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.