پوستر دوره آموزش مبانی هوش مصنوعی
دوره‌های این مدرس

درباره این دوره

چه چیزهایی یاد می‌گیرید؟

  • هوش مصنوعی چیست، از کجا آمده و چه نیست؟
  • حل مسئله با جست‌وجو: مسیریابی، معماها و بازی‌ها
  • استدلال با احتمال و قاعدهٔ بیز در شرایط نامطمئن
  • یادگیری ماشین چطور کار می‌کند و چطور ارزیابی می‌شود؟
  • روش‌های پرکاربرد: نزدیک‌ترین همسایه، رگرسیون، درخت تصمیم، خوشه‌بندی و یادگیری تقویتی
  • شبکه‌های عصبی و یادگیری عمیق به زبان ساده
  • هوش مصنوعی مولد و مدل‌های زبانی بزرگ چطور کار می‌کنند؟
  • استفادهٔ هوشمندانه، دقیق و مسئولانه از ابزارهای هوش مصنوعی
  • تحلیل نقادانهٔ پیامدهای اجتماعی و اخلاقی هوش مصنوعی

دوره‌ای متنی و تعاملی، به زبان ساده، برای همه: از «هوش مصنوعی چیست؟» تا مدل‌های زبانی بزرگ و پیامدهای اجتماعی آن.

هوش مصنوعی این روزها همه‌جا هست: در گوشی، در اخبار، در محل کار و در کلاس درس. اما پشت این نام چه می‌گذرد؟ ماشین‌ها چطور «یاد می‌گیرند»؟ چت‌بات‌ها چطور حرف می‌زنند؟ چه کاری از آن‌ها برمی‌آید و چه کاری نه؟ و این فناوری با جامعه و آیندهٔ ما چه می‌کند؟

این دوره به همین پرسش‌ها، بدون نیاز به برنامه‌نویسی یا ریاضی پیشرفته، پاسخ می‌دهد. هر مفهوم با مثال‌های آشنا و روزمره (از صف نانوایی و هندوانهٔ شب یلدا تا بازی دوز و بیست سؤالی) توضیح داده شده و با تمرین، خودآزمایی و آزمون تثبیت می‌شود.

دوره در ۸ فصل و بیش از ۱۲۰ بخش کوتاه تنظیم شده است؛ هر بخش حدود ۱۰ دقیقه مطالعه می‌برد. هر درس با هدف درس شروع می‌شود و با «مرور و خودآزمایی» تمام می‌شود، هر فصل یک آزمون چهارگزینه‌ای دارد و در پایان، واژه‌نامه‌ای با بیش از ۲۴۰ اصطلاح و یک آزمون جامع آمده است.

این دوره برای هر کسی است که کنجکاو است بداند هوش مصنوعی واقعاً چیست؛ دانش‌آموز، دانشجو، معلم، مدیر، روزنامه‌نگار، پزشک یا هر شغل دیگری. اگر می‌خواهید یادگیری هوش مصنوعی را شروع کنید یا با ابزارهای آن آگاهانه‌تر و مسئولانه‌تر کار کنید، این دوره نقطهٔ شروع مناسبی است.

مبنای آموزشی: دانشگاه هلسینکی، فنلاند. متن فارسی، مثال‌ها و فعالیت‌های تکمیلی برای آموزش در این آکادمی بازنویسی و توسعه یافته‌اند.

پیش‌نیازها

فقط ریاضی پایه (چهار عمل اصلی، کسر و درصد). به برنامه‌نویسی نیازی نیست؛ کدهای پایتون دوره اختیاری‌اند.

سرفصل‌های دوره

۹ فصل · ۱۲۸ درس · ۲۰ ساعت

فصل ۱: هوش مصنوعی چیست؟ ۲۰ درس · ۱۵۹ دقیقه
  1. معرفی دوره: هدف‌ها، مخاطبان و نقشهٔ دوره رایگان ۴ دقیقه
  2. راهنمای مطالعه: ساختار دوره، نشانه‌ها و برنامهٔ مطالعه رایگان ۵ دقیقه
  3. مقدمه و هدف‌های فصل ۱ رایگان ۳ دقیقه
  4. هوش مصنوعی را بشناسیم (۱): هوش مصنوعی در زندگی روزمره و تعریف آن رایگان ۹ دقیقه
  5. هوش مصنوعی را بشناسیم (۲): خودمختاری، سازگاری و هوش محدود یا عمومی رایگان ۱۰ دقیقه
  6. هوش مصنوعی را بشناسیم (۳): تمرین تشخیص و باورهای نادرست رایگان ۱۰ دقیقه
  7. مرور و خودآزمایی: هوش مصنوعی را بشناسیم رایگان ۶ دقیقه
  8. تاریخچهٔ هوش مصنوعی (۱): از رؤیای کهن تا نخستین زمستان رایگان ۱۲ دقیقه
  9. تاریخچهٔ هوش مصنوعی (۲): از سامانه‌های خبره تا انقلاب یادگیری عمیق رایگان ۹ دقیقه
  10. تاریخچهٔ هوش مصنوعی (۳): عصر هوش مصنوعی مولد و درس‌های تاریخ رایگان ۱۲ دقیقه
  11. مرور و خودآزمایی: تاریخچهٔ هوش مصنوعی رایگان ۷ دقیقه
  12. هوش مصنوعی و رشته‌های هم‌سایه (۱): سه دایرهٔ تودرتو، علم داده و آمار رایگان ۸ دقیقه
  13. هوش مصنوعی و رشته‌های هم‌سایه (۲): علوم رایانه، رباتیک و علوم شناختی رایگان ۷ دقیقه
  14. هوش مصنوعی و رشته‌های هم‌سایه (۳): ریاضیات، فلسفه و یک مثال یکپارچه رایگان ۸ دقیقه
  15. مرور و خودآزمایی: هوش مصنوعی و رشته‌های هم‌سایه رایگان ۷ دقیقه
  16. فلسفهٔ هوش مصنوعی (۱): پرسشی قدیمی و آزمون تورینگ رایگان ۱۱ دقیقه
  17. فلسفهٔ هوش مصنوعی (۲): اثر الیزا، اتاق چینی و هوش قوی و ضعیف رایگان ۱۱ دقیقه
  18. فلسفهٔ هوش مصنوعی (۳): آگاهی، مسئولیت و انسان‌انگاری رایگان ۹ دقیقه
  19. مرور و خودآزمایی: فلسفهٔ هوش مصنوعی رایگان ۸ دقیقه
  20. جمع‌بندی فصل ۱ و واژه‌های کلیدی رایگان ۳ دقیقه
  21. آزمون فصل ۱: هوش مصنوعی چیست؟
فصل ۲: حل مسئله با جست‌وجو ۱۵ درس · ۱۲۷ دقیقه
  1. مقدمه و هدف‌های فصل ۲ ۳ دقیقه
  2. مسئله را برای ماشین تعریف کنیم (۱): پنج جزء مسئله و مسیریابی در شهرک ۹ دقیقه
  3. مسئله را برای ماشین تعریف کنیم (۲): گرگ و بز و کلم، پازل کشویی و فضای حالت ۱۰ دقیقه
  4. مسئله را برای ماشین تعریف کنیم (۳): انتخاب جزئیات و انفجار ترکیبیاتی ۱۰ دقیقه
  5. مرور و خودآزمایی: مسئله را برای ماشین تعریف کنیم ۷ دقیقه
  6. الگوریتم‌های جست‌وجو (۱): فهرست انتظار و جست‌وجوی سطح‌اول ۸ دقیقه
  7. الگوریتم‌های جست‌وجو (۲): عمق‌اول، کم‌هزینه‌ترین و تخمین سرانگشتی ۱۰ دقیقه
  8. الگوریتم‌های جست‌وجو (۳): جست‌وجوی حریصانه و الگوریتم A* ۱۱ دقیقه
  9. الگوریتم‌های جست‌وجو (۴): مقایسهٔ الگوریتم‌ها و جست‌وجوی محلی ۸ دقیقه
  10. مرور و خودآزمایی: الگوریتم‌های جست‌وجو ۸ دقیقه
  11. جست‌وجو در بازی‌ها (۱): درخت بازی و مینیمکس ۹ دقیقه
  12. جست‌وجو در بازی‌ها (۲): بازی دوز، تابع ارزیابی و هرس آلفا–بتا ۱۲ دقیقه
  13. جست‌وجو در بازی‌ها (۳): بازی‌های شانسی، اطلاعات پنهان و آلفاگو ۹ دقیقه
  14. مرور و خودآزمایی: جست‌وجو در بازی‌ها ۱۰ دقیقه
  15. جمع‌بندی فصل ۲ و واژه‌های کلیدی ۳ دقیقه
  16. آزمون فصل ۲: حل مسئله با جست‌وجو
فصل ۳: احتمال و عدم‌قطعیت ۱۴ درس · ۱۳۶ دقیقه
  1. مقدمه و هدف‌های فصل ۳ ۳ دقیقه
  2. شانس و احتمال (۱): احتمال چیست و چطور حساب می‌شود؟ ۱۲ دقیقه
  3. شانس و احتمال (۲): متمم، «و» و «یا» و احتمال شرطی ۱۱ دقیقه
  4. شانس و احتمال (۳): استقلال، نسبت شانس و کالیبراسیون ۹ دقیقه
  5. مرور و خودآزمایی: شانس و احتمال ۸ دقیقه
  6. قاعدهٔ بیز (۱): کارآگاه بیزی و فرمول بیز ۱۱ دقیقه
  7. قاعدهٔ بیز (۲): آزمایش پزشکی و نرخ پایه ۱۲ دقیقه
  8. قاعدهٔ بیز (۳): نسبت شانس، خطای وارونه و بیز در زندگی ۱۳ دقیقه
  9. مرور و خودآزمایی: قاعدهٔ بیز ۹ دقیقه
  10. دسته‌بند بیز ساده (۱): از قاعدهٔ بیز تا یک فیلتر هرزنامه ۱۲ دقیقه
  11. دسته‌بند بیز ساده (۲): فرض سادگی، هموارسازی و ارزیابی فیلتر ۱۵ دقیقه
  12. دسته‌بند بیز ساده (۳): آستانه، کاربردها و محدودیت‌ها ۹ دقیقه
  13. مرور و خودآزمایی: دسته‌بند بیز ساده ۹ دقیقه
  14. جمع‌بندی فصل ۳ و واژه‌های کلیدی ۳ دقیقه
  15. آزمون فصل ۳: احتمال و عدم‌قطعیت
فصل ۴: یادگیری ماشین: مفاهیم پایه ۱۲ درس · ۱۲۰ دقیقه
  1. مقدمه و هدف‌های فصل ۴ ۳ دقیقه
  2. یادگیری ماشین چیست؟ (۱): از قاعده‌نویسی تا یادگیری از مثال ۱۴ دقیقه
  3. یادگیری ماشین چیست؟ (۲): یاد گرفتن ماشین، کاربردها و چرخهٔ پروژه ۱۳ دقیقه
  4. مرور و خودآزمایی: یادگیری ماشین چیست؟ ۷ دقیقه
  5. انواع یادگیری ماشین (۱): یادگیری با ناظر و بی‌ناظر ۱۱ دقیقه
  6. انواع یادگیری ماشین (۲): تقویتی، خودنظارتی و نیمه‌نظارتی ۱۷ دقیقه
  7. مرور و خودآزمایی: انواع یادگیری ماشین ۷ دقیقه
  8. داده، آموزش و ارزیابی (۱): داده و ویژگی‌ها ۸ دقیقه
  9. داده، آموزش و ارزیابی (۲): تقسیم داده، کم‌برازش و بیش‌برازش ۱۳ دقیقه
  10. داده، آموزش و ارزیابی (۳): اعتبارسنجی متقاطع و سنجش عملکرد ۱۳ دقیقه
  11. مرور و خودآزمایی: داده، آموزش و ارزیابی ۱۱ دقیقه
  12. جمع‌بندی فصل ۴ و واژه‌های کلیدی ۳ دقیقه
  13. آزمون فصل ۴: یادگیری ماشین: مفاهیم پایه
فصل ۵: روش‌های پرکاربرد یادگیری ماشین ۱۸ درس · ۲۰۳ دقیقه
  1. مقدمه و هدف‌های فصل ۵ ۳ دقیقه
  2. روش نزدیک‌ترین همسایه (۱): ایده، فاصله و مثال سایز تی‌شرت ۱۷ دقیقه
  3. روش نزدیک‌ترین همسایه (۲): دام مقیاس، نفرین ابعاد و نقاط قوت و ضعف ۱۵ دقیقه
  4. مرور و خودآزمایی: روش نزدیک‌ترین همسایه ۸ دقیقه
  5. رگرسیون (۱): رگرسیون خطی و اندازه‌گیری خطا ۱۴ دقیقه
  6. رگرسیون (۲): چند ویژگی، همبستگی و علیت، برون‌یابی ۱۲ دقیقه
  7. رگرسیون (۳): رگرسیون لجستیک و ارزیابی مدل ۱۰ دقیقه
  8. مرور و خودآزمایی: رگرسیون ۱۰ دقیقه
  9. درخت تصمیم (۱): درخت تصمیم و انتخاب بهترین پرسش ۱۳ دقیقه
  10. درخت تصمیم (۲): پیش‌بینی، بیش‌برازش و جنگل تصادفی ۱۴ دقیقه
  11. مرور و خودآزمایی: درخت تصمیم ۸ دقیقه
  12. خوشه‌بندی و یادگیری بی‌ناظر (۱): خوشه‌بندی و الگوریتم k-میانگین ۱۵ دقیقه
  13. خوشه‌بندی و یادگیری بی‌ناظر (۲): محدودیت‌ها، کاهش بُعد و کشف ناهنجاری ۱۱ دقیقه
  14. مرور و خودآزمایی: خوشه‌بندی و یادگیری بی‌ناظر ۹ دقیقه
  15. یادگیری تقویتی (۱): چرخهٔ یادگیری، پاداش تأخیری و ارزش وضعیت ۱۴ دقیقه
  16. یادگیری تقویتی (۲): کاوش و بهره‌برداری، شکار پاداش و کاربردها ۱۵ دقیقه
  17. مرور و خودآزمایی: یادگیری تقویتی ۱۱ دقیقه
  18. جمع‌بندی فصل ۵ و واژه‌های کلیدی ۴ دقیقه
  19. آزمون فصل ۵: روش‌های پرکاربرد یادگیری ماشین
فصل ۶: شبکه‌های عصبی و یادگیری عمیق ۱۴ درس · ۱۳۶ دقیقه
  1. مقدمه و هدف‌های فصل ۶ ۳ دقیقه
  2. نورون مصنوعی (۱): از نورون زیستی تا پرسپترون ۱۱ دقیقه
  3. نورون مصنوعی (۲): مسئلهٔ XOR و یادگیری پرسپترون ۱۰ دقیقه
  4. نورون مصنوعی (۳): تابع فعال‌سازی، تابع زیان و مقایسه با مغز ۱۱ دقیقه
  5. مرور و خودآزمایی: نورون مصنوعی ۹ دقیقه
  6. شبکه چگونه یاد می‌گیرد؟ (۱): لایه‌ها، انتشار رو به جلو و تابع زیان ۱۰ دقیقه
  7. شبکه چگونه یاد می‌گیرد؟ (۲): نزول گرادیان و پس‌انتشار ۱۳ دقیقه
  8. شبکه چگونه یاد می‌گیرد؟ (۳): حلقهٔ آموزش، ترفندها و رقم‌های دست‌نویس ۱۲ دقیقه
  9. مرور و خودآزمایی: شبکه چگونه یاد می‌گیرد؟ ۹ دقیقه
  10. یادگیری عمیق (۱): یادگیری نمایش و شبکه‌های کانولوشنی ۱۳ دقیقه
  11. یادگیری عمیق (۲): شبکه‌های بازگشتی، توجه و ترنسفورمر ۷ دقیقه
  12. یادگیری عمیق (۳): یادگیری انتقالی، مدل‌های مولد و محدودیت‌ها ۱۲ دقیقه
  13. مرور و خودآزمایی: یادگیری عمیق ۱۳ دقیقه
  14. جمع‌بندی فصل ۶ و واژه‌های کلیدی ۳ دقیقه
  15. آزمون فصل ۶: شبکه‌های عصبی و یادگیری عمیق
فصل ۷: هوش مصنوعی مولد و مدل‌های زبانی بزرگ ۱۲ درس · ۱۳۹ دقیقه
  1. مقدمه و هدف‌های فصل ۷ ۳ دقیقه
  2. هوش مصنوعی مولد چیست؟ (۱): از تشخیص تا ساختن و مدل‌های انتشار ۱۶ دقیقه
  3. هوش مصنوعی مولد چیست؟ (۲): شبکه‌های تخاصمی، فرصت‌ها و خطرها ۱۴ دقیقه
  4. مرور و خودآزمایی: هوش مصنوعی مولد چیست؟ ۱۰ دقیقه
  5. مدل‌های زبانی بزرگ (۱): پیش‌بینی واژهٔ بعدی، توکن و بردار معنایی ۱۲ دقیقه
  6. مدل‌های زبانی بزرگ (۲): ترنسفورمر، ساخت چت‌بات و پنجرهٔ زمینه ۱۳ دقیقه
  7. مدل‌های زبانی بزرگ (۳): دما، توهم و مرزهای فهم ۱۲ دقیقه
  8. مرور و خودآزمایی: مدل‌های زبانی بزرگ ۱۲ دقیقه
  9. کار با ابزارهای هوش مصنوعی (۱): درخواست خوب، راستی‌آزمایی و امتحان کتاب‌باز ۱۵ دقیقه
  10. کار با ابزارهای هوش مصنوعی (۲): عامل‌ها، حریم خصوصی و استفادهٔ اخلاقی ۱۸ دقیقه
  11. مرور و خودآزمایی: کار با ابزارهای هوش مصنوعی ۱۱ دقیقه
  12. جمع‌بندی فصل ۷ و واژه‌های کلیدی ۳ دقیقه
  13. آزمون فصل ۷: هوش مصنوعی مولد و مدل‌های زبانی بزرگ
فصل ۸: پیامدهای هوش مصنوعی: جامعه، اخلاق و آینده ۱۴ درس · ۱۲۶ دقیقه
  1. مقدمه و هدف‌های فصل ۸ ۳ دقیقه
  2. پیش‌بینی آینده (۱): چرخهٔ هیاهو و دام‌های پیش‌بینی ۱۴ دقیقه
  3. پیش‌بینی آینده (۲): بنچمارک‌ها، ابرهوش و فکر کردن با سناریو ۱۲ دقیقه
  4. مرور و خودآزمایی: پیش‌بینی آینده ۹ دقیقه
  5. پیامدهای اجتماعی و اخلاقی (۱): سامانهٔ اجتماعی–فنی و سوگیری ۱۳ دقیقه
  6. پیامدهای اجتماعی و اخلاقی (۲): حریم خصوصی، شفافیت و مسئولیت ۱۰ دقیقه
  7. پیامدهای اجتماعی و اخلاقی (۳): کار، اطلاعات نادرست و ایمنی ۱۱ دقیقه
  8. پیامدهای اجتماعی و اخلاقی (۴): محیط زیست، قدرت، قانون و ارزیابی اثر ۱۱ دقیقه
  9. مرور و خودآزمایی: پیامدهای اجتماعی و اخلاقی ۹ دقیقه
  10. جمع‌بندی دوره (۱): نقشهٔ مفهومی و ده ایدهٔ کلیدی ۱۰ دقیقه
  11. جمع‌بندی دوره (۲): پروژهٔ کوچک، مسیرها و منابع ادامه ۸ دقیقه
  12. جمع‌بندی دوره (۳): عادت‌های یادگیری، تمرین پایانی و سخن آخر ۸ دقیقه
  13. مرور و خودآزمایی: جمع‌بندی دوره ۵ دقیقه
  14. جمع‌بندی فصل ۸ و واژه‌های کلیدی ۳ دقیقه
  15. آزمون فصل ۸: پیامدهای هوش مصنوعی: جامعه، اخلاق و آینده
واژه‌نامه و مرور کل دوره ۹ درس · ۴۱ دقیقه
  1. راهنمای واژه‌نامه و معادل‌های انتخابی ۳ دقیقه
  2. واژه‌نامه (۱): آ تا ب ۶ دقیقه
  3. واژه‌نامه (۲): پ تا خ ۶ دقیقه
  4. واژه‌نامه (۳): د تا ض ۶ دقیقه
  5. واژه‌نامه (۴): ع تا م ۶ دقیقه
  6. واژه‌نامه (۵): ن تا ی ۵ دقیقه
  7. فهرست انگلیسی به فارسی (۱): A تا E ۳ دقیقه
  8. فهرست انگلیسی به فارسی (۲): F تا O ۳ دقیقه
  9. فهرست انگلیسی به فارسی (۳): P تا W ۳ دقیقه
  10. آزمون واژه‌نامه و مرور کل دوره

۲۰ درس اول رایگان است (با ورود به حساب)؛ بقیه پس از خرید دوره باز می‌شوند.

نظرات دانشجویان

هنوز نظری ثبت نشده است؛ اولین نظر را شما بنویسید.

ثبت نظر

سوال امنیتی تصویری ۱ + ۸ چند می‌شود؟
پاسخ سوال امنیتی را وارد کنید.
آموزش مبانی هوش مصنوعی ۱٬۰۰۰٬۰۰۰ تومان
شروع مطالعه