این دوره جامع طراحی شده است تا شرکت‌کنندگان را با اصول و مفاهیم بنیادین هوش مصنوعی آشنا کند، بدون اینکه نیازی به پیش‌زمینه‌های تخصصی قبلی باشد. پس از اتمام این دوره، شما قادر خواهید بود:

• مفاهیم اساسی هوش مصنوعی، تاریخچه آن و تکامل آن را به طور کامل درک کنید. خواهید آموخت که هوش مصنوعی چیست، چگونه از الگوریتم‌های ساده به سیستم‌های پیچیده امروزی رسیده است و چه توانمندی‌هایی دارد.
• تفاوت‌های کلیدی بین هوش مصنوعی (AI)، یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) را تشخیص دهید و کاربرد و ارتباط هر یک را درک کنید. این سه مفهوم اغلب با یکدیگر اشتباه گرفته می‌شوند، اما این دوره به شما کمک می‌کند مرزهای آن‌ها را به روشنی دریابید.
• با حوزه‌های مختلف هوش مصنوعی مانند پردازش زبان طبیعی (NLP)، بینایی ماشین (Computer Vision)، رباتیک (Robotics) و سیستم‌های خبره (Expert Systems) آشنا شوید و مثال‌های عملی از هر یک را بررسی کنید.
• کاربردهای هوش مصنوعی در صنایع گوناگون از جمله سلامت (تشخیص بیماری)، مالی (پیش‌بینی بازار)، خودروسازی (خودروهای خودران)، بازاریابی (توصیه‌های محصول) و سرگرمی را شناسایی کنید و پتانسیل‌های آن را در حل مسائل واقعی و ایجاد نوآوری درک نمایید.
• ملاحظات اخلاقی و چالش‌های اجتماعی مرتبط با توسعه و پیاده‌سازی هوش مصنوعی، از جمله تعصب (Bias) در داده‌ها، حریم خصوصی، امنیت داده‌ها و تأثیر بر اشتغال را مورد بحث قرار دهید و به درک جامعی از مسئولیت‌های اجتماعی در قبال AI دست یابید.
• با اصطلاحات رایج و واژگان تخصصی هوش مصنوعی آشنا شوید که به شما امکان می‌دهد در گفتگوهای مربوط به این حوزه مشارکت فعال داشته باشید و مقالات تخصصی را با اطمینان بیشتری مطالعه کنید.
• روندهای آتی و نوآوری‌های در حال ظهور در زمینه هوش مصنوعی، مانند هوش مصنوعی تولیدی (Generative AI) و هوش عمومی مصنوعی (AGI) را پیش‌بینی کنید و خود را برای آینده‌ای که با AI شکل می‌گیرد، آماده سازید.
• درک کنید که چگونه شرکت‌ها و سازمان‌ها در سراسر جهان از هوش مصنوعی برای بهبود کارایی، نوآوری، تصمیم‌گیری استراتژیک و ارائه خدمات بهتر به مشتریان استفاده می‌کنند.

شرکت در این دوره آموزشی، مزایای متعددی را برای شما به ارمغان می‌آورد که می‌تواند مسیر شغلی و دانش عمومی شما را متحول کند و شما را در عصر تحول دیجیتال پیشرو نگه دارد:

• درک عمیق از یک فناوری تحول‌آفرین: هوش مصنوعی صرفاً یک ترند گذرا نیست، بلکه ستون فقرات آینده فناوری و اقتصاد جهانی است. این دوره به شما یک درک عمیق و ساختارمند از آنچه هوش مصنوعی واقعاً هست، چگونه کار می‌کند و چه تأثیری بر آینده خواهد داشت، می‌دهد.
• آماده‌سازی برای مشاغل آینده: با رشد روزافزون هوش مصنوعی، بسیاری از مشاغل آینده نیازمند درک بنیادین از این فناوری هستند. این دوره شما را برای ورود به مشاغل جدید یا ارتقاء در شغل فعلی‌تان آماده می‌کند، فارغ از رشته تحصیلی یا کاری شما.
• تقویت مهارت‌های تصمیم‌گیری: با شناخت بهتر هوش مصنوعی و توانمندی‌ها و محدودیت‌های آن، می‌توانید تصمیمات آگاهانه‌تری در مورد استفاده از فناوری‌های مبتنی بر AI در زندگی شخصی، تحصیلی و حرفه‌ای خود بگیرید.
• افزایش اعتبار حرفه‌ای و شخصی: داشتن دانش در حوزه هوش مصنوعی، رزومه شما را تقویت کرده و شما را به عنوان فردی نوآور، پیشرو و به‌روز در بازار کار و محافل علمی و اجتماعی مطرح می‌کند.
• آشنایی با چالش‌ها و فرصت‌ها: درک کامل از محدودیت‌ها، چالش‌ها و فرصت‌های اخلاقی و اجتماعی هوش مصنوعی شما را به یک شهروند دیجیتالی مسئولیت‌پذیر و متفکر تبدیل می‌کند که می‌تواند در بحث‌های مهم جامعه مشارکت داشته باشد.
• دسترسی رایگان و آسان: با امکان دانلود رایگان این دوره آموزشی، دانش با کیفیت بالا بدون هیچ گونه مانع مالی در دسترس همه قرار می‌گیرد، که فرصتی بی‌نظیر برای یادگیری و خودآموزی است و به شما امکان می‌دهد در هر زمان و مکانی به محتوا دسترسی داشته باشید.
• چشم‌اندازی وسیع‌تر: این دوره تنها به جنبه‌های فنی هوش مصنوعی نمی‌پردازد، بلکه دیدی گسترده از تأثیرات آن بر جامعه، اقتصاد و فرهنگ به شما می‌دهد.

یکی از بزرگترین مزایای این دوره مقدماتی که آن را برای طیف وسیعی از مخاطبان جذاب می‌کند، عدم نیاز به پیش‌زمینه‌های تخصصی پیچیده است. این دوره برای همه افرادی طراحی شده است که کنجکاو هستند درباره هوش مصنوعی بیاموزند، و پیش‌نیازهای آن بسیار ساده و در دسترس هستند:

• آشنایی اولیه با کامپیوتر: توانایی کار با سیستم عامل‌های رایج (مانند ویندوز، macOS یا لینوکس)، استفاده از مرورگرهای وب و انجام کارهای پایه کامپیوتری.
• علاقه و کنجکاوی: مهمترین پیش‌نیاز، تمایل واقعی به یادگیری درباره فناوری‌های جدید، بخصوص هوش مصنوعی و تأثیر آن‌ها بر جهان است. یک ذهن باز و پرسشگر، بهترین ابزار یادگیری شما خواهد بود.
• عدم نیاز به دانش برنامه‌نویسی: این دوره برای افرادی که هیچ پیش‌زمینه‌ای در برنامه‌نویسی ندارند نیز کاملاً مناسب است. مفاهیم به گونه‌ای توضیح داده می‌شوند که نیازی به کدنویسی یا درک عمیق الگوریتم‌های پیچیده از نظر ریاضی نیست. تمرکز بر درک مفاهیم و کاربردهاست.
• عدم نیاز به دانش ریاضی پیشرفته: گرچه هوش مصنوعی ریشه‌های قوی در ریاضیات و آمار دارد، اما این دوره بر مفاهیم و کاربردها تمرکز دارد و از پرداختن به جزئیات ریاضیاتی پیچیده پرهیز می‌کند تا برای همه قابل فهم باشد.
• اتصال به اینترنت (برای دانلود اولیه): برای دسترسی و دانلود دوره نیاز به اینترنت دارید، اما پس از دانلود کامل، می‌توانید محتوا را به صورت کاملاً آفلاین مطالعه و مرور کنید، که این خود یک مزیت بزرگ برای انعطاف‌پذیری در یادگیری است.

این دوره به صورت ماژولار طراحی شده است تا مفاهیم را به صورت گام به گام و سازماندهی شده ارائه دهد و یادگیری را برای شرکت‌کنندگان آسان‌تر و مؤثرتر کند. در ادامه، نگاهی دقیق‌تر به سرفصل‌های اصلی و موضوعات پوشش داده شده در هر بخش خواهیم داشت:

• ماژول ۱: مبانی هوش مصنوعی و چشم‌انداز آن
  • معرفی هوش مصنوعی: تعریف جامع AI، تاریخچه کوتاه از ریشه‌های آن تا دوران مدرن و اهمیت روزافزون آن در عصر حاضر و آینده. بررسی اینکه چرا هوش مصنوعی به این سرعت در حال تغییر دنیاست.
  • تفاوت میان هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL): روشن‌سازی مرزها و ارتباطات این سه مفهوم اساسی که اغلب به جای یکدیگر استفاده می‌شوند.
  • مفاهیم هوش مصنوعی قوی (Strong AI) و هوش مصنوعی ضعیف (Weak AI): درک تفاوت‌های تئوریک و عملی بین هوش مصنوعی عمومی و اختصاصی و جایگاه تست تورینگ در ارزیابی هوشمندی ماشین.
  • مثال عملی: بررسی چگونگی استفاده از هوش مصنوعی در فیلتر کردن ایمیل‌های اسپم (یک کاربرد هوش مصنوعی ضعیف) یا سیستم‌های پیشنهاد فیلم و موسیقی در پلتفرم‌های استریم که با تحلیل رفتار کاربر، پیشنهادات شخصی‌سازی شده ارائه می‌دهند.
• ماژول ۲: یادگیری ماشین (Machine Learning) و انواع آن
  • یادگیری نظارت‌شده (Supervised Learning): معرفی مفاهیم رگرسیون (Regression) برای پیش‌بینی مقادیر پیوسته و طبقه‌بندی (Classification) برای پیش‌بینی دسته‌ها.
  • یادگیری بدون نظارت (Unsupervised Learning): آشنایی با تکنیک‌های خوشه‌بندی (Clustering) برای گروه‌بندی داده‌های مشابه و کاهش ابعاد (Dimensionality Reduction) برای ساده‌سازی داده‌ها.
  • یادگیری تقویتی (Reinforcement Learning): اصول و کاربردها در آموزش عامل‌ها برای تصمیم‌گیری در محیط‌های پویا.
  • مثال عملی: رگرسیون در پیش‌بینی قیمت خانه بر اساس متراژ، تعداد اتاق و موقعیت مکانی. طبقه‌بندی در تشخیص بیماری‌ها بر اساس مجموعه‌ای از علائم پزشکی. یادگیری تقویتی در آموزش ربات‌ها برای حرکت در مسیرهای پیچیده یا برنده شدن در بازی‌های کامپیوتری پیچیده مانند Go.
• ماژول ۳: یادگیری عمیق (Deep Learning) و شبکه‌های عصبی
  • مقدمه‌ای بر شبکه‌های عصبی (Neural Networks): ساختار، نحوه عملکرد، و الهام‌گیری آن‌ها از مغز انسان. معرفی پرسپترون‌ها و لایه‌های مختلف.
  • آشنایی با شبکه‌های عصبی کانولوشنال (CNN): کاربرد ویژه در پردازش تصویر و ویدئو.
  • آشنایی با شبکه‌های عصبی بازگشتی (RNN): کاربرد ویژه در پردازش داده‌های توالی‌مانند (مانند متن و گفتار).
  • مثال عملی: CNN در سیستم‌های تشخیص چهره در گوشی‌های هوشمند و دوربین‌های مداربسته، یا دسته‌بندی تصاویر در آلبوم‌های عکس بر اساس محتوا. RNN در سیستم‌های ترجمه ماشینی مانند Google Translate یا در تولید متن خودکار.
• ماژول ۴: پردازش زبان طبیعی (Natural Language Processing – NLP)
  • اصول NLP: چگونگی پردازش و فهم زبان انسانی توسط ماشین‌ها. از توکنایزیشن تا تحلیل‌های پیشرفته معنایی.
  • کاربردهای NLP: تحلیل احساسات (Sentiment Analysis) برای درک نظرات مشتریان، خلاصه‌سازی متن (Text Summarization) و ترجمه ماشینی (Machine Translation).
  • مثال عملی: استفاده از NLP در چت‌بات‌ها (Chatbots)ی خدمات مشتری برای پاسخگویی خودکار به سؤالات، یا در تحلیل حجم عظیمی از نظرات کاربران در شبکه‌های اجتماعی برای درک رضایت عمومی از یک محصول یا خدمات.
• ماژول ۵: بینایی ماشین (Computer Vision)
  • مقدمه‌ای بر بینایی ماشین: چگونگی درک و تفسیر تصاویر و ویدئوها توسط کامپیوتر، دقیقاً مانند بینایی انسان.
  • کاربردهای بینایی ماشین: تشخیص اشیاء (Object Detection)، تشخیص چهره (Facial Recognition)، بازشناسی الگو (Pattern Recognition) و ردیابی حرکت.
  • مثال عملی: بینایی ماشین در خودروهای خودران برای شناسایی عابران پیاده، خودروهای دیگر و علائم ترافیکی، یا در سیستم‌های امنیتی برای نظارت بر ورود و خروج افراد و شناسایی رفتارهای مشکوک.
• ماژول ۶: اخلاق، تعصب و آینده هوش مصنوعی
  • مسائل اخلاقی در هوش مصنوعی: بحث پیرامون تعصب (Bias) در الگوریتم‌ها و داده‌ها، مسائل مربوط به حریم خصوصی داده‌ها (Data Privacy)، شفافیت و مسئولیت‌پذیری در توسعه و استقرار سیستم‌های AI.
  • تاثیر هوش مصنوعی بر اشتغال و اقتصاد: بررسی سناریوهای مختلف درباره آینده مشاغل و نقش هوش مصنوعی در تغییر بازار کار.
  • روندهای آینده و فناوری‌های نوظهور: نگاهی به فناوری‌هایی مانند هوش مصنوعی تولیدی (Generative AI) که قادر به خلق محتوای جدید است و چشم‌انداز هوش عمومی مصنوعی (AGI) که رویای هوشی شبیه به انسان را در سر دارد.
  • مثال عملی: بحث در مورد چگونگی کاهش تعصب در الگوریتم‌های استخدام یا سیستم‌های امتیازدهی اعتباری برای تضمین عدالت. بررسی کاربردهای AI تولیدی در خلق محتوای هنری، موسیقی یا متنی برای کاربردهای خلاقانه.