اپلیکیشن اندرویدی فلش‌کارت آموزشی پیشگامان هوش مصنوعی: زندگی‌نامه‌ها و ایده‌های تاثیرگذار در شکل‌گیری این علم

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیشگامان هوش مصنوعی: زندگی‌نامه‌ها و ایده‌های تاثیرگذار در شکل‌گیری این علم

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تاریخچه هوش مصنوعی

📋 سرفصل‌های دوره

• 1. آلن تورینگ و مفهوم ماشین تورینگ: بنیان محاسبات
• 2. آلن تورینگ و آزمون تورینگ: معیار هوش ماشین
• 3. آلونزو چرچ و لمبدا کالکولاس: پایهٔ نظری محاسبات
• 4. کورت گودل و قضیه ناقصی: مرزهای استنتاج رسمی
• 5. وارن مکالوک و والتر پیتس: اولین مدل ریاضی نورون مصنوعی
• 6. دونالد هیب و قانون هیب: اصل یادگیری اتصالی
• 7. نوربرت وینر و سایبرنتیک: هماهنگی ماشین و انسان
• 8. کلود شانون و نظریهٔ اطلاعات: اندازه‌گیری و انتقال داده
• 9. کنث دیوید و ندهام و کنفرانس دارتموث ۱۹۵۶: تولد رسمی هوش مصنوعی
• 10. جان مکارتی و خلق اصطلاح هوش مصنوعی و زبان LISP
• 11. مارویت مینسکی و داستان‌های کلیدی هوش مصنوعی
• 12. جین ناش و نظریهٔ بازی‌ها: بهینه‌سازی تصمیم در هوش مصنوعی
• 13. آلن نیول و هربرت سایمون: حل مسئله و برنامه‌ریزی خودکار
• 14. ادوارد فایگنبام و سیستم Dendral: هوش مصنوعی در شیمی
• 15. راجر شانک و قاعده‌های تولید: نمایش دانش در سیستم‌های نمادین
• 16. فرانک روزنبلات و پرسپترون: اولین شبکهٔ عصبی مصنوعی
• 17. مارویت مینسکی و سیمور پاپرت و نقد پرسپترون: محدودیت‌های مدل‌های اولیه
• 18. جف هینتون و شبکه‌های بیزی عمیق: بازآغاز یادگیری عمیق
• 19. دیوید رومل‌هارت و جیمز ویلیامز: یادگیری پشت‌انتشار در شبکه‌های عصبی
• 20. اولین زمستان هوش مصنوعی: علل و درس‌های آن
• 21. ادوارد فایگنبام و سیستم EXPERT: صعود سیستم‌های تخصصی
• 22. ریموند لوسی و سیستم MYCIN: تشخیص پزشکی با قاعده‌ها
• 23. ریسک‌ها و محدودیت‌های سیستم‌های تخصصی
• 24. واپنیک و کورت و ماشین بردار پشتیبان: یادگیری ماشین خطی و غیرخطی
• 25. یورگن شمیدهوبر و شبکه‌های LSTM: حافظهٔ بلندمدت در شبکه‌های بازگشتی
• 26. لوئیس بریمن و جنگل‌های تصادفی: یادگیری مجموعه‌ای از درختان تصمیم
• 27. توماس میشل و یادگیری درخت تصمیم: طبقه‌بندی و تحلیل داده
• 28. جان ساتون و یادگیری تقویتی: آموزش ماشین از طریق بازخورد
• 29. جف هینتون، یوشوا بنجیو و اندرو انگ: نسل جدید پیشگامان یادگیری عمیق
• 30. یان لوکون و شبکه‌های کانولوشنی: چشم ماشین
• 31. دمیس هسابیس و DeepMind: از تحقیقات عصب‌شناسی تا قهرمان بازی
• 32. فئو-فی لی و دیتاست ImageNet: چرخش کیفیت در بینایی ماشین
• 33. الکسNet و پیروزی یادگیری عمیق در ImageNet ۲۰۱۲
• 34. توماس میکولو و جیف دین: Word2Vec و بردارهای واژگان
• 35. معماری Transformer و آشیش واسوانی: Attention Is All You Need
• 36. مکانیزم توجه: از نویز به تمرکز در مدل‌های زبانی
• 37. الکساندر پریشکین و بیانیه‌های زبانی عمیق: پیش‌آموزش مولد
• 38. جاشوا بنجیو و نظریهٔ عمق در پردازش زبان طبیعی
• 39. آشیش رادفورد و تیم OpenAI: طراحی و آموزش مدل GPT
• 40. مدل BERT و جیکوب دوولین: درک زبان دوطرفه
• 41. ایلیا سوتسکور و RLHF: هم‌راستایی مدل‌ها با ارزش‌های انسانی
• 42. GPT-3 و پدیدهٔ درون‌بُرزی: ظرفیت‌های ناشی از مقیاس
• 43. کریستین هِمن‌رایت و تیم Anthropic: اعتبارسنجی و ایمنی مدل‌های زبانی
• 44. داریو آمودی و آیندهٔ مدل‌های زبانی بزرگ: چالش‌ها و مسیرها
• 45. هوش مصنوعی چندوجهی: از متن به تصویر، صدا و ویدئو
• 46. مدل‌های تولید تصویر و پیشگامان آن: از GAN به مدل‌های انتشاری
• 47. مدل‌های زبانی بزرگ متن‌باز و جامعهٔ اوپن‌سورس
• 48. جان شولمن و پرامپت‌نویسی: هنر تعامل با مدل‌های زبانی
• 49. سوگیری و عدالت در مدل‌های زبانی بزرگ
• 50. مسائل اخلاقی و حاکمیت در توسعهٔ هوش مصنوعی
• 51. فلسفهٔ ذهن و مسئلهٔ ذهن‌سازی ماشین
• 52. مرزهای قابلیت‌ها و کاهش‌های مدل‌های زبانی بزرگ
• 53. تأثیر پیشگامان بر هوش مصنوعی امروز و مسیر آینده