مسئلهی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بیارتباط نیست. هر روزی که میگذرد دامنهی کاربردهای هوش مصنوعی در زندگی روزمرهی ما گستردهتر میشود. وقتی که از گوگل میخواهیم رستورانهای نزدیک به خانهی ما را برایمان لیست کند، تا پیجهایی که فیسبوک و اینستاگرام و توئیتر برای دنبال کردن به ما پیشنهاد میدهند، همگی بر اساس هوش مصنوعی کار میکنند.
همین کاربردهای روبهگسترش هوش مصنوعی بسیاری از غیرمتخصصان را نیز جذب این حوزه کرده است. احتمالاً برای شروع یادگیری هوش مصنوعی شما هم سوالات زیادی دارید. واقعاً هوش مصنوعی را از کجا باید شروع کرد؟ پیشنیازهای یادگیری هوش مصنوعی چیست؟
برای ورود به حوزهی هوش مصنوعی باید چه رشتهای بخوانیم؟
برای ورود به بازار کار هوش مصنوعی لزومی ندارد که حتماً در این حوزه تحصیلات دانشگاهی داشته باشید. این مهارتها و تواناییهای شماست که کارفرمایان را مجاب میکند با شما همکاری کنند، نه مدرک دانشگاهی. اما طبیعتاً تحصیل در این رشته میتواند به شما در درک بهتر موضوعات این حوزه کمک کند. هوش مصنوعی یکی از گرایشهای رشتهی مهندسی کامپیوتر در مقطع ارشد است. برای اینکه وارد این رشته شوید، لزومی ندارد که حتماً در مقطع کارشناسی هم کامپیوتر خوانده باشید. هوش مصنوعی امروز ماهیت بینرشتهای پیدا کرده است و وارد حوزههای مختلفی شده است، از علوم پایه بگیرید تا انواع رشتههای مهندسی.
۱- علاقه؛ گام اول شروع یادگیری هوش مصنوعی
بیایید همین ابتدا تکلیف خودمان را روشن کنیم. اگر مطمئنید به مباحث هوش مصنوعی علاقه ندارید بهتر است همین الان به سراغ علایقتان بروید. فرصتها در زندگی کم است و منطقی است برای چیزی که علاقهای به آن ندارید وقت نگذارید. اما اگر بهتازگی با این حوزه آشنا شدهاید و دوست دارید اول اطلاعاتتان را بالا ببرید و بعد دربارهاش تصمیم بگیرید، میتوانید به سراغ منابعی بروید که در ادامهی مقاله معرفی میکنیم.
اگر انگلیسی بلد باشید که خوش به حالتان. منابع بسیار زیادی از مباحث مقدماتی تا پیشرفته بهصورت رایگان در اختیار خواهید داشت که در مسیر یادگیری هوش مصنوعی کمکتان خواهد کرد. ما در بخش رویدادهای هوش مصنوعی در سایت هوشیو برخی از دورههای رایگان دانشگاههای برتر جهان را معرفی کردهایم. اما حتی اگر زبان انگلیسیتان لنگ میزند هم نگران نباشید. سعی میکنیم در ادامه ترکیبی از منابع فارسی و انگلیسی را معرفی کنیم تا به کار طیفهای مختلف علاقهمندان هوش مصنوعی بیاید.
۲- صبور باشید
یادگیری هر موضوعی طبیعتاً سختیهای خودش را دارد. همین که میتوانید این متن را بخوانید نتیجهی صبر و تحملی است که زمان یادگیری حروف الفبا داشتید. شروع یادگیری هوش مصنوعی هم سختیهای خودش را دارد. جا نزنید. فراموش نکنید که حداقل هفتاد سال زمان برده تا هوش مصنوعی به اینجا برسد، بنابراین نمیتوانید چندماهه پروندهی یادگیریاش را ببندید. هوش مصنوعی حوزهای روبهگسترش است. روزی نیست که اخبار یافتههای جدیدی در این حوزه منتشر نشود. حتی کسانی که سالهاست وارد این حوزه شدهاند مجبورند خود را بهروز نگهدارند. شروع یادگیری هوش مصنوعی تازه آغاز ماجراست. یادگیری در این شاخه از علم هیچگاه به پایان نمیرسد.
۳- داشتن تصویر کلی
اگر چند وقتی است که خیلی جدی دارید دنبال نقشهی راهی برای شروع یادگیری هوش مصنوعی میگردید، احتمالاً این مقاله اولین مطلبی نیست که در این مورد میخوانید. بیشتر مطالبی که در این مورد نوشته شده این مرحلهی مهم را از قلم انداختهاند. شاید با اصطلاح bird’s-eye view آشنا باشید. داشتن تصویر کلی از آن چیزی که در انتظارتان است، از موضوع درک بهتری به شما میدهد. شاید شما فقط به یکی از شاخههای هوش مصنوعی علاقه داشته باشید. پس از آموختن مباحث مقدماتی به سراغ بخشی بروید که دوست دارید. فراموش نکنید که آرمان اولین کوشندگان حوزهی هوش مصنوعی ساختن فناوریهایی بود که بتوانند کارهایی شبیه به انسانها انجام دهند. بخشهای مختلف هوش مصنوعی که بهصورت خلاصه در ادامه برایتان میآوریم تلاشهایی است برای تحقق، یا حتی فراتر رفتن از این رویا.
پردازش زبان طبیعی (Natural language processing)
احتمالاً بارها و بارها از سرویس ترجمهی گوگل استفاده کردهاید. بد نیست بدانید که گوگل ترنسلیت یکی از فناوریهایی است که در آن از پردازش زبان طبیعی استفاده شده است. زبان طبیعی همین زبانی است که ما برای برقراری ارتباط با هم از آن استفاده میکنیم؛ زبانی که در کودکی میآموزیم و برای برقراری ارتباط با محیط اطرافمان از آن بهره میبریم. معمولاً زبان طبیعی را در برابر زبان مصنوعی قرار میدهند. ما زبان مصنوعی را برای ارتباط با ماشینها ساختهایم، مثل زبانهای برنامهنویسی. در واقع زبانهای مصنوعی بهصورت آگاهانه ساخته میشوند، اما زبانی که خودمان با آن حرف میزنیم را ما نساختهایم؛ زبانی است که بهصورت طبیعی و از کودکی آموختهایم. پردازش زبان طبیعی فرایندی است که طی آن سعی میکنیم زبان طبیعی را به ماشین بیاموزیم تا ماشین بتواند بخشی از کارهایی را که ما با زبان انجام میدهیم بهجای ما انجام دهد. نرمافزارهایی مثل گرامرلی (Grammarly) که متن انگلیسی را برای ما ویرایش میکند نیز از همین نوع تکنولوژی استفاده کرده است. اگر کنجکاوید بدانید در زمینهی زبان فارسی در این حوزه چه کارهایی انجام شده میتوانید برای مثال به سایت شرکت ترگمان سری بزنید. البته کارهای بزرگ دیگری نیز در حال انجام است که در مقالات دیگرمان به آنها خواهیم پرداخت.
دادهکاوی (Date Mining)
فرض کنید شرکتی میخواهد از مصرفکنندگان محصولاتش بازخورد بگیرد و تصویری از انتظارات مشتریان داشته باشد، تا بتواند از طریق آن بهصورت واقعبینانهای برای آینده برنامهریزی کند. این شرکت در قدم اول نیاز دارد دادههای خوبی از نظر کمی و کیفی جمعآوری کند. مرحلهی دوم تحلیل این دادههاست. در تحلیل دادههاست که اطلاعات مفید از میان حجم بالایی از اطلاعات بیرون کشیده میشود و الگوهایی برای برنامههای آتی ترسیم میشود. حال شرکتی را تصور کنید در حدواندازههای گوگل، با انبوهی داده که نیاز به تحلیل دارد. در اینجاست که داده کاوی به کار میآید. در دادهکاوی تحلیل دادهها از خلال الگوریتمهایی انجام میشود که کارشان بیرون کشیدن الگوها و همبستگی از دل مجموعهدادههاست. شاید بتوان دادهکاوی را نقطه تلاقی آمار، یادگیری ماشین (Machine Learning) و هوش مصنوعی دانست. در ایران نیز داریم شرکتهایی که کارشان جمعآوری و تحلیل دادههاست. در مطلب شرکتهای داده کاوی در ایران میتوانید با آنها آشنا شوید.
اگر میخواهید اطلاعات بیشتری در این حوزه به دست آورید میتوانید سری به فیلمهای آموزش علوم داده سایت نیز بزنید.
بینایی ماشین (Machine Vision)
بینایی ماشین فناوری است که به ماشین امکان دیدن میدهد. سیستمهای بازشناسی چهره شاید مثال خوبی از کاربردهای عملی این فناوری باشند. این سیستمها از طریق تحلیل ویژگیهای فیزیولوژیک چهره میتوانند هویت فرد را تشخیص دهند. میتوانید در مطلب شرکتهای فعال در حوزه بینایی ماشین در ایران با آنها آشنا شوید.
پردازش گفتار (Speech Processing)
اگر شما هم از کسانی هستید که تایپ کردن برایشان کاری سخت و طاقتفرساست، حتماً پیشرفتهای حوزهی پردازش گفتار را پیگیری کنید. یکی از مهمترین کار سیستمهای پردازش گفتار تبدیل صوت به متن است. میتوانید در مطلب شرکتهای فعال در حوزه پردازش گفتار در ایران با آنها آشنا شوید.
۴- ریاضیات
راستش را بخواهید راه میانبُری وجود ندارد. اینجا دیگر جایی است که باید به سراغ ریاضیات و آمار بروید. بدون داشتن پشتوانهی ریاضی درک مباحث هوش مصنوعی برایتان دشوار خواهد بود. بهتر است مستقیم به سراغ مباحثی از ریاضیات و آمار بروید که در هوش مصنوعی به کارتان میآید. میتوانید سری به سایت خان آکادمی بزنید. دورههای جبرخطی و آمار و احتمالات این سایت به کارتان خواهد آمد. اگر دنبال منابع فارسی میگردید میتوانید از دورهی آموزشی آمار و احتمالات سایت فرادرس نیز استفاده کنید.
۵- زبانهای برنامهنویسی
زبانهای برنامهنویسی راه ارتباطی شما با کامپیوترها و ماشینها هستند. بدون آشنایی با این زبانها نمیتوانید با سیستمها ارتباط برقرار کنید.
خوشبختانه در چند سال اخیر محتوای آموزشی بسیار زیادی در حوزهی آموزش زبانهای برنامهنویسی تولید شده است. با جستوجویی ساده در گوگل دورههای برنامهنویسی فارسی بسیاری را خواهید یافت. زبانهای برنامهنویسی را میتوانید با یادگیری پایتون (Python) شروع کنید. پایتون یکی از آسانترین زبانهای برنامهنویسی برای یادگیری است. از طرف دیگر، پایتون به نوعی استاندارد تبدیل شده است که اغلب شرکتها و کارفرمایان از شما انتظار دارند به این زبان برنامهنویسی مسلط باشید. نکتهی دیگر کتابخانههای پایتون است که بسیار قدرتمند و غنیاند. انتخاب دورههای آموزشی پایتون از میان این همه دوره کار سختی است. اینجا ما برای نمونه به دو دورهی آموزشی پایتون اشاره میکنیم. با یک جستوجوی ساده در گوگل میتوانید به این دورهها برسید:
آموزش پایتون مقدماتی مکتبخونه
مبانی برنامهنویسی و تفکر الگوریتمی کوئرا
جمعبندی
در این مقاله، سعی کردیم تصویری کلی و بسیار خلاصه از بخشهای مختلف هوش مصنوعی برایتان ترسیم کنیم تا در شروع یادگیری هوش مصنوعی نقشهی راهی داشته باشید. واقعیت این است که دیگر نمیتوان هوش مصنوعی را نادیده گرفت. دور نیست روزی که آگاهی از حوزهی هوش مصنوعی از ملزومات بدیهی همهی شغلها تلقی شود. فردای جهان از آن هوش مصنوعی است. یادگیری هوش مصنوعی را پشتگوش نیندازید. راستش را بخواهید شاید فردا برای شروع یادگیری هوش مصنوعی دیر باشد. حالا که قصدش را کردهاید که یادگیری را شروع کنید همین مقاله میتواند نقطهی آغازی برای فرایند یادگیریتان باشد. پیشنیازهایی را که در مقاله آوردیم یاد بگیرید. یادگیری هوش مصنوعی را هم از بخشی آغاز کنید که بیشتر علاقه دارید. برای آموزشها و مطالب بیشتر از لینکهای داخل مقاله استفاده کنید.
منبع: hooshio.com
