🌟 به دنیای شگفت‌انگیز هوش مصنوعی خوش آمدید! 🤖✨ سلام به همه دانشجویان پرانرژی و علاقه‌مندان به تکنولوژی! 👋🎓 اینجا کارگاه آموزش متنی انجمن علمی هوش مصنوعی دانشگاه بیرجند است همچنین بگم که این کارگاه با همکاری انجمن های رباتیک و مهندسی پزشکی و IEEE برگزار میشه ✌️ خیلی خوشحالیم که در این مسیر هیجان‌انگیز همراه ما هستید! 🎉 🎯 چرا این کانال رو ساختیم؟ و هدفمون چیه؟ شاید بپرسید چرا آموزش متنی در پیام‌رسان؟! 🤔 دلایل ما این‌هاست: 1️⃣ دسترسی بی‌نهایت و همیشه در جیب شما! 📱: هر جا که باشید (توی اتوبوس، بین کلاس‌ها یا در خانه)، مطالب همیشه در دسترس شماست و نیازی به دانلود ویدیوهای سنگین ندارید. 🌐⬇️ 2️⃣ یادگیری لقمه‌ای (Micro-learning) 🍔: مفاهیم پیچیده رو به بخش‌های خیلی کوچک، جذاب و قابل فهم تبدیل کردیم تا اصلاً خسته‌کننده نباشه! 🧠💡 3️⃣ کپی پیستِ راحتِ کدها 💻: چون آموزش متنی است، خیلی راحت می‌تونید کدهایی که قرار می‌دیم رو کپی کنید و روی سیستم خودتون اجرا کنید. ⌨️🔥 4️⃣ پروژه‌محور بودن 🛠: ما اینجا فقط تئوری نمی‌گیم؛ قراره با هم کد بنویسیم و خروجی‌های واقعی بگیریم! 📈🚀 آماده‌اید که با هم این مسیر رو شروع کنیم؟ 💪👇 https://eitaa.com/aibirjand

این کارگاه دقیقاً چطور قراره پیش بره؟ ⏰ برای اینکه بهترین نتیجه رو از این دوره بگیرید، چند تا نکته کوچیک رو به یاد داشته باشید: 👇 📌 ساختار مطالب: پست‌های ما شامل متن‌های کوتاه، تکه‌کدها (Code Snippets)، عکس‌ها و نمودارهاست. 📝🖼 ⏱️ زمان‌بندی انتشار: برای اینکه وقت کافی برای تمرین داشته باشید، پست‌ها با فاصله زمانی مناسب (مثلاً روزی یک تا دو پست) منتشر میشن. پس نگران تلنبار شدن مطالب نباشید! ⏳🗓 ماموریت امروز شما: محیط برنامه‌نویسی پایتون خودتون رو آماده کنید! از پست بعدی، رسماً وارد فاز اول می‌شیم و استارت کار رو می‌زنیم! 🚀💪 https://eitaa.com/aibirjand

آموزش اول: هوش مصنوعی، یادگیری ماشین و یادگیری عمیق؛ تفاوت در چیست؟ 🤔 خب خب به اولین آموزش رسمی کارگاه ما خوش آمدید. خیلی وقت‌ها سه کلمه AI و ML و DL به جای هم استفاده می‌شوند، اما در واقع مثل دایره‌های تو در تو هستند. بیایید یک بار برای همیشه تفاوت آن‌ها را به زبان ساده یاد بگیریم: 👇 1️⃣ هوش مصنوعی (Artificial Intelligence یا AI) 🌐 این بزرگترین دایره و چتر اصلی است. هر تکنیکی که به کامپیوترها اجازه دهد رفتار انسان را «تقلید» کنند، هوش مصنوعی نام دارد. 🔹 مثال: ربات‌های شطرنج‌باز قدیمی که تمام حرکات از قبل برای آن‌ها برنامه‌نویسی شده بود. این ربات‌ها چیزی یاد نمی‌گرفتند، فقط قوانین از پیش تعیین‌شده را اجرا می‌کردند. 2️⃣ یادگیری ماشین (Machine Learning یا ML) 🤖 این یک دایره کوچک‌تر داخل AI است. در اینجا، ما دیگر خط به خط برنامه‌نویسی نمی‌کنیم! بلکه به کامپیوتر «داده» می‌دهیم و اجازه می‌دهیم با استفاده از الگوریتم‌های ریاضی و آماری، خودش الگوها را یاد بگیرد. 🔹 مثال: سیستم پیشنهادگر فیلم در سایت‌ها یا فیلتر اسپم (پیام‌های مزاحم) ایمیل شما. 📧 3️⃣ یادگیری عمیق (Deep Learning یا DL) 🧠 کوچکترین دایره که داخل ML قرار دارد. در اینجا با «شبکه‌های عصبی مصنوعی» سروکار داریم که از ساختار مغز انسان الهام گرفته شده‌اند. این شبکه‌ها لایه‌های زیادی دارند و می‌توانند الگوهای به شدت پیچیده را از داده‌های عظیم استخراج کنند. 🔹 مثال: ماشین‌های خودران، سیستم تشخیص چهره گوشی‌ها و هوش مصنوعی‌های متنی مثل چت‌جی‌پی‌تی. 🚗💬 💡 خلاصه در یک خط: مفهوم AI هدف نهایی است، ML روشی برای رسیدن به این هدف است و DL پیشرفته‌ترین تکنیکِ ML است. ❓ کوییز : به نظر شما دستیار صوتی گوشی (مثل Siri یا دستیار گوگل) بیشتر از کدام یک از این سه تکنیک استفاده می‌کند؟ https://eitaa.com/aibirjand

🧠 آموزش دوم: ماشین‌ها چگونه یاد می‌گیرند؟ (انواع یادگیری ماشین) 🤖 در پست قبل متوجه شدیم که در “یادگیری ماشین” (Machine Learning)، ما به جای برنامه‌نویسی دستورات ثابت، به کامپیوتر داده می‌دهیم تا خودش یاد بگیرد. اما این یادگیری دقیقاً چطور اتفاق می‌افتد؟ به طور کلی 3 روش اصلی برای آموزش ماشین‌ها وجود دارد: 👇 1️⃣ یادگیری نظارت‌ شده (Supervised Learning) 👨‍🏫 در این روش، ماشین مثل دانش‌آموزی است که معلم دارد. ما داده‌ها را همراه با “برچسب” یا “جواب درست” به سیستم می‌دهیم. مدل این مثال‌ها را بررسی می‌کند و الگوها را یاد می‌گیرد تا در آینده برای داده‌های جدید، جواب را به درستی پیش‌بینی کند. 🔹 مثال: هزاران عکس از گربه و سگ به سیستم می‌دهیم و صراحتاً به او می‌گوییم کدام عکس سگ است و کدام گربه. بعد از آموزش، سیستم می‌تواند حیوان داخل عکس‌های جدید را تشخیص دهد. 🐶🐱 2️⃣ یادگیری بدون نظارت (Unsupervised Learning) 🕵️‍♂️ اینجا خبری از معلم و جواب درست نیست! فقط انبوهی از داده‌های خام و بدون برچسب را به سیستم می‌دهیم و از او می‌خواهیم خودش الگوهای پنهان را کشف کند و داده‌های مشابه را در یک گروه قرار دهد. 🔹 مثال: اطلاعات خرید مشتریان یک فروشگاه را به سیستم می‌دهیم. سیستم خودش آن‌ها را به گروه‌های مختلف (مثلاً مشتریان وفادار، مشتریانی که فقط در زمان تخفیف خرید می‌کنند و…) دسته‌بندی می‌کند تا فروشگاه بتواند برای هر گروه پیامک هدفمند بفرستد. 🛒📊 3️⃣ یادگیری تقویتی (Reinforcement Learning) 🎮 این روش دقیقاً بر اساس سیستم “آزمون و خطا” و “تشویق و تنبیه” کار می‌کند. عامل هوشمند در یک محیط قرار می‌گیرد؛ اگر کار مفیدی انجام دهد پاداش (امتیاز مثبت) می‌گیرد و اگر اشتباه کند جریمه می‌شود. سیستم یاد می‌گیرد کارهایی را انجام دهد که بیشترین پاداش را داشته باشد. 🔹 مثال: هوش مصنوعی که با هزاران بار باختن و امتیاز گرفتن، یاد می‌گیرد چگونه یک بازی ویدیویی پیچیده یا شطرنج را در سطح قهرمان جهان بازی کند. 🕹♟ 💡 خلاصه: نظارت‌شده = یادگیری با معلم و داده‌های برچسب‌دار. بدون نظارت = کشف الگو در داده‌های خام و بدون برچسب. تقویتی = یادگیری با آزمون و خطا (تشویق و تنبیه). ❓ کوییز : فرض کنید می‌خواهیم یک هوش مصنوعی بسازیم که قیمت خانه‌ها را در شهر بیرجند پیش‌بینی کند. برای این کار، اطلاعات 500 خانه (متراژ، سال ساخت و قیمت دقیق فروش آن‌ها) را به سیستم می‌دهیم تا یاد بگیرد. به نظر شما این سیستم از کدام یک از 3 روش بالا استفاده می‌کند؟ https://eitaa.com/aibirjand

🧠 آموزش سوم: یک پروژه هوش مصنوعی چگونه انجام می‌شود؟ (مراحل یادگیری ماشین) 🛠 تا اینجا فهمیدیم یادگیری ماشین چیست و انواع آن کدامند. اما اگر بخواهیم خودمان یک سیستم هوشمند بسازیم، از کجا باید شروع کنیم؟ فرآیند ساخت یک مدل یادگیری ماشین معمولا شامل 4 مرحله اصلی است که در ادامه بررسی می‌کنیم: 👇 1️⃣ جمع آوری داده ها (Data Collection) 📊 داده‌ها سوختِ موتور هوش مصنوعی هستند! بدون داده، یادگیری غیرممکن است. در این مرحله باید اطلاعات مرتبط با مسئله را جمع‌آوری کنیم. 🔹 مثال: برای ساخت سیستمی که ایمیل‌های مزاحم (اسپم) را تشخیص دهد، به هزاران نمونه ایمیل واقعی و ایمیل مزاحم نیاز داریم. 2️⃣ پیش پردازش و تمیز کردن داده ها (Data Preprocessing) 🧹 داده‌های دنیای واقعی معمولا کثیف و ناقص هستند! ممکن است بعضی مقادیر خالی باشند یا اشتباه ثبت شده باشند. در این مرحله داده‌ها را مرتب و به زبانی که کامپیوتر می‌فهمد (اعداد) تبدیل می‌کنیم. این مرحله اغلب بیشترین زمان را از یک متخصص هوش مصنوعی می‌گیرد. 3️⃣ آموزش مدل (Model Training) 🧠 حالا وقت یادگیری است! داده‌های تمیز شده را به الگوریتم یادگیری ماشین می‌دهیم. الگوریتم با بررسی داده‌ها، الگوها و روابط پنهان را پیدا می‌کند و به یک “مدل آموزش‌دیده” تبدیل می‌شود. (مثل دانش‌آموزی که در حال خواندن کتاب درسی است). 4️⃣ ارزیابی و تست مدل (Model Evaluation) 📝 از کجا بفهمیم مدل ما خوب یاد گرفته است؟ ما همیشه بخشی از داده‌های اولیه را قایم می‌کنیم و به مدل نشان نمی‌دهیم (به این داده‌ها Test Data می‌گویند). سپس از مدل می‌خواهیم روی این داده‌های جدید خروجی را پیش‌بینی کند. اگر دقت پیش‌بینی بالا بود، یعنی مدل ما آماده استفاده در دنیای واقعی است! 💡 نکته طلایی: ما داده‌ها را به دو بخش تقسیم می‌کنیم: بخش بزرگتر برای آموزش (Train) و بخش کوچکتر برای امتحان گرفتن (Test). ❓ کوییز تعاملی: به نظر شما چرا در مرحله چهارم، مدل را با همان داده‌هایی که با آن‌ها آموزش دیده است تست نمی‌کنیم؟ چرا حتما باید از داده‌های جدید و دیده نشده (Test Data) برای ارزیابی استفاده کنیم؟ 🤔 https://eitaa.com/aibirjand

آموزش چهارم: با چه زبانی برای هوش مصنوعی کد بنویسیم؟ 💻 تا اینجا با مفاهیم تئوری هوش مصنوعی آشنا شدیم. اما سوال مهمی که برای هر تازه‌کاری پیش می‌آید این است: «برای ساخت این سیستم‌ها باید از چه زبان برنامه‌نویسی استفاده کنم؟» 🤔 زبان‌های مختلفی در دنیای برنامه‌نویسی وجود دارند، اما در دنیای هوش مصنوعی، یک پادشاه بلامنازع وجود دارد: پایتون (Python) 👑 اما چرا پایتون انتخاب اول تمام متخصصان هوش مصنوعی است؟ 👇 1️⃣ یادگیری بسیار آسان 📖 دستورات پایتون بسیار شبیه به زبان انگلیسی روزمره است. شما به جای درگیر شدن با قواعد پیچیده برنامه‌نویسی، تمام تمرکز خود را روی منطق هوش مصنوعی و حل مسئله می‌گذارید. 2️⃣ کتابخانه‌های آماده و قدرتمند 📚 پایتون گنجینه‌ای از کدهای از پیش نوشته شده (Library) دارد. برای مثال، برای انجام محاسبات پیچیده ریاضی یا ساخت شبکه‌های عصبی، نیازی نیست چرخ را از ابتدا اختراع کنید! ابزارهایی مثل NumPy و TensorFlow کار را بسیار راحت کرده‌اند. 3️⃣ جامعه کاربری بزرگ 🌍 اگر در حین کدنویسی به خطایی برخورد کنید، با یک جستجوی ساده در اینترنت، هزاران نفر را پیدا می‌کنید که قبلاً آن مشکل را حل کرده‌اند. 💡 آیا زبان‌های دیگری هم استفاده می‌شوند؟ بله! زبان R بیشتر برای آمار و تحلیل داده استفاده می‌شود. زبان C++ برای زمان‌هایی که سرعت اجرای برنامه در سخت‌افزار بسیار مهم است (مثل ماشین‌های خودران) کاربرد دارد. اما نقطه شروع و استاندارد جهانی، همان پایتون است. 📌 نتیجه‌گیری: در این مسیر یادگیری، تمام تمرکز ما روی زبان پایتون خواهد بود. در پست‌های آینده اصطلاحات کلیدی و کتابخانه‌های مهم آن را معرفی می‌کنیم. https://eitaa.com/aibirjand

در ادامه مسیر آموزش، حالا که می‌دانیم چرا از پایتون استفاده می‌کنیم، وقت آن است که با ۳ اصطلاح بسیار مهم و پرتکرار در دنیای هوش مصنوعی آشنا شویم. این کلمات را از این به بعد زیاد خواهید شنید! ------------------------------------ آموزش پنجم: مثلث طلایی هوش مصنوعی (داده، الگوریتم، مدل) برای اینکه درک این سه مفهوم ساده شود، بیایید هوش مصنوعی را به آشپزی تشبیه کنیم! 👨‍🍳 ۱. داده (Data) - مواد اولیه غذا 🍅 داده‌ها همان خوراک هوش مصنوعی هستند. بدون داده، هوش مصنوعی هیچ کاری نمی‌تواند بکند. داده می‌تواند هر چیزی باشد: عکس، متن، اعداد، صدای ضبط شده یا حتی سابقه خرید مشتریان. در آشپزی: داده‌ها همان گوجه، پیاز، نمک و روغنی هستند که برای پخت غذا نیاز دارید. ۲. الگوریتم (Algorithm) - دستور پخت 📝 الگوریتم مجموعه‌ای از فرمول‌های ریاضی و دستورالعمل‌های منطقی است که به کامپیوتر می‌گوید چگونه داده‌ها را پردازش کند تا الگوها را یاد بگیرد. در آشپزی: الگوریتم همان دستور پخت است که می‌گوید مواد اولیه را با چه ترتیبی و چگونه با هم ترکیب کنید. ۳. مدل (Model) - غذای آماده شده / سرآشپز 🍲 وقتی شما داده‌ها را به یک الگوریتم می‌دهید و سیستم آموزش می‌بیند، خروجی نهایی یک «مدل» است. مدل همان برنامه هوشمندی است که حالا یاد گرفته و می‌تواند برای داده‌های جدید پیش‌بینی انجام دهد (مثلا عکس یک گربه جدید را تشخیص دهد). در آشپزی: مدل همان غذای نهایی است که پخته شده، یا بهتر است بگوییم سرآشپزی است که حالا مهارت پخت آن غذا را یاد گرفته و می‌تواند دوباره آن را درست کند! خلاصه فرمول: داده + الگوریتم = مدل آموزش‌دیده --- 🧠 کوییز تعاملی (شماره ۵): فرض کنید می‌خواهیم یک هوش مصنوعی بسازیم که قیمت خانه‌ها را پیش‌بینی کند. در این پروژه، «لیست قیمت خانه‌هایی که در ۱۰ سال گذشته فروخته شده‌اند» جزو کدام دسته است؟ الف) مدل ب) الگوریتم ج) داده (پاسخ خود را به پیوی زیر ارسال کنید ) @amir_m_azad https://eitaa.com/aibirjand

در ادامه آموزش مفاهیم پایه، الان که با اهمیت «داده‌ها» آشنا شدیم، باید بدانیم که داده‌ها در هوش مصنوعی از چه اجزایی تشکیل می‌شوند. دو اصطلاح بسیار مهم بعدی «ویژگی» و «برچسب» هستند. -------------------------------------------------- آموزش ششم: کالبدشکافی داده‌ها (ویژگی و برچسب چیست؟) 🔍 در پست قبل گفتیم که داده‌ها خوراک هوش مصنوعی هستند. اما ماشین چگونه این داده‌ها را می‌فهمد؟ برای درک این موضوع، با دو مفهوم بسیار پرکاربرد در ماشین‌لرنینگ (به ویژه یادگیری نظارت‌شده) آشنا می‌شویم: ۱. ویژگی (Feature - فیچِر) 📏 ویژگی‌ها همان «اطلاعات ورودی» و مشخصات مسئله ما هستند. در واقع سرنخ‌هایی هستند که ماشین از روی آن‌ها تصمیم‌گیری می‌کند. 🏠 مثال خانه: اگر بخواهیم قیمت یک خانه را پیش‌بینی کنیم، مواردی مثل متراژ، تعداد اتاق خواب، سال ساخت و محله، همگی «ویژگی» (Feature) محسوب می‌شوند. ۲. برچسب (Label - لیبِل) 🎯 برچسب همان «خروجی مورد انتظار» یا جواب مسئله است که می‌خواهیم هوش مصنوعی آن را پیش‌بینی کند یا یاد بگیرد. 🏠 مثال خانه: در اینجا قیمت نهایی خانه، همان «برچسب» (Label) است. یک مثال دیگر (تشخیص ایمیل مزاحم) ! در پروژه‌ای که می‌خواهیم ایمیل‌های اسپم (تبلیغاتی مزاحم) را تشخیص دهیم📬❌ ویژگی‌ها: کلمات به کار رفته در متن ایمیل، آدرس فرستنده، داشتن لینک ناشناس.📝 برچسب: کلمه "اسپم" یا "عادی" (که ما به ایمیل‌ها نسبت می‌دهیم تا ماشین یاد بگیرد).🆔 خلاصه: هوش مصنوعی در مرحله آموزش، «ویژگی‌ها» را می‌گیرد، روی آن‌ها پردازش انجام می‌دهد تا در نهایت بتواند «برچسب» درست را پیش‌بینی کند. --- 🧠 کوییز تعاملی (شماره ۶): فرض کنید می‌خواهیم یک هوش مصنوعی بسازیم که از روی عکس، تشخیص دهد فرد عینک زده است یا خیر. در این پروژه، اینکه "فرد عینک دارد یا ندارد" جزو کدام دسته است؟ الف) ویژگی (Feature) ب) برچسب (Label) @amir_m_azad (منتظر پاسخ‌های شما هستیم!) -------------------------------------------------- https://eitaa.com/aibirjand

یک خبر خوب بدم 🔥 (((دوره های اموزش مقاله نویسی با استفاده از هوش مصنوعی 📚 و استفاده هوش مصنوعی در رشته های علوم انسانی و علوم تجربی🧬 هم برگزار خواهد شد در آینده ))) دوره های درخواستی خودتون رو هم به ایدی دبیر انجمن ارسال کنید @amir_m_azad

آموزش هفتم: جعبه ابزار جادویی پایتون! 🧰 (معرفی کتابخانه‌ها) در پست‌های قبل گفتیم که پایتون زبان اصلی دنیای هوش مصنوعی است. اما قدرت اصلی پایتون در کدهای پایه آن نیست، بلکه در "کتابخانه‌ها" (Libraries) است. کتابخانه چیست؟ فرض کنید می‌خواهید یک خانه بسازید. نیازی نیست خودتان آجر و سیمان را از صفر تولید کنید؛ بلکه آن‌ها را آماده می‌خرید و فقط می‌چینید. کتابخانه‌های پایتون هم کدهای آماده‌ای هستند که دیگران نوشته‌اند تا کار ما راحت شود! چهار تفنگدار اصلی پایتون در هوش مصنوعی: ۱. کتابخانه Numpy (نامپای): ماشین‌حساب فوق‌سریع ماست! هوش مصنوعی یعنی ریاضیات و کار با اعداد. نامپای کمک می‌کند محاسبات پیچیده ریاضی و کار با لیست‌های بزرگ اعداد (آرایه‌ها) در کسری از ثانیه انجام شود. ۲. کتابخانه Pandas (پانداس): اکسلِ دنیای پایتون! پانداس برای خواندن، مرتب کردن و تمیز کردن داده‌های جدولی استفاده می‌شود. هر وقت داده‌ها را در قالب سطر و ستون داشتید، پانداس بهترین دوست شماست. ۳. کتابخانه Matplotlib (مت‌پلات‌لیب): نقاشِ داده‌های ما! مغز انسان با تصویر بهتر ارتباط برقرار می‌کند. این کتابخانه اعداد خام را به نمودارهای جذاب و رنگارنگ تبدیل می‌کند تا بتوانیم داده‌ها را تحلیل کنیم. ۴. کتابخانه Scikit-learn (سای‌کیت‌لِرن): قلب تپنده یادگیری ماشین! تمام الگوریتم‌هایی که قبلاً اسم بردیم (مثل پیش‌بینی قیمت خانه یا دسته‌بندی ایمیل‌ها) به صورت آماده در این کتابخانه وجود دارند و فقط با چند خط کد اجرا می‌شوند. در پست‌های بعدی کم‌کم با این ابزارها کار خواهیم کرد. ❓ کوییز آموزش هفتم: فرض کنید یک فایل حاوی اطلاعات ۱۰۰ هزار مشتری فروشگاه (شامل سن، جنسیت و میزان خرید) داریم و می‌خواهیم این اطلاعات را در پایتون باز کرده و مرتب کنیم. از کدام کتابخانه باید استفاده کنیم؟ الف) Numpy ب) Pandas ج) Matplotlib https://eitaa.com/aibirjand