصنوعی (AI) عمل می‌کند و فراتر از یادگیری ماشین، به بررسی پارادایم‌های مختلف این علم می‌پردازد. تمرکز دوره بر اصول بنیادین، الگوریتم‌های جستجو، حل مسئله، نمایش دانش و استدلال منطقی است. مرکز اصلی بر درک عمیق اصول هوش مصنوعی، کاربردهای عملی آن‌ها در صنایع مختلف، و توانایی پیاده‌سازی راه‌حل‌های هوشمندانه با استفاده از پایتون است. این دوره دیدگاهی کلان و پایه‌ای برای درک سایر شاخه‌های تخصصی هوش مصنوعی فراهم می‌کند.
مدرس دوره:
دکتر محمد رضا عاطفی
دکتر حمیدرضا یزدانی
مدت زمان دوره:
240 ساعت
پیشنیاز دوره:
ندارد
اهداف دوره:
- درک مفاهیم بنیادی هوش مصنوعی: آشنایی با تاریخچه، فلسفه و رویکردهای مختلف هوش مصنوعی.
- آشنایی با حوزه‌های نوین AI: درک مبانی و کاربردهای سیستم‌های خبره، منطق فازی، شبکه‌های بیزی و الگوریتم‌های تکاملی.
- پیاده‌سازی الگوریتم‌های جستجو و برنامه‌ریزی: کسب مهارت در طراحی و پیاده‌سازی الگوریتم‌های جستجو (مانند A*) و روش‌های برنامه‌ریزی.
- مقدمه‌ای بر رباتیک و هوش مصنوعی در بازی‌ها: آشنایی با اصول کنترل ربات و هوش مصنوعی در طراحی عامل‌های بازی.
- بحث و تحلیل اخلاق و مسئولیت‌پذیری در AI: درک ابعاد اخلاقی، اجتماعی و قانونی هوش مصنوعی.
پس از اتمام این دوره می توانید:
- مفاهیم و الگوریتم‌های بنیادین هوش مصنوعی را درک و تشریح کنید.
- مسائل پیچیده را با استفاده از تکنیک‌های جستجو و برنامه‌ریزی حل کنید.
- سیستم‌های هوشمند ساده (مانند سیستم‌های خبره پایه) را طراحی و پیاده‌سازی کنید.
- بینش عمیق‌تری نسبت به کاربردهای هوش مصنوعی در رباتیک، بازی‌ها و سیستم‌های تصمیم‌گیری کسب کنید.
- چالش‌های اخلاقی و اجتماعی مرتبط با توسعه و استقرار سیستم‌های هوش مصنوعی را تحلیل کنید.
- پایه‌ای قوی برای ورود به مباحث پیشرفته‌تر یادگیری ماشین و یادگیری عمیق، با دیدگاهی جامع از هوش مصنوعی، خواهید داشت.
مخاطبان این دوره:
این دوره برای متخصصان و کارشناسان در حوزه‌های علم داده، برنامه‌نویسان، مهندسان نرم‌افزار، و دانشجویانی که علاقه‌مند به درک جامع و عمیق از هوش مصنوعی فراتر از یادگیری ماشین و ورود به حوزه‌های تخصصی‌تر آن هستند، مناسب است. آشنایی اولیه با برنامه‌نویسی پایتون و مفاهیم ریاضی ضروری است.
سرفصل های دوره:
- مقدمه‌ای بر هوش مصنوعی:
- تعریف، تاریخچه و فلسفه هوش مصنوعی (AI).
- مفهوم عامل‌های هوشمند (Intelligent Agents).
- مروری بر حوزه‌های مختلف AI (یادگیری ماشین، بینایی ماشین، NLP، رباتیک، سیستم‌های خبره)
- حل مسئله با جستجو:
- فضای حالت و جستجوی ناآگاهانه (Uninformed Search): BFS, DFS, UCS.
- جستجوی آگاهانه (Informed Search): Greedy Best-First Search, A*, IDA*.
- مسائل رضایت محدودیت (Constraint Satisfaction Problems – CSPs).
- منطق و نمایش دانش:
- مقدمه‌ای بر منطق گزاره‌ای و منطق محمولات (Propositional and First-Order Logic).
- سیستم‌های استنتاج و استدلال.
- سیستم‌های خبره (Expert Systems): معماری و پیاده‌سازی پایه.
- یادگیری ماشینی (مرور مفهومی):
- انواع یادگیری ماشین: نظارت‌شده، بی‌نظارت، تقویتی (مرور بر مفاهیم کلی).
- جایگاه یادگیری ماشین در هوش مصنوعی.
- شبکه‌های بیزی و استدلال تحت عدم قطعیت:
- نظریه احتمال و استدلال بیزی.
- شبکه‌های بیزی (Bayesian Networks): ساختار و استنتاج.
- شبکه‌های تصمیم.
- پردازش زبان طبیعی (NLP) – رویکردهای نمادین:
- مروری بر مراحل NLP: توکن‌سازی، ریشه‌یابی، برچسب‌گذاری.
- تحلیل دستوری (Parsing) و تحلیل معنایی (Semantic Analysis) (مقدماتی).
- برنامه‌ریزی (Planning):
- مفهوم برنامه‌ریزی در
- برنامه‌ریزی حالت-فضای (State-Space Planning) و برنامه‌ریزی مبتنی بر عملگر (Operator-Based Planning).
- برنامه‌ریزی سلسله‌مراتبی و برنامه‌ریزی با عدم قطعیت.
- یادگیری تقویتی (Reinforcement Learning) – رویکردهای کلاسیک:
- مقدمه‌ای بر MDPs (Markov Decision Processes).
- ارزش‌گذاری سیاست (Policy Evaluation) و تکرار ارزش (Value Iteration).
- Q-Learning و SARSA (مفاهیم اولیه).
- رباتیک و هوش مصنوعی:
- مقدمه‌ای بر رباتیک: حسگرها، عملگرها، کنترل.
- ناوبری (Navigation) و محلی‌سازی (Localization) ربات.
- بینایی ماشین برای رباتیک (مفاهیم اولیه).
- هوش مصنوعی در بازی‌ها:
- الگوریتم‌های Minimax و Alpha-Beta Pruning.
- AI در بازی‌های ویدئویی و استراتژی‌های عامل‌های بازی.
- الگوریتم‌های ژنتیک و محاسبات تکاملی:
- اصول الگوریتم‌های ژنتیک (Genetic Algorithms) و کاربردها.
- مفاهیم انتخاب، تقاطع و جهش.
- منطق فازی و سیستم‌های فازی:
- مقدمه‌ای بر منطق فازی (Fuzzy Logic) و مجموعه‌های فازی.
- سیستم‌های استنتاج فازی (Fuzzy Inference Systems).
- کاربردها در کنترل و تصمیم‌گیری.
- اخلاق و مسئولیت‌پذیری در هوش مصنوعی:
- بایاس و تبعیض در الگوریتم‌های
- شفافیت و قابلیت توضیح‌پذیری (Explainable AI – XAI).
- حریم خصوصی و امنیت داده‌ها در سیستم‌های
- مسئولیت‌پذیری قانونی و اجتماعی
- پروژه های عملی :
- کارگاه‌های عملی و تمرینات کدنویسی.
- معرفی ابزارهای متن‌باز AI برای پیاده‌سازی مفاهیم.
- مطالعه موردی کاربردهای هوش مصنوعی در صنعت (مانند تولید، سلامت، مالی).
ابزار های دوره:
پایتون و کتابخانه های مربوطه
منابع دوره:
Artificial Intelligence: A Modern Approach by Stuart Russell and Peter Norvig
UC Berkeley’s CS 188: Introduction to Artificial Intelligence Course Materials
MIT 6.034 Artificial Intelligence Course Notes
“Artificial Intelligence For Dummies” by John Paul Mueller and Luca Massaron (برای شروع آسان‌تر)
“Programming Artificial Intelligence with Python” by Josh Adam (برای رویکرد عملی)
پرسش و پاسخ:
- آیا این دوره روی یادگیری ماشین تمرکز دارد؟ خیر، این دوره به مبانی کلاسیک AI می‌پردازد. یادگیری ماشین تنها به عنوان یکی از رویکردهای AI معرفی می‌شود و جزئیات آن در دوره تخصصی “یادگیری ماشین” پوشش داده خواهد شد.
- زبان برنامه‌نویسی دوره چیست؟ تمام الگوریتم‌ها و پروژه‌ها با زبان پایتون پیاده‌سازی می‌شوند.
- آیا پیشنیاز خاصی لازم است؟ تسلط بر برنامه‌نویسی پایتون و ساختمان داده‌ها ضروری است.
تمایل دارید در دوره شرکت کنید؟
فرم زیر را پر کنید. ما در اسرع وقت با شما تماس خواهیم گرفت.