کتاب اشتباهات طراحی‌شده: شکست‌های انگیزشی در یادگیری ماشین و راه‌حل‌های عملی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اشتباهات طراحی‌شده: شکست‌های انگیزشی در یادگیری ماشین و راه‌حل‌های عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: چالش‌های طراحی و پیاده‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. قدرت و پیچیدگی سیستم‌های یادگیری ماشین
• 3. چرا یادگیری ماشین همیشه آنطور که انتظار می‌رود کار نمی‌کند؟
• 4. مفهوم انگیزه در سیستم‌های انسانی و سازمانی
• 5. تاریخچه مختصر شکست‌های انگیزشی در حوزه‌های دیگر
• 6. انگیزه‌ها: محرک‌های پنهان پشت تصمیمات
• 7. نقش انگیزه در طراحی و عملکرد سیستم‌ها
• 8. معرفی مقاله "Misaligned by Design" و دیدگاه آن
• 9. اشتباهات طراحی‌شده: مقدمه‌ای بر شکست‌های انگیزشی در ML
• 10. اهداف دوره: فهم، تشخیص و حل مشکلات انگیزشی در ML
• 11. شناسایی ذینفعان اصلی در چرخه حیات ML
• 12. توسعه‌دهندگان مدل: انگیزه‌ها و محدودیت‌ها
• 13. مدیران محصول: اولویت‌بندی قابلیت‌ها و معیارها
• 14. صاحبان کسب‌وکار: سودآوری و رشد
• 15. کاربران نهایی: تجربه کاربری، ارزش و رضایت
• 16. جامعه و عموم مردم: عدالت، ایمنی و رفاه
• 17. رگولاتورها و نهادهای نظارتی: قانون‌گذاری و استانداردسازی
• 18. سرمایه‌گذاران: بازگشت سرمایه و پایداری
• 19. تیم‌های عملیاتی و مهندسی: پایداری و نگهداری سیستم
• 20. تضاد منافع ذاتی بین ذینفعان مختلف
• 21. زمانی که "خوب" برای یکی، "بد" برای دیگری است
• 22. مطالعه موردی: انگیزه‌های متضاد در پلتفرم‌های اجتماعی
• 23. اثرات ذینفعان پنهان یا نادیده گرفته شده
• 24. درک نقشه انگیزشی یک سیستم ML
• 25. تمرین: ترسیم ذینفعان پروژه ML شما
• 26. تعریف شکست انگیزشی در زمینه یادگیری ماشین
• 27. علل ریشه‌ای ناهماهنگی انگیزه‌ها
• 28. معیارهای جایگزین (Proxy Metrics) و خطرات آن‌ها
• 29. بهینه‌سازی برای اهداف کوتاه‌مدت در برابر بلندمدت
• 30. تفاوت بین بهینه‌سازی محلی و بهینه‌سازی جهانی
• 31. بازی کردن با معیارها (Metric Gaming): مفهوم و نمونه‌ها
• 32. زمانی که مدل، انگیزه را درک می‌کند و آن را سوءاستفاده می‌کند
• 33. شکست‌های طراحی: چگونه به سیستم‌های ناکارآمد منجر می‌شوند
• 34. سوءتفاهم‌های رایج درباره اهداف مدل‌های ML
• 35. تعارضات اخلاقی ناشی از ناهماهنگی انگیزه‌ها
• 36. مثال: سیستم‌های توصیه‌گر و بهینه‌سازی تعامل
• 37. مثال: سیستم‌های رتبه‌بندی و دستکاری امتیازات
• 38. اثرات آبشاری (Cascade Effects) شکست‌های انگیزشی
• 39. تشخیص علائم هشداردهنده شکست‌های انگیزشی
• 40. چارچوبی برای تحلیل شکست‌های انگیزشی
• 41. سوگیری و تبعیض: محصول جانبی انگیزه‌های گمراه‌کننده
• 42. عدم توازن داده‌ها و تعصبات پنهان
• 43. معیار دقت (Accuracy) به عنوان یک انگیزه ناکافی
• 44. بیش‌برازش (Overfitting) به معیارها به جای هدف واقعی
• 45. پایداری و مقاومت مدل در برابر حملات متخاصم
• 46. آسیب‌پذیری‌های امنیتی ناشی از بهینه‌سازی تک‌بعدی
• 47. رانش مفهوم (Concept Drift) و معیارهای قدیمی
• 48. مقایسه تفسیرپذیری و عملکرد مدل: یک تعارض انگیزشی
• 49. انتخاب معماری مدل بر اساس معیارهای سطحی
• 50. زمانی که مهندسی ویژگی‌ها (Feature Engineering) به معیارهای غلط می‌پردازد
• 51. یادگیری تقویتی (Reinforcement Learning) و مسئله پاداش‌ها
• 52. طراحی تابع پاداش (Reward Function) در RL: قلب مشکل انگیزشی
• 53. بهره‌برداری از باگ‌های پاداش (Reward Hacking) در RL
• 54. مسئله اکتشاف و بهره‌برداری (Exploration-Exploitation) از دیدگاه انگیزشی
• 55. مدیریت داده‌ها و جمع‌آوری آن: انگیزه‌های نادرست
• 56. کیفیت داده‌ها: زمانی که سرعت بر دقت ارجحیت دارد
• 57. اعتبار و قابلیت اعتماد مدل‌ها در مواجهه با انگیزه‌های متضاد
• 58. تشخیص ناهنجاری‌ها و انحرافات ناشی از انگیزه‌های معیوب
• 59. مدل‌های تولیدی (Generative Models) و انتشار محتوای مخرب
• 60. ارزیابی مدل: فراتر از معیارهای عددی ساده
• 61. ساختارهای سازمانی و تشویق رقابت ناسالم
• 62. فشارهای زمان‌بندی و عرضه سریع محصول
• 63. عدم وجود تیم‌های میان‌رشته‌ای در طراحی ML
• 64. موانع ارتباطی بین تیم‌های تحقیق، توسعه و محصول
• 65. فرهنگ سازمانی و تاب‌آوری در برابر شکست
• 66. "انگیزه برای انجام ندادن": زمانی که تغییر سخت است
• 67. نقش مدیریت در ایجاد و حفظ فرهنگ مسئولیت‌پذیری
• 68. بازخورد کاربران و کانال‌های ناکافی آن
• 69. سوگیری‌های شناختی در تصمیم‌گیری‌های انسانی مرتبط با ML
• 70. چالش‌های نظارت انسانی بر سیستم‌های پیچیده ML
• 71. زمانی که انسان‌ها با سیستم‌های هوشمند "هم‌بازی" می‌شوند
• 72. آموزش و آگاهی‌سازی در مورد ریسک‌های انگیزشی ML
• 73. اثرات شکست‌های انگیزشی بر اعتماد تیم‌ها
• 74. ایجاد حامیان اخلاقی (Ethical Champions) در سازمان
• 75. مسئولیت‌پذیری و پاسخگویی در عصر هوش مصنوعی
• 76. پیامدهای اقتصادی: ضررهای مالی و ناکارآمدی
• 77. آسیب به شهرت و برند شرکت
• 78. پیامدهای اجتماعی: تبعیض و قطبی‌سازی
• 79. تضعیف اعتماد عمومی به فناوری
• 80. خطرات امنیتی و حریم خصوصی
• 81. تأثیر بر سلامت روان و رفاه کاربران
• 82. افزایش مقررات و محدودیت‌های قانونی
• 83. بازنگری‌های پرهزینه و تغییرات سیستمی
• 84. عدم نوآوری و رکود در بلندمدت
• 85. تبدیل شدن ابزارهای مفید به ابزارهای مخرب
• 86. طراحی معیارهای جامع و چندوجهی
• 87. استفاده از بهینه‌سازی چندهدفه (Multi-Objective Optimization)
• 88. اندازه‌گیری تأثیرات بلندمدت در کنار کوتاه‌مدت
• 89. بازطراحی ساختارهای سازمانی برای هماهنگی انگیزه‌ها
• 90. ایجاد فرهنگ مسئولیت‌پذیری و اخلاق در هوش مصنوعی
• 91. استفاده از حسابرسی‌های مستقل و نظارت خارجی
• 92. شفافیت و قابلیت توضیح (Explainability) در طراحی و عملکرد
• 93. توسعه چارچوب‌های اخلاقی و کدهای رفتاری
• 94. نقش قانون‌گذاری و استانداردهای صنعتی
• 95. آموزش و تربیت متخصصان هوش مصنوعی مسئولیت‌پذیر
• 96. سیستم‌های چندعاملی و طراحی انگیزشی پیچیده
• 97. هوش مصنوعی مسئول (Responsible AI) به عنوان یک هدف سازمانی
• 98. تحقیق و توسعه در زمینه تشخیص و پیشگیری از شکست‌های انگیزشی
• 99. نقش همکاری بین‌المللی در مدیریت چالش‌های انگیزشی ML
• 100. آینده اشتباهات طراحی‌شده: یادگیری مستمر و انطباق