You are not allowed to perform this action

آشنایی با هوش مصنوعی مولد

مدرس: دکتر مریم رمضانی دوره: هوش مصنوعی
زمان ارائه: TBD گواهی‌نامه: رسمی

هدف کلی

هدف این بخش، شناخت قابلیت‌ها، کاربردها و نحوه کارکرد هوش مصنوعی مولد (GenAI) در تولید متن، تصویر، صدا و سایر محتواها است. فراگیران با تفاوت‌های این ابزارها با هوش مصنوعی کلاسیک آشنا شده و یاد می‌گیرند که چگونه در کارهای روزمره و حرفه‌ای از آن‌ها کمک بگیرند. همچنین، محدودیت‌های این فناوری مانند خطاها و توهم مدل‌ها بررسی می‌شود تا فراگیران با دیدی انتقادی و آگاهانه از آن‌ها استفاده کنند

سرفصل‌ها

  1. هوش مصنوعی مولد چیست؟
    • تعریف GenAI به زبان ساده
    • تفاوت GenAI با هوش مصنوعی سنتی
    • هوش مصنوعی مولد چه چیزهایی تولید می‌کند؟
    • تولید متن، تصویر، صدا، ویدئو و کد
    • چرا GenAI این‌قدر سریع فراگیر شد؟
  2. کاربردهای هوش مصنوعی در زندگی روزمره
    • استفاده در جست‌وجو و موتورهای پیشنهاددهنده
    • کاربرد در شبکه‌های اجتماعی و تولید محتوا
    • استفاده در پیام‌رسان‌ها، گوشی‌های هوشمند و دستیارهای صوتی
    • نقش هوش مصنوعی در تغییر مهارت‌های شغلی
  3. محدودیت‌ها و ریسک‌های هوش مصنوعی
    • خطاهای رایج در خروجی مدل‌ها
    • توهم یا hallucination در مدل‌های مولد
    • وابستگی به داده و کیفیت داده
    • سوگیری و نابرابری در نتایج
    • حفظ حریم خصوصی و امنیت اطلاعات
    • نیاز به بررسی انسانی و اعتماد نکردن کامل به خروجی
    • مرز بین کمک گرفتن و وابستگی به هوش مصنوعی
  4. آینده هوش مصنوعی و تأثیر آن بر زندگی ما
    • هوش مصنوعی چه چیزهایی را تغییر می‌دهد؟
    • تأثیر AI بر شغل‌ها و مهارت‌ها
    • چرا یادگیری کار با AI مهم است؟
    • نقش انسان در کنار ماشین‌های هوشمند
    • مهارت‌هایی که در عصر AI مهم‌تر می‌شوند

ارزیابی

  • آزمون‌های چند گزینه‌ای در پایان هربخش
  • آزمون پایانی

منابع

  1. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  2. A. Ng. Machine Learning Yearning. 2018.
  3. T. Mitchell. Machine Learning. MIT Press, 1998.
  4. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  5. T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.
  6. Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, Book in preparation for MIT Press, 2016.
  7. Michael Nielsen, Neural networks and deep learning, Preprint, 2016.