
هوش مصنوعی یعنی توانایی ماشین برای انجام کارهایی که معمولاً به هوش انسانی نیاز دارند.
این کارها شامل یادگیری، استدلال، ادراک، فهم زبان و تصمیمگیری است.
ماشین هوشمند به دنیا نمیآید؛ با داده و آموزش این توانایی را به دست میآورد.
داده، سوخت هوش مصنوعی است؛ بدون داده باکیفیت، مدل خوبی ساخته نمیشود.
الگوریتم، دستورالعمل گامبهگام حل مسئله است.
مدل، نتیجهی آموزش الگوریتم روی داده است.
آموزش یعنی پیدا کردن الگوها و تنظیم پارامترها برای کم کردن خطا.
استنتاج یعنی استفاده از مدل آموزشدیده برای پیشبینی دادهی جدید.
هوش مصنوعی «جادو» نیست؛ ریاضیات و آمار و محاسبه است.
هوش مصنوعی جایگزین کامل انسان نیست، ابزار تقویت توانایی اوست.
یادگیری ماشین شاخهای است که ماشین از داده الگو میآموزد، نه از دستور صریح.
یادگیری نظارتشده با دادهی برچسبدار کار میکند، مثل تشخیص اسپم.
یادگیری بدون نظارت الگوهای پنهان را در دادهی بدون برچسب پیدا میکند.
یادگیری تقویتی با پاداش و تنبیه، مثل آموزش یک بازی، مدل را تربیت میکند.
یادگیری عمیق از شبکههای عصبی چندلایه استفاده میکند و برای مسائل پیچیده قوی است.
پردازش زبان طبیعی به ماشین کمک میکند متن و گفتار انسان را بفهمد و بسازد.
بینایی ماشین به ماشین اجازه میدهد تصویر و ویدیو را تشخیص و تحلیل کند.
تشخیص گفتار، صدا را به متن تبدیل میکند و در دستیارهای صوتی کاربرد دارد.
سیستمهای توصیهگر با تحلیل رفتار کاربر، محتوای مناسب پیشنهاد میدهند.
هوش مصنوعی مولد محتوای تازه میسازد: عکس، متن، موسیقی، ویدیو و کد.
هوش مصنوعی ضعیف یا محدود، فقط در یک حوزهی خاص مهارت دارد.
همهی AIهای امروزی از نوع ضعیف هستند، حتی پیشرفتهترین مدلهای زبانی.
هوش مصنوعی قوی یا AGI مثل انسان هر کاری را میفهمد و انجام میدهد.
AGI هنوز وجود ندارد و فقط یک هدف پژوهشی آینده است.
ابرهوش مصنوعی (ASI) سطحی فراتر از هوش انسانی است و کاملاً نظری است.
هوش مصنوعی نمادین بر قواعد و منطق صریح تکیه میکند.
هوش مصنوعی پیوندگرا بر شبکههای عصبی و یادگیری از داده تکیه میکند.
سیستمهای امروزی بیشتر ترکیبی از این دو رویکرد هستند.

ابتدا داده جمعآوری و پاکسازی میشود.
داده به بخش آموزش، اعتبارسنجی و آزمون تقسیم میشود.
مدل روی دادهی آموزش الگوها را یاد میگیرد.
تابع خطا فاصلهی پیشبینی از واقعیت را اندازه میگیرد.
بهینهساز پارامترها را طوری تغییر میدهد که خطا کم شود.
گرادیان نزولی یکی از رایجترین روشهای بهینهسازی است.
چرخهی آموزش بارها تکرار میشود تا مدل همگرا شود.
بیشبرازش یعنی مدل دادهی آموزش را حفظ کرده و روی دادهی جدید ضعیف است.
کمبرازش یعنی مدل حتی روی دادهی آموزش هم خوب عمل نمیکند.
اعتبارسنجی متقاطع به انتخاب مطمئنتر مدل کمک میکند
پایتون زبان اصلی این حوزه است، به خاطر کتابخانههای غنیاش.
NumPy برای محاسبات عددی و آرایهها استفاده میشود.
pandas برای کار با جدول داده و پاکسازی آن است.
Matplotlib و Seaborn برای نمودار و مصورسازی داده به کار میروند.
scikit-learn کتابخانهی استاندارد مدلهای کلاسیک یادگیری ماشین است.
PyTorch و TensorFlow دو چارچوب اصلی یادگیری عمیق هستند.
OpenCV برای پردازش تصویر و بینایی ماشین استفاده میشود.
Hugging Face مخزن مدلهای آماده و ابزار تنظیم دقیق است.
GPU و TPU محاسبات سنگین آموزش مدل را ممکن میکنند.
فضای ابری امکان آموزش مدلهای بزرگ بدون سختافزار شخصی را میدهد.
جستوجوی گوگل از AI برای رتبهبندی نتایج استفاده میکند.
پیشنهاد فیلم و موسیقی در اسپاتیفای و نتفلیکس بر AI تکیه دارد.
دستیارهای صوتی مثل سیری و الکسا با پردازش زبان کار میکنند.
ترجمهی ماشینی ارتباط بین زبانها را ساده کرده است.
فیلتر اسپم ایمیل از مدلهای دستهبندی استفاده میکند.
مسیریابی و تخمین زمان رسیدن در نقشهها با AI انجام میشود.
تشخیص چهره در گوشیها برای باز کردن قفل به کار میرود.
دوربین گوشی با AI نور و رنگ عکس را بهبود میدهد.
چتباتهای پشتیبانی پاسخهای سریع به مشتریان میدهند.
سیستمهای بانکی از AI برای تشخیص تراکنش مشکوک استفاده میکنند.