بتل کد Battle Codeدارد باز می‌شود…

آموزش هوش مصنوعی برای نوجوانان با پایتون

هوش مصنوعی از صفر: چت‌بات، داده، نزدیک‌ترین همسایه، رگرسیون، نورون و شبکه‌ی عصبی، تشخیص عکس و رقم، مدل‌های زبانی و پرامپت، و اخلاق هوش مصنوعی؛ همه با پایتون در مرورگر.

هوش مصنوعی چیست؟

  1. جلسه‌ی 1: هوش مصنوعی چیست؟ (What Is AI?) — فرق یک برنامه‌ی معمولی (قانون‌هایش را آدم می‌نویسد) با برنامه‌ای که از مثال‌ها یاد می‌گیرد؛ و هوش مصنوعی‌هایی که هر…
  2. جلسه‌ی 2: چت‌بات قانونی (Rule-Based Chatbot) — یک چت‌بات با if و in می‌سازی که به کلمه‌های کلیدی جواب می‌دهد، و می‌فهمی چرا این هنوز هوش نیست.
  3. جلسه‌ی 3: داده، سوخت هوش مصنوعی (Data, the Fuel of AI) — هوش مصنوعی بدون داده هیچ است. با لیست و دیکشنری داده‌ها را نگه می‌داری و با شمارش، میانگین و بیشینه از آن‌ها چیز…
  4. جلسه‌ی 4: پروژه: ربات پاسخ‌گوی مدرسه (Project: School Helper Bot) — یک ربات پاسخ‌گو برای مدرسه می‌سازی: دیکشنری کلمه‌ی کلیدی → جواب، که در چهار قدم بزرگ‌تر و باهوش‌تر می‌شود.

یادگیری از داده

  1. جلسه‌ی 5: یادگیری با مثال (Learning from Examples) — بازی «حیوان را حدس بزن» می‌سازی که وقتی می‌بازد، حیوان تازه و سؤال تازه را یاد می‌گیرد و دفعه‌ی بعد بهتر حدس می‌زند.
  2. جلسه‌ی 6: نزدیک‌ترین همسایه (Nearest Neighbour) — اولین الگوریتم واقعی یادگیری ماشین: k-NN. میوه‌ی ناشناس همان میوه‌ای است که نزدیک‌ترین مثال‌ها به آن هستند.
  3. جلسه‌ی 7: خط را پیدا کن (Find the Line) — رگرسیون خطی ساده: یک خط y = a*x + b که از بین نقطه‌ها رد می‌شود، و قدم به قدم خطا را کم می‌کنی تا بهترین خط پیدا شود.
  4. جلسه‌ی 8: پروژه: پیش‌بینی نمره (Project: Grade Predictor) — یک پیش‌بینی‌کننده‌ی نمره می‌سازی: از داده‌ی ساعت‌های درس و نمره، بهترین خط را یاد می‌گیرد، نمره‌ی تازه را پیش‌بینی…

نورون و تصویر

  1. جلسه‌ی 9: شبکه‌ی عصبی با دست (A Neural Network by Hand) — یک نورون مصنوعی سه کار می‌کند: ضرب در وزن‌ها، جمع، و مقایسه با آستانه. با وزن‌های درست، یک نورون می‌تواند AND را حساب…
  2. جلسه‌ی 10: آموزش یعنی اصلاح اشتباه (Training Means Fixing Mistakes) — نورون خودش وزن‌هایش را یاد می‌گیرد: هر بار که اشتباه کرد، وزن‌ها را کمی در جهت درست تغییر می‌دهد. خطا را با Turtle…
  3. جلسه‌ی 11: تشخیص عکس (Seeing Pictures) — عکس برای کامپیوتر یک جدول عدد است. با جمع سطرها و ستون‌ها در یک شبکه‌ی ۵×۵ تشخیص می‌دهی خط عمودی است یا افقی.
  4. جلسه‌ی 12: پروژه: تشخیص رقم کوچک (Project: Tiny Digit Recogniser) — یک تشخیص‌دهنده‌ی رقم دست‌نویس می‌سازی: رقم‌های ۰ و ۱ روی شبکه‌ی ۷×۷، با k-NN و فاصله‌ی پیکسلی، و دقتش را می‌سنجی.

مدل زبانی و اخلاق

  1. جلسه‌ی 13: مدل‌های زبانی و پرامپت (Language Models and Prompts) — ChatGPT و Claude چطور کار می‌کنند (پیش‌بینی کلمه‌ی بعدی) و چطور از آن‌ها خوب سؤال بپرسی: نقش بده، مثال بده، قدم به قدم…
  2. جلسه‌ی 14: وقتی هوش مصنوعی اشتباه می‌کند (When AI Gets It Wrong) — توهم (جواب ساختگی با اعتمادبه‌نفس)، سوگیری داده، و این‌که چطور جواب هوش مصنوعی را بررسی کنی.
  3. جلسه‌ی 15: اخلاق و آینده (Ethics and the Future) — حریم خصوصی، حق مؤلف، تقلب در مدرسه و شغل‌های آینده: هوش مصنوعی را درست و منصفانه به کار بگیر.
  4. جلسه‌ی 16: پروژه‌ی نهایی و ارائه (Final Project and Presentation) — همه‌ی چیزهایی که یاد گرفتی را در یک «دستیار هوشمند» جمع می‌کنی: چت‌بات، تشخیص با k-NN، پیش‌بینی با خط، و گزارش دقت؛…

داده‌ی واقعی

  1. جلسه‌ی 17: داده‌ی واقعی: جدول (Real Data: Tables) — داده‌ی واقعی مثل جدول است: هر سطر یک نفر، هر ستون یک ویژگی. با متن CSV و ماژول csv جدول را وارد پایتون می‌کنیم.
  2. جلسه‌ی 18: تمیز کردن داده (Cleaning the Data) — داده‌ی واقعی کثیف است: جای خالی، مقدار غلط، سطر تکراری. قبل از هر مدلی باید تمیزش کنیم، وگرنه مدل هم اشتباه یاد می‌گیرد.
  3. جلسه‌ی 19: آمار که مدل می‌سازد (Statistics that Build Models) — میانگین، میانه و پراکندگی سه عددی هستند که یک ستون کامل را خلاصه می‌کنند؛ مدل‌های یادگیری ماشین از همین خلاصه‌ها ساخته…
  4. جلسه‌ی 20: پروژه: کارنامه‌ی کلاس (Project: Class Report Card) — یک جدول نمره‌ی کثیف را می‌خوانیم، تمیز می‌کنیم، برای هر درس آمار می‌گیریم و کارنامه‌ی کلاس را چاپ می‌کنیم.

دسته‌بندی

  1. جلسه‌ی 21: ویژگی و برچسب (Features and Labels) — در یادگیری ماشین هر مثال دو بخش دارد: ویژگی‌ها (X) که مدل می‌بیند و برچسب (y) که باید حدس بزند. چند ویژگی با هم بهتر…
  2. جلسه‌ی 22: k-NN با چند ویژگی (k-NN with Several Features) — نزدیک‌ترین همسایه را با چند ویژگی پیدا می‌کنیم: فاصله در چند بُعد، رأی‌گیری بین k همسایه، و انتخاب k خوب.
  3. جلسه‌ی 23: آموزش / آزمون (Train and Test) — نمره‌ای که روی سؤال‌های دیده‌شده می‌گیری دروغ می‌گوید. داده را به دو بخش آموزش و آزمون تقسیم می‌کنیم و دقت واقعی را…
  4. جلسه‌ی 24: پروژه: تشخیص هرز (Project: Spam Detector) — پیام‌های کوتاه را با شمردن کلمه‌ها به عدد تبدیل می‌کنیم و با k-NN تشخیص می‌دهیم کدام هرز (spam) است.

یادگیری قدم‌به‌قدم

  1. جلسه‌ی 25: رگرسیون با دو ویژگی (Regression with Two Features) — به جای یک وزن، دو وزن و یک بایاس داریم. با «کمی به سمت درست حرکت کن» (گرادیان کاهشی) وزن‌ها را خودِ کامپیوتر پیدا…
  2. جلسه‌ی 26: نرخ یادگیری (The Learning Rate) — اندازه‌ی قدم مهم است: خیلی کوچک یعنی خیلی کند، خیلی بزرگ یعنی پرش و انفجار. منحنی خطا را می‌کشیم تا نرخ درست را پیدا…
  3. جلسه‌ی 27: نورون سیگموید (The Sigmoid Neuron) — نورون آستانه‌ای فقط «بله / نه» می‌گفت. با تابع سیگموید نورون یک احتمال بین ۰ و ۱ می‌دهد و می‌تواند با گرادیان کاهشی…
  4. جلسه‌ی 28: پروژه: پیش‌بینی قیمت (Project: Price Predictor) — یک جدول واقعی‌تر از خانه‌ها را می‌خوانیم، ویژگی‌ها را نرمال می‌کنیم، مدل خطی را با گرادیان کاهشی آموزش می‌دهیم و قیمت…

شبکه‌ی عصبی

  1. جلسه‌ی 29: دو لایه می‌شود شبکه (Two Layers Make a Network) — یک نورون فقط می‌تواند با یک خط راست جدا کند، پس XOR از دستش برنمی‌آید. چند نورون در دو لایه این مشکل را حل می‌کنند:…
  2. جلسه‌ی 30: شبکه‌ی XOR با دست (XOR Network by Hand) — شبکه‌ی دو لایه را خودش آموزش می‌دهیم: خطا از خروجی به عقب، به لایه‌ی پنهان می‌رود (پس‌انتشار) و همه‌ی وزن‌ها کمی تصحیح…
  3. جلسه‌ی 31: رقم‌های ۰ تا ۹ (Digits 0 to 9) — یک تصویر برای کامپیوتر یعنی جدول عدد. رقم‌های دست‌نویس را به شکل شبکه‌ی ۸×۸ از صفر و یک می‌نویسیم و برای ده کلاس، ده…
  4. جلسه‌ی 32: پروژه: شناسای رقم (Project: Digit Recogniser) — با مجموعه‌ای از رقم‌های ۸×۸ (چند نمونه از هر رقم) یک شناسای رقم با k-NN می‌سازیم و دقتش را روی تصویرهای آزمون بالای…

متن و زبان

  1. جلسه‌ی 33: متن برای کامپیوتر (Text for the Computer) — کامپیوتر متن را نمی‌فهمد، عدد می‌فهمد. متن را به توکن‌ها می‌شکنیم، واژه‌نامه می‌سازیم و هر جمله را به «کیسه‌ی کلمات»…
  2. جلسه‌ی 34: احساس مثبت یا منفی (Positive or Negative?) — تحلیل احساس: به هر کلمه یک وزن مثبت یا منفی می‌دهیم، جمع می‌زنیم و تصمیم می‌گیریم. بعد می‌گذاریم وزن‌ها از مثال‌ها یاد…
  3. جلسه‌ی 35: پیش‌بینی کلمه‌ی بعدی (Predicting the Next Word) — یک مدل زبانی کوچک می‌سازیم: برای هر کلمه یاد می‌گیریم چه کلمه‌هایی بعدش می‌آیند (زنجیره‌ی مارکوف) و با آن متن تولید…
  4. جلسه‌ی 36: پروژه: شاعر کوچک (Project: Little Poet) — با زنجیره‌ی مارکوف روی چند بیت ساده، شاعر کوچکی می‌سازیم که شعر تولید می‌کند، تعداد هجاهای هر خط را کنترل می‌کند و…

جست‌وجو و مدل‌های بزرگ

  1. جلسه‌ی 37: پیشنهادگر (The Recommender) — «کسانی که این را دوست داشتند، آن را هم دوست داشتند»: با شباهت بین آدم‌ها، فیلم یا بازی پیشنهاد می‌دهیم؛ همان ایده‌ی…
  2. جلسه‌ی 38: بازی و جست‌وجو (Games and Search) — هوش بدون یادگیری: کامپیوتر دوز (tic-tac-toe) را با نگاه کردن به همه‌ی آینده‌های ممکن می‌بَرد. الگوریتم مینی‌ماکس.
  3. جلسه‌ی 39: مدل‌های بزرگ: پشت صحنه (Big Models: Behind the Scenes) — ChatGPT، Claude و DeepSeek چطور کار می‌کنند: توکن، دما، پیام سیستم، چرا اشتباه می‌کنند و چطور درست ازشان استفاده کنیم.…
  4. جلسه‌ی 40: ارائه‌ی نهایی (Final Presentation) — پروژه‌ی پایانی را جمع‌بندی می‌کنیم: گزارش دقت و محدودیت‌ها را با کد می‌سازیم، نتیجه را به زبان ساده توضیح می‌دهیم و به…

ماتریس و شبکه‌ی چندلایه

  1. جلسه‌ی 41: numpy: ماتریس به جای حلقه ۱ (numpy: Arrays Instead of Loops 1) — کتابخانه‌ی numpy را نصب می‌کنیم و یاد می‌گیریم با یک خط روی همه‌ی عددهای یک لیست حساب کنیم: آرایه، عمل‌های…
  2. جلسه‌ی 42: numpy: ماتریس به جای حلقه ۲ (numpy: Arrays Instead of Loops 2) — ضرب داخلی همان جمع وزن‌دار یک نورون است و ضرب ماتریسی یعنی چند نورون روی چند مثال با هم. شبکه‌ی XOR جلسه‌های ۲۹ و ۳۰…
  3. جلسه‌ی 43: شبکه‌ی چندلایه با numpy ۱ (A Multi-Layer Network with numpy 1) — لایه‌ی پنهان را به شکل ماتریس می‌سازیم، می‌بینیم چرا بدون تابع غیرخطی دو لایه فقط یک لایه است، با ReLU آشنا می‌شویم،…
  4. جلسه‌ی 44: شبکه‌ی چندلایه با numpy ۲ (A Multi-Layer Network with numpy 2) — شبکه را برای چند دسته آماده می‌کنیم: softmax امتیازها را احتمال می‌کند، one-hot جواب درست را می‌نویسد، cross-entropy…

داده‌ی بزرگ‌تر

  1. جلسه‌ی 45: داده‌ی بزرگ‌تر ۱ (Bigger Data 1) — از ۳۰ نقطه به ۲۰۰ رقم دست‌نویس ۵×۵ می‌رسیم. داده را مشترک می‌سازیم، رقم را با # و . می‌کشیم و یاد می‌گیریم با دسته‌های…
  2. جلسه‌ی 46: داده‌ی بزرگ‌تر ۲ (Bigger Data 2) — منحنی یادگیری می‌کشیم: خطا و دقت آموزش و آزمون را در هر دوره ثبت می‌کنیم، با # و با turtle رسمشان می‌کنیم، نرخ یادگیری…
  3. جلسه‌ی 47: پروژه: شناسای کامل رقم (Project: Full Digit Recogniser) — همه‌ی تکه‌های جلسه‌های ۴۱ تا ۴۶ را در یک برنامه کنار هم می‌گذاریم: داده‌ی رقم‌ها، شبکه‌ی ۲۵-۱۶-۱۰ با ReLU و softmax،…
  4. جلسه‌ی 48: بیش‌برازش و تعمیم ۱ (Overfitting and Generalisation 1) — حفظ کردن با یاد گرفتن فرق دارد. یک «مدل جدول» که هر تصویر را عیناً حفظ می‌کند، k-NN با k کوچک و بزرگ، و یک شبکه‌ی بزرگ…

تعمیم و درخت تصمیم

  1. جلسه‌ی 49: بیش‌برازش و تعمیم ۲ (Overfitting and Generalisation 2) — داده را سه کپه می‌کنیم: آموزش، اعتبارسنجی و آزمون. اندازه‌ی لایه‌ی پنهان و تعداد دوره‌ها را با کپه‌ی اعتبارسنجی انتخاب…
  2. جلسه‌ی 50: درخت تصمیم ۱ (Decision Tree 1) — به جای این‌که قانون «اگر... آن‌وقت...» را خودمان بنویسیم، کامپیوتر بهترین سؤال را پیدا می‌کند. ناخالصی جینی یک گروه را…
  3. جلسه‌ی 51: درخت تصمیم ۲ (Decision Tree 2) — کُنده را بازگشتی می‌کنیم: هر طرفِ سؤال خودش یک درخت کوچک است. درخت را به شکل دیکشنری تودرتو می‌سازیم، با پایین رفتن از…
  4. جلسه‌ی 52: پروژه: مشاور رشته (Project: Study-Field Advisor) — با یک پرسش‌نامه‌ی ساختگی از ۲۸ دانش‌آموز (نمره‌ها و علاقه‌ها و رشته‌ای که انتخاب کردند) یک درخت تصمیم می‌سازیم که برای…

تصویر و بردار کلمه

  1. جلسه‌ی 53: کانولوشن با دست ۱ (Convolution by Hand 1) — تصویر را صاف نمی‌کنیم و دوبعدی نگه می‌داریم. یک پنجره‌ی ۳×۳ (فیلتر) را روی تصویر می‌لغزانیم و در هر جا یک سؤال…
  2. جلسه‌ی 54: کانولوشن با دست ۲ (Convolution by Hand 2) — از یک فیلتر به یک شبکه‌ی کانولوشنی کوچک: فیلتر افقی و عمودی، ReLU روی نقشه‌ی ویژگی، max-pooling، چند فیلتر با هم و…
  3. جلسه‌ی 55: تعبیه‌ی کلمه ۱ (Word Embeddings 1) — در کیسه‌ی کلمات «گربه» و «بچه‌گربه» به اندازه‌ی «گربه» و «ماشین» با هم فرق دارند. امروز هر کلمه را یک بردار کوچک…
  4. جلسه‌ی 56: تعبیه‌ی کلمه ۲ (Word Embeddings 2) — با بردار کلمه‌ها می‌شود حساب کرد: king − man + woman ≈ queen. قیاس‌های دیگر، بردار جمله با میانگین گرفتن، شباهت دو…

توجه و پاداش

  1. جلسه‌ی 57: توجه (attention) با مثال ساده (Attention with a Simple Example) — در جمله‌ی «the cat drank the milk because it was thirsty» کلمه‌ی it به چه کسی اشاره می‌کند؟ با query، key و value کوچک…
  2. جلسه‌ی 58: پروژه: ربات پرسش‌وپاسخ درسی (Project: Lesson Q&A Bot) — یک ربات کوچک می‌سازیم که به پرسش‌ها درباره‌ی درس‌های همین دوره جواب می‌دهد: پاراگراف‌های درس را به بردار تبدیل می‌کند،…
  3. جلسه‌ی 59: یادگیری تقویتی ۱ (Reinforcement Learning 1) — به جای جواب درست، پاداش! یک ماز کوچک با متن می‌سازیم، با turtle می‌کشیمش و عاملی را در آن راه می‌اندازیم که با قدم زدن…
  4. جلسه‌ی 60: یادگیری تقویتی ۲ (Reinforcement Learning 2) — عامل ماز خودش یاد می‌گیرد: یک جدول Q از حدس‌ها می‌سازیم، با قانون Q-learning بعد از هر قدم حدس را درست‌تر می‌کنیم، بین…

عامل و پورتفولیو

  1. جلسه‌ی 61: پروژه: عامل بازی (Project: Game Agent) — پروژه‌ی شش‌قدمی: عاملی که بازی چوب‌کبریت (Nim) را فقط با برد و باخت یاد می‌گیرد و آخر کار راه بردی را پیدا می‌کند که…
  2. جلسه‌ی 62: پرامپت‌نویسی پیشرفته ۱ (Advanced Prompting 1) — چهار ترفند حرفه‌ای پرامپت: فکر قدم به قدم، چند مثال حل‌شده، نقش و زمینه و قالب و محدودیت، و بهتر کردن پرامپت در چند…
  3. جلسه‌ی 63: پرامپت‌نویسی پیشرفته ۲ (Advanced Prompting 2) — جواب هوش مصنوعی را داوری می‌کنیم: با یک معیار نمره (روبریک)، حساب ادعاهای ریاضی با پایتون، بررسی منبع‌ها در برابر…
  4. جلسه‌ی 64: ارائه و پورتفولیو (Presentation and Portfolio) — بهترین پروژه‌ی این فاز را مثل حرفه‌ای‌ها معرفی می‌کنیم: برنامه‌ای که «کارت مدل» می‌سازد، با داده، دقت کل و دقت هر…

مدل از بیرون

  1. جلسه‌ی 65: مدل زبانی از بیرون (A Language Model from the Outside) — مدل‌های بزرگ روی سرور شرکت‌ها زندگی می‌کنند و برنامه‌ی ما از راه API با آن‌ها حرف می‌زند: یک درخواست JSON می‌فرستد و…
  2. جلسه‌ی 66: کلید رایگان روی کامپیوتر خودت (A Free Key on Your Own Computer) — راهنمای قدم‌به‌قدم: با اجازه‌ی خانواده یک کلید رایگان DeepSeek بگیر، آن را در متغیر محیطی نگه دار و یک برنامه‌ی کوتاه…
  3. جلسه‌ی 67: پرامپت سیستم و نقش (System Prompt and Role) — سه نقش در هر گفت‌وگو: system، user و assistant. پرامپت سیستم شخصیت و قانون‌های مدل را می‌سازد، اما قفل نیست. مدل حافظه…
  4. جلسه‌ی 68: خروجی ساخت‌یافته (Structured Output) — برنامه نمی‌تواند با جمله‌ی آزاد کار کند؛ از مدل JSON می‌خواهیم، با json.loads بازش می‌کنیم و برای جواب خراب آماده‌ایم:…

ابزار و RAG

  1. جلسه‌ی 69: ابزار دادن به مدل (Giving the Model Tools) — مدل حساب دقیق، هوای امروز یا برنامه‌ی کلاس تو را نمی‌داند. به او ابزار می‌دهیم: تابع‌های پایتون خودمان. مدل فقط…
  2. جلسه‌ی 70: پروژه: دستیار درس (Project: Study Assistant) — یک دستیار درس با دو ابزار می‌سازیم: ماشین‌حساب امن (بدون eval) و جست‌وجو در جزوه‌ی درس. مدل شبیه‌سازی‌شده ابزار را…
  3. جلسه‌ی 71: RAG کوچک (۱): تکه‌ی درست را پیدا کن (Small RAG (1): Find the Right Piece) — مدل کتاب درسی تو را نخوانده و کل کتاب هم در یک پرامپت جا نمی‌شود. RAG یعنی اول تکه‌ی مربوط را پیدا کن، بعد فقط همان را…
  4. جلسه‌ی 72: RAG کوچک (۲): از روی جزوه جواب بده (Small RAG (2): Answer from the Notes) — نیمه‌ی دوم RAG: بهترین تکه را با مرز روشن در پرامپت می‌گذاریم، از مدل می‌خواهیم فقط از روی آن جواب دهد، منبع را نشان…

عامل و امنیت

  1. جلسه‌ی 73: عامل: فکر، عمل، مشاهده (Agents: Think, Act, Observe) — بعضی کارها چند قدم دارند و هر قدم به نتیجه‌ی قدم قبل بستگی دارد. عامل (agent) یعنی مدل در یک حلقه: فکر می‌کند، یک…
  2. جلسه‌ی 74: عامل چندابزاره (A Multi-Tool Agent) — عامل با چند ابزار باید آن‌ها را به ترتیب درست به کار ببرد و امن بایستد. نقشه را قبل از اجرا بررسی می‌کنیم، نتیجه‌ی هر…
  3. جلسه‌ی 75: تزریق پرامپت و امنیت هوش مصنوعی (Prompt Injection and AI Security) — متنی که از بیرون می‌آید (صفحه‌ی وب، ایمیل، نظر کاربر، نتیجه‌ی ابزار) ممکن است به مدل دستور بدهد: «دستورهای قبلی را…
  4. جلسه‌ی 76: ارزیابی مدل (Evaluating a Model) — «به نظرم خوب کار می‌کند» ارزیابی نیست. یک مجموعه‌ی آزمون می‌سازیم، جواب‌ها را عادلانه نمره می‌دهیم (یکسان‌سازی، کلمه‌ی…

پروژه‌ی آزاد

  1. جلسه‌ی 77: پروژه‌ی آزاد با مربی (۱): نقشه (Open Project (1): Plan) — سه جلسه‌ی آخر پروژه‌ی خودت است، با مربی. یکی از سه مسیر را انتخاب کن: الف ربات درس‌خوان (RAG و ابزار)، ب دسته‌بند…
  2. جلسه‌ی 78: پروژه‌ی آزاد با مربی (۲): ساختن (Open Project (2): Build) — جلسه‌ی ساختن. هر مسیر دو قدم دارد: الف هسته‌ی RAG ربات و مسیریابی ابزار، ب دسته‌بند میانگین دسته‌ها و k-NN، پ میانگین…
  3. جلسه‌ی 79: پروژه‌ی آزاد با مربی (۳): آزمودن (Open Project (3): Test) — جلسه‌ی آزمودن. پروژه را با آزمون پنهانی که جلسه‌ی ۷۷ کنار گذاشتی می‌سنجی: الف نمره‌ی ربات و حمله‌ی آزمایشی به آن، ب…
  4. جلسه‌ی 80: ارائه و گواهی نهایی (Final Presentation and Certificate) — پایان دوره‌ی هوش مصنوعی. گزارش پروژه را با کد و از روی عددهای واقعی می‌سازی: داده و دقت، محدودیت‌ها، چک‌لیست اخلاق؛…

بیشتر بخوان