دروس ارشد رشته هوش مصنوعی در رشته هوش مصنوعی مقطع کارشناسی ارشد کامپیوتر با توجه به گرایش‌ها، لازم است دانشجویان از ۳ گروه مختلف دروس ارائه شده را انتخاب کنند. هر یک از این گروه‌ها در ادامه فهرست شده‌اند: درس‌های جبرانی درس‌های اصلی درس‌های اختیاری دروس اصلی شامل ۹ واحد، دروس اختیاری ۱۲ واحد و همچنین ۲ واحد سمینار و ۶ واحد هم مختص پروژه است. البته این مقادیر ممکن است در دانشگاه‌های مختلف متفاوت است و اعداد بیان شده به رشته هوش مصنوعی شریف مربوط می‌شوند. در ادامه دروس هر یک از این گروه‌ها به طور مجزا معرفی شده است: درس های جبرانی گرایش ارشد هوش مصنوعی آموزش تجزیه و تحلیل سیگنال ها و سیستم ها‎ فیلم آموزش تجزیه و تحلیل سیگنال ها و سیستم ها‎ کلیک کنید درس‌های جبرانی رشته کامپیوتر در گرایش هوش مصنوعی در مقطع ارشد به شرح زیرند: سیگنال‌ها و سیستم‌ها (Signals and systems) درس هوش مصنوعی (Artificial Intelligence) طراحی الگوریتم (Design of Algorithms) ریاضیات مهندسی (Engineering Mathematics) جبر خطی (Linear Algebra) درس‌های جبرانی رشته هوش مصنوعی در واقع به نوعی پیش‌نیازهای این رشته به حساب می‌آیند و به این ترتیب دانشجویان مقطع کارشناسی می‌توانند با تقویت دانش و مهارت در این درس‌ها خود را برای وارد شدن به رشته هوش مصنوعی آماده کنند. مقاله مرتبط: کاربرد جبر خطی در علم داده‌ها و یادگیری ماشین — بخش اول درس های اصلی گرایش ارشد هوش مصنوعی انتخاب حداقل ۳ درس (یعنی ۹ واحد) از درس های اصلی اجباری است. در ضمن درس‌هایی را که دانشجویان قبلاً در دوره کارشناسی گذرانده‌اند را نمی‌توان دوباره اخذ کرد. دروس اصلی رشته هوش مصنوعی (گرایش هوش ارشد) در ادامه فهرست شده‌اند: آموزش فرایندهای تصادفی یا اتفاقی Stochastic Processes فیلم آموزش فرایندهای تصادفی یا اتفاقی Stochastic Processes کلیک کنید برنامه‌ریزی در هوش مصنوعی (Planning in Artificial Intelligence) هوش مصنوعی پیشرفته (Advanced Artificial Intelligence) یادگیری ماشین (Machine Learning) پردازش تصویر (Image Processing) فرآیندهای تصادفی (Stochastic Processes) پردازش گفتار (Speech Processing) پردازش زبان طبیعی (Natural Language Processing) پردازش علائم دیجیتال (Digital Signal Processing) درس های اختیاری گرایش ارشد هوش مصنوعی درس‌های اختیاری رشته هوش مصنوعی (گرایش ارشد هوش رشته کامپیوتر) به شرح زیرند: آموزش مبانی یادگیری عمیق یا Deep Learning فیلم آموزش مبانی یادگیری عمیق یا Deep Learning کلیک کنید بینایی ماشین (Machine Vision) نظریه یادگیری ماشین (Machine Learning Theory) یادگیری عمیق (Deep Learning) مدل‌های احتمالاتی گرافی (Probabilistic Graphical Models) هوش محاسباتی (Computational Intelligence) پردازش پیشرفته علائم دیجیتال (Advanced Digital Signal Processing) روباتیک (Robotics) بازشناسی گفتار (Speech Recognition) پردازش پیشرفته تصویر (Advanced Image Processing) پردازش سیگنال‌های ویدئویی (Video Signal Processing) بهسازی گفتار (Speech Enhancement) نظریه الگوریتمی بازی‌ها (Algorithmic Game Theory) هوش مصنوعی توزیع شده (Distributed Artificial Intelligence) مفاهیم پیشرفته در هوش مصنوعی (Advanced Topics in Artificial Intelligence) شبکه‌های دینامیکی پیچیده (Complex Dynamical Networks) یادگیری ماشین آماری (Statistical Machine Learning) بینایی پیشرفته سه‌بعدی کامپیوتر (Advanced 3uoD Computer Vision) بهینه‌سازی محدب (Convex Optimization) نظریه اطلاعات و کدینگ (Information Theory and Coding)

شاخه های هوش مصنوعی هوش مصنوعی خود شاخه‌ای از علوم کامپیوتر است. «یادگیری ماشین» و «یادگیری نمادین» (Symbolic Learning) شاخه‌های اصلی هوش مصنوعی به حساب می‌آیند. یادگیری ماشین را می‌توان به دو شاخه یادگیری آماری (Statistical Learning) و یادگیری عمیق تقسیم کرد. «بینایی ماشین» و «رباتیک» نیز دو شاخه منشعب شده از یادگیری نمادین محسوب می‌شوند. در ادامه، هر یک از شاخه‌های هوش مصنوعی به بیان ساده و کوتاه شرح داده شده‌اند. پیش از آن فهرستی از تمام شاخه‌‌های هوش مصنوعی ارائه شده است: آموزش شبکه های عصبی پیچشی CNN – مقدماتی فیلم آموزش شبکه های عصبی پیچشی CNN – مقدماتی کلیک کنید تشخیص گفتار پردازش زبان طبیعی بینایی ماشین رباتیک تشخیص الگو شبکه‌های عصبی مصنوعی یادگیری عمیق شبکه عصبی پیچشی شبکه عصبی بازگشتی یادگیری ماشین یادگیری تقویتی

شاخه‌های هوش مصنوعی در دانش رایانه شاخه‌های گوناگونی از هوش مصنوعی در دانش‌های رایانه‌ای مورد استفاده قرار می‌گیرند، برخی این شاخه‌ها عبارتند از: یادگیری ماشین (به انگلیسی: Machine Learning) شبکهٔ عصبی مصنوعی (به انگلیسی: Neural Networks) بینایی ماشین (به انگلیسی: Machine Vision) سامانه‌های خبره (به انگلیسی: Expert System) پردازش زبان طبیعی (به انگلیسی: NLP) الگوریتم ژنتیک (به انگلیسی: Genetic Algorithm) مفاهیم مرتبط با روباتیک (به انگلیسی: Robotic)

اخبار جعلی، دیپ فیک و امنیت سیاسی یک دیپ فیک ویدئو: هشدار ولادیمیر پوتین به آمریکایی‌ها در مورد دخالت در انتخابات و افزایش شکاف سیاسی مفهومی به نام دیپ‌فیک (به انگلیسی: Deepfakes) به هوش‌های مصنوعی اطلاق می‌شود که قادر هستند چهره و صدای افراد را بازسازی و شبیه‌سازی نمایند. امروزه تشخیص نسخه‌های فیک و تقلبی از نسخه‌های اصلی کار بسیار مشکلی است.[۳۲] این موضوع می‌تواند تهدیدی برای افراد مشهور اعم از هنرمندان، ورزشکاران و سیاست‌مداران باشد و زندگی حرفه‌ای آن‌ها را دچار خدشه و چالش نماید. بازسازی سخنرانی یک رئیس‌جمهور و درج موارد ناخواسته در میان آن یا بازسازی تصاویر سیاست‌مداران در یک فضای خاص می‌تواند نمونه‌ای از این موارد باشد.[۳۳] به‌طورکلی هوش مصنوعی دیپ‌فیک، یک فناوری تغییر دهنده محتوا محسوب می‌شود. طبق گزارش ZDNet دیپ فیک «چیزی را ارائه می‌دهد که در واقع رخ نداده‌است». طبق این گزارش ۸۸٪ آمریکایی‌ها معتقدند دیپ فیک بیشتر از فایده باعث آسیب می‌شود اما تنها ۴۷٪ آنها معتقدند که ممکن است مورد هدف قرار گیرند. با اوج‌گیری رقابت‌های انتخاباتی شکل‌گیری فیلم‌های تبلیغاتی جعلی می‌تواند تهدیدی برای سیاست‌مداران محسوب شود.[۳۴]

تعریف هوش مصنوعی هنوز تعریف دقیقی که تمامی دانشمندادن بر روی آن توافق داشته باشند از هوش مصنوعی ارائه نشده ولی اکثر تعریف‌ها را می‌توان به شکل زیر دسته بندی کرد. مانند انسان فکر می‌کند منطقی فکر می‌کند مانند انسان عمل می‌کند منطقی عمل می‌کند دو تعریف اول مربوط به فرآیندهای تفکر و استدلال است، در حالی دو تعریف دیگر با رفتار سر و کار دارند. تعریف ساده ای از هوش مصنوعی 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. ... https://amerandish.com/%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D8%B3%D8%A7%D8%AF%D9%87-%D8%A7%DB%8C-%D8%A7%D8%B2-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%D9%87%D8%A7%DB%8C/

یادگیری ماشین یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند. در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.

Project Debater is a machine-learning algorithm, meaning that it is trained on existing data. It first extracts information from a database of 400 million newspaper articles, combing them for text that is semantically related to the topic at hand, before compiling relevant material from those sources into arguments that can be used in debate. The same process of text mining also generated rebuttals to the human opponent’s arguments. ... https://www.nature.com/articles/d41586-021-00867-6

Article Published: 17 March 2021 An autonomous debating system Noam Slonim, Yonatan Bilu, Carlos Alzate, Roy Bar-Haim, Ben Bogin, Francesca Bonin, Leshem Choshen, Edo Cohen-Karlik, Lena Dankin, Lilach Edelstein, Liat Ein-Dor, Roni Friedman-Melamed, Assaf Gavron, Ariel Gera, Martin Gleize, Shai Gretz, Dan Gutfreund, Alon Halfon, Daniel Hershcovich, Ron Hoory, Yufang Hou, Shay Hummel, Michal Jacovi, Charles Jochim, …Ranit Aharonov Show authors Nature volume 591, pages379–384 (2021)Cite this article ... Abstract Artificial intelligence (AI) is defined as the ability of machines to perform tasks that are usually associated with intelligent beings. Argument and debate are fundamental capabilities of human intelligence, essential for a wide range of human activities, and common to all human societies. The development of computational argumentation technologies is therefore an important emerging discipline in AI research1. Here we present Project Debater, an autonomous debating system that can engage in a competitive debate with humans. We provide a complete description of the system’s architecture, a thorough and systematic evaluation of its operation across a wide range of debate topics, and a detailed account of the system’s performance in its public debut against three expert human debaters. We also highlight the fundamental differences between debating with humans as opposed to challenging humans in game competitions, the latter being the focus of classical ‘grand challenges’ pursued by the AI research community over the past few decades. We suggest that such challenges lie in the ‘comfort zone’ of AI, whereas debating with humans lies in a different territory, in which humans still prevail, and for which novel paradigms are required to make substantial progress. ... https://www.nature.com/articles/s41586-021-03215-w ...