چگونه به فرایند توسعه ی هوش مصنوعی وارد شویم

چگونه یک فرد کاملا مبتدی به توسعه هوش مصنوعی دست پیدا کند؟ برای یادگیری شبکه های عصبی مصنوعی ، الگوریتم های اساسی هوش مصنوعی ، ساده ترین مدل های یادگیری ماشین و همه این ها، از چه منابع یادگیری میتواند استفاده می کند؟

پیشینه ریاضی قوی چقدر اهمیت دارد؟ و چه زبان برنامه نویسی را باید یاد بگیرم / دانش خود را عمیق تر کنم؟

در اینجا یک راهنمای گام به گام برای یک فرد کاملا مبتدی برای یادگیری هوش مصنوعی وجود دارد، که باید شما را در مسیر صحیح قرار دهد، بنابراین اگر می خواهید توسعه نرم افزار های هوش مصنوعی را شروع کنید … بلاشک این راه درست خواهد بود.

هوش مصنوعی یکی از مهمترین پیشرفت های قرن بیست و یکم است. کارشناسان صنایع مختلف قابلیت های آن را مورد مطالعه قرار داده و کاربردهای مختلف آن را کشف می کنند. ما هوش مصنوعی را یک فناوری نوظهور می نامیم ، با این حال دانشمندان از دهه ۱۹۵۰ در این حوزه کار می کردند.

در ابتدا ، هوش مصنوعی به دور از ربات های هوشمندی بود که در فیلم های علمی تخیلی می بینیم. با این وجود ، به لطف فناوری هایی مانند یادگیری ماشین و یادگیری عمیق ، هوش مصنوعی به یکی از امیدوار کننده ترین زمینه های صنعت IT تبدیل شده است. تقاضا برای توسعه دهندگان هوش مصنوعی به طور مداوم افزایش می یابد ، و برخی از کارشناسان آینده ای را تصور می کنند که رایانه ها جایگزین انسان ها شوند. اگرچه چنین صحبتی از هوش مصنوعی به عنوان تهدیدی برای نیروی کار خیلی زود است ، اما کارگران مدرن مطمئناً از یادگیری بیشتری در مورد این فناوری بهره مند می شوند زیرا این امکان را به آن ها می دهد تا برای آینده در صنایع خود آماده شوند و با ابزاری جدید، موثر و جالب آشنا شوند.

دلایل مهم برای شروع مطالعه هوش مصنوعی

هوش مصنوعی از جهات مختلف وارد زندگی ما می شود. به عنوان مثال ، ما از دستیارانی مانند Amazon Echo ، دستیار Google یا Siri استفاده می کنیم. وقتی بازی های ویدئویی انجام می دهیم ، هوش مصنوعی همیشه دشمن ما است. با این حال ، همه نمی دانند که هوش مصنوعی حتی در Google Translate و ابزارهایی که پیام های اسپم را ردیابی می کنند نیز وجود دارد.

درک هوش مصنوعی فرصت های زیادی را به وجود می آورد. کافی است که به اصول اولیه این فناوری تسلط داشته باشید تا درک کنید که چگونه ابزارهای ساده کار می کنند. وقتی اطلاعات بیشتری در مورد هوش مصنوعی کسب می کنید ، فرصتی پیدا می کنید که یک برنامه نویس باشید که برنامه های پیشرفته هوش مصنوعی مانند واتسون IBM یا اتومبیل های خودران را ایجاد می کند. در این زمینه امکانات بی پایان وجود دارد.  در صورتی که بخواهید با رابط های ماشین/انسان ، شبکه های عصبی و هوش مصنوعی کوانتومی کار کنید، یادگیری هوش مصنوعی برای کار در مهندسی نرم افزار ضروری است . شرکت هایی مانند آمازون و فیسبوک از هوش مصنوعی استفاده می کنند تا توصیه های لیست خرید و تجزیه و تحلیل داده های بزرگ را ارائه دهند. درک هوش مصنوعی همچنین برای مهندسین سخت افزار که وسایلی نظیر دستیاران خانه و دستیاران پارکینگ ایجاد می کنند ضروری است.

کسانی که می خواهند یادگیری هوش مصنوعی را شروع کنند گزینه های زیادی در دسترس هستند. به عنوان مثال ، اینترنت اجازه می دهد همه در دوره های آنلاین ثبت نام کنند. برخی از دوره ها مناسب افرادی است که از قبل دانش فنی خاصی دارند و روی برنامه نویسی تمرکز می کنند ، در حالی که سایر دوره ها حتی به افرادی که در برنامه نویسی و مهندسی تخصصی ندارند ، کمک خواهد کرد.

بهترین دوره های آنلاین هوش مصنوعی

• با Google AI بیاموزید – این یک پروژه تازه است که توسط Google راه اندازی شده است تا به عموم مردم اطلاع دهد که هوش مصنوعی چیست و چگونه کار می کند. اگرچه این منبع به آرامی در حال رشد است ، اما قبلاً دارای یک دوره یادگیری ماشین برای مبتدیان بود که شامل کتابخانه TensorFlow Google می شد. این دوره حتی به کسانی که اطلاعاتی در مورد هوش مصنوعی ندارند ، کمک می کند تا با اصول یادگیری ماشین آشنا شوند. این دوره TensorFlow را معرفی کرده و اصول مهم طراحی شبکه های عصبی را توضیح می دهد.
• دانشگاه استنفورد – یادگیری ماشین – این دوره در دوره Coursera موجود است. این توسط بنیانگذار Google Brain ، اندرو انگ تدریس می شود. در صورت تمایل به اخذ گواهینامه ای که در آینده می توانید هنگام انجام اولین قدم ها به سمت حرفه خود در مهندسی نرم افزار استفاده کنید، می توانید از این دوره به صورت رایگان استفاده کنید یا گزینه های پرداختی را انتخاب کنید. این دوره شما را با مثال هایی در مورد فناوری های مبتنی بر هوش مصنوعی از زندگی واقعی مانند مکانیسم های پیشرفته جستجوی وب و تشخیص گفتار آشنا می کند. شما همچنین چگونگی یادگیری شبکه های عصبی را می آموزید. شما می توانید این دوره فوق العاده را از این لینک با زبان فارسی دنبال کنید.
• Nvidia –  اصول پایه ای یادگیری عمیق در حوزه بینایی ماشین – بینایی ماشین گرایشی است که بر ایجاد رایانه هایی تمرکز دارد که قادر به تجزیه و تحلیل اطلاعات بصری نظیر مغز انسان هستند . این دوره اصول فنی لازم را به همراه کاربردهای عملی طبقه بندی اشیاء و تشخیص اشیاء در بر می گیرد. شما می توانید با سرعت مطالعه کنید و یاد بگیرید که چگونه برنامه عصبی خود را بسازید.

چگونه کار با هوش مصنوعی را شروع کنیم

جای تعجب نیست اگر در مطالعه هوش مصنوعی با مشکلات خاصی روبرو هستید. اگر به مشکل برخورده اید ، پیشنهاد می کنیم به دنبال راه حلی در Kaggle باشید یا سوالات خود را در انجمن های خاص ارسال کنید. همچنین درک این نکته مهم است که ابتدا باید روی چه چیزهایی تمرکز کنیم و چه کاری انجام دهیم.

۱- یک پیشینه قوی در ریاضیات حیاتی است

فقط در موردش فکر کن:

• یادگیری ماشین به جبر خطی پیوند داده شده
• برای آموزش شبکه های عصبی حداقل به برخی دانش بنیادی در محاسبات نیاز خواهید داشت

و چند موضوع دیگر وجود دارد که باید شما به لیست خود اضافه کنید :

• احتمال و آمار
• الگوریتم های مختلف

قبل از پریدن به بهترین دوره ها و دیگر منابع یادگیری در مورد هوش مصنوعی که می توانید پیدا کنید ، هر چقدر می توانید ریاضی یاد بگیرید.
این به شما بسیار کمک خواهد کرد…

۲- موضوعی را انتخاب کنید که به آن علاقه دارید

ابتدا موضوعی را انتخاب کنید که واقعاً برای شما جالب باشد. این به شما کمک می کند تا انگیزه داشته باشید و در روند یادگیری درگیر شوید. به جای این که فقط به طور بی ثمر در مورد همه چیزهایی که می توانید در اینترنت بیابید ، مطالعه کنید ، روی یک مشکل خاص متمرکز شوید و به دنبال یک راه حل باشید.

۳- تمرکز خود را محدود کنید: چه چیزی را می خواهید بسازید؟

هدف خود را به وضوح بیان کنید ، آن را در یک جمله ساده قرار دهید:

     برای مثال ، “ایجاد یک الگوریتم که فشار خون فرد را پیش بینی می کند”.

فقط در این صورت می توانید:

• هدف یا مشکل خود را به قسمت های کوچکتر تقسیم کنید
• تمرکز خود را محدود کنید زیرا هوش مصنوعی یک اصطلاح گسترده است
• منابع خاص موردنیاز خود را شناسایی کنید

۴- یک راه حل سریع پیدا کنید

نکته این است که باید  راه حل اساسی را پیدا کنید که مشکل را تا حد امکان پوشش دهد. شما به یک الگوریتم نیاز دارید که داده ها را به شکلی پردازش کند که برای یادگیری ماشین قابل فهم باشد پس یک مدل ساده را آموزش دهید ، نتیجه بگیرید و عملکرد آن را ارزیابی کنید.

به عبارت دیگر: ابتدا سعی کنید یک شبکه عصبی ساده بنویسید ، سپس به تدریج روی شبکه های پیچیده تر تمرکز کنید.

به عنوان یک شروع ، یک مساله ی آسان را بررسی کنید. برای دستیابی به اینکه از کدام الگوریتم استفاده کنید در حالی که سعی در حل آن دارید، روش های مختلف را آزمایش کنید.

با پیدا کردن سریعترین راه حل برای یک مشکل خاص ، وارد توسعه نرم افزار هوش مصنوعی شوید:

یک الگوریتم یادگیری ماشین ساده را آموزش داده و عملکرد آن را ارزیابی کنید.

در مرحله بعد ، با بهینه سازی راه حل اصلی ، دانش خود را افزایش دهید. با به روز کردن مؤلفه های مختلف آزمایش کنید و تغییر نتیجه را کنترل کنید.

• شبیه ساز خود را بسازید
• نوشتن کد هوش مصنوعی برای بازی هایی مانند سودوکو یا Tic Tac Toe
• تهیه کد برای تشخیص الگو

۵- راه حل ساده خود را بهبود بخشید

وقتی راه حل شما یک اساس ساده داشته باشد ، می تواند خلاقیت شما را برانگیزد. سعی کنید تمام مؤلفه ها را بهبود ببخشید و تغییرات را ارزیابی کنید تا مشخص شود آیا این پیشرفت ها ارزش وقت و تلاش شما را دارند یا خیر. به عنوان مثال ، بعضی اوقات ، بهبود پردازش و مرتب کردن داده ها بازده بالاتری نسبت به بهبود یک مدل یادگیری دارد.

۶- راه حل خود را به اشتراک بگذارید

راه حل خود را بنویسید و به منظور به دست آوردن بازخورد آن را به اشتراک بگذارید. نه تنها توصیه های ارزشمندی را از افراد دیگر به دست خواهید آورد بلکه اولین موضوع ثبت شده در نمونه کارهای شما خواهد بود.

۷- برای مسائل مختلف مراحل بالا را تکرار کنید

مسائل مختلف را انتخاب کنید و مراحل مشابه را برای هر کار دنبال کنید. اگر داده های جدولی را شروع کرده اید ، مساله ای را انتخاب کنید که شامل کار با تصاویر یا متن بدون ساختار باشد. همچنین آموختن چگونگی تدوین مشکلات نیز مهم است زیرا می تواند به آموختن صحیح  یادگیری ماشین کمک کند. توسعه دهندگان اغلب نیاز دارند که برخی از اهداف انتزاعی کسب و کار را به مشکلات مشخص تبدیل کنند که متناسب با ویژگی های یادگیری ماشین است.

۸- یادگیری عمیق را بیاموزید

به عنوان یک تازه کار، شما احتمالا به یادگیری عمیق علاقه مند هستید، درست است؟

اگر می خواهید این روش یادگیری ماشین را یاد بگیرید، باید با اساس شبکه های عصبی مصنوعی آشنا شوید

در این باره، احتمالا این دوره ی آنلاین برای روشنگری شما در این زمینه کافی خواهد بود.

همینطور فریمورک های منبع باز نیز برای بررسی توانایی های جدید شما در این حوزه مناسب خواهند بود:

• TensorFlow که توسط گوگل توسعه یافته، تا کنون یکی از محبوب ترین آن هاست؛ که مبتنی بر پایتون می باشد.
• Theano، Scikit-learnو Kerasکه همگی مبتنی بر پایتون می باشند نیز مفید هستند.
• Deeplearning4j، فریمورکی مبتنی بر جاوا

۹- زبان برنامه نویسی خود را انتخاب کنید

“برای شروع کار با هوش مصنوعی باید چه زبان برنامه نویسی یاد بگیرم؟”
در واقع ، انتخاب زبان چندان مهم نیست.
به سراغ یک زبان اصلی بروید اگرچه هنوز هم می توانید یادگیری ماشین / هوش مصنوعی را با زبان هایی که محبوبیت کمتر دارند نیز انجام دهید. یکی که:

• ابزار و کتابخانه های زیاد و باکیفیتی در اختیار شما قرار می دهد
• از نظر عملکرد برجسته است

بنابراین ، می تواند Python یا C ++ یا Java یا C یا Octave باشد. هر کدام از نقاط قوت و محدودیت های خود را در مورد عملکرد و در دسترس بودن کتابخانه ها دارند.

۱۰- در مسابقه Kaggle شرکت کنید

این مسابقه به شما امکان می دهد مهارت های خود را آزمایش کنید و با حل مشکلات بسیاری که سایر مهندسان دیگر روی آن کار می کنید به کسب تجربه بپردازید. شما مجبور خواهید شد رویکرد های مختلف را امتحان کنید ، و موثرترین راه حل ها را انتخاب کنید. این مسابقه همچنین می تواند همکاری را به شما بیاموزد ، زیرا می توانید به یک جامعه بزرگ بپیوندید و با افراد در این بخش ارتباط برقرار کنید ، ایده های خود را به اشتراک بگذارید و از دیگران یاد بگیرید.

۱۱- از یادگیری ماشین به صورت حرفه ای استفاده کنید

شما باید اهداف شغلی خود را تعیین کنید و نمونه کار های خود را ایجاد کنید. اگر حاضر نیستید برای مشاغل یادگیری ماشین درخواست کنید ، به دنبال پروژه های بیشتری باشید که نمونه کارهای شما را تحت تأثیر قرار دهد. به hackathon های مدنی بپیوندید و به دنبال موقعیت های مرتبط با داده در خدمات جامعه باشید.

۱۲- برای دستیابی به پیشرفت هوش مصنوعی، تئوری یادگیری محاسباتی را بیاموزید

و این به ویژه هنگامی اهمیت دارد که به حوزه پردازش زبان طبیعی بپردازید.

۱۳- یک سخت افزار محاسبات قدرتمند بسازید یا از یک فضای ابری مناسب استفاده کنید

سخت افزارهای قوی قابل توجهی برای اجرای هوش مصنوعی و اجرای یادگیری ماشین انتظار داشته باشید.

اگر موارد زیر را در نظر دارید، یک سیستم سخت افزاری قدرتمند ، استفاده از یک پکیج از CPU ها و GPU های با عملکرد بالا ضروری است :

• مدل های بزرگ ; قبل از تصمیم گیری در مورد مدل نهایی، تعداد زیادی مدل جایگزین را آزمایش خواهید کرد
• آزمایش های پیچیده تری که شامل بهره برداری از قدرت هوش مصنوعی است را انجام دهید

که در اینجا شما ۲ گزینه دارید :

1. شما یک سوپر ماشین (کامپیوتر بسیار قوی) در اختیار دارید
2. شما با یک جایگزین مبتنی بر فضای ابری کار می کنید

درمورد دومی ، در اینجا ۲ سیستم عامل رایانش ابری برای بررسی وجود دارد:

• Cloud TPU : سخت افزاری توسعه یافته توسط گوگل که بطور خاص برای انجام عملیاتی به روشی کارآمدتر از  GPU  یا CPU طراحی شده است
• Google CoLab:  یک محیط نوت بوک Jupyter که نیازی به نصب ندارد. و برای اجرای اسکریپت های خود با Jupyter شما باید دسترسی سریعی به GPU که مبتنی بر فضای ابری است خواهید داشت.

۱۴- با اکثر الگوریتم های یادگیری ماشین آشنا شوید

اگر مصمم هستید که وارد پیشرفت هوش مصنوعی شوید ، باید با این موارد آشنا باشید:

• دستگاه های بردار پشتیبانی (SVM)
• شبکه های عصبی مکرر (RNN)
• یادگیری عمیق (DL)
• بسیاری از درختان تصمیم گیری و جنگل های تصادفی

در اینجا هیچ میانبری وجود ندارد!

جمع بندی

درک اساسی هوش مصنوعی و یادگیری ماشین در هر زمینه ای از تجارت ارزش بیشتری پیدا می کند. به لطف دوره های مختلف آنلاین ، امروز لازم نیست که برای یادگیری این فناوری پیچیده و جالب به دانشگاه بروید. حتی اگر تجربه قبلی در زمینه مهندسی ندارید ، می توانید هوش مصنوعی را از خانه یاد بگیرید و دانش خود را به صورت عملی شروع کنید ، راه حل های ساده یادگیری ماشین را ایجاد کنید و اولین قدم ها را به سمت حرفه جدید خود بردارید.

بیشتر بخوانید :

منبع Medium Bigdata Made Simple