آموزش هوش مصنوعی

طرح درس جدید برای 50 ساعت طراحی شده است، که شامل ترکیب مناسبی از بخش‌های نظری و عملی است. جزئیات هر بخش به شرح زیر است:
• مقدمه بر هوش مصنوعی (10 ساعت):
• این بخش شامل تعریف و تاریخچه هوش مصنوعی، انواع آن (هوش ضعیف و هوش قوی)، و کاربردهای آن در صنایع مختلف مانند خودروهای خودران و سیستم‌های توصیه‌گر است.
• مفاهیم پایه مانند عامل‌ها، محیط‌ها، عقلانیت، الگوریتم‌های حل مسئله، و نمایش دانش و استدلال نیز پوشش داده می‌شود.
• این بخش بر اساس دوره‌های معتبر مانند Great Learning AI Syllabus و کتاب رهیافتی نوین بر هوش مصنوعی نوشته استوارت راسل طراحی شده است.
• مقدمه بر یادگیری ماشین (15 ساعت):
• شامل تعریف یادگیری ماشین و انواع آن (یادگیری نظارت‌شده، نظارت‌نشده، و تقویتی) است.
• موضوعات کلیدی شامل رگرسیون و دسته‌بندی در یادگیری نظارت‌شده، خوشه‌بندی و کاهش بعد در یادگیری نظارت‌نشده، و معیارهای ارزیابی مانند دقت و F1-score هستند.
• الگوریتم‌های پایه مانند رگرسیون خطی، رگرسیون لجستیک، k-NN، و درخت تصمیم معرفی می‌شوند.
• مفاهیم کلیدی مانند آموزش، آزمایش، اعتبارسنجی، بیش‌برازش، و کم‌برازش نیز توضیح داده می‌شود.
• این بخش با دوره‌هایی مانند DeepLearning.AI Machine Learning Specialization هم‌راستا است.
• مقدمه بر یادگیری عمیق (15 ساعت):
• شامل معرفی یادگیری عمیق، شبکه‌های عصبی (پرسپترون، شبکه‌های چندلایه)، و توابع فعال‌ساز مانند sigmoid و ReLU است.
• موضوعات دیگر شامل بازانتشار (backpropagation)، گرادیان نزولی، و انواع شبکه‌های عصبی مانند CNN و RNN هستند.
• چارچوب‌های محبوب مانند TensorFlow و PyTorch معرفی می‌شوند، و کاربردهایی مانند شناسایی تصویر و پردازش زبان طبیعی توضیح داده می‌شود.
• این بخش با منابع مانند Applied AI Course Syllabus تطابق دارد.
• جلسات عملی و پروژه‌ها (10 ساعت):
• این بخش شامل تجربه عملی با کتابخانه‌های یادگیری ماشین و عمیق مانند scikit-learn و TensorFlow است.
• پروژه‌های ساده مانند دسته‌بندی تصاویر یا تحلیل احساسات طراحی شده‌اند تا دانشجویان بتوانند مفاهیم آموخته‌شده را در عمل ببینند.
• این بخش برای اطمینان از درک عملی مفاهیم ضروری است و بر اساس دوره‌هایی مانند Harvard CS50 AI Course تنظیم شده است