دورهٔ جامع هوش مصنوعی نوجوان · حضوری

پیام را در یک شبکهٔ عصبی ساده دنبال می‌کنیم تا ورودی، نورون و خروجی را بفهمیم.

داده‌های خام را مرتب، برچسب‌گذاری و آماده می‌کنیم؛ چون مدل از مثال‌های خوب یاد می‌گیرد.

مدل‌ها را فقط با جواب‌های درست نمی‌سنجیم؛ خطا، دقت و عملکرد روی دادهٔ تازه را بررسی می‌کنیم.

با جابه‌جایی مرز تصمیم، دسته‌بندی اشیا را در یک میدان قابل‌لمس تجربه می‌کنیم.

ربات با پاداش و آزمون‌وخطا تجربه جمع می‌کند و مسیر بهتر را پیدا می‌کند.

از نور و لبه‌های تصویر شروع می‌کنیم و می‌بینیم مدل چگونه اشیا را تشخیص می‌دهد.

رابطهٔ معنایی کلمه‌ها را پیدا می‌کنیم تا بفهمیم زبان چگونه به دادهٔ قابل‌پردازش تبدیل می‌شود.

روند داده‌های گذشته را می‌خوانیم و از آن برای پیش‌بینی مقدار بعدی استفاده می‌کنیم.

ایده را به یک درخواست روشن تبدیل می‌کنیم و خروجی ساخته‌شده را با نگاه نقادانه بررسی می‌کنیم.

داده‌های نابرابر و تصمیم‌های مدل را بررسی می‌کنیم تا مفهوم عدالت در هوش مصنوعی را بفهمیم.

آموخته‌ها را در یک نقشهٔ پروژه کنار هم می‌گذاریم و ایده را به یک راه‌حل تبدیل می‌کنیم.

از میان عددها و نشانه‌ها سرنخ پیدا می‌کنیم و داستانی را که داده‌ها تعریف می‌کنند توضیح می‌دهیم.

از دادهٔ خام ویژگی‌های مفید می‌سازیم و اثر انتخاب ویژگی را روی تصمیم مدل می‌سنجیم.

لایه‌های یک شبکهٔ عمیق را می‌چینیم و نقش هر لایه را در یادگیری یک مسئلهٔ پیچیده می‌بینیم.

درخواست مبهم را به پرامپتی دقیق با هدف، زمینه و شکل پاسخ تبدیل می‌کنیم.

چند خروجی مولد را مقایسه می‌کنیم و یاد می‌گیریم نتیجه را فقط به‌خاطر ظاهرش انتخاب نکنیم.

پشت پیش‌بینی مدل را بررسی می‌کنیم تا بفهمیم به کدام نشانه‌ها بیشتر تکیه کرده است.

اثر داده‌های نابرابر را می‌بینیم و راه‌های منصفانه‌ترکردن تصمیم الگوریتمی را بررسی می‌کنیم.

خطرهای یک سامانهٔ هوشمند و راه‌های مراقبت از داده‌های حساس را شناسایی می‌کنیم.

یک هدف بزرگ را به کارهای کوچک تقسیم می‌کنیم و نقش برنامه‌ریزی و ابزارها را در عامل هوشمند می‌بینیم.

یک مسئلهٔ واقعی را از تعریف هدف تا انتخاب داده و روش، به نقشهٔ یک پروژه تبدیل می‌کنیم.