هوش مصنوعی چیست؟
هوش مصنوعی یا artificial intelligence شاخه ای از علوم رایانه است که هدف اصلی آن تولید ماشینهای هوشمندی است که توانایی انجام وظایفی که نیازمند به هوش انسانی است را داشته باشد. هوش مصنوعی در حقیقت نوعی شبیه سازی هوش انسانی برای کامپیوتر است و منظور از هوش مصنوعی در واقع ماشینی است که به گونه ای برنامه نویسی شده که همانند انسان فکر کند و توانایی تقلید از رفتار انسان را داشته باشد. این تعریف می تواند به تمامی ماشین هایی اطلاق شود که بگونهای همانند ذهن انسان عمل میکنند و میتوانند کارهایی مانند حل مسئله و یادگیری داشته باشند. هوش مصنوعی(Artificial Intelligence) از دو کلمه متفاوت ساخته شده است. منظور از مصنوعی(Artificial) یعنی ساخته شده به دست بشر است و از طرفی دیگر هوش(Intelligence) به معنای توانایی ذهن برای درک اصول، حقیقت، حقایق یا معانی، کسب دانش و تبدیل علم به عمل بر پایه توانایی یادگیری و درک کردن است. بنابراین هوش مصنوعی ماشینی است که توسط انسان ها ایجاد میشود تا زندگی را آسان و راحت کند که به صورت برنامههای رایانهای یا ماشینهایی بوده که به فکر کردن و یادگیری کمک میکنند.خیلی از افراد هنوز هم با شنیدن واژه هوش مصنوعی به ربات ها فکر می کنند و تصور می کنند که منظور از هوش مصنوعی همان ربات های بی احساسی هستند که برای انجام راحت تر کارها طراحی شدهاند و قرار است در آینده جای انسان ها را بگیرند. مسئول این نوع تفکر به احتمال زیاد فیلم های علمی و تخیلی است اما واقعیت با آنچه که تصور می شود تفاوت دارد. هوش مصنوعی که امروزه از آن یاد میشود در واقع تکنولوژی است که به نحوی قابلیت تفکر دارد. البته این قابلیت تفکر با چیزی که ما به عنوان تفکر انسانی میشناسیم تا حد زیادی تفاوت دارد، اما در حقیقت سعی دارد تا از آن تقلید کند.حوزهی تحقیق پیرامون هوش مصنوعی، در سال ۱۹۵۶ و آزمایشگاهی در کالج دارتموث متولد شد. جان مککارتی این حوزه را از زیرمجموعهی سایبرنتیک و نظریههای سایبرنتیستهایی همچون نوربرت وینر خارج کرد و اصطلاح «هوش مصنوعی» بهنوعی توسط او متولد شد. از پیشگامان و رهبران حوزهی هوش مصنوعی میتوان به آلن نول، هربرت سیمون، جان مککارتی، ماروین مینسکی و آرتور ساموئل اشاره کرد. آنها بهکمک دانشجویان خود برنامههایی توسعه میدادند که رسانههای جهان، لقب «عجیب» را برایشان انتخاب میکردند.
کاربردهای هوش مصنوعی
از کاربردهای هوش مصنوعی میتوان به برچسبگذاری خودکار تصاویر، تبدیل گفتار به نوشتار، رتبهبندی صفحات وب، پاسخدهی خودکار در نرمافزارهای پیامرسان، توصیف تصاویر، تبدیل طرح اولیه (Mockup) به کد HTML، تولید خودکار مراحل جدید در بازیها، یادگیری و استخراج سبک، انجام بازیهای ویدئویی، انجام بازیهای صفحهای مانند شطرنج، نقاشی، تشخیص چهره و دستیارهای هوشمند اشاره کرد.
یادگیری ماشینی چیست؟
یادگیری ماشین (Machine Learning) علمی است که کامپیوترها را به یادگیری و رفتار کردن مثل انسان مجبور می کند. این سیستمها، رفته رفته که با دادهها، شبکهها و افراد تعامل دارند، به طور خودکار باهوشتر میشوند تا در نهایت بتوانند موضوعی کاربردی در جهان را برای ما حل یا پیشبینی کنند.یادگیری ماشین یک نوع هوش مصنوعی است که با استفاده از یک الگوریتم، الگو ها را از داده خام استخراج می کند. تمرکز اصلی یادگیری ماشین این است که به سیستم های کامپیوتری این امکان را بدهد که بدون دخالت انسان و یا اینکه صراحتا برنامه ریزی شوند، از تجربه ها یاد بگیرند. ما با استفاده از الگوریتم هایی به ماشین دستوراتی را می دهیم که ماشین خود بتواند دستورات جدید را با استفاده از متد های قبلی توسعه بدهد و به گونه ای خود ماشین بیاموزد که چه عملی را انجام دهد ، به زبان ساده تربه ماشین یاد می دهیم که خود چیز های جدید را خودشان یاد بگیرند.علم ماشین لرنینگ می تواند به یک نرم افزار قدرتی دهد که نرم افزار با استفاده از تجربیاتی که دارد یا بهتر است بگوییم نرم افزار با دانشی که دارد بتواند بعضی از مسائل را حل کند یک مثال خوب در این زمینه گوگل است حتما این را فهمیده اید که موتور جستجوی قدرتمند گوگل توانایی یادگیری دارد آیا برای شما پیش نیامده که به محض اینکه بخواهید چیزی را جستجو کنید گوگل فورا آن را حدس زده باشد؟حوزه یادگیری ماشین طی چند سال اخیر یکی از محبوب ترین حوزه های برنامه نویسی در دنیا بوده است و همچنین یکی از پر تقاضا ترین حوزه های برنامه نویسی بوده است. یادگیری ماشین لرنینگ با پایتون نه تنها می تواند شما را قادر به همکاری با شرکت های بزرگ بکند بلکه تفکر را در شما پرورش می دهد و باعث می شود بهتر فکر کنید و همواره از ریاضی، الگوریتم ها و دانش برنامه نویسی خود در جهت مفید بودن لذت ببرید(مثل احساس خلق چیز جدید که با انسان نشاط و اعتماد به نفس می دهد).
حل مشکل برنامه نویسی سنتی با ماشین لرنینگ؟
در برنامهنویسی سنتی، تمام قوانین باید با مشورت یک متخصص، پیاده سازی شود و هر قانون بر اساس یک راهکار منطقی، یک خروجی را تولید می کند. اما وقتی سیستم بزرگتر میشود، پیچیدهتر هم میشود و طبعا به کدنویسی بیشتری نیاز است. این امر باعث میشود سیستم خیلی زود به حدی برسد که دیگر خارج از کنترل و نگهداری باشد. یادگیری ماشین این مساله را با یادگیری اتوماتیک کاملا حل کرده است. سیستمی را در نظر بگیرید که بدون کدنویسی توسط برنامهنویس، خودش از مثالها یاد میگیرد و میتواند به تنهایی از دادهها، نتایجِ دقیق استخراج کند. یادگیری خودکار، مزیت اصلی ماشین لرنینگ در مقابل برنامهنویسی سنتی است.ماشین یاد میگیرد که چطور اطلاعات ورودی و خروجی، با هم مرتبط هستند و از روی همان، خودش یک قانون مینویسد. برنامهنویسان دیگر نیاز نیست هر بار وقتی دیتای جدید دارند، قوانین تازه ایجاد کند. چون الگوریتمها در پاسخ به اطلاعات و تجربههای جدید، هربار آپدیت و به روزرسانی میشوند و به این ترتیب در طول زمان عملکردشان بهبود پیدا میکند.در واقع یادگیری ماشین، اطلاعات را با ابزار محاسباتی ادغام میکند تا یک خروجی و نتیجه را پیشبینی کند. جالب اینکه ماشین از همین خروجی دوباره استفاده میکند تا به یک درک بهتر در رفتار و اقدامهای آینده برسد.
الگوریتم های یادگیری ماشین؟
یادگیری ماشین ML الگوریتمهای بسیار زیادی دارد اما میتوان آنها را در سه دسته اصلی زیر طبقهبندی کرد.
- یادگیری با نظارت (Supervised ML): یادگیری با استفاده از نمونه داده ها و برچسب آنها
- یادگیری بی نظارت (Unsupervised ML): یادگیری با استفاده از شباهت بین نمونه داده ها
- یادگیری تقویتی (Reinforcement ML): یادگیری براساس آزمون و خطا و در تعامل با محیط
مراحل یادگیری ماشین:
مراحل یادگیری ماشین به طور خلاصه در قدمهای زیر و به ترتیب حلاصه شده است:
- تعریف مساله (Define a question)
- جمعآوری دیتا (داده) (Collect data)
- بصریسازی دیتا (Visualize data)
- آموزش داده به مدل (Train algorithm)
- آزمایش مدل (Test the Algorithm)
- جمعآوری بازخورد (Collect feedback)
- توسعه الگوریتم (Refine the algorithm)
- ادامه مراحل ۴ تا ۷ تا زمانی که به نتایج رضایت بخش برسیم
- پیشبینی آینده با مدل آموزش دیده
هدف از این دوره آموزشی؟
شما در آموزش یادگیری ماشین باید با انواع مدلهای یادگیری ماشین یعنی، یادگیری با نظارت (Supervised ML)، یادگیری بی نظارت (Unsupervised ML) و یادگیری تقویتی (Reinforcement ML) آشنا می شوید. نحوه عملکرد یادگیری ماشین را می آموزید. مهمترین الگوریتمها و موارد کاربرد هر کدام را یاد خواهید گرفت و با نمونههای استفاده شده از ماشین لرنینگ ML در دنیای واقعی آگاه می شوید.در دوره آموزش ماشین لرنینگ بیگ لرن سعی داریم تا با ارائه مسیری مشخص در دنیای آموزش یادگیری ماشین قدم گذاشته و با حل تمرین و مثال هایی در زبان برنامه نویسی پایتون (ماشین لرنینگ در پایتون) به کاربردی تر شدن این دوره کمک کنیم .در این دوره مباحث مهم و بنیادی آموزش یادگیری ماشین در اختیار شما قرار خواهد گرفت تا شما را برای کار در صنعت هوش مصنوعی و یادگیری ماشین در آن آماده کند . پس از این دوره میتوانید در کلیه فعالیت های کاربردی ماشین لرنینگ فعالیت کنید و به کسب درآمد در این حوزه پرمخاطب این روزهای بازار کار ایران بپردازید. دوره آموزش ماشین لرنینگ ما نه تنها به شبیه سازی سوال هایی در حوزه یادگیری ماشین در صنعت خواهد پرداخت بلکه با ریاضیات روش سعی بر شفاف سازی کدهای یادگیری ماشین در پایتون و درک هرچه بهتر ساختار مسائل ماشین لرنینگ تلاش خواهیم کرد. جزئیات این دوره آموزشی در زیر لیست شده است. بدون شک یکی از بهترین دوره های یادگیری ماشین با پایتون است که با زبان فارسی و روان توضیح داده شده است. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.
بخش صفر: مرور کامل روی پایتون
بخش اول: مرور آمار و احتمال
بخش دوم: معرفی هوش مصنوعی و یادگیری ماشین
بخش سوم: چالش های یادگیری ماشین و پیش پردازش داده
بخش چهارم: یادگیری ماشین با ناظر (supervised learning)
بخش پنجم: یادگیری ماشین بدون ناظر (Unsupervised learning)
بخش ششم: یادگیری تقویتی (Reinforcement learning)
بخش هفتم: ارزیابی و پیکربندی الگوریتم های یادگیری ماشین
بخش نهم: آموزش کامل کتابخانه های مهم پایتون برای یادگیری ماشین
بخش دهم: یادگیری عمیق و مدل سازی
بخش یازدهم: مثال های عملی یادگیری ماشین/عمیق روی انواع داده ها
نظرات
2 دیدگاه برای آموزش هوش مصنوعی با پایتون
برای فرستادن دیدگاه، باید وارد شده باشید.
آرشیا
دوره خیلی خوبی بود. مدرس دوره به شدت تسلط داره و هم عملی و تئوری رو خوب تدریس میکنه
کمالی
من دوره رو دیدم. خیلی قابل فهم و مفید ارائه کردن. ممنون از آقای دکتر