قبل از اینکه این سری آموزش های هوش مصنوعی رو بخوام شروع کنم در جلسه اول میخوام به تعریف دقیقی از هوش مصنوعی بپردازم . هوش مصنوعی یعنی چی ؟ تعریفی که میخوام بگم رو آلن تورینگ به نحوی بیان کرده :
هوش مصنوعی یعنی شما جلوی دیواری بایستید و با شخصی پشت دیوار صحبت کرده و تا پایان مکالمه متوجه ماشین بودن شخصیت پشت دیوار نشوید ! تعریف دقیق تر این ؟
پس میشه گفت که تعریف دقیق تر میشه : طراحی سیستمها و الگوریتمهایی که رفتار هوشمند داشته باشن . هدف :شبیه سازی در رفتار انسانو حل مسائل پیچیده وانجام کارهایی که برای انسان دشوار یا غیرممکنه !
ما توی این سری آموزش های رایگان و جامع هوش مصنوعی میخوام یاد بگیریم خودمون هوش مصنوعی بسازیم و خودمون بتونیم به مفاهیم ماشین لرنینگ یا یادگیری ماشین مسلط بشیم.
اما تاریخچه هوش مصنوعی رو بیاید با هم بررسی کنیم :
توی این سال های اخیر عمیقا شاهد رشد عجیب هوش مصنوعی و پیدا شدن سر و کله شرکت هایی مثل OpenAi بودیم که با اوردن ChatGPT و Midjourney باعث محبوبیت شدید هوش مصنوعی شدن . اما کی باعث شد هوش مصنوعی از رکود در بیاد و اینطوری رشد کنه ؟ در جواب این سوال باید دو تا از اشخاص و شرکت هایی رو بگم که به شدت توی رشد هوش مصنوعی و انقلاب در توسعه اش شریک بودن :
۱- ایلان ماسک : ایلان ماسک مشهور با سرمایه گذاری ۱۰۰ میلیون دلاری در شرکت OpenAi باعث نجات چت بات های این شرکت شد. البته توی سال ۲۰۱۸ از این شرکت جدا شد و الان خودش دنبال رقابت با این شرکته اونم با شرکت جدیدش به اسم XAi !!!!
۲-Nvidia : به نظرم میشه گفت که این شرکت نقش اصلی رو تا اینجای کار قبل از intel بازی کرده ! اینویدیا با تولید قطعات و کارت گرافیک های قوی برای ابر کامپیوتر های پیشرو در زمینه هوش مصنوعی باعث خروج هوش مصنوعی از این رکود شد .
به نظرم وقتشه بریم سراغ یادگیری و شروع رود مپ :
از کجا باید شروع کنیم ؟ نقشه راه یادگیری هوش مصنوعی :
خب تو اولین قسمت میخوام پیش نیاز های این دوره رو بگم :
۱- پایتون (اگر بلد نیستید اوکیه و میتونید همگام با یادگیری این دوره برید و پایتون یادبگیرید )
۲-مفاهیم بیسیک ریاضی و جبر خطی (این رو هم مثل پایتون در اواسط دوره با هم بررسی میکنیم و یادگیری آنچنانی نیاز نداره )
ما تو این دوره قرار هست که با هم مفاهیم کامل هوش مصنوعی رو بررسی کنیم و به یادگیری ماشین و یادگیری عمیق و شبکه عصبی مبتنی بر تصویر و مفاهیم پایه یادگیری ماشین مثل خطا و ارور ها و توابع فعالسازی و اپتیمایزر ها و خیلی چیزهای دیگه مسلط بشیم.
و اما نقشه راه :
تو جلسه اول میخوام به دو تا مفهوم ماشین لرنینگ و یادگیری عمیق بپردازم :
ماشین لرنینگ : ماشین لرنینگ یا یادگیری ماشین یه سری روش هایی هستش که ما میایم به وسیله اون روش ها یه چیزی رو به ماشین یا کامپیوتر یاد میدیم .
یادگیری عمیق : یادگیری عمیق یکی از روش هایی هستش که توی یادگیری ماشین به کار میاد و استفاده میشه و دقیق تر و قوی تره ولی ابتدا باید به یه سری مفاهیم بپردازیم .
شما یه بچه رو تصور کنید که وقتی به دنیا میاد با کلی اطلاعات رو به رو میشه و به کمک پدر مادر سعی میکنه اون اطلاعات رو یاد بگیره . یعنی چی ؟ خب اینو همه میدونن ! اما برای چی اینو گفتم ؟ :
مفهوم دیتاست یا مجموعه دیتا :
وقتی از یادگیری حرف میزنیم خب طبیعتا باید یه دیتایی باشه که بیاد و ما اون رو به ماشینمون بفهمونیم . که به اصطلاح تو دنیای هوش مصنوعی بهش دیتاست میگیم . حالا اگر بخوایم هوش مصنوعی کار کنیم از اول تا اخر با این دیتا ست سر و کار داریم.
اما بیاید این دیتا و داده رو از لحاظ اینکه میدونیم چه دیتاییه یا نمیدونیم بررسی کنیم : بیاید همون مثال بچه رو بزنم ؛ بچه میاد و میشینه تلویزیون ببینه و مادرش میاد تصاویر حیوانات جنگل رو به بچش نشون میده و به ترتیب اسم همه شون رو به بچه اش یاد میده و مثلا تصویر شیر رو نشون میده و به بچه میگه این شیر سلطان جنگله و گوشت خواره و توضیحات این شکلی … یا مثلا تصویر زرافه رو نشون بچه میده و میگه زرافه اینه و این شکلیه و این خصوصیات رو داره. یعنی چی ؟ یعنی یه سری اسم یا برچسب یا به اصطلاح هوش مصنوعی کار ها لیبل میزنه به تصاویر و میگه اینا چیه و چه شکلیه.
پس میتونیم دیتامون و یادگیریمون رو به سه دسته تقسیم کنیم :
دسته اول : دیتامون لیبل یا اسم داره | دسته دوم : دیتامون لیبل یا اسم نداره | دسته سوم : دیتامون یه سری لیبل و اسم داره و یه سریاش اسم و لیبل نداره .
به اصطلاح هوش مصنوعی کار ها به دسته اول میگن یادگیری نظارت شده (Supervised learning )و به دسته دوم میگن یادگیری نظارت نشده ( Unsupervised learning ) و به دسته سوم میگن یادگیری نیمه نظارتی یا ( Semi Supervised Learning )
حالا بیاید بریم سراغ متد ها و راه های یادگیری ماشین و تو جلسات بعدی دونه به دونه اونا رو بررسی کنیم :
متد های یادگیری ماشین :
۱-رگرسیون : این متد دقیقا مثل همون درسای دبیرستانمونه که میگفتیم Y = X + A . یعنی روش هایی که با جبر خطی هستش
۲-کلاس بندی یا classification : این متد هم برای گروه بندی دیتاست . یعنی هوش مصنوعی شما کلاس بندی میکنه دیتا رو که مفصل راجع بهش توضیح میدیم .
۳-خوشه بندی یا Clustering : خوشه بندی هم مثل کلاس بندی میمونه ولی یه فرق کوچیک داره که بهش در ادامه اشاره میکنم.
۴- سیستم های توصیه گر : این رو دیگه فکر کنم با مثال بگم بهتره ؛ اکسپلور اینستا یا دیجی کالا رو دیدید دیگه قطعا ! به اونا میگن سیستم های توصیه گر که تو جلسات بعدی یاد میگیریم.
۵-شبکه عصبی : این متد یکی از باحال ترین و جذاب ترین و خفن ترین ها توی یادگیری ماشینه که مفصل تو جلسات بعدی بهش میپردازیم
۶- یادگیری عمیق : این متد همون متد شبکه عصبی هست با این تفاوت که عمیق تره و قوی تر مدلسازی انجام میشه که تو جلسات بعدی بهش میپردازم
خب ما قراره که از جلسه بعدی بریم و اولین متد یعنی رگرسیون رو با هم دیگه یاد بگیریم و البته این بین یه سری مفاهیم رو با هم دیگه یاد بگیریم . در آخر هر جلسه هم تمرین میزارم و هم کد میزارم که پایان هر جلسه بتونید با اون ها تمرین کنید و یادگیری رو تکمیل کنید . هر وقت هم که سوال داشتید میتونی با شماره من : ۰۹۰۳۳۴۲۱۸۱۹ در ارتباط باشید.