محور برنامه نویسی جشنواره نوجوان خوارزمی

🔴 مراحل یادگیری هوش مصنوعی 🔻هوش مصنوعی را می‌توان در سطوح مختلف فراگرفت. 1⃣ در سطحی‌ترین حالت صرفاً کاربر و استفاده‌کننده هوش مصنوعی هستید. 2⃣ در حالت دوم می‌توانید توسعه‌دهندۀ ساده باشید مثل کسی که قطعات LEGO را به هم وصل می‌کند اجزای مختلف یک شبکه عصبی ژرف را به هم متصل کنید تا شبکۀ جدید بسازید بی‌آنکه بدانید با چه منطقی دارید این کار را می‌کنید یا درون هر قطعه چیست. 3⃣ در حالت سوم دانش و بینش عمیقی نسبت به اجزای یک الگوریتم یادگیری ماشین یا شبکه عصبی ژرف دارید، با ریاضیات و پایه‌های الگوریتمی آن به خوبی آشنایید و علاوه بر «چیست» می‌توانید به سؤال «چرا» پاسخ دهید. ⁉️ مثلاً چرا یک لایۀ Convolutional برای تصویر بهتر از یک لایۀ Fully Connected کار می‌کند؟ ⁉️ چرا Transformerها نسبت به RNN عمل‌کرد بهتری در پردازش زبانهای طبیعی دارند؟ ⁉️ چرا در یک Transformer از اتصال Residual استفاده می‌شود؟ 🎯 اگر قصدتان حالت سوم است یعنی می‌خواهید دانش و بینش عمیقی نسبت به هوش مصنوعی داشته باشید و بتوانید آن را توسعه دهید به یک «هرم یادگیری» نیاز دارید. 🔰🔰 «حداقل» درس‌های لازم در این هرم: 🔶 در قاعده هرم، درس‌های پیش‌نیاز قرار می‌گیرند که رسیدن به سطوح بالاتر هرم نیاز به یادگیری آنها دارید. «زبان برنامه‌نویسی پایتون»، «ریاضیات عمومی» رشته‌های فنی دانشگاه در حدی که مشتق، انتگرال و گرادیان را به خوبی بشناسید، «جبرخطی» و «احتمال و آمار»، اصلی‌ترین پایه‌ها هستند. 🔶 تسلط به برنامه‌نویسی ممکن نیست مگر با فهم عمیقی از داده‌ساختارها و الگوریتمها. می‌توانید از درسهای رایگان «داده‌ساختارها و الگوریتمها» و «طراحی و تحلیل الگوریتمها» استفاده کنید. اما برای تسلط به الگوریتمها ضروریست تمرین نظری و عملی فراوانی داشته باشید. 🔶 سپس آماده گذراندن درسهای Machine Learning و Deep Learning هستید. محتوای این درسها بسته به ارائه‌کننده و سال ارائه متفاوت است. 🔶 الگوریتمهای یادگیری ماشین در طول زمان تحول چشم‌گیری داشته‌اند: روشهای کلاسیک نظیر SVM و PCA از چند دهه پیش مورد استفاده قرار می‌گرفتند ولی در دهه اخیر معماری Deep Neural Networks رشد حیرت‌انگیزی کرد و در اکثر مسائل، به خصوص زمانی که داده‌ی کافی وجود دارد، جایگزین روشهای کلاسیک شد. هر دو گروه الگوریتمها را به خوبی فرابگیرید چرا که فهم عمیق روشهای کلاسیک در هنگام یادگیری و توسعه شبکه‌های عصبی ژرف به شما کمک شایانی خواهد کرد. در بعضی از دوره‌های درسی، تمرکز اصلی روی روشهای کلاسیک است ولی دوره‌های جدیدتر روشهای ژرف را هم پوشش می‌دهد. 🔶 سپس می‌توانید به طور تخصصی وارد یکی از حوزه‌های هوش مصنوعی شوید و آن زمینه را ادامه دهید، مثلاً ممکن است بخواهید برای تولید تصویر و ویدئو دوره‌های Stable Diffusion را بگذرانید، یا برای پردازش متن به GPT مسلط شوید، یا برای طراحی دارو از Graph Neural Networks استفاده کنید. 🔴 منابع آموزشی اگر به زبان انگلیسی مسلطید از سایتهای زیر استفاده کنید: Coursera, edX, DeepLearning.ai & fast.ai 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci

📌 چکیده سخنرانی پروفسور اتکو کوزه 🔸 از آغاز فعالیت هوش مصنوعی تا قرن ۲۱، این حوزه پیشرفت‌های زیادی داشته است. امروزه، به لطف سامانه‌های مبتنی بر پیشرفت‌های هوش مصنوعی، بسیاری از مسائل با نرخ موفقیت بالا حل می‌شوند. با این حال، کاربردهای موفق هوش مصنوعی در حال حاضر، با اظهارات انتزاعی بشری تعامل دارند. 🔸 به عنوان مثال، آخرین بحث‌ها حول هوش مصنوعی مولد و اینکه هوش مصنوعی مولد نه تنها بر پیشرفت‌های فناورانه بلکه بر ارزش‌های وجودی بشریت نیز اثر گذارند. این موضوع نویدبخش پتانسیل بالای نسخه‌های پیشرفته‌تر هوش مصنوعی در آینده است. 🔸 اگرچه سطح فعلی هوش مصنوعی، هوش مصنوعی محدود نامیده می‌شود، اما مفاهیم جدیدی نیز برای تعریف نسخه‌های پیشرفته‌تر هوش مصنوعی تا دهه‌ی ۲۰۴۰ و بعد از آن وجود دارد. پس از هوش مصنوعی عمومی، که تصور می‌شود قادر به حل پیچیده‌ترین وظایف مرتبط با انسان است، مفهوم ابرهوش مصنوعی (Artificial Superintelligence) این پتانسیل را دارد که یک خطر وجودی برای بشریت باشد. امروزه بحث‌های زیادی در مورد سطح فعلی کاربردهای پیشرفته هوش مصنوعی وجود دارد. 🔸 اگرچه اینها از سطح مورد تصور برای ابرهوش مصنوعی دور هستند، اما همچنان بحث در مورد نشانه های فعلی، بسیار حیاتی است. این سخنرانی به مفهوم ابرهوش مصنوعی می‌پردازد و بحثی کلی در مورد پیشرفت‌های کنونی ارائه می‌دهد که برای کمک به ظهور ابرهوش مصنوعی در آینده مهم هستند. این سخنرانی برای دریافت ایده‌های مخاطبان باز است تا بتوان در مورد خطرات وجودی ابرهوش مصنوعی یک طوفان فکری گسترده داشت. 📱شبکه‌های اجتماعی: 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci

🔴 چکیده سخنرانی پروفسور امید فتاحی دانشگاه جیکوبز آلمان 🔖 پیشرفت‌های اخیر در زمینه هوش مصنوعی در حال شکل دادن چشم اندازهای جدیدی در شبکه‌های زنجیره تأمین، و ساخت و تولید هستند. امروزه شبکه‌های زنجیره تأمین و سیستم‌های تولیدی نیاز مبرم به یکپارچگی و چابکی دارند. چنین یکپارچگی و چابکی نیازمند آن است که عامل‌های هوشمند مربوط با تأمین کنندگان، منابع و ماشین آلاتی در زنجیره تأمین، ضمن حفظ یکپارچگی و تعامل در فرآیندهای عملیاتی و تولید (یکپارچه طولی)، در طول شبکه تأمین نیز جهت مواجه با تغییرات، با یکدیگر تعامل نمایند (یکپارچگی عرضی). این ارائه، آخرین پژوهش‌های انجام شده جهت بسط و تشریح استفاده از راه‌حل‌های مبتنی بر هوش مصنوعی در راستای برآوردن این چابکی و یکپارچگی مورد نیاز را بررسی می‌کند. این ارائه شامل سه بخش است: 🔸 استفاده از عامل‌های خودکار مبتنی بر هوش مصنوعی در مدل‌های تجاری مبتنی بر پرینت سه بعدی. چنین عامل‌هایی قابلیت کشف هوشمند هندسه‌ها و تحلیل فرایند ساخت برای برنامه‌ریزی فرایند ساخت به صورت چابک و ایجاد صورت حساب را دارا هستند 🔸 چارچوب‌های مدل انتولوژی بر پایه هوش مصنوعی که قابلیت تعامل بین MOM (مدیریت عملیات ساخت) و MES (سیستم های اجرایی ساخت) را برای دستیابی به زنجیره تأمین‌های پایدار و سازگارپذیر بوجود می‌آورند. 🔸 مدل‌های تحقیق در عملیات هوشمند که به صورت توصیفی مبتنی بر هوش مصنوعی سازگارپذیر و چابک ایجاد می‌شوند. این مدل‌ها حالت خود سازگار‌شونده دارند تا خود‌پویایی شبکه‌های تأمین را درک کرده و مدل‌های پاسخگو برای برنامه‌ریزی عملیات را ایجاد کنند. 🔗 لینک #ثبت_نام: 📎 http://mediaworkshop.philsc.sharif.ir/ 📱شبکه‌های اجتماعی: 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci

🔴 چکیده سخنرانی خانم دکتر مهدیه سلیمانی، عضو هیئت علمی دانشکده کامپیوتر دانشگاه صنعتی شریف 🔖 هوش مصنوعی مولد هوش مصنوعی با هدف حل خودکار مسائل، در دهه‌های اخیر عمده توجهش را به سمت حوزه یادگیری ماشین یا همان استفاده از داده یا نمونه برای پیدا کردن راه‌حل به صورت خودکار معطوف کرده است. به خصوص در یک دهه اخیر حوزه یادگیری ژرف که نیاز به مداخله انسانی در فرایند یادگیری مدل را کمتر می‌کند، تحولات چشمگیری را در زمینه هوش مصنوعی ایجاد کرده است. در چند سال اخیر با تکامل و پیشرفت روش‌های مولد حوزه یادگیری ژرف، فراهم آمدن توان محاسباتی بالا و داده فراوان (scaling) و در مواردی استفاده از دادگان چندوجهی (multimodal)، امکان یادگیری مدل‌های مولد ژرف بزرگ با قابلیت تولید محتواهایی نظیر تصاویر، متون و ویدئوها با کیفیت بالا فراهم شده است. قابلیت‌های شگفت انگیز مدل‌های مولد بزرگ که در دو سه سال اخیر برای تولید متون، محاوره با انسان و تولید تصاویر ارائه شده‌اند بحث‌های زیادی در مورد دستیابی به هوش مصنوعی عمومی (AGI) و رقابت جدی این مدل‌ها با انسان به میان آورده است. در حالی که تا پیش از این تصور می‌شد که هوش مصنوعی، با کارهایی که تنها مخصوص انسان‌ها تلقی می‌شوند (مانند خلاقیت و ابداع) فاصله‌ی قابل توجه و حتی طی نشدنی دارد. در این ارائه، مروری بر تحولات دهه اخیر با تمرکز بر تحولات بسیار اخیر حوزه هوش مصنوعی در زمینه مدل‌های مولد و توانمندی‌ها و محدودیت‌های این مدل‌ها خواهیم داشت. 🔗 لینک #ثبت_نام: 📎 http://mediaworkshop.philsc.sharif.ir/ 📱شبکه‌های اجتماعی: 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci

🔸🔸 چکیده سخنرانی پروفسور مارسلو میلراد، دانشگاه لنیوس، سوئد 🔖 زمینه هوش مصنوعی در آموزش، که معمولاً به عنوان AIED شناخته می شود، می تواند به عنوان استفاده از تکنیک ها و برنامه های مبتنی بر هوش مصنوعی در زمینه های آموزشی مختلف با هدف پشتیبانی از یادگیری (learning)، آموزش (teaching) و پرورش (training)  تعریف شود. در حالی که پیشرفت های اخیر در فناوری و ابزارهای هوش مصنوعی پیاده سازی  AIED را شتاب داده است، خود حوزه بیش از سه دهه وجود داشته است. در این ارائه، من یک نمای کلی از چگونگی تکامل حوزه AIED در طول 30 سال گذشته خواهم داد با هدف شناسایی حوزه های آموزشی، فناوری و برنامه های کاربردی که در مرکز این تکامل بوده اند. نتایج این تحلیل به منظور بررسی دقیق تر اولین نظرات و ملاحظات درباره اجراهای جاری و آینده هوش مصنوعی در محیط های آموزشی ارائه خواهد شد و مورد بحث قرار خواهند گرفت. علاوه بر این، چالش ها و مسائل تحقیقاتی جدیدی در این زمینه که می توانند محققان آموزشی علاقه مند به انجام مطالعات AIED را راهنمایی کنند، مورد بررسی قرار خواهد گرفت. همچنین برای روشن تر شدن برخی از این ایده ها  چند مثال از فعالیت های در حال اجرا در دانشگاه لنیوس  ارایه خواهند شد. 🔗 لینک #ثبت_نام: 📎 http://mediaworkshop.philsc.sharif.ir/ 📱شبکه‌های اجتماعی: 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci

🔖 چکیده سخنرانی هاله عسگری نیا از دانشگاه توئینته هلند: 🔸🔸 یادگیری ماشین و چالش‌های حریم خصوصی: حریم خصوصی گروه در مقابل حریم خصوصی فرد 📌 استفاده‌ از فناوری‌های مبتنی بر داده، به‌ویژه یادگیری ماشین، سؤالاتی درباره‌ی حریم خصوصی در سطح گروه، حریم خصوصی گروه، مطرح می‌کند. طرفداران حریم خصوصی گروه بر این باورند که گروه‌هایی که توسط الگوریتم‌های یادگیری ماشین، به منظور کشف الگو یا ساختار در داده‌ها، طراحی می‌شوند دارای حق حریم خصوصی هستند که به حق حریم خصوصی اعضاء گروه تقلیل پیدا نمی‌کند. براساس این دیدگاه، باید از حق حریم خصوصی گروه در ارتباط با این فناوری‌های پیشرفته حفاظت کرد تا از وقوع تبعیض علیه این گروه‌ها جلوگیری کرد و با مشکلات حریم خصوصی در سطح گروه مقابله کرد. برخلاف این دیدگاه، استدلال من این است که دلیل عملی‌ برای تشخیص و حفظ حریم خصوصی گروه وجود ندارد. تبعیض علیه اعضاء یک گروه تنها در صورتی رخ می‌دهد که حریم خصوصی افراد عضو گروه نقض شده باشد. بنابراین، حفظ حریم خصوصی افراد عضو گروه، گروهی که توسط الگوریتم‌ها طراحی می‌شود، مانع رخ‌داد تبعیض علیه آن گروه می‌شود. همچنین، برای مقابله با مشکلات حریم خصوصی که توسط این فناوری‌ها ایجاد می‌شوند، نیازی به حفظ حریم خصوصی گروه نیست چرا که این فناوری‌ها حریم خصوصی فرد را به شیوه‌ای جدید به چالش می‌کشند. در نتیجه، یادگیری ماشین چالش‌های جدیدی را برای حریم خصوصی فرد ایجاد می‌کند، به جای آن‌که مشکلاتی مربوط به حریم خصوصی گروه ایجاد کند. بر این اساس، حق حریم خصوصی فرد باید به گونه‌ای بهبود یابد که با چالش‌های جدید ایجاد شده توسط این فناوری‌ها مقابله کند و حفاظتی کارآمد برای فرد فراهم آورد. 🔗 لینک #ثبت_نام: 📎 http://mediaworkshop.philsc.sharif.ir/ 📱شبکه‌های اجتماعی: 💟 Instagram: @Frontiers_sci 💟 Twitter:  @Frontiers_sci 🆔 Telegram: @Frontiers_sci