آموزش مبانی هوش مصنوعی: شروع کار با سیستم‌های هوشمند - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چرا سواد هوش مصنوعی برای مهندسان اهمیت دارد Why AI literacy matters for engineers

۱. چشم‌انداز هوش مصنوعی 1. The AI Landscape

• گردش کار داده‌های AI: از داده‌های خام تا پیش‌بینی‌ها The AI data workflow: From raw data to predictions

• قطعی در مقابل احتمالی: هوش مصنوعی سنتی در مقابل مولد Deterministic vs. probabilistic: Traditional vs. generative AI

• هوش مصنوعی محدود در مقابل هوش عمومی (AGI): آنچه مهندسان باید بدانند Narrow AI vs. AGI: What engineers should know

• مسیر شغلی شما در AI: از کدنویسی تا هوشمندی Your AI career path: From code to intelligence

• طبقه‌بندی AI: توضیح هوش مصنوعی، یادگیری ماشین و یادگیری عمیق The AI taxonomy: AI, ML, and deep learning explained

۲. نمایش دانش و استدلال 2. Knowledge Representation and Reasoning

• گراف‌های دانش و هستی‌شناسی‌ها: ساختاربندی هوشمندی Knowledge graphs and ontologies: Structuring intelligence

• الگوریتم‌های جستجو: ماشین‌ها چگونه راهکارها را می‌یابند Search algorithms: How machines find solutions

• سیستم‌های منطقی و مبتنی بر قانون: نسل اول هوش مصنوعی Logic- and rule-based systems: The original AI

• چرا برنامه‌نویسی صریح (Explicit) ناکافی است Why explicit programming falls short

۳. گذار به یادگیری ماشین 3. The Shift to Machine Learning

• استخراج ویژگی و بردارها: تبدیل واقعیت به داده Feature extraction and vectors: Turning reality into data

• یادگیری نظارت‌شده: آموزش با برچسب‌ها Supervised learning: Teaching with labels

• یادگیری بدون نظارت: کشف الگوهای پنهان Unsupervised learning: Discovering hidden patterns

• یادگیری تقویتی: یادگیری از طریق پاداش‌ها Reinforcement learning: Learning through rewards

• آموزش در مقابل استنتاج: ساخت مدل در مقابل استفاده از مدل Training vs. inference: Building vs. using models

• مدل چیست؟ هسته اصلی یادگیری ماشین What is a model? The core of ML

۴. انقلاب عصبی و هوش مصنوعی مولد 4. The Neural Revolution and GenAI

• مدل‌های انتشار (Diffusion): تولید تصاویر با ریاضیات Diffusion models: Generating images with math

• مدل‌های زبانی بزرگ (LLM): چرا اهمیت دارند Large language models: Why they matter

• پرسپترون: تولد شبکه‌های عصبی The perceptron: Birth of neural networks

• هوش مصنوعی مولد: ماشین‌هایی که خلق می‌کنند Generative AI: Machines that create

• یادگیری عمیق: قدرت در لایه‌ها Deep learning: Power through layers

۵. ارزیابی و استقرار هوش مصنوعی 5. Evaluating and Deploying AI

• انتخاب مورد استفاده درست: چه زمانی AI منطقی است Choosing the right use case: When AI makes sense

• معیارهای مهم: فراتر از دقت (Accuracy) Metrics that matter: Beyond accuracy

• ورودی سوگیرانه، خروجی سوگیرانه: شناسایی و کاهش سوگیری Bias in, bias out: Detecting and mitigating bias

• توضیح‌پذیری و اعتماد: شفاف‌سازی هوش مصنوعی Explainability and trust: Making AI transparent

• بیش‌برازش و کم‌برازش: اجتناب از تله‌های مدل Overfitting and underfitting: Avoiding model pitfalls

جمع‌بندی Conclusion

• گام‌های بعدی شما در مهندسی هوش مصنوعی Your next steps in AI engineering