آموزش هوش مصنوعی

🎬 آموزش گام‌به‌گام | تبدیل عکس به ویدئو با Runway 🤖➡️🎥

در این آموزش می‌خواهیم یک عکس ثابت را با هوش مصنوعی به ویدئوی متحرک تبدیل کنیم.

1️⃣ وارد Runway شوید

🔗 ورود به Runway

برای استفاده باید یک حساب کاربری داشته باشید. می‌توانید با ایمیل، Google یا Apple ثبت‌نام کنید.

2️⃣ وارد بخش ساخت ویدئو شوید

بعد از ورود، از منوی Apps یا بخش Tools، مدل Gen-4.5 را پیدا کنید.

📌 در حال حاضر Gen-4.5 برای Image-to-Video به پلن Standard یا بالاتر نیاز دارد؛ بنابراین حساب رایگان لزوماً امکان استفاده از این مدل را ندارد.

3️⃣ عکس خودت را آپلود کن 🖼

عکس موردنظر را در قسمت ورودی آپلود کن.

فرمت‌های رایج مثل JPG، PNG و WebP پشتیبانی می‌شوند.

4️⃣ حرکت موردنظر را بنویس ✍️

اینجا مهم‌ترین قسمت کار است!

در Image-to-Video بهتر است به‌جای توضیح دوباره عکس، روی حرکت سوژه، حرکت دوربین و اتفاقاتی که قرار است در طول ویدئو رخ دهد تمرکز کنی.

مثلاً:

The camera slowly moves toward the subject while the subject gently turns toward the camera. Her hair moves naturally in the wind, soft sunlight changes across the scene, and the background remains realistic and stable. Cinematic motion, natural movement, subtle depth of field.

5️⃣ تنظیمات ویدئو را انتخاب کن ⚙️

می‌توانی نسبت تصویر و مدت زمان ویدئو را مشخص کنی.

ابزار Gen-4.5 در حال حاضر ویدئوهای ۲ تا ۱۰ ثانیه‌ای تولید می‌کند و خروجی آن 720p است.

6️⃣ روی Generate بزن 🚀

حالا Generate را بزن و منتظر تولید ویدئو بمان.

اگر حرکت ایجادشده مناسب نبود، لازم نیست عکس را عوض کنی؛ می‌توانی فقط پرامپت را تغییر بدهی و دوباره امتحان کنی. Runway نیز برای Image-to-Video روی همین فرایند آزمون و اصلاح تأکید دارد.

💡 یک نکته خیلی مهم

در Image-to-Video:
❌ ننویس:

A beautiful woman standing in a city...

اگر همین تصویر را قبلاً آپلود کرده‌ای، لازم نیست دوباره محتوای عکس را توصیف کنی.

✅ بهتر است بنویسی:

The camera slowly circles around the subject while she gently moves her hair in the wind...

یعنی به AI بگو چه چیزی باید حرکت کند و دوربین چگونه حرکت کند.

فارسی را پشتیبانی می‌کند؟🇮🇷

✅ ابزار Runway اجازه می‌دهد پرامپت را به زبان‌های مختلف، از جمله فارسی، وارد کنید.
⚠️ اما خود Runway می‌گوید همه زبان‌ها الزاماً به یک اندازه خوب عمل نمی‌کنند؛ بنابراین برای گرفتن نتیجه دقیق‌تر، پرامپت انگلیسی معمولاً انتخاب مطمئن‌تری است. رابط کاربری Runway نیز فعلاً فارسی‌سازی نشده است.

🔐 فیلترشکن لازم است؟
ابزار Runway در مستندات رسمی خود اعلام نکرده که کاربران ایران حتماً به VPN نیاز دارند.
بنابراین ابتدا بدون VPN امتحان کنید؛ اگر سایت یا ورود به حساب برایتان در دسترس نبود، ممکن است نیاز به VPN داشته باشید.

💰 رایگان است؟
ابزار Runway یک پلن رایگان دارد که در حال حاضر ۱۲۵ اعتبار یک‌باره ارائه می‌کند؛ این اعتبار منقضی نمی‌شود، اما پس از مصرف دوباره شارژ نمی‌شود. همچنین مدل‌ها و امکانات قابل استفاده در پلن رایگان محدود هستند و Gen-4.5 در حال حاضر جزو امکانات پلن Standard به بالا است.

📌 خلاصه:

🖼 عکس را آپلود کن → ✍️ حرکت را توضیح بده → ⚙️ تنظیمات را انتخاب کن → 🚀 Generate → 🎥 ویدئوی متحرک تحویل بگیر!

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🚗 آموزش تغییر ظاهر خودرو با هوش مصنوعی 🤖✨

می‌خواهی ببینی اگر ماشینت را رنگ کنی، رینگ عوض کنی یا کیت بدنه نصب کنی چه شکلی می‌شود؟ 😍

با AutoVisuals می‌توانی عکس خودرویت را با AI تغییر بدهی و ظاهر جدیدش را ببینی!

🪄 مراحل کار:

1️⃣ وارد سایت شو
🔗 https://autovisuals.io/

📌 نیاز به فیلترشکن ندارد
📌 برای استفاده باید ثبت‌نام کنی

2️⃣ عکس ماشین را آپلود کن

یک عکس واضح از خودرو انتخاب کن.
بهتر است ماشین کامل و با نور مناسب در تصویر باشد. 🚘

3️⃣ تغییرات موردنظر را انتخاب کن

می‌توانی ظاهر خودرو را تغییر بدهی، مثل:
🎨 رنگ بدنه
⚪️ رینگ
🔧 کیت بدنه
📉 ارتفاع خودرو
💡 چراغ‌ها
🕶 شیشه دودی
🖌 کاور بدنه

4️⃣ پس‌زمینه را انتخاب کن

مثلاً:
🌆 شهر
🏔 جاده کوهستانی
🌃 فضای شبانه
🖤 استودیو

5️⃣ روی Generate بزن ✨

چند لحظه صبر کن تا AI تصویر جدید خودرو را بسازد.

💰 رایگان یا پولی؟

🔹 اولین تصویر رایگان است.
بعد از ثبت‌نام ۱ توکن رایگان دریافت می‌کنی.

💵 برای استفاده بیشتر، پلن‌های پولی هم دارد:
▫️ ماهانه: ۴.۹۹ دلار
▫️ سالانه: ۴۹.۹۹ دلار
▫️ بسته ۱۰۰ توکن: ۱۶.۹۹ دلار

📌 هر توکن = یک تصویر

🔥 حالا قبل از خرج کردن برای ماشینت، می‌توانی اول نتیجه را با AI ببینی!

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🛠 ابزار امروز | متن را به اینفوگرافیک تبدیل کن! 📊🤖


با Napkin می‌توانی فقط با وارد کردن یک متن، آن را به اینفوگرافیک، نمودار، فلوچارت، مایندمپ و دیاگرام‌های حرفه‌ای تبدیل کنی! 🤯

🎯 آموزش گام‌به‌گام

1️⃣ وارد سایت شو

🔗 Napkin AI

روی Get Napkin Free بزن و وارد حساب کاربری شو.

⚠️ ثبت‌نام اولیه طبق راهنمای رسمی بهتر است با کامپیوتر یا لپ‌تاپ انجام شود.

2️⃣ یک پروژه جدید بساز

بعد از ورود، روی:

➕ Create my first Napkin

بزن.

3️⃣ متن خودت را وارد کن

مثلاً این متن را وارد کن:

هوش مصنوعی در آموزش می‌تواند به معلم‌ها در طراحی درس، تولید محتوای آموزشی، ساخت آزمون و پاسخگویی به دانش‌آموزان کمک کند.

حتی می‌توانی متن فارسی خودت را مستقیماً وارد کنی. Napkin از محتوای چندزبانه پشتیبانی می‌کند و اعلام کرده ویژوال‌ها را می‌توان در ۶۰+ زبان ایجاد کرد.

4️⃣ روی Generate Visual بزن 🎨

کنار متن، گزینه Generate Visual را بزن.
خودش چند طرح مختلف پیشنهاد می‌دهد.

5️⃣ بهترین طرح را انتخاب کن

از بین خروجی‌ها یکی را انتخاب کن و سپس ظاهر، رنگ، فونت و چیدمان را تغییر بده.

💡 اگر مثلاً فلوچارت می‌خواهی، می‌توانی ابتدای متن بنویسی:

Flowchart: مراحل یادگیری هوش مصنوعی...

این کار به AI کمک می‌کند نوع ویژوال موردنظر را بهتر تشخیص دهد.

6️⃣ خروجی بگیر 📥

در نهایت می‌توانی ویژوال را به فرمت‌های مختلف از جمله:
🖼 PNG
📄 PDF
📊 PPT
🖌 SVG
خروجی بگیری.

فارسی پشتیبانی می‌شود؟🇮🇷

✅ بله، برای ساخت محتوا و ویژوال می‌توانی فارسی وارد کنی.

⚠️ اما رابط کاربری خود سایت فارسی نیست و فعلاً زبان‌هایی مثل انگلیسی، فرانسوی، اسپانیایی، ایتالیایی، کره‌ای و پرتغالی برای رابط کاربری ارائه شده‌اند.

🔐 فیلترشکن لازم دارد؟

▪️ در منابع رسمی خود اعلام نکرده که برای کاربران ایران الزاماً VPN لازم است.

🔹 نسخه رایگان هم دارد و برای تولید ویژوال اعتبار AI هفتگی در اختیار کاربر قرار می‌دهد.

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🛠 ابزار امروز | متن را به اینفوگرافیک تبدیل کن! 📊🤖

🔗 آموزش استفاده از این ابزار در ادامه...

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

📝 فهرست آموزش های ابزارهای هوش مصنوعی در یک ماه اخیر

🛠 تبدیل نقاشی به سایت با Lovable

🛠 چطور نویز و صدای مزاحم را از فایل صوتی حذف کنیم؟

🛠 آموزش کار با ابزار تبدیل کتاب و مقاله به پادکست ۲ نفره!

🛠 ترجمه و دوبله ویدئو با هوش مصنوعی

به زودی آموزش های بیشتری قرار خواهیم داد.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🛠 ترجمه و دوبله ویدئو با هوش مصنوعی 🎙🌍

1️⃣ وارد HeyGen شوید

🔗 ورود به HeyGen

⚠️ ممکن است HeyGen بدون VPN برای بعضی کاربران ایرانی در دسترس نباشد.

2️⃣ لاگین کنید 🔐

برای استفاده از ابزار، ابتدا وارد حساب کاربری خود شوید.

3️⃣ از منوی سمت چپ روی Translate بزنید 🌐

بعد از ورود، در منوی سمت چپ گزینه Translate را انتخاب کنید.

4️⃣ ویدئوی خود را آپلود کنید 🎬

ویدئویی را که می‌خواهید ترجمه شود انتخاب و آپلود کنید.

5️⃣ زبان مقصد را انتخاب کنید 🇮🇷

مثلاً:
🇬🇧 English ➡️ 🇮🇷 Persian (فارسی)

✅ فارسی پشتیبانی می‌شود.

6️⃣ تنظیمات ترجمه را انجام دهید 🎙

ابزار HeyGen می‌تواند صدای گوینده را به زبان مقصد تبدیل کند و قابلیت هماهنگ‌سازی حرکت لب‌ها (Lip Sync) را نیز ارائه می‌دهد.

7️⃣ ترجمه را شروع کنید ⚡️
روی گزینه مربوط به شروع ترجمه بزنید و منتظر پردازش ویدئو بمانید.

8️⃣ نتیجه را ببینید و خروجی بگیرید 🎥


🔥 حالا یک ویدئوی انگلیسی را به فارسی تبدیل کن و ببین هوش مصنوعی چقدر طبیعی دوبله‌اش می‌کند!

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🎙 آموزش کار با ابزار تبدیل کتاب و مقاله به پادکست ۲ نفره! 📚🎧

در قسمت قبل دیدیم که چطور با یک پرامپت هوشمندانه، متن کتاب یا جزوه را به یک سناریوی گفت‌وگوی جذاب تبدیل کنیم. اما با کدام ابزار هوش مصنوعی می‌توانیم این فایل صوتی را مستقیماً و با بالاترین کیفیت بسازیم؟

⭐️ بهترین ابزار رایگان: Google NotebookLM

گوگل ابزاری به نام NotebookLM معرفی کرده که قابلیت Audio Overview آن دقیقاً همین کار را انجام می‌دهد! دو گوینده AI به زبان انگلیسی گفتگو می‌کنند، وسط حرف هم می‌پرد، چالش می‌سازند و مفاهیم سخت کتاب شما را به یک پادکست شنیدنی تبدیل می‌کنند.

📌 راهنمای گام‌به‌گام ساخت پادکست:

1️⃣ ورود به برنامه:
وارد سایت notebooklm.google.com شوید (با اکانت گوگل).

⚠️ نکته:
برای استفاده از ابزار ممکن است به فیلترشکن نیاز داشته باشید و نیاز به لاگین دارد.

2️⃣ آپلود منابع:
یک پروژه‌ی جدید (Notebook) بسازید و فایل PDF کتاب، جزوه یا لینک مقاله را آپلود کنید.

3️⃣ تنظیم و سفارشی‌سازی:
در استودیو و در بخش Audio Overview روی گزینه Customize کلیک کنید. پرامپت معرفی شده را در این بخش قرار دهید تا گویندگان دقیقاً طبق الگوی شما (یک نفر مدرس و یک نفر چالش‌گر) گفتگو کنند.

4️⃣ تولید فایل صوتی:
دکمه Generate را بزنید. پس از چند دقیقه، پادکست دو نفره با کیفیتی شگفت‌انگیز و خروجی صوتی قابل دانلود آماده است!

💡 برای ساخت پادکست فارسی (روش دو مرحله‌ای):

اگر می‌خواهید پادکست شما به زبان فارسی باشد:

تولید سناریو: متن کتاب را همراه با پرامپت به ChatGPT یا Gemini بدهید تا متن گفت‌وگوی دو نفره فارسی را تولید کند.

تبدیل به صدا: متن آماده‌شده را وارد سرویس‌های صوتی هوشمند مانند ElevenLabs یا Murf.ai کنید و برای گوینده ۱ و ۲ صداهای متفاوت انتخاب کنید.

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🐍🤖 قسمت 12: اولین مدل Classification با scikit-learn

در قسمت قبل فهمیدیم Classification یعنی قرار دادن داده‌ها در دسته‌های مشخص.

حالا وقتشه اولین مدل دسته‌بندی خودمون رو با پایتون بسازیم! 🚀

💡 برای این کار از کتابخانه معروف scikit-learn استفاده می‌کنیم.

📌 فرض کنید می‌خواهیم مدلی بسازیم که بتواند دو نوع داده را از هم تشخیص دهد.

مراحل کار ما این است:

1️⃣ داده‌ها را آماده می‌کنیم.
2️⃣ داده‌ها را به بخش آموزش و آزمایش تقسیم می‌کنیم.
3️⃣ یک مدل Classification انتخاب می‌کنیم.
4️⃣ مدل را با داده‌های آموزشی آموزش می‌دهیم.
5️⃣ مدل را با داده‌های جدید آزمایش می‌کنیم.

💻 یک نمونه بسیار ساده:

from sklearn.tree import DecisionTreeClassifier

model = DecisionTreeClassifier()

🌳 اینجا از مدلی به نام Decision Tree استفاده کردیم.

درخت تصمیم مثل یک مسیر پرسش و پاسخ عمل می‌کند.

مثلاً برای تشخیص یک حیوان:

❓ آیا حیوان مو دارد؟
⬇️
❓ آیا چهار پا دارد؟
⬇️
🐶 سگ

البته در پروژه‌های واقعی، این تصمیم‌ها بر اساس داده‌ها و ویژگی‌های عددی انجام می‌شوند.

🤯 نکته جالب اینجاست که ما قوانین تشخیص را خودمان یکی‌یکی ننوشته‌ایم؛ مدل با استفاده از داده‌های آموزشی، الگوهای لازم را یاد می‌گیرد.

🎯 در قسمت بعدی، همین مدل را با داده واقعی آموزش می‌دهیم و اولین پیش‌بینی خودمان را انجام می‌دهیم.

👀 قسمت بعدی:
«آموزش مدل با داده‌های واقعی و گرفتن اولین پیش‌بینی 🚀»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🛠 آموزش امروز | 🎧 چطور نویز و صدای مزاحم را از فایل صوتی حذف کنیم؟

با ابزار Adobe Podcast – Enhance Speech می‌توانی در چند مرحله ساده کیفیت صدایت را بهتر کنی:

1️⃣ ورود به ابزار
وارد سایت Adobe Podcast شو و گزینه Enhance Speech را انتخاب کن.

⚠️ نکته:
برای استفاده از ابزار ممکن است به فیلترشکن نیاز داشته باشید و نیاز به لاگین دارد.

2️⃣ آپلود فایل صوتی
روی گزینه Upload بزن و فایل صوتی خودت را انتخاب کن. 🎵

3️⃣ پردازش با هوش مصنوعی 🤖
صبر کن تا هوش مصنوعی فایل را پردازش کند. در این مرحله نویز پس‌زمینه و اکو کاهش پیدا می‌کند.

4️⃣ مقایسه صدا
بعد از پردازش، صدای قبل و بعد را گوش کن تا تفاوت کیفیت را ببینی. 🎧

5️⃣ دریافت فایل نهایی
اگر نتیجه مناسب بود، روی Download بزن و نسخه بهبودیافته را ذخیره کن. 📥

✨ کاربردها:

🎙 ضبط پادکست
📚 ویدئوهای آموزشی
📱 تولید محتوای شبکه‌های اجتماعی
🎤 بهبود صدای ضبط‌شده با موبایل

💡 نکته: هرچه کیفیت صدای اولیه بهتر باشد، معمولاً نتیجه نهایی هم طبیعی‌تر خواهد بود.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

📢 خبر ویژه برای همراهان کانال! 🔥

از امروز در کنار آموزش‌های مفهومی، سلسله‌الگوها و آموزش‌های کاربردی ابزارهای هوش مصنوعی رو هم شروع می‌کنیم تا بتونید مستقیم در پروژه‌ها و کارهای روزمره‌تون ازشون استفاده کنید. 🚀

اولین پست مرتبط با این موضوع تبدیل نقاشی به سایت هست.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

🛠 آموزش امروز | تبدیل نقاشی به سایت با Lovable 🎨➡️💻

تا حالا شده ظاهر یک سایت را روی کاغذ بکشید و بخواهید همان طرح را به یک سایت واقعی تبدیل کنید؟ 🤯

با Lovable می‌توانید حتی از روی یک اسکچ یا تصویر، یک وب‌سایت واقعی بسازید!

🔹 مرحله 1 | ورود به Lovable

ابتدا وارد سایت Lovable شوید و با حساب کاربری خود Sign up / Log in کنید.

⚠️ نکته:
برای استفاده از Lovable ممکن است به فیلترشکن نیاز داشته باشید.

🔗 ورود به Lovable

🔹 مرحله 2 | ایجاد پروژه

یک پروژه جدید ایجاد کنید و وارد محیط ساخت سایت شوید.

🔹 مرحله 3 | آپلود نقاشی یا اسکچ

حالا تصویری که از طرح روی کاغذ گرفته‌اید را در پروژه آپلود کنید.

مثلاً فرض کنید روی کاغذ این موارد را کشیده‌اید:
📌 منوی بالای سایت
📌 تصویر اصلی
📌 دکمه ورود
📌 بخش محصولات
📌 فوتر

ابزار Lovable می‌تواند ساختار این طرح را بررسی کند و آن را به یک رابط کاربری واقعی تبدیل کند.

🔹 مرحله 4 | نوشتن Prompt

بعد از اضافه کردن تصویر، در بخش چت برای Lovable توضیح دهید که دقیقاً چه چیزی می‌خواهید.
مثلاً:

«این تصویر، طرح اولیه صفحه اصلی سایت من است. ساختار، چیدمان و سبک بصری آن را حفظ کن و یک صفحه وب مدرن، زیبا و کاملاً ریسپانسیو بر اساس آن ایجاد کن.»

✨ می‌توانید جزئیات بیشتری هم اضافه کنید؛ مثلاً:

«رنگ اصلی سایت آبی باشد، فونت فارسی استفاده شود، دکمه‌ها گوشه‌های گرد داشته باشند و طراحی برای موبایل و دسکتاپ ریسپانسیو باشد.»

🔹 مرحله 5 | ساخت سایت توسط هوش مصنوعی

حالا Lovable شروع به ساخت سایت می‌کند و نتیجه را در محیط پروژه به شما نشان می‌دهد.

در واقع فقط یک تصویر طراحی‌شده تحویل نمی‌گیرید؛ بلکه یک وب‌سایت واقعی و قابل اجرا ساخته می‌شود.

🔹 مرحله 6 | مشاهده Preview 👀

می‌توانید Preview سایت را ببینید و بررسی کنید که نتیجه چقدر به طرح اولیه نزدیک شده است.

اگر چیزی مناسب نبود، لازم نیست دوباره طراحی کنید!

فقط در چت بنویسید:

«رنگ دکمه‌ها را آبی کن.»

یا:

«بخش محصولات را به صورت کارت نمایش بده.»

یا:

«این صفحه را برای موبایل بهتر و کاملاً ریسپانسیو کن.»

|ابزار Lovable تغییرات را روی پروژه اعمال می‌کند. 🚀

🔹 مرحله 7 | دریافت و استفاده از کد 💻

یکی از نکات جالب Lovable این است که کدی که برای پروژه تولید شده متعلق به شماست و می‌توانید پروژه را با GitHub همگام‌سازی کنید و کد را در محیط‌های دیگر ادامه دهید.

یعنی می‌توانید از Lovable برای ساخت اولیه استفاده کنید و بعداً خودتان یا یک برنامه‌نویس، کد پروژه را توسعه دهید.

💰ابزار Lovable رایگان است یا پولی؟
هر دو! 😉

ابزار Lovable در حال حاضر یک پلن رایگان دارد که برای شروع مناسب است. در پلن رایگان، اعتبارهای محدودی برای ساخت پروژه در اختیار شما قرار می‌گیرد؛ طبق اطلاعات فعلی Lovable، پلن Free شامل ۵ اعتبار ساخت روزانه، تا سقف ۳۰ اعتبار در ماه است.

اگر پروژه‌های بیشتری بسازید یا به اعتبار بیشتری نیاز داشته باشید، می‌توانید از پلن‌های پولی استفاده کنید.

💡 بنابراین برای امتحان کردن تبدیل یک نقاشی ساده به سایت، لازم نیست از ابتدا هزینه‌ای پرداخت کنید.


📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

📝 درخشش نخبگان ایرانی در المپیاد جهانی هوش مصنوعی با کسب ۴ مدال

تیم ملی المپیاد هوش مصنوعی ایران با کسب یک مدال طلا، دو مدال نقره و یک مدال برنز در سومین المپیاد جهانی هوش مصنوعی (IOAI 2026)، بار دیگر توانمندی دانش‌آموزان ایرانی را در یکی از جدیدترین رقابت‌های علمی جهان به نمایش گذاشت.

در این دوره، شایان رضازاده موفق به کسب مدال طلا شد. همچنین محمدرضا درویشی و محمدامین نظم‌فر هر یک مدال نقره را به دست آوردند و مانی منجی‌پور نیز مدال برنز را از آن خود کرد.

المپیاد جهانی هوش مصنوعی (IOAI) از جدیدترین المپیادهای علمی بین‌المللی به شمار می‌رود و با هدف شناسایی و پرورش استعدادهای برتر دانش‌آموزی در حوزه هوش مصنوعی برگزار می‌شود. موفقیت تیم ایران در سومین دوره این رقابت‌ها، ادامه روند درخشش دانش‌آموزان ایرانی در المپیادهای علمی جهان در سال ۲۰۲۶ محسوب می‌شود.

📖 هوش مصنوعی برای دانش آموزان
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🤖🐍 قسمت 11: اولین مدل دسته‌بندی (Classification)

تا اینجا با مفاهیم اصلی یادگیری ماشین آشنا شدیم.

حالا وقتشه یک قدم عملی‌تر برداریم و با یکی از مهم‌ترین مسائل یادگیری ماشین آشنا بشیم: دسته‌بندی.

💡 دسته‌بندی یعنی چی؟

یعنی مدل یاد بگیرد یک داده را در یکی از گروه‌های مشخص قرار دهد.

📌 مثلاً:

📧 ایمیل → اسپم یا عادی
🐱🐶 تصویر → گربه یا سگ
🎓 دانش‌آموز → قبول یا مردود
💳 تراکنش → عادی یا مشکوک

🤖 در این مسائل، مدل با نمونه‌های قبلی آموزش می‌بیند و بعد برای یک داده جدید، کلاس (Class) مناسب را پیش‌بینی می‌کند.

📊 یک مثال ساده:

فرض کنید اطلاعات چند ایمیل را به مدل داده‌ایم:

📧 ایمیل ۱ → اسپم
📧 ایمیل ۲ → عادی
📧 ایمیل ۳ → اسپم
📧 ایمیل ۴ → عادی

مدل با بررسی ویژگی‌های این ایمیل‌ها، الگوها را یاد می‌گیرد.

حالا یک ایمیل جدید وارد می‌شود:

📩 «شما برنده جایزه شدید!»
🤖 مدل بررسی می‌کند و مثلاً پیش‌بینی می‌کند:

🚨 اسپم
🎯 این یعنی مدل یک Classification انجام داده است.

💡 نکته مهم:

در Classification، خروجی معمولاً یک دسته یا کلاس مشخص است.

مثلاً:

🟢 عادی
🔴 اسپم

یا:

🐱 گربه
🐶 سگ

🚀 در قسمت‌های بعدی، همین مفهوم را با پایتون و scikit-learn پیاده‌سازی می‌کنیم تا ببینیم یک مدل دسته‌بندی واقعاً چگونه ساخته و آموزش داده می‌شود.

👀 قسمت بعدی:
«اولین مدل Classification با scikit-learn 🐍🤖»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

📈🎯 قسمت 10: دقت (Accuracy) چیست و چگونه عملکرد مدل را می‌سنجیم؟

تا اینجا یاد گرفتیم که مدل با داده‌ها آموزش می‌بیند و تلاش می‌کند پیش‌بینی‌های بهتری انجام دهد.

اما یک سؤال مهم:

❓ از کجا بفهمیم یک مدل خوب کار می‌کند؟

اینجا مفهوم معیار ارزیابی (Evaluation Metric) وارد می‌شود.

💡 یکی از ساده‌ترین معیارها، دقت (Accuracy) است.

📌 واژه Accuracy یعنی چه؟

یعنی چند درصد از پیش‌بینی‌های مدل درست بوده‌اند.

مثلاً:
فرض کنید یک مدل تشخیص تصویر داریم که باید گربه و سگ را تشخیص دهد.

از ۱۰۰ تصویر:

✅ ۹۰ تصویر را درست تشخیص داده
❌ ۱۰ تصویر را اشتباه تشخیص داده

پس دقت مدل:

🎯 ۹۰٪ است.

🤖 اما آیا همیشه Accuracy کافی است؟
نه! 😮

در بعضی مسائل، فقط نگاه کردن به دقت می‌تواند گمراه‌کننده باشد.

مثلاً در تشخیص یک بیماری نادر، ممکن است یک مدل بگوید همه افراد سالم هستند و دقت بالایی هم داشته باشد، اما عملکرد واقعی خوبی نداشته باشد.

به همین دلیل در پروژه‌های واقعی، معیارهای دیگری مثل:

📌 Precision
📌 Recall
📌 F1-score

هم بررسی می‌شوند.

💡 یک نکته مهم:

یک مدل خوب فقط مدلی نیست که عدد دقت بالایی داشته باشد؛

بلکه باید در شرایط واقعی هم عملکرد قابل اعتماد داشته باشد.

🚀 تا اینجا با مفاهیم پایه یادگیری ماشین آشنا شدیم:

✅ داده
✅ Feature و Label
✅ آموزش مدل
✅ ارزیابی مدل

حالا آماده‌ایم وارد ساخت مدل‌های واقعی‌تر با پایتون شویم 🐍

👀 قسمت بعدی:

«اولین مدل دسته‌بندی (Classification) را با پایتون می‌سازیم 🤖🐍»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🤖📚 قسمت 9: مدل چگونه یاد می‌گیرد؟

تا اینجا فهمیدیم که مدل با داده‌های آموزشی کار می‌کند. اما سؤال اصلی این است:

❓ آیا مدل واقعاً «فکر» می‌کند؟

جواب کوتاه: خیر! 😄

مدل نه فکر می‌کند، نه احساس دارد و نه مفهوم داده‌ها را درک می‌کند.

فقط با استفاده از الگوهای موجود در داده‌ها یاد می‌گیرد.

📌 یک مثال ساده:
فرض کنید می‌خواهیم مدلی بسازیم که قیمت خانه را پیش‌بینی کند.
ابتدا مدل هیچ چیزی نمی‌داند و ممکن است برای یک خانه، قیمت کاملاً اشتباهی پیش‌بینی کند.

مثلاً:
🏠 قیمت واقعی: ۸ میلیارد تومان
🤖 پیش‌بینی مدل: ۵ میلیارد تومان

یعنی مدل اشتباه کرده است.

حالا چه اتفاقی می‌افتد؟

مدل مقدار خطای خود را محاسبه می‌کند و سعی می‌کند تنظیمات داخلی‌اش را کمی تغییر دهد تا دفعه بعد پیش‌بینی بهتری داشته باشد.

🔁 این فرآیند بارها و بارها تکرار می‌شود.

هر بار:
✅ پیش‌بینی می‌کند.
✅ خطای خودش را محاسبه می‌کند.
✅ خودش را اصلاح می‌کند.

کم‌کم پیش‌بینی‌های مدل دقیق‌تر و دقیق‌تر می‌شوند. 🎯

💡 به همین دلیل به این مرحله آموزش مدل (Training) می‌گویند.

هرچه داده‌های بیشتری در اختیار مدل باشد و آموزش به‌درستی انجام شود، معمولاً نتیجه هم بهتر خواهد بود.

🚀 نکته مهم:

مدل با هر بار تمرین، سعی می‌کند خطای خود را کمتر کند.

این دقیقاً همان چیزی است که باعث «یادگیری» آن می‌شود.

👀 قسمت بعدی:

«دقت (Accuracy) چیست و چگونه عملکرد یک مدل را اندازه‌گیری می‌کنیم؟ 📈🎯»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🧪📊 قسمت 8: داده‌های آموزشی و آزمایشی چه تفاوتی دارند؟

تا اینجا فهمیدیم که مدل یادگیری ماشین با استفاده از داده‌ها یاد می‌گیرد.

اما یک سؤال مهم وجود دارد:

❓ از کجا بفهمیم مدل واقعاً یاد گرفته است؟

🤔 اگر تمام داده‌ها را برای آموزش به مدل بدهیم، دیگر نمی‌توانیم به‌درستی بررسی کنیم که آیا مدل توانایی پیش‌بینی داده‌های جدید را دارد یا نه.

به همین دلیل، دیتاست را معمولاً به دو بخش تقسیم می‌کنیم:

📚 1️⃣ داده‌های آموزشی (Training Data)

این بخش برای آموزش مدل استفاده می‌شود.

مدل با بررسی این داده‌ها، الگوها و روابط بین Featureها و Labelها را یاد می‌گیرد 🤖

🧪 2️⃣ داده‌های آزمایشی (Test Data)

این داده‌ها هنگام آموزش مدل استفاده نمی‌شوند.

بعد از آموزش، داده‌های آزمایشی را به مدل می‌دهیم تا ببینیم چقدر خوب می‌تواند نتیجه را پیش‌بینی کند 📊

📌 یک مثال ساده:

فرض کنید ۱۰۰۰ نمونه داده داریم:

📚 ۸۰۰ نمونه → آموزش مدل
🧪 ۲۰۰ نمونه → آزمایش مدل

مدل با ۸۰۰ نمونه یاد می‌گیرد و سپس با ۲۰۰ نمونه جدید امتحان می‌شود.

🎯 درست مثل مدرسه:

📖 تمرین‌ها = داده‌های آموزشی
📝 امتحان = داده‌های آزمایشی

اگر مدل فقط جواب تمرین‌ها را حفظ کرده باشد، در امتحان جدید عملکرد خوبی نخواهد داشت 😅

💡 هدف اصلی این است که مدل بتواند داده‌های جدیدی را که قبلاً ندیده است هم به‌درستی پیش‌بینی کند.

👀 قسمت بعدی:
«آموزش مدل با داده‌ها چگونه انجام می‌شود؟ 🤖📚»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 آموزش هوش مصنوعی
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🏷🤖 قسمت 7: ویژگی (Feature) و برچسب (Label) چیست؟

اگر می‌خواهی یادگیری ماشین را واقعاً یاد بگیری، باید با دو مفهوم بسیار مهم آشنا شوی: Feature و Label.

💡 ویژگی (Feature)
ویژگی‌ها همان اطلاعاتی هستند که به مدل می‌دهیم تا از آن‌ها یاد بگیرد.

مثلاً اگر بخواهیم قیمت یک خانه را پیش‌بینی کنیم، ویژگی‌ها می‌توانند این‌ها باشند:

🏠 متراژ خانه
🛏 تعداد اتاق‌ها
📍 موقعیت مکانی
🏗 سال ساخت

این اطلاعات به مدل کمک می‌کنند تا الگوها را پیدا کند.

💡 برچسب (Label)

برچسب، همان جواب درست یا نتیجه‌ای است که می‌خواهیم مدل آن را یاد بگیرد.

در مثال قیمت خانه، قیمت واقعی خانه همان Label است.

📊 یک مثال ساده:

در اینجا Featureها:
📏 متراژ: ۱۲۰ متر
🛏 اتاق: ۳
🏗 سال ساخت: ۱۴۰۰

در اینجا Label:
💰 قیمت: ۸ میلیارد تومان

🤖 مدل با دیدن هزاران نمونه مشابه، یاد می‌گیرد که بین Featureها و Label چه رابطه‌ای وجود دارد.

🎯 به زبان خیلی ساده:

✅ اطلاعات ورودی = Feature
✅ پاسخ صحیح یا خروجی مورد انتظار = Label

هرچه Featureها دقیق‌تر و باکیفیت‌تر باشند، مدل هم معمولاً پیش‌بینی بهتری انجام می‌دهد.

👀 قسمت بعدی:
«داده‌های آموزشی (Training Data) و داده‌های آزمایشی (Test Data) چه تفاوتی دارند؟ 🧪📊»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

❤️📊 قسمت 6: دیتاست (Dataset) چیست و چرا قلب یادگیری ماشین است؟

تا اینجا چند بار اسم «داده» و «دیتاست» را شنیدیم. اما دیتاست دقیقاً چیست؟ 🤔

💡 دیتاست یعنی مجموعه‌ای از داده‌های مرتب و سازمان‌دهی‌شده که مدل یادگیری ماشین از آن‌ها برای آموزش استفاده می‌کند.

📌 یک مثال ساده:
فرض کنید می‌خواهیم مدلی بسازیم که قیمت خانه را پیش‌بینی کند.

دیتاست ما می‌تواند چیزی شبیه این باشد:

🏠 خانه اول: ۸۰ متر، ۲ اتاق، قیمت ۵ میلیارد تومان
🏠 خانه دوم: ۱۲۰ متر، ۳ اتاق، قیمت ۸ میلیارد تومان
🏠 خانه سوم: ۱۵۰ متر، ۴ اتاق، قیمت ۱۱ میلیارد تومان

هرچه تعداد این نمونه‌ها بیشتر و کیفیت آن‌ها بهتر باشد، مدل هم بهتر یاد می‌گیرد. 🚀

📊 در یک دیتاست، هر سطر معمولاً یک نمونه (Sample) است و هر ستون یک ویژگی (Feature).

مثلاً در مثال بالا:

متراژ یک ویژگی است.
تعداد اتاق‌ها یک ویژگی دیگر است.
قیمت، مقداری است که مدل باید آن را یاد بگیرد و پیش‌بینی کند.

⚠️ اگر دیتاست ناقص، اشتباه یا خیلی کوچک باشد، حتی بهترین مدل‌های هوش مصنوعی هم نتیجه خوبی نخواهند داشت.

💡 به همین دلیل، متخصصان هوش مصنوعی معمولاً زمان زیادی را صرف جمع‌آوری و آماده‌سازی داده‌ها می‌کنند.

🎯 یک جمله مهم را همیشه به خاطر داشته باشید:
کیفیت مدل، به کیفیت دیتاست وابسته است.

👀 قسمت بعدی:
«ویژگی (Feature) و برچسب (Label) چیست؟ دو مفهوم مهم در یادگیری ماشین 🏷🤖»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🆔 : @StudentAI

#فصل_چهارم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🏠📈 قسمت 5: اولین پروژه واقعی؛ پیش‌بینی قیمت خانه با یادگیری ماشین

حالا وقت آن رسیده که ببینیم یک مدل یادگیری ماشین در دنیای واقعی چگونه استفاده می‌شود. 🚀

فرض کنید می‌خواهیم قیمت یک خانه را پیش‌بینی کنیم.

برای این کار، اطلاعات خانه‌های مختلف را به مدل می‌دهیم، مانند:

🏠 متراژ خانه
🛏 تعداد اتاق‌ها
📍 موقعیت مکانی
🏗 سال ساخت

و در کنار این اطلاعات، قیمت واقعی هر خانه را هم به مدل نشان می‌دهیم.

🤖 مدل این داده‌ها را بررسی می‌کند و به‌تدریج رابطه بین ویژگی‌های خانه و قیمت آن را یاد می‌گیرد.

حالا اگر اطلاعات یک خانه جدید را به مدل بدهیم، می‌تواند قیمت تقریبی آن را پیش‌بینی کند. 😍

📌 این دقیقاً همان کاری است که بسیاری از سایت‌های خرید و فروش ملک، بانک‌ها و شرکت‌های بزرگ انجام می‌دهند.

💡 نکته مهم:

مدل، قیمت را حفظ نمی‌کند؛
بلکه الگوهای موجود در داده‌ها را یاد می‌گیرد و بر اساس آن‌ها پیش‌بینی می‌کند.

🎯 یادگیری ماشین فقط برای پیش‌بینی قیمت خانه نیست؛ از همین روش برای موارد زیر هم استفاده می‌شود:

🚗 پیش‌بینی قیمت خودرو
📈 پیش‌بینی فروش محصولات
🌦 پیش‌بینی وضعیت آب‌وهوا
💳 تشخیص تراکنش‌های مشکوک بانکی

امروز اولین کاربرد واقعی یادگیری ماشین را شناختیم. از قسمت بعد، کم‌کم وارد ساخت مدل‌های کاربردی‌تر و کار با داده‌های واقعی می‌شویم. 🚀

👀 قسمت بعدی:
«دیتاست (Dataset) چیست و چرا قلب یادگیری ماشین است؟ ❤️📊»

❤️ اگر این آموزش برات مفید بود، بعد از مطالعه یک ری‌اکشن برامون بذار.

📖 هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🆔 : @StudentAI