دوره هوش مصنوعی از ابتدا: پیاده‌سازی‌های عملی الگوریتم‌های کلاسیک همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی از ابتدا: پیاده‌سازی‌های عملی الگوریتم‌های کلاسیک

موضوع کلی: مفاهیم و پیاده‌سازی هوش مصنوعی

موضوع میانی: پیاده‌سازی الگوریتم‌های بنیادین هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی: تاریخچه و تعاریف
• 2. آزمون تورینگ و فلسفه هوش مصنوعی
• 3. آماده‌سازی محیط برنامه‌نویسی برای پروژه‌های هوش مصنوعی
• 4. مروری بر ساختمان داده‌های کلیدی: لیست‌ها، صف‌ها و پشته‌ها
• 5. مفهوم گراف و نمایش آن در کامپیوتر برای حل مسائل
• 6. عامل‌های هوشمند و محیط آن‌ها (Agents and Environments)
• 7. انواع عامل‌ها: از عامل واکنشی ساده تا عامل مبتنی بر هدف
• 8. تعریف مسئله با فضای حالت (State-Space Problem Formulation)
• 9. پیاده‌سازی اولین پروژه: نمایش یک فضای حالت ساده
• 10. ارزیابی عملکرد الگوریتم‌ها: زمان، فضا، کامل بودن و بهینگی
• 11. مقدمه‌ای بر الگوریتم‌های جستجوی ناآگاهانه (Uninformed Search)
• 12. الگوریتم جستجوی اول سطح (BFS): مفاهیم و تئوری
• 13. پیاده‌سازی جستجوی اول سطح با استفاده از صف
• 14. کاربرد BFS: حل مسئله کوتاه‌ترین مسیر در گراف بی‌وزن
• 15. الگوریتم جستجوی اول عمق (DFS): مفاهیم و تئوری
• 16. پیاده‌سازی جستجوی اول عمق با استفاده از پشته (روش تکراری)
• 17. پیاده‌سازی بازگشتی جستجوی اول عمق
• 18. مقایسه BFS و DFS: چه زمانی از کدام استفاده کنیم؟
• 19. الگوریتم جستجوی با هزینه یکنواخت (UCS)
• 20. پیاده‌سازی UCS با استفاده از صف اولویت (Priority Queue)
• 21. جستجوی عمقی با عمق محدود (DLS) و مشکل انتخاب عمق
• 22. جستجوی عمقی تکرار شونده (IDS)
• 23. پیاده‌سازی و تحلیل الگوریتم IDS
• 24. جستجوی دوطرفه (Bidirectional Search) و پیچیدگی‌های آن
• 25. پروژه بخش جستجوی ناآگاهانه: حل مسئله ماز (Maze)
• 26. مقدمه‌ای بر جستجوی آگاهانه (Informed/Heuristic Search)
• 27. مفهوم تابع هیوریستیک (Heuristic Function)
• 28. الگوریتم جستجوی حریصانه بهترین-اول (Greedy Best-First Search)
• 29. پیاده‌سازی جستجوی حریصانه و تحلیل معایب آن
• 30. الگوریتم جستجوی *A (A-Star): مفاهیم و تئوری
• 31. پیاده‌سازی گره‌ها و لیست‌های باز و بسته برای *A
• 32. پیاده‌سازی حلقه اصلی الگوریتم *A
• 33. هیوریستیک‌های قابل قبول (Admissible) و سازگار (Consistent)
• 34. اهمیت هیوریستیک‌های قابل قبول در بهینگی *A
• 35. تحلیل مسئله پازل هشت (8-Puzzle)
• 36. طراحی هیوریستیک برای پازل هشت: فاصله منهتن
• 37. طراحی هیوریستیک برای پازل هشت: تعداد خانه‌های نابجا
• 38. پیاده‌سازی حل پازل هشت با الگوریتم *A
• 39. مقایسه عملکرد هیوریستیک‌های مختلف در پازل هشت
• 40. هیوریستیک‌های با حافظه و بهبودهای *A
• 41. مقدمه‌ای بر جستجوی محلی (Local Search)
• 42. الگوریتم تپه‌نوردی (Hill Climbing)
• 43. مشکلات تپه‌نوردی: بیشینه محلی، فلات و لبه‌ها
• 44. الگوریتم تبرید شبیه‌سازی شده (Simulated Annealing)
• 45. مقدمه‌ای بر جستجوی تخاصمی و نظریه بازی‌ها (Adversarial Search)
• 46. الگوریتم Minimax برای بازی‌های دو نفره نوبتی
• 47. پیاده‌سازی ساختار درخت بازی برای دوز (Tic-Tac-Toe)
• 48. پیاده‌سازی تابع ارزیابی (Evaluation Function) برای دوز
• 49. پیاده‌سازی بازگشتی الگوریتم Minimax
• 50. بهینه‌سازی با هرس آلفا-بتا (Alpha-Beta Pruning)
• 51. مفاهیم آلفا و بتا و نحوه عملکرد هرس
• 52. پیاده‌سازی الگوریتم Minimax با هرس آلفا-بتا
• 53. مقایسه عملکرد Minimax و آلفا-بتا در عمل
• 54. تکنیک‌های پیشرفته‌تر: جستجوی محدود در عمق و توابع ارزیابی پیچیده‌تر
• 55. پروژه بخش بازی: ساخت یک عامل هوشمند برای بازی دوز
• 56. مقدمه‌ای بر مسائل ارضای محدودیت (CSP)
• 57. فرموله‌بندی مسائل به صورت CSP: متغیرها، دامنه‌ها و محدودیت‌ها
• 58. الگوریتم جستجوی بازگشتی (Backtracking Search) برای CSP
• 59. پیاده‌سازی جستجوی بازگشتی
• 60. هیوریستیک‌ها در CSP: متغیر با کمترین مقادیر مجاز (MRV)
• 61. هیوریستیک‌ها در CSP: هیوریستیک درجه (Degree Heuristic)
• 62. هیوریستیک‌ها در CSP: انتخاب مقدار با کمترین محدودیت (LCV)
• 63. انتشار محدودیت و سازگاری کمان (Arc Consistency)
• 64. الگوریتم AC-3
• 65. پیاده‌سازی مسئله رنگ‌آمیزی نقشه استرالیا به عنوان یک CSP
• 66. مقدمه‌ای بر بازنمایی دانش و استدلال منطقی
• 67. منطق گزاره‌ای (Propositional Logic): نمادها و مفاهیم
• 68. جدول درستی و استلزام منطقی
• 69. قواعد استنتاج: Modus Ponens و Resolution
• 70. پیاده‌سازی یک پایگاه دانش ساده در منطق گزاره‌ای
• 71. زنجیره‌سازی پیش‌رو (Forward Chaining)
• 72. زنجیره‌سازی پس‌رو (Backward Chaining)
• 73. پیاده‌سازی یک موتور استنتاج ساده با زنجیره‌سازی پیش‌رو
• 74. سیستم‌های خبره (Expert Systems): معماری و کاربردها
• 75. ساخت یک سیستم خبره کوچک مبتنی بر قانون
• 76. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 77. یادگیری نظارت‌شده، نظارت‌نشده و تقویتی
• 78. یادگیری مفهوم (Concept Learning)
• 79. درخت تصمیم (Decision Trees)
• 80. الگوریتم ID3 برای ساخت درخت تصمیم
• 81. مفهوم آنتروپی و بهره اطلاعات (Information Gain)
• 82. پیاده‌سازی محاسبه آنتروپی و بهره اطلاعات
• 83. پیاده‌سازی الگوریتم ساخت درخت تصمیم ID3
• 84. کار با مجموعه داده و پیش‌پردازش آن
• 85. آزمایش درخت تصمیم بر روی یک مجموعه داده ساده
• 86. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 87. چالش‌های درک زبان توسط ماشین
• 88. قطعه‌بندی متن (Tokenization) و تحلیل واژگانی
• 89. گرامرهای مستقل از متن (Context-Free Grammars)
• 90. تجزیه (Parsing): تجزیه بالا به پایین و پایین به بالا
• 91. پیاده‌سازی یک تجزیه‌گر بازگشتی نزولی ساده (Recursive Descent Parser)
• 92. شبکه‌های معنایی (Semantic Networks) برای بازنمایی معنا
• 93. تشخیص الگو و تطبیق کلمات کلیدی
• 94. ساخت یک ربات گفتگوگر ساده (Chatbot) به سبک ELIZA
• 95. پروژه نهایی: ترکیب الگوریتم‌ها برای یک عامل هوشمند
• 96. مروری بر محدودیت‌های هوش مصنوعی کلاسیک
• 97. نگاهی به هوش مصنوعی مدرن: شبکه‌های عصبی و یادگیری عمیق
• 98. جمع‌بندی دوره و گام‌های بعدی برای یادگیری
• 99. منابع بیشتر و مسیرهای مطالعاتی پیشرفته در هوش مصنوعی