
آموزش مقدماتی هوش مصنوعی - تئوری
نگاهی کلی به دوره
درباره این دوره
فهرست مطالب
برای دانلود رایگان دوره ابتدا محصول را به سبد خرید اضافه کرده و فرآیند تسویه حساب را انجام دهید
جلسه تئوری ویدئو
مبانی هوش مصنوعی و پرامپت مقاله
ورود قدرتمند به دنیای هوش مصنوعی
سرعت پیشرفت هوش مصنوعی این روزا اونقدر زیاده که گاهی حس میکنم دارم از یه قطار سریعالسیر جا میمونم! اگر شما هم این حس رو دارید، اصلاً نگران نباشید، چون دقیقاً جای درستی اومدین.
قراره با هم یک شیرجهی هیجانانگیز در دنیای هوش مصنوعی بزنیم و ببینیم این همکار جدید و همهفنحریف دقیقاً چیه، چه کارهایی از دستش برمیاد و چطور میتونیم باهاش یک تیم رویایی تشکیل بدیم! میخوام به زبون خیلی ساده، تجربههای خودم رو باهاتون به اشتراک بذارم تا ببینیم چطور میشه بدون اینکه ازش بترسیم یا حس کنیم خیلی پیچیده است، از این تکنولوژی در کارهامون استفاده کنیم.
شاید فکر کنی هوش مصنوعی فقط به درد متخصصان و دانشمندان میخوره، ولی اینجوری نیست. اتفاقاً هوش مصنوعی برای تو هم هست! فرقی نمیکنه صاحب کسبوکار، دانشجو، کارمند، یا یک آدم کنجکاو که دلش نمیخواد از دنیا عقب بمونه، باشی. هوش مصنوعی میتونه زندگی تو رو بهتر کنه، شک نکن.
در این وبینار دقیقا میخوایم چیکار کنیم؟ این وبینار چه مشکلی از شما حل میکنه؟
- میخوایم جنبههای مختلف هوش مصنوعی رو با هم زیر و رو کنیم: ببینیم چطور میتونه به جامعه خدمت کنه، چطور میتونه موتور نوآوری رو روشن کنه، چطور میتونه کاراییمون رو بیشتر کنه و چطور میتونه خدمات بهتری رو به مردم ارائه بده.
- اما فقط از خوبیهاش نمیگیم! چشمهامون رو روی ریسکها و چالشهاش هم نمیبندیم. قراره راجع به مسائل اخلاقی هوش مصنوعی حرف بزنیم، ببینیم چه تاثیری روی شغلهای مختلف میذاره و به چالشهای امنیتیاش هم فکر کنیم.
چرا اینقدر روی این چیزا تاکید دارم؟ چون معتقدم فقط اگه هوش مصنوعی رو کامل و همهجانبه بشناسیم، میتونیم ازش به نفع همه استفاده کنیم و جلوی ضررهاش رو بگیریم.
بریم سراغ اصل مطلب: هوش مصنوعی چیه؟
به زبان ساده، هوش مصنوعی یک شاخه از علوم کامپیوتره که میخواد سیستمهایی بسازه که بتونن کارهایی رو انجام بدن که به هوش ما آدما ربط داره.
چند نوع هوش مصنوعی داریم؟
- هوش مصنوعی ضعیف (Narrow AI): این نوع هوش مصنوعی فقط برای یک کار خاص ساخته شده. مثلاً وقتی داری با Google Translate متنی رو ترجمه میکنی، داری از هوش مصنوعی ضعیف استفاده میکنی. چون Google Translate فقط کار ترجمه انجام میده.
- هوش مصنوعی عمومی (General AI یا AGI): این نوع هوش مصنوعی قراره به اندازه انسان باهوش باشه! یعنی بتونه هر کار ذهنیای که انسان میتونه انجام بده رو انجام بده: یاد بگیره، فکر کنه یا مسئله حل کنه…
البته ما هنوز به این مرحله نرسیدیم! ولی در راه رسیدن بهش هستیم.
- هوش مصنوعی قوی (Super AI): این دیگه آخرشه! یعنی از انسان هم باهوشتر و میتونه کارهایی رو انجام بده که ما حتی نمیتونیم تصور کنیم. میتونه مشکلات خیلی خیلی پیچیده رو حل کنه. راستش، این مرحله کمی ترسناکه! ولی خب، هنوز خیلی مونده تا بهش برسیم. چون هنوز هوش مصنوعی عمومی هم کامل نیست.
اصلاً «هوشمند» بودن یعنی چی؟
حالا که داریم در مورد هوش مصنوعی حرف میزنیم، بذارید ببینیم اصلاً «هوشمند» بودن یعنی چی؟ اگر یک سیستم یا ماشین به این چهار تا ویژگی رو داشته باشه، میتونیم بگیم هوشمنده:
- یادگیری: بتونه چیزهای جدید یاد بگیره.
- تطبیق: بتونه خودش رو با شرایط جدید وفق بده.
- ارتباط: بتونه با محیط اطرافش ارتباط برقرار کنه (اطلاعات بگیره و جواب بده).
- توانایی ذخیرهسازی: بتونه چیزهایی که یاد گرفته رو در فضایی نگه داره تا بعداً ازشون استفاده کنه.
آزمون تورینگ
آلن تورینگ در سال 1950 آزمونی طراحی کرد تا تا بفهمه یک ماشین میتونه هوشمند باشه یا نه در این تست، یک فرد با دو موجودیت (یک انسان و یک ماشین) پشت دیوار چت میکنه و باید تشخیص بده کدام جوابها از سمت ماشین بوده. اگر ماشین بتونه طوری پاسخ بده که در طول پنج دقیقه، فرد 30٪ مواقع در تشخیصش اشتباه کنه، اون ماشین هوشمنده! دلیل انتخاب این اعداد (30% و 5 دقیقه) خودش یک داستان مفصله. ولی مهم اینه که بدونیم آقای تورینگ یکی از اولین کسایی بوده که سعی کرده بفهمه چطور میشه هوشمندی یک ماشین رو سنجید.
پشت صحنه هوش مصنوعی چه خبره؟
من چند تا مفهوم کلیدی رو براتون توضیح میدم:
- پردازش زبان طبیعی (NLP – Natural Language Processing):
این مهمترین چیزیه که یک ماشین هوشمند باید بلد باشه. یعنی اینکه بتونه حرفهای ما آدمها رو بفهمه. وقتی بهش سؤالی میدیم، باید بتونه اون رو پردازش کنه و بفهمه ما چی میخوایم.
NLP به ماشین کمک میکنه که دادهها رو تحلیل کنه، اونها رو با اطلاعات قبلی مقایسه کنه و جواب درست رو بهمون بده.
- یادگیری ماشین (Machine Learning):
یادگیری ماشین زیرمجموعهای از هوش مصنوعیه. یعنی سیستمها میتونن از دادهها یاد بگیرن و بدون نیاز به انسان، عملکرد خودشون رو بهبود بدن. علاوهبر این، الگوریتمهای یادگیری ماشین، دادهها رو شناسایی میکنن و بر اساس اونها، پیشبینی انجام میدن.
- یادگیری عمیق (Deep Learning):
یادگیری عمیق زیرمجموعه پیشرفته تری از یادگیری ماشینه. در این روش از شبکههای عصبی مصنوعی (Artificial Neural Networks) استفاده میشه که چند تا لایه دارن و میتونن ویژگیهای خیلی پیچیده دادهها رو یاد بگیرن. ایده این نوع یادگیری از مغز انسان گرفته شده و در زمینههایی مثل تشخیص عکس و پردازش زبان، خیلی خوب عمل میکنه.
- شبکههای عصبی (Neural Networks):
گفتیم که در یادگیری عمیق، از «شبکههای عصبی» استفاده میشه. این شبکهها یکسری الگوریتم هستن که از ساختار مغز انسان الهام گرفته شدن. شبکه عصبی از تعداد بسیار زیادی واحد کوچک به هم متصل به نام «نورون» تشکیل شده که عملکردی مشابه سلولهای عصبی مغز انسان دارند.
اینا چه ربطی به هم دارن؟
هوش مصنوعی شبیه یک هرمه. در نوک هرم، خود هوش مصنوعیه. در لایه زیری، یادگیری ماشینه. لایه پایینترِ یادگیری ماشین هم، یادگیری عمیقه. یعنی:
هوش مصنوعی > یادگیری ماشین > یادگیری عمیق
فرض کنید از هوش مصنوعی میخوایم عکسی از یک ربات که گربهای رو بغل کرده، بسازه.
- هوش مصنوعی اول از یادگیری ماشین کمک میگیره تا گربه رو از بقیه حیوانات تشخیص بده.
- بعدش، یادگیری عمیق با استفاده از اطلاعاتی که در شبکههای عصبی خودش داره، میفهمه که گربه چه شکل، رنگ، نژاد و خصوصیاتی داره
- در نهایت، هوش مصنوعی با ترکیب این اطلاعات، عکس رو میسازه و به ما نشون میده.
در دنیای واقعی، وقتی به یک مشاور املاک میگین میخواید خونهای با یک سری ویژگیهای خاص اجاره کنید، مشاور املاک میره توی فایلهاش میگرده، ویژگیهای خونههای مختلف رو با هم مقایسه میکنه و در نهایت، چند تا گزینه بهتون پیشنهاد میده که به سلیقه شما نزدیکتره.
یادگیری عمیق هم تقریباً همین کار رو میکنه. با بررسی و تحلیل ویژگیهای مختلف دادهها، به هوش مصنوعی کمک میکنه تا بهترین نتیجه رو بهمون بده.
مدل هوش مصنوعی با اپلیکیشن هوش مصنوعی چه فرقی داره؟
- اپلیکیشن: ابزاری است که ما کاربرها باهاش کار میکنیم. میتونه یک سایت یا یک اپلیکیشن موبایل باشه. مثل یک رابط کاربریه که به ما اجازه استفاده از هوش مصنوعی رو میده.
- مدل: سیستمی است که پشت صحنه کار میکنه و خدمات رو ارائه میده. بخش اصلی و پردازشگر هوش مصنوعیه.
پردازش زبان طبیعی (NLP) چیه؟
NLP شاخهای از هوش مصنوعیه که به کامپیوترها کمک میکنه تا بتونن:
- زبان انسانها رو بفهمن.
- زبان انسانها رو تفسیر کنن (یعنی منظورشون رو بفهمن).
- زبان تولید کنن (یعنی بتونن حرف بزنن یا بنویسن).
چرا NLP مهمه؟
درک زبان انسان: هوش مصنوعی برای اینکه دقیق و صحیح جواب بده، باید زبون ما رو بفهمه.
ارتباط راحتتر: باعث میشه ما بتونیم راحتتر و بهتر با سیستمهای هوشمند ارتباط بگیریم.
کارهای پیشرفته: مثل خلاصه کردن متن، تحلیل احساسات و جواب دادن به سؤالات.
کاربردهای: NLP
- جستجوی گوگل: فهمیدن منظور کاربر و نمایش بهترین نتایج
- چتباتها: پاسخگویی خودکار به سؤالات کاربران
- مترجمها: ترجمه خودکار متن
- تحلیل احساسات: تشخیص مثبت یا منفی بودن نظرات
- خلاصهسازی متن: استخراج چکیده از متون طولانی
- سیستمهای توصیهگر: پیشنهاد محصولات و محتوا بر اساس علایق کاربر
مدل زبانی (Language Model) چیه؟
مدل زبانی نوعی مدل یادگیری ماشینه که یاد میگیره کلمه بعدی رو در جمله حدس بزنه. این مدل از الگوهای زبانی یاد میگیره و ازشون برای تولید متن جدید یا پیشبینی کلمات استفاده میکنه.
مدل زبانی بزرگ (LLM) چیه؟
وقتی مدلهای زبانی با حجم زیادی از دادهها (مثل کتابها، مقالات، اینترنت) آموزش ببینن، تبدیل به مدل زبانی بزرگ (LLM) میشن که یکی از بخشهای اصلی NLP هست.
LLM چطور متن تولید میکنه؟
- کلمات رو به توکن تبدیل میکنه.
- بین دادههای آموزشیاش برای پیدا کردن الگوهای کلمات جستجو میکنه.
- حدس میزنه که چه کلمههایی میتونن به همراه کلمات متن اولیه در جمله بیان. هرچه دادههای آموزشی LLM بیشتر باشه، این حدسها دقیقتر میشه.
- تمام این اطلاعات با استفاده از Word Embedding، به نمودار ریاضی تبدیل میشن. بخش سیزدهم: مدلهای زبانی بزرگ چطور ارتباط بین کلمات رو میفهمن؟
مدلهای زبانی بزرگ چطور روابط بین کلمات رو میفهمن؟
- Word Embedding : هر کلمه به یک نقطه در نمودار ریاضی تبدیل میشه. هرچی دو کلمه معنای نزدیکتری داشته باشن، توی نمودار هم، فاصله کمتری دارن.
- خوشهبندی: کلمات مرتبط رو در یک گروه قرار میگیرن . مثلاً “bus”، “train” و “car” چون به حملونقل مربوط میشن، در یک گروه قرار میگیرن.
- مکانیسم خودتوجهی(Self-Attention Mechanism) : بررسی میکنه که هر کلمه در جمله چه نقشی داره و کمک میکنه مدل بفهمه که مثلاً “interest” در یک جمله معنای «علاقه» و در جملهای دیگه معنای «سود» میده.
با این روشها، مدلهای زبانی میتونن معنی کلمات رو در متنهای مختلف تشخیص بدن، مترادفها و متضادها رو بفهمن و متنهای طبیعی و روان تولید کنن.
پرامپت (Prompt) و مهندسی پرامپت (Prompt Engineering) – کلید طلایی!
پرامپت چیه؟
همون سؤال یا دستوریه که ما به هوش مصنوعی میدیم تا جواب بگیریم. پرامپت میتونه متن، صدا یا حتی عکس باشه. بعد، مدل زبانی بر اساس پرامپت ما جواب تولید میکنه.
مهندسی پرامپت چیه؟
یعنی یاد بگیریم چطور درخواستهامون رو دقیق و حرفهای مطرح کنیم تا بهترین جواب رو بگیریم. این کار شامل شناخت تواناییهای هوش مصنوعی، استفاده صحیح و دقیق از سوالات و دستورات درست، تست کردن و اصلاح پرامپتهاست تا رسیدن به نتیجه موردنظره.
به زبان ساده:
- هوش مصنوعی مثل یک دستیار قوی و ماهره که میتونه به سؤالات ما جواب بده و کارهای مختلفی برامون انجام بده. پرامپت همون دستور یا درخواست ما از این دستیاره و مهندسی پرامپت مثل اینه که یاد بگیریم چطور با این دستیار حرف بزنیم تا بهترین نتیجه رو بگیریم.
در مرحله بعدی میخوام طی یک مثال این قضیه مهندسی پرامپت رو براتون کامل روشن کنم. اما قبلش باید با یک مفهوم جدید آشنا بشین:
هوش مصنوعی مولد (Generative AI):
نوعی هوش مصنوعیه که در جواب درخواست کاربر، متن، تصویر یا رسانههای دیگه را تولید میکنه. مدلهای هوش مصنوعی مولد، الگوها و ساختارهای دادههای آموزشی را یاد میگیرن و بر اساس اونها دادههای جدیدی ایجاد میکنن.
اگه بخوام مهندسی پرامپت رو ساده توضیح بدم، بیاین اینجوری فرض کنیم: هوش مصنوعی مولد رو مثل یک بچه ۵ ساله نابغه در نظر بگیریم که کنار ما بزرگ نشده!
برای اینکه یک بچه ۵ ساله کاری رو درست انجام بده، باید دستورات رو خیلی واضح و قدمبهقدم بهش بگیم. هوش مصنوعی هم همینطوره. هرچی پرامپت دقیقتر باشه، جواب بهتری میگیریم.
مهندسی پرامپت دو بخش اصلی داره:
- ترغیب: باید هوش مصنوعی رو طوری هدایت کنیم که کارمون رو انجام بده.
- هدایت: باید مشخص کنیم که دقیقاً چه چیزی ازش میخوایم.
اجزای پرامپت هم شامل اینها هستند:
- دستورالعمل(Instruction): کاری که میخوایم انجام بشه.
- زمینه (Context): اطلاعات اضافی که به هوش مصنوعی کمک میکنه درخواست ما را بهتر درک کنه.
- داده ورودی(Input Data): اطلاعاتی که برای انجام کار مورد نیازشه.
- نشانگر خروجی(Output Indicator): مشخص کنیم که نتیجه چطور و با چه فرمتی باشه.
فرض کنید میخوایم به یک بچه ۵ ساله بگیم میز شام رو بچینه:
- دستورالعمل: میز شام رو بچین.
- زمینه: چهار نفریم و شام معمولیه.
- داده ورودی: چهار تا بشقاب، قاشق، چنگال و دستمال سفره نیاز داریم.
- نشانگر خروجی: دستمالها رو تا کن و روی بشقابها بگذار.
هرچی دقیقتر توضیح بدیم، نتیجه بهتری میگیریم.
هوش مصنوعی: فرصت یا تهدید؟ (یک نگاه به آینده)
هوش مصنوعی رو میشه از چند زاویه نگاه کرد:
- کودک نابغه: خیلی باهوشه، ولی تجربه نداره و نیاز به راهنمایی و آموزش داره تا بتونه از تواناییهاش به بهترین شکل استفاده کنه
- سونامی تغییرات: میتونه زندگی و کسبوکارها رو زیر و رو کنه. کسایی که زودتر خودشون رو وفق بدن، برندهان.
- اسب سرکش: با سرعت جلو میره و اگه افسارش رو بگیریم، میتونیم ازش برای پیشرفت استفاده کنیم.
نکات طلایی برای نوشتن پرامپتهای خفن!
برای اینکه بتونید پرامپتهای مؤثری بنویسید، این نکات رو رعایت کنید:
- زبان واضح و ساده به کار ببرین:
- جملههاتون کوتاه و روان باشه.
- از کلمهها و عبارتهای پیچیده و چندپهلو استفاده نکنید.
- یادتون باشه، دارید با یک «بچه 5 ساله نابغه» حرف میزنید!
- اگه موضوع پرامپتتون فنی یا تخصصیه، بهتره از زبان انگلیسی استفاده کنید.
- برای اینکه مطمئن بشید گرامر جملههاتون درسته، از ابزارهایی مثل Grammarly استفاده کنید.
- تواناییهای مدلهای مختلف هوش مصنوعی رو بشناسید تا بدونید از هر کدوم چه انتظاری داشته باشید.
- مثلاً ChatGPT و Copilot از DALL-E برای تولید عکس استفاده میکنن که تصاویر معمولی و تاحدی غیرواقعی تولید میکنه. اما Leonardo و Ideogram در تولید تصاویر با کیفیت بالا و جزئیات دقیق، یه سر و گردن بالاترن.
چطور از هوش مصنوعی مولد به بهترین شکل استفاده کنیم؟
برای اینکه بتونید از هوش مصنوعی مولد به بهترین شکل استفاده کنین، باید این نکات رو در نظر بگیرین:
- تفاوت مدلها رو بدونید: همونطور که گفتم، مدلهای مختلف هوش مصنوعی تواناییهای متفاوتی دارن.
- پاسخها رو چک کنین: یادتون باشه که هوش مصنوعی هم ممکنه اشتباه کنه. بنابراین، همیشه پاسخهاش رو با منابع معتبر مقایسه و بررسی کنید.
- بازخورد بدین: با ارائه بازخورد به هوش مصنوعی، بهش کمک کنید تا بهتر بشه. این بازخوردها به مدلها کمک میکنن تا الگوهای جدید رو یاد بگیرن و دقیقتر بشن.
- اطلاعات غلط رو اصلاح کنین: مثلاً اگه اطلاعات غلط یا ناقصی در مورد زبان، فرهنگ یا تاریخ ایران دیدید، حتماً اصلاحش کنید.
- صبور باشین: کار کردن با هوش مصنوعی، صبر و حوصله میخواد. برای اینکه به نتیجههای خوب برسید، باید باهاش تعامل مستمر داشته باشین.
- خلاق باشین: کلید استفاده مؤثر از هوش مصنوعی، خلاقیته. هر چی خلاقتر باشید، نتیجههای بهتری میگیرید. اینم بدونید که با اومدن هوش مصنوعی، دیگه لازم نیست حتماً یه متخصص فنی باشید تا بتونید خلاقیتتون رو شکوفا کنید.
حرف آخر:
اگه دوست دارید تمام این چیزایی که گفتم رو با جزئیات بیشتر و به صورت عملی یاد بگیرید، حتماً ویدئو کامل این وبینار رایگان رو ببینید. من (رضا مازندرانی) در این وبینار کلی مثالهای باحال و کاربردی زدم که میتونه بهتون کمک کنه تا با هوش مصنوعی رفیق بشید و ازش در کار و زندگیتون به بهترین شکل استفاده کنید.
شک نکنید که پشیمون نمیشید! منتظر چی هستید؟ بزنید بریم!
راستی، یک هدیه ویژه هم براتون دارم. فایل پرزنتشین این وبینار رو به صورت PDF آماده کردم که میتونین رایگان دانلود کنین. همه اسلایدها، نکات کلیدی و تصاویر، همهچی یکجا جمع شده. یک منبع خلاصه و کاربردی برای مرور دوباره مطالب وبینار.
آشنایی با مدرس

مدیر رسانه استودیو آیماز
مشاهده صفحه مدرس ←فایلها و شیوه دریافت
برای این محصول 1 فایل دانلودی ثبت شده است. فایلهای خریداریشده از مسیر حساب کاربری و دسترسیهای تعیینشده توسط ووکامرس ارائه میشوند.
نظرات درباره دوره
★ 5.0 از ۵ — 1 امتیاز



احمدی
برای شروع آموزش خوبیه . ممنون ار وب سایت خوبتون
رضا مازندرانی(مدیریت)
سپاس از توجه شما