هوش مصنوعی برای مبتدی‌ها در سبزوار؛ از کجا شروع کنیم؟

هوش مصنوعی دیگر فقط موضوع فیلم‌ها نیست. وقتی گوشی چهره‌تان را می‌شناسد، وقتی نقشه مسیر کم‌ترافیک را پیشنهاد می‌دهد یا وقتی از ChatGPT سؤال می‌پرسید، با هوش مصنوعی کار می‌کنید. خیلی‌ها فکر می‌کنند یادگیری آن فقط کار نابغه‌های ریاضی است، ولی شروعش از آنچه فکر می‌کنید ساده‌تر است.

هوش مصنوعی به زبان ساده

در برنامه‌نویسی معمولی، ما قانون‌ها را به کامپیوتر می‌گوییم: «اگر این شد، آن کار را بکن». در هوش مصنوعی، به جای قانون، مثال می‌دهیم. مثلاً هزاران عکس گربه و سگ نشان می‌دهیم و کامپیوتر خودش یاد می‌گیرد فرقشان چیست. به این کار یادگیری ماشین می‌گویند.

چند اصطلاح که زیاد می‌شنوید:

• یادگیری ماشین: یاد گرفتن الگو از روی داده.
• شبکه‌ی عصبی: روشی از یادگیری ماشین که از ساختار مغز الهام گرفته و برای تشخیص تصویر و صدا به کار می‌رود.
• هوش مصنوعی مولد: مدل‌هایی مثل ChatGPT که متن، تصویر یا کد تولید می‌کنند.

پیش‌نیازها؛ کمتر از آنچه فکر می‌کنید

• پایتون: زبان اصلی هوش مصنوعی است، ولی بلد بودنش شرط ورود نیست؛ مقدماتش در خود دوره‌ی هوش مصنوعی گفته می‌شود. اگر دوست دارید با پایه‌ی محکم‌تر شروع کنید، می‌توانید اول دوره‌ی پایتون را بگذرانید.
• ریاضی دبیرستان: میانگین، درصد، نمودار و کمی جبر برای شروع کافی است.
• کنجکاوی: مهم‌ترین پیش‌نیاز همین است.

مسیر یادگیری قدم‌به‌قدم

1. پایتون پایه: متغیر، شرط، حلقه، تابع و کار با کتابخانه‌ها.
2. کار با داده: خواندن فایل اکسل، تمیز کردن داده و رسم نمودار.
3. یادگیری ماشین: ساخت اولین مدل پیش‌بینی، مثلاً پیش‌بینی قیمت یا دسته‌بندی پیام‌ها.
4. شبکه‌های عصبی: تشخیص تصویر و آشنایی با یادگیری عمیق.
5. هوش مصنوعی مولد: کار با مدل‌های زبانی و ساخت ابزارهایی که از آن‌ها استفاده می‌کنند.
6. پروژه‌ی پایانی: یک پروژه‌ی کامل که بتوانید در رزومه نشان دهید.

پروژه‌هایی که مبتدی‌ها می‌توانند بسازند

• برنامه‌ای که نظرهای مثبت و منفی مشتری‌ها را از هم جدا کند
• تشخیص عدد دست‌نویس از روی عکس
• پیش‌بینی فروش یک فروشگاه از روی داده‌های ماه‌های قبل
• یک چت‌بات ساده که به سؤال‌های رایج جواب دهد

هوش مصنوعی به درد چه کسانی می‌خورد؟

فقط برنامه‌نویس‌ها نیستند. دانش‌آموزی که می‌خواهد زودتر وارد دنیای فناوری شود، دانشجوی مهندسی، کارمندی که می‌خواهد کارهای تکراری را خودکار کند و صاحب کسب‌وکاری که می‌خواهد از داده‌های فروشش سر در بیاورد، همه از یادگیری هوش مصنوعی سود می‌برند.

چند تصور اشتباه درباره‌ی هوش مصنوعی

• «فقط برای نابغه‌های ریاضی است»: برای استفاده از ابزارها و ساخت پروژه‌های کاربردی، ریاضی دبیرستان کافی است.
• «کامپیوتر خیلی قوی لازم دارد»: برای یادگیری و پروژه‌های اول، کامپیوتر معمولی جواب می‌دهد. کارهای سنگین‌تر را می‌شود روی سرویس‌های آنلاین انجام داد.
• «هوش مصنوعی یعنی ChatGPT»: ChatGPT فقط یک شاخه است. تشخیص تصویر، پیش‌بینی فروش، پیشنهاد محصول و تشخیص پیام‌های مزاحم هم هوش مصنوعی‌اند.
• «زود است، بگذار پیشرفته‌تر شود»: هر چه زودتر با مفاهیم آشنا شوید، استفاده از ابزارهای تازه برایتان راحت‌تر است.

هوش مصنوعی در کارهای روزمره‌ی شغلی

لازم نیست متخصص هوش مصنوعی شوید تا از آن سود ببرید. چند نمونه از کارهایی که با کمی دانش انجام می‌شود:

• یک فروشگاه می‌تواند از روی فروش ماه‌های قبل، پیش‌بینی کند کدام کالا را بیشتر سفارش دهد.
• یک کارمند می‌تواند گزارش‌های تکراری اکسل را با یک برنامه‌ی پایتون در چند ثانیه آماده کند.
• یک آموزگار می‌تواند با ابزارهای مولد، تمرین و آزمون متنوع برای کلاسش بسازد.
• یک صاحب کسب‌وکار می‌تواند نظرهای مشتری‌ها را خودکار دسته‌بندی کند و ببیند بیشتر از چه چیزی شکایت دارند.

اولین مدل یادگیری ماشین چه شکلی است؟

برای اینکه ببینید کار چقدر قابل‌دسترس است، این مثال کوتاه پایتون را نگاه کنید. مدلی می‌سازد که از روی متراژ خانه، قیمتش را حدس می‌زند. داده‌ها خیالی و فقط برای آموزش‌اند:

from sklearn.linear_model import LinearRegression

sizes = [[50], [70], [90], [110]]      # metres
prices = [1000, 1400, 1800, 2200]      # example numbers

model = LinearRegression()
model.fit(sizes, prices)
print(model.predict([[100]]))

مدل از چهار مثال یاد می‌گیرد که هر ۱۰ متر بیشتر، قیمت چقدر بالا می‌رود و بعد برای ۱۰۰ متر جواب می‌دهد. مدل‌های واقعی با هزاران مثال کار می‌کنند و ویژگی‌های بیشتری دارند، ولی ایده همین است: مثال بده، الگو بگیر، پیش‌بینی کن. این الگو را در دوره بارها با داده‌های مختلف تمرین می‌کنید.

محدودیت‌های هوش مصنوعی را بشناسید

هوش مصنوعی ابزار قدرتمندی است، ولی خطا هم می‌کند. این چند نکته را همیشه به یاد داشته باشید:

• مدل فقط به اندازه‌ی داده‌ای که دیده خوب است. اگر داده‌ی ناقص یا یک‌طرفه بدهید، جواب هم همان‌طور می‌شود.
• مدل‌های زبانی گاهی با اطمینان کامل جواب غلط می‌دهند. مهم‌ترین اطلاعات را همیشه از منبع دوم بررسی کنید.
• اطلاعات شخصی و محرمانه را در ابزارهای آنلاین وارد نکنید.

کسی که اصول را بلد است، هم از ابزار بیشتر سود می‌برد و هم زودتر متوجه می‌شود کجا اشتباه کرده است.

داده؛ سوخت هوش مصنوعی

در هوش مصنوعی، کیفیت داده معمولاً از انتخاب الگوریتم مهم‌تر است. مدلی که با داده‌ی غلط یا ناقص آموزش دیده، هر قدر هم پیشرفته باشد، جواب خوبی نمی‌دهد. به همین دلیل بخش بزرگی از کار واقعی، تمیز کردن داده است: پیدا کردن ردیف‌های خالی، حذف تکراری‌ها، یکسان کردن واحدها و تبدیل متن به عدد. تازه‌کارها معمولاً انتظار دارند وقتشان صرف ساخت مدل شود، ولی در عمل بیشتر زمان به آماده کردن داده می‌رود. این را از همان ابتدا بدانید تا ناامید نشوید.

تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

این سه اصطلاح را زیاد می‌شنوید و اغلب به جای هم به کار می‌رود، ولی هر کدام دایره‌ی کوچک‌تری از قبلی است:

در دوره‌ی مقدماتی از وسط، یعنی یادگیری ماشین، شروع می‌کنید چون هم قابل فهم است و هم با کامپیوتر معمولی اجرا می‌شود.

از کجا داده‌ی تمرینی بگیریم؟

لازم نیست برای تمرین منتظر داده‌ی شرکت یا سازمانی باشید. چند منبع رایج برای تازه‌کارها:

• مجموعه‌داده‌های آماده‌ی عمومی که در کتابخانه‌های پایتون همراه نمونه‌ی آموزشی هستند.
• فایل‌های اکسل خودتان؛ مثلاً هزینه‌های ماهانه یا نتیجه‌ی تمرین‌های ورزشی.
• داده‌ی کوچکی که خودتان جمع می‌کنید، مثل نظرسنجی کوتاه بین دوستان یا همکلاسی‌ها.

داده‌ی شخصی خودتان معمولاً جذاب‌ترین است، چون جواب مدل را از نزدیک می‌توانید بسنجید و می‌دانید درست است یا نه.

چطور بفهمیم مدل خوب کار می‌کند؟

یک اشتباه رایج این است که مدل را روی همان داده‌ای که آموزش دیده امتحان کنید و از جواب‌های درست خوشحال شوید. این مثل این است که سؤال‌های امتحان را قبل از امتحان به دانش‌آموز بدهید. درست‌ترش این است که داده را دو بخش کنید: بخش بزرگ‌تر برای آموزش و بخش کوچک‌تر که مدل تا آخر ندیده برای امتحان. اگر روی داده‌ی تازه هم جواب خوب بدهد، یعنی واقعاً یاد گرفته و فقط حفظ نکرده است.

کار با هوش مصنوعی بدون کد

همه‌ی کاربردهای هوش مصنوعی به برنامه‌نویسی نیاز ندارند. بسیاری از ابزارها بدون یک خط کد کار می‌کنند: تبدیل صدا به متن، خلاصه کردن گزارش، ساخت تصویر یا تحلیل ساده‌ی جدول. اگر هدفتان فقط استفاده‌ی هوشمندانه از این ابزارها در شغل فعلی است، می‌توانید بدون یادگیری پایتون هم شروع کنید. ولی اگر می‌خواهید بفهمید ابزار چطور کار می‌کند، محدودیتش کجاست و چطور می‌شود چیز تازه‌ای ساخت، یادگیری کد لازم است.

چطور یادگیری را ادامه دهیم؟

هوش مصنوعی رشته‌ای است که سریع تغییر می‌کند. بعد از گذراندن یک دوره‌ی پایه، هر ماه یک پروژه‌ی کوچک تازه برای خودتان تعریف کنید، با داده‌های واقعی اطرافتان کار کنید و نتیجه را جایی ثبت کنید. همین پروژه‌های کوچک کم‌کم نمونه‌کار شما می‌شوند و نشان می‌دهند واقعاً می‌توانید از هوش مصنوعی در عمل استفاده کنید.

کلاس هوش مصنوعی در سبزوار

دوره‌ی هوش مصنوعی الکترا ۱۵ جلسه و ۲۲ ساعت است و از پایتون برای هوش مصنوعی شروع می‌کند، به یادگیری ماشین و هوش مصنوعی مولد می‌رسد و با یک پروژه‌ی پایانی تمام می‌شود. کلاس حضوری و پروژه‌محور است. نوجوانان ۱۳ سال به بالا هم می‌توانند شرکت کنند. پایتون بلد نیستید؟ مشکلی نیست، چون مقدماتش در خود دوره گفته می‌شود. با ۰۹۳۰۹۱۱۸۵۵۸ تماس بگیرید تا سطحتان را رایگان بسنجیم.