دوره پیشرفته هوش مصنوعی کودکان

سرفصل‌های دوره پیشرفته هوش مصنوعی

سرفصل‌های دوره به‌صورت مرحله‌ای تنظیم شده‌اند تا هنرجو بدون سردرگمی از مبانی برنامه‌نویسی به سمت ساخت پروژه‌های هوش مصنوعی حرکت کند.

ترتیب آموزش ممکن است با توجه به سطح کلاس و سرعت پیشرفت هنرجویان تغییر کند، اما تمام مهارت‌های اصلی مسیر پوشش داده خواهند شد.

بخش اول: آشنایی با مفاهیم پایه هوش مصنوعی

در این بخش، هنرجویان با تعریف هوش مصنوعی، نحوه عملکرد سیستم‌های هوشمند و تفاوت آن با برنامه‌های معمولی آشنا می‌شوند.

این مباحث پایه‌ای کمک می‌کنند نوجوانان پیش از شروع برنامه‌نویسی، تصویر روشنی از مسیر ساخت یک مدل هوش مصنوعی داشته باشند.

• هوش مصنوعی چیست؟
• تاریخچه کوتاه هوش مصنوعی
• کاربردهای هوش مصنوعی در زندگی روزمره
• تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• آشنایی با مفهوم الگوریتم
• آشنایی با داده و نقش آن در هوش مصنوعی
• آشنایی با مدل‌های هوشمند
• آشنایی با روش‌های مختلف یادگیری ماشین
• محدودیت‌ها و خطاهای سیستم‌های هوش مصنوعی
• استفاده اخلاقی و مسئولانه از هوش مصنوعی

بخش دوم: آموزش مقدماتی برنامه‌نویسی پایتون

پایتون یکی از پرکاربردترین زبان‌های برنامه‌نویسی در حوزه هوش مصنوعی و علوم داده است. سادگی ساختار آن باعث شده است نوجوانان نیز بتوانند به‌صورت اصولی برنامه‌نویسی را با آن آغاز کنند.

در این بخش، مفاهیم برنامه‌نویسی با تمرین‌های کوتاه و پروژه‌های جذاب آموزش داده می‌شوند تا هنرجو فقط دستورات را حفظ نکند و کاربرد هر مفهوم را در عمل ببیند.

• آشنایی با مفهوم برنامه‌نویسی
• آشنایی با زبان برنامه‌نویسی پایتون
• اجرای اولین برنامه پایتون
• آشنایی با محیط‌های آنلاین برنامه‌نویسی
• کار با Google Colab
• آشنایی با Jupyter Notebook
• آشنایی با انواع داده مانند عدد، رشته و مقدار منطقی
• تعریف و استفاده از متغیرها
• دریافت ورودی از کاربر
• نمایش خروجی برنامه
• انجام محاسبات در پایتون
• کار با رشته‌های متنی
• کار با لیست‌ها
• کار با تاپل‌ها
• کار با مجموعه‌ها
• کار با دیکشنری‌ها
• آشنایی با شرط‌های if، elif و else
• آشنایی با حلقه‌های for و while
• کنترل اجرای حلقه‌ها
• آشنایی با مفهوم تابع
• تعریف و فراخوانی تابع
• دریافت ورودی و بازگرداندن خروجی در توابع
• آشنایی با خطاهای برنامه‌نویسی
• یادگیری روش‌های ساده خطایابی
• انجام پروژه‌های مقدماتی پایتون

بخش سوم: نصب و راه‌اندازی محیط برنامه‌نویسی

هنرجویان برای اجرای پروژه‌های حرفه‌ای‌تر باید با محیط‌های استاندارد برنامه‌نویسی آشنا شوند. در این بخش، ابزارهای لازم به‌صورت مرحله‌ای نصب و تنظیم می‌شوند.

مدرس نحوه ایجاد فایل، اجرای کد، نصب کتابخانه‌ها و مدیریت پروژه را آموزش می‌دهد تا هنرجو بتواند خارج از کلاس نیز تمرین‌های خود را ادامه دهد.

• آشنایی با Visual Studio Code
• نصب و راه‌اندازی VS Code
• نصب پایتون روی سیستم
• تنظیم افزونه‌های موردنیاز
• ایجاد و اجرای فایل پایتون
• استفاده از ترمینال
• نصب Jupyter در VS Code
• اجرای Notebook در VS Code
• آشنایی با محیط Google Colab
• نصب کتابخانه‌ها با pip
• آشنایی مقدماتی با محیط مجازی
• مدیریت فایل‌ها و پوشه‌های پروژه
• ذخیره و بازیابی پروژه‌ها

بخش چهارم: کتابخانه‌ها و ماژول‌های پایتون

بخش مهمی از قدرت پایتون به کتابخانه‌های متنوع آن مربوط می‌شود. کتابخانه‌ها به برنامه‌نویس کمک می‌کنند بدون نوشتن تمام کدها از ابتدا، قابلیت‌های پیشرفته‌تری به برنامه اضافه کند.

هنرجویان در این قسمت یاد می‌گیرند چگونه کتابخانه مناسب را پیدا کنند، مستندات آن را بخوانند و از ماژول‌های مختلف در پروژه‌های خود استفاده کنند.

• مفهوم کتابخانه در برنامه‌نویسی
• مفهوم ماژول در پایتون
• واردکردن کتابخانه با import
• نصب کتابخانه‌های موردنیاز
• جست‌وجو و یافتن کتابخانه مناسب
• خواندن نمونه کدها و مستندات
• استفاده از ماژول‌های داخلی پایتون
• ساخت ماژول ساده
• ترکیب چند کتابخانه در یک پروژه
• مدیریت خطاهای مربوط به کتابخانه‌ها

بخش پنجم: آموزش یادگیری ماشین

یادگیری ماشین روشی است که در آن سیستم با بررسی داده‌ها، الگوها را پیدا می‌کند و بر اساس آن‌ها پیش‌بینی یا تصمیم‌گیری انجام می‌دهد.

در این بخش، مفاهیم اصلی یادگیری ماشین ابتدا با مثال‌های ساده توضیح داده می‌شوند و سپس هنرجویان آن‌ها را با کدنویسی و پروژه عملی اجرا می‌کنند.

• یادگیری ماشین چیست؟
• تفاوت برنامه‌نویسی معمولی و یادگیری ماشین
• آشنایی با یادگیری نظارت‌شده
• آشنایی با یادگیری بدون نظارت
• آشنایی مقدماتی با یادگیری تقویتی
• مفهوم ویژگی و برچسب
• تقسیم داده به بخش آموزش و آزمایش
• آموزش یک مدل
• آزمایش عملکرد مدل
• بررسی میزان دقت
• شناسایی خطاهای مدل
• مفهوم بیش‌برازش و کم‌برازش
• بهبود ساده عملکرد مدل
• ذخیره و استفاده مجدد از مدل

بخش ششم: رگرسیون و پیش‌بینی

رگرسیون یکی از روش‌های مهم یادگیری ماشین برای پیش‌بینی مقادیر عددی است. برای مثال، می‌توان از آن برای پیش‌بینی تقریبی قیمت، امتیاز، میزان مصرف یا یک مقدار قابل‌اندازه‌گیری استفاده کرد.

هنرجویان با اجرای یک پروژه ساده می‌آموزند چگونه داده‌ها را آماده کنند، مدل رگرسیون بسازند و نتیجه پیش‌بینی را بررسی کنند.

• مفهوم رگرسیون
• آشنایی با رگرسیون خطی
• انتخاب داده‌های مناسب
• آماده‌سازی ورودی و خروجی
• آموزش مدل رگرسیون
• پیش‌بینی با داده‌های جدید
• بررسی خطای مدل
• نمایش نتایج روی نمودار
• اجرای پروژه عملی رگرسیون

بخش هفتم: طبقه‌بندی داده‌ها

در روش طبقه‌بندی، مدل تلاش می‌کند داده‌ها را در گروه‌های مشخص قرار دهد. تشخیص نوع تصویر، دسته‌بندی پیام‌ها یا شناسایی یک الگو از نمونه‌های کاربردی طبقه‌بندی هستند.

هنرجویان در این بخش با چند مدل ساده آشنا می‌شوند و یک پروژه طبقه‌بندی را از مرحله آماده‌سازی داده تا ارزیابی نتیجه اجرا می‌کنند.

• مفهوم طبقه‌بندی
• تفاوت رگرسیون و طبقه‌بندی
• طبقه‌بندی دودویی
• طبقه‌بندی چندکلاسه
• آماده‌سازی داده‌ها
• آموزش مدل طبقه‌بندی
• آزمایش مدل
• بررسی دقت
• آشنایی مقدماتی با ماتریس خطا
• اجرای پروژه عملی طبقه‌بندی

بخش هشتم: خوشه‌بندی داده‌ها

خوشه‌بندی به سیستم کمک می‌کند داده‌های شبیه به یکدیگر را بدون داشتن برچسب قبلی پیدا و گروه‌بندی کند.

این روش در تحلیل رفتار کاربران، دسته‌بندی اطلاعات و کشف الگوهای پنهان کاربرد دارد و به هنرجو کمک می‌کند تفاوت یادگیری نظارت‌شده و بدون نظارت را بهتر درک کند.

• مفهوم خوشه‌بندی
• آشنایی با داده‌های بدون برچسب
• آشنایی با الگوریتم K-Means
• انتخاب تعداد خوشه‌ها
• اجرای الگوریتم خوشه‌بندی
• مشاهده و تحلیل نتایج
• نمایش خوشه‌ها با نمودار
• اجرای پروژه عملی خوشه‌بندی

بخش نهم: ساخت و آماده‌سازی دیتاست

کیفیت داده‌ها تأثیر زیادی بر عملکرد یک مدل هوش مصنوعی دارد. حتی قوی‌ترین الگوریتم‌ها نیز با داده‌های ناقص یا اشتباه، نتیجه قابل‌اعتمادی تولید نمی‌کنند.

در این بخش، هنرجویان یاد می‌گیرند چگونه داده جمع‌آوری کنند، آن را مرتب و پاک‌سازی کنند و برای آموزش مدل آماده سازند.

• دیتاست چیست؟
• منابع جمع‌آوری داده
• ساخت دیتاست ساده
• ذخیره داده در فایل
• آشنایی با فایل‌های CSV
• بررسی داده‌های ناقص
• حذف یا اصلاح داده‌های نامناسب
• تبدیل اطلاعات به قالب قابل‌استفاده
• نام‌گذاری ویژگی‌ها
• جداکردن داده‌های آموزشی و آزمایشی
• رعایت حریم خصوصی هنگام جمع‌آوری داده
• بررسی سوگیری در داده‌ها

بخش دهم: برنامه‌نویسی تخصصی‌تر پایتون برای هوش مصنوعی

پس از تسلط بر مفاهیم مقدماتی، هنرجویان وارد بخش پیشرفته‌تر پایتون می‌شوند و ساختارهای کاربردی‌تری را برای پروژه‌های هوش مصنوعی یاد می‌گیرند.

این مرحله به نوجوانان کمک می‌کند کدهای منظم‌تر، کوتاه‌تر و قابل‌توسعه‌تری بنویسند و برای کار با کتابخانه‌های تخصصی آماده شوند.

• مرور ساختارهای داده پایتون
• برنامه‌نویسی حرفه‌ای‌تر با لیست و دیکشنری
• آشنایی با List Comprehension
• آشنایی با توابع Lambda
• کار با فایل‌های متنی
• خواندن و نوشتن فایل‌ها
• مدیریت خطا با try و except
• آشنایی مقدماتی با برنامه‌نویسی شی‌گرا
• ساخت کلاس و شیء
• سازمان‌دهی کد در چند فایل
• ذخیره و بازیابی اطلاعات
• آشنایی مقدماتی با پایگاه داده
• ارسال درخواست اینترنتی با Requests

بخش یازدهم: کار با NumPy و Pandas

NumPy و Pandas از مهم‌ترین کتابخانه‌های پایتون برای محاسبات عددی، مدیریت داده و آماده‌سازی اطلاعات برای مدل‌های هوش مصنوعی هستند.

هنرجویان با کمک این ابزارها یاد می‌گیرند مجموعه‌های بزرگ‌تری از داده‌ها را مرتب، بررسی و تحلیل کنند.

• آشنایی با NumPy
• ساخت آرایه‌های عددی
• انجام محاسبات روی آرایه‌ها
• تغییر شکل داده‌ها
• آشنایی با Pandas
• ساخت DataFrame
• خواندن فایل CSV
• انتخاب سطر و ستون
• فیلترکردن اطلاعات
• مرتب‌سازی داده‌ها
• شناسایی داده‌های خالی
• پاک‌سازی اطلاعات
• انجام محاسبات آماری ساده
• آماده‌سازی داده برای مدل

بخش دوازدهم: مصورسازی و تحلیل داده‌ها

نمایش تصویری داده‌ها کمک می‌کند الگوها، تغییرات و خطاها سریع‌تر دیده شوند. نمودارها بخش مهمی از تحلیل داده و ارائه نتایج پروژه هستند.

در این قسمت، هنرجویان یاد می‌گیرند چگونه داده‌ها را به شکل نمودارهای قابل‌فهم نمایش دهند و از آن‌ها برای تحلیل بهتر استفاده کنند.

• اهمیت مصورسازی داده
• ساخت نمودار خطی
• ساخت نمودار میله‌ای
• ساخت نمودار پراکندگی
• نمایش توزیع داده‌ها
• آشنایی با Plotly
• آشنایی با Seaborn
• انتخاب نمودار مناسب
• تفسیر نمودارها
• نمایش نتیجه مدل روی نمودار
• آماده‌سازی نمودار برای ارائه پروژه

بخش سیزدهم: پردازش تصویر با OpenCV

پردازش تصویر یکی از جذاب‌ترین حوزه‌های هوش مصنوعی است. در این بخش، هنرجویان یاد می‌گیرند چگونه تصاویر را با پایتون دریافت، ویرایش و تحلیل کنند.

پروژه‌های این قسمت به نوجوانان نشان می‌دهد که تصاویر دیجیتال از داده تشکیل شده‌اند و می‌توان با برنامه‌نویسی ویژگی‌های مختلف آن‌ها را بررسی کرد.

• نصب و راه‌اندازی OpenCV
• خواندن و نمایش تصویر
• ذخیره تصاویر
• تغییر اندازه تصویر
• برش تصویر
• تبدیل تصویر رنگی به خاکستری
• آشنایی با پیکسل‌ها
• تغییر روشنایی و کنتراست
• اعمال فیلترهای تصویری
• تشخیص لبه‌ها
• رسم اشکال روی تصویر
• اضافه‌کردن متن روی تصویر
• دریافت تصویر از دوربین
• پردازش زنده تصویر

بخش چهاردهم: پردازش ویدئو

ویدئو از مجموعه‌ای از تصاویر پشت سر هم تشکیل شده است. به همین دلیل، بسیاری از روش‌های پردازش تصویر را می‌توان برای تحلیل ویدئو نیز استفاده کرد.

هنرجویان در این بخش با دریافت فریم‌های ویدئو، اعمال تغییرات و بررسی زنده تصویر دوربین آشنا می‌شوند.

• خواندن فایل ویدئویی
• نمایش فریم‌های ویدئو
• دریافت ویدئو از وب‌کم
• تغییر اندازه فریم‌ها
• اعمال فیلتر روی ویدئو
• ذخیره ویدئوی پردازش‌شده
• دنبال‌کردن اشیا در تصویر
• بررسی حرکت در ویدئو
• ساخت پروژه ساده پردازش زنده

بخش پانزدهم: تشخیص و دنبال‌کردن چهره

تشخیص چهره یکی از کاربردهای شناخته‌شده بینایی ماشین است. در این بخش، هنرجویان با روش‌های آموزشی تشخیص محل چهره در تصویر و ویدئو آشنا می‌شوند.

تمرکز آموزش بر درک مفاهیم فنی، محدودیت‌های سیستم و رعایت حریم خصوصی افراد خواهد بود.

• تفاوت تشخیص چهره و شناسایی هویت
• آشنایی با Haar Cascade
• دریافت فایل مدل
• تشخیص محل چهره در تصویر
• تشخیص چهره با وب‌کم
• رسم کادر اطراف چهره
• دنبال‌کردن موقعیت چهره
• بررسی نور و زاویه تصویر
• تحلیل خطاهای تشخیص
• رعایت اصول حریم خصوصی

بخش شانزدهم: آشنایی با پردازش صدا

صدا نیز مانند تصویر به داده دیجیتال تبدیل می‌شود و می‌توان آن را با برنامه‌نویسی تحلیل کرد. این بخش مقدمه‌ای برای درک پروژه‌های صوتی و سیستم‌های تشخیص گفتار است.

هنرجویان با ساختار ساده موج صوتی، فرکانس و روش ذخیره و نمایش داده‌های صوتی آشنا می‌شوند.

• دریافت صدا از میکروفون
• آشنایی با صوت آنالوگ و دیجیتال
• مفهوم دامنه
• مفهوم فرکانس
• نرخ نمونه‌برداری
• ذخیره فایل صوتی
• خواندن داده‌های صوتی
• نمایش موج صدا
• تحلیل مقدماتی سیگنال صوتی
• آشنایی با Librosa
• تبدیل گفتار به متن با ابزارهای هوش مصنوعی

بخش هفدهم: کتابخانه‌های تخصصی هوش مصنوعی

در این مرحله، هنرجویان با مجموعه‌ای از کتابخانه‌های معروف هوش مصنوعی و کاربرد هرکدام آشنا می‌شوند.

هدف این بخش تسلط کامل بر تمام کتابخانه‌ها نیست؛ بلکه هنرجو یاد می‌گیرد برای هر پروژه چه ابزارهایی وجود دارند و چگونه می‌تواند مسیر یادگیری خود را ادامه دهد.

• Scikit-learn
• SciPy
• XGBoost
• TensorFlow
• Keras
• PyTorch
• NLTK
• Librosa
• Pillow یا PIL
• OpenCV
• Beautiful Soup
• Scrapy
• Requests
• Plotly

بخش هجدهم: آشنایی مقدماتی با یادگیری عمیق

یادگیری عمیق یکی از زیرشاخه‌های هوش مصنوعی است که در پروژه‌هایی مانند پردازش تصویر، تشخیص گفتار و مدل‌های زبانی کاربرد دارد.

مفاهیم این بخش متناسب با سطح نوجوانان و به‌صورت مقدماتی ارائه می‌شوند تا هنرجو دید مناسبی نسبت به مسیرهای پیشرفته‌تر هوش مصنوعی پیدا کند.

• یادگیری عمیق چیست؟
• تفاوت یادگیری ماشین و یادگیری عمیق
• آشنایی با شبکه عصبی
• مفهوم نورون مصنوعی
• ورودی و خروجی شبکه
• مفهوم لایه‌های شبکه عصبی
• آموزش ساده یک مدل
• مشاهده عملکرد مدل
• آشنایی با کاربردهای TensorFlow و PyTorch
• شناخت محدودیت‌های مدل‌های عمیق