چکیده

برنامه نویسی «هوش مصنوعی»[1] روشی برای پیاده‌سازی پروژه‌های هوش مصنوعی است و امروزه یکی از مهم‌ترین و پرکاربردترین حوزه‌ها در علوم کامپیوتر به حساب می‌آید. هوش مصنوعی دارای بخش‌های زیادی از جمله «یادگیری عمیق»[2] و «شبکه‌های عصبی»[3] است که با استفاده از آن‌ها می‌توان پروژه‌های هوش مصنوعی را پیاده‌سازی کرد. همچنین رسیدن به راه‌حل بهینه با استفاده از هوش مصنوعی هنوز چالش‌های زیادی دارد که باید بررسی شوند؛ به همین دلیل نوع برنامه نویسی هوش مصنوعی و زبان آن برای حل مسائل حائز اهمیت است. در این مقاله به این سوال پاسخ داده شده که برنامه نویسی هوش مصنوعی چیست و به مسیر شروع یادگیری آن پرداخته شده است. به علاوه، در این نوشتار زبان‌های ساخت هوش مصنوعی و ابزارهای مورد نیاز آن‌ها نیز مورد بررسی قرار گرفته‌اند.

کلمات کلیدی:

هوش مصنوعی، برنامه نویسی، یادگیری عمیق

مقدمه و بیان مسئله

برنامه نویسی «هوش مصنوعی» (AI) روشی برای پیاده‌سازی پروژه‌های هوش مصنوعیمی باشد که امروزه یکی از مهم‌ترین و پرکاربردترین برنامه نویسی محسوب می شود، که با استفاده از آن‌ها می‌توان پروژه‌های هوش مصنوعی را پیاده‌سازی کرد. البته رسیدن به راه‌حل بهینه با استفاده از هوش مصنوعی هنوز چالش‌های زیادی دارد که باید بررسی گردند؛ به همین دلیل نوع برنامه نویسی هوش مصنوعی و زبان آن برای حل مسائل دارای اهمیت می باشد

هوش مصنوعی در برنامه نویسی کاربردهای مهم و فراوانی دارد. هر روز بر تعداد طراحان و توسعه‌دهندگان وبسایت که از هوش مصنوعی در وب دیزاین کمک می‌گیرند، افزوده می‌شود. چنانچه نگاهی به تاریخچه هوش مصنوعی بیندازیم، متوجه می‌شویم که سپردن کارها به ماشین از رویاهای دیرین انسان به شمار می رفته است. هوش مصنوعی با آن ایده‌ی اولیه تکامل یافت و ثابت کرد می تواند کارها را بهتر از انسان‌ها انجام دهد.

دلیل اصلی آن روند رو به رشد استفاده از هوش مصنوعی برای طراحی سایت این است که کاربران و مصرف‌کنندگان از امکانات و قابلیت‌‌هایی که هوش مصنوعی به محصولات دیجیتال اضافه می‌کند، استقبال می‌کنند. AI ساختن محصولاتی را ممکن کرده است که مستقیما بر شیوه‌ی کار و زندگی کاربران اثر مثبت می‌گذارد. برای مثال، کاربران دستیارهای صوتی را دوست دارند و از آن‌ها استفاده می‌کنند. هوش مصنوعی و زیرشاخه‌های مهم آن، یعنی ماشین لرنینگ و دیپ لرنینگ، پردازش زبان طبیعی را ممکن می سازد.

 این مقاله به  کاربرد و رابطه همزیستی بین هوش مصنوعی، ML و برنامه‌نویسی می‌پردازد، کاربردهای فعلی، پتانسیل‌های آینده و ملاحظات اخلاقی همراه با این هم‌گرایی فن‌آوری را بررسی می‌کند.

اهمیت موضوع:

هوش مصنوعی یکی از شاخه‌هاي مطالعاتی علوم کامپیوتر محسوب میشود که هدف آن ساخت سیستمهاي مصنوعی هوشمندي است که بتوانند مجموعهاي از وظایف را با کیفیت بالا انجام دهند. در اوایل دوران ظهور هوش مصنوعی، هدف این بود ابزارهایی تولید شوند که قادر باشند محاسبات ریاضیاتی را انجام دهند. در ده‌ههاي اخیر، با گسترش پژوهشهاي مختلف پیرامون نحوه عملکرد ذهن انسان در پردازش و درك اطلاعات و تلاش براي ساخت سیستمهایی مشابه با مغز انسان، دیگر کاربرد هوش مصنوعی محدود به انجام محاسبات ساده نمی‌شود و میتوان تاثیر شگرف آن را در تمامی جنبه‌هاي زندگی مشاهده کرد .زمان توسعه کامپیوتر دیجیتال در ده‌ه ،1940نشان داده شده است که کامپیوترها را میتوان براي انجام کارهاي بسیار مشکل برنامه‌ریزي کرد، بهطوري که برخی از برنامه‌ها در انجام برخی وظایف خاص به سطح کارایی یک انسان متخصص رسیده‌اند. به بیانی دیگر، از وقتی کامپیوترها یا ماشینها اختراع شدهاند، توانایی آنها براي انجام وظایف مختلف بهطور تصاعدي افزایش یافته است. یکی از اهداف اصلی هوش مصنوعی در کامپیوتر حل مسائل از طریق کامپیوتر است، چراکه شبیه‌سازي یا بازسازي تواناییهاي ذهن انسان سالهاست جزو تحقیقات دانشمندان بوده است(دنگ 2014(

به گفته پدر هوش مصنوعی، جان مک کارتی، هوش مصنوعی علم و مهندسی ساخت ماشینهاي هوشمند، بهویژه برنامه‌هاي کامپیوتري هوشمند است. هوش مصنوعی راهی است براي ایجاد تفکر هوشمندانه از یک کامپیوتر به روشی که انسانهاي باهوش فکر میکنند. سیستم عامل مبتنی بر هوش مصنوعی شامل کرنل، پوسته و خدمات سیستم است. کاربر براي خدمات پوسته با ترمینال تعامل دارد. در حقیقت، خدمات هوش مصنوعی در کامپیوتر، اجزائی مرتبط با احراز هویت، مجوز، زمانبندي، مدیریت فایلها و گزارشدهی هستند. این سیستمعامل براي مدلسازي داده‌هاي مبتنی بر هوش مصنوعی، یادگیري ماشینی و یادگیري عمیق مفید خواهد بود. داده‌ها باید براي آموزش، آزمایش و اجراي مدلهاي هوش مصنوعی پردازش و تجزیه و تحلیل شوند. مدیریت و ادغام با منابع داده‌هاي مختلف در سیستم عامل آسان خواهد بود، زیرا مبتنی بر هوش مصنوعی است.

سوال پژوهش

کاربرد هوش مصنوعی در برنامه نویسی چگونه می باشد؟

روش تحقیق

این مقاله بر پایه یک مطالعه مروري انجام شده و بر اساس مشاهده و مستندسازي تکمیل گشته است. بخش نخست براساس مطالعات کتابخانهاي و جستجوهاي اینترنتی در پایگاه‌هاي معتبر داده اي همچونScholar Google, , Noormgas, SID Science Directو جستجوي پیشرفته در گوگل صورت گرفت.

هوش مصنوعی چیست ؟

به طور کلی در یک جمله می‌توان گفت که هوش مصنوعی، شبیه‌سازی پردازش‌های مغز انسان توسط ماشین و به طور خاص، با استفاده از سیستم‌های کامپیوتری است. همان‌طور که مشخص است، مغز انسان بیشتر فعالیت‌های خود را بر اساس آموزش‌های پیشینش انجام می‌دهد. از این رو در این شبیه‌سازی، سیستم‌های هوش مصنوعی نیز با استفاده از آموزش‌هایی که دریافت می‌کنند، نتایجی را به عنوان خروجی ارائه می‌دهند. این شبیه‌سازی‌ها، آموزش‌ها، سیستم‌ها و الگوهای موجود با استفاده از برنامه نویسی ایجاد می‌شوند و در حوزه‌های متفاوت بسیاری مورد استفاده قرار می‌گیرند.

از کاربردهای بسیار مهم هوش مصنوعی می‌توان به «سیستم‌های خبره» (Expert System)، «پردازش زبان طبیعی» (Natural Language Processing | NLP)، «تشخیص یا بازشناسی گفتار» (Speech Recognition) و «بینایی ماشین» (Machine Vision) اشاره کرد. یکی از دروس مهم دوره کارشناسی رشته کامپیوتر، درس هوش مصنوعی است که دانشجویان می‌توانند به وسیله این درس با حوزه جذاب و آینده‌دار هوش مصنوعی آشنا شوند. همچنین، یکی از اصول بسیار مهم طراحی و ساخت سیستم‌‌های هوش مصنوعی، یادگیری زبان برنامه نویسی مناسب آن است، به همین دلیل بخش بعدی به بررسی برنامه نویسی هوش مصنوعی اختصاص دارد. [1]

برنامه نویسی هوش مصنوعی چیست ؟

پاسخ این سوال بسیار گسترده است و می‌تواند موارد مختلفی برای پیاده‌سازی و انجام یک وظیفه خاص از ایجاد و کدنویسی برنامه‌هایی برای تشخیص الگو در یادگیری ماشین گرفته تا توسعه سیستم‌های خبره را شامل شود. معمولاً برنامه نویسی هوش مصنوعی بر اساس مسئله تعریف شده، انجام می‌شود و نمود پیدا می‌کند. به عبارتی دیگر زمانی که یک پروژه تعریف می‌شود، بر اساس نیاز و هدف‌های پروژه، برنامه نویسی هوش مصنوعی آن انجام خواهد شد. برنامه نویسی هوش مصنوعی پس از پژوهش و یافتن مسیر صحیح ساخت پروژه انجام می‌شود و می‌توان آن را به سه بخش کلی زیر تقسیم کرد:

• آماده‌سازی و «پیش پردازش» [4] داده‌ها
• طراحی الگو، مدل و هسته اصلی پروژه
• آزمایش و ایجاد نتایج نهایی پروژه

هر کدام از بخش‌های فوق می‌توانند با زبان برنامه نویسی متفاوتی ایجاد شوند و از خروجی‌های آن‌ها برای بخش بعدی استفاده شود. بخش‌های مختلف پروژه برنامه نویسی هوش مصنوعی با یکدیگر متفاوت هستند و می‌توان برای پیاده‌سازی (کدنویسی) ساده‌تر هر یک از روش‌های به کار گرفته شده در هوش مصنوعی، فریم‌ورک‌ها و کتابخانه‌های مربوط به آن رویکرد خاص را استفاده کرد. در پروژه‌های بزرگ هوش مصنوعی، همه این وظایف را یک شخص انجام نمی‌دهد و هر کدام وظیفه متخصص مربوط به خودش است.

برای مثال بخش اول که مرتبط با آماده‌سازی و پیش پردازش پروژه است، توسط «تحلیل‌گرهای داده
 (Data Analyst)، «دانشمندان داده» (Data Scientist) و «مهندسان داده» (Data Engineer) انجام می‌شود. بخش‌های بعدی نیز می‌تواند وظیفه متخصص یادگیری ماشین یا هوش مصنوعی در حوزه مرتبط با پروژه باشد. بخش بعدی مقاله «برنامه نویسی هوش مصنوعی چیست» انواع زبان‌های برنامه نویسی هوش مصنوعی معرفی شده‌اند. [1]

انواع زبان های برنامه نویسی هوش مصنوعی چیست ؟

سیستم‌های هوش مصنوعی مزایای بسیار زیادی را به همراه دارند و به همین دلیل صرف زمان و هزینه در این حوزه منطقی است و انتخاب درستی به نظر می‌رسد. استفاده از هوش مصنوعی برای بهبود موارد زیر بسیار مفید است:

• «تجربه کاربری»[5]
•  تصمیم‌گیری هوشمند
• اتوماسیون هوشمند
• حداقل‌سازی خطاها
• «تجزیه و تحلیل داده‌ها» [6]
• توسعه هوشمند

با این‌حال پس از انتخاب استفاده از هوش مصنوعی در سیستم خود، یک انتخاب دشوار دیگر نیز وجود دارد و آن انتخاب، زبان برنامه نویسی مورد استفاده در آن کاربرد خاص هوش مصنوعی است. با وجود این‌که زبان‌های بسیاری وجود دارند که می‌توان از آن‌ها در برنامه نویسی هوش مصنوعی استفاده کرد، باید نسبت به عملکرد پروژه، زبان مناسب آن انتخاب شود. پس از انتخاب زبان برنامه نویسی مناسب می‌توان مسیر یادگیری هوش مصنوعی را نیز مورد بررسی قرار داد. در این بخش فهرستی از چند زبان برنامه نویسی هوش مصنوعی معرفی شده‌اند. ابتدا به بررسی زبان برنامه نویسی «پایتون» (Python) پرداخته می‌شود. [1]

I. درک هوش مصنوعی و یادگیری ماشین:

1-هوش مصنوعی:

هوش مصنوعی به توسعه سیستم های کامپیوتری اشاره دارد که می‌توانند وظایفی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این شامل حل مسئله، تشخیص گفتار، یادگیری و تصمیم گیری است. هوش مصنوعی مفهومی گسترده است که زیرشاخه های مختلفی مانند یادگیری ماشینی، پردازش زبان طبیعی و بینایی کامپیوتر را در بر می‌گیرد. [2]

2. یادگیری ماشینی:

یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است که بر روی توانمند ساختن ماشین‌ها برای یادگیری از داده‌ها و بهبود عملکردشان در طول زمان بدون برنامه‌ریزی صریح تمرکز دارد. الگوریتم‌های ML از تکنیک‌های آماری برای شناسایی الگوها در داده‌ها استفاده می‌کنند و به سیستم‌ها اجازه می‌دهند تا بر اساس اطلاعات جدید پیش‌بینی یا تصمیم‌گیری کنند. [2]

II. ادغام هوش مصنوعی و ML در برنامه نویسی:

1. تولید کد خودکار:

یکی از مهمترین تأثیرات هوش مصنوعی و ML در برنامه نویسی، توانایی خودکارسازی تولید کد است. ابزارهای AutoML (یادگیری ماشین خودکار) از الگوریتم های ML برای تجزیه و تحلیل داده ها و تولید کد استفاده می‌کنند، فرآیند توسعه را ساده می‌کنند و نیاز به کدگذاری دستی را کاهش می‌دهند. این نه تنها کارایی را افزایش می‌دهد، بلکه احتمال خطاهای انسانی را نیز به حداقل می‌رساند. [2]

2. تجزیه و تحلیل پیش بینی و تشخیص اشکال:

الگوریتم‌های هوش مصنوعی و ML در تحلیل پیش‌بینی برتر هستند و این قابلیت برای شناسایی باگ‌ها و آسیب‌پذیری‌های احتمالی در کد استفاده می‌شود. با تجزیه و تحلیل الگوها و داده‌های تاریخی، این سیستم‌ها می‌توانند مناطقی از یک برنامه را که مستعد خطا هستند پیش‌بینی کنند، و به توسعه‌دهندگان این امکان را می‌دهند تا پیش از بروز مشکلات، پیشگیرانه به آنها رسیدگی کنند. [2]

3. بهینه سازی و بهبود عملکرد:

تکنیک‌های بهینه‌سازی مبتنی بر هوش مصنوعی نقش مهمی در افزایش عملکرد برنامه‌ها دارند. الگوریتم های ML می‌توانند رفتار سیستم و تعاملات کاربر را برای بهینه سازی کد برای پاسخگویی بهتر و استفاده از منابع تجزیه و تحلیل کنند. این به ویژه در برنامه های کاربردی با منابع فشرده مانند پردازش ویدئو، بازی و شبیه سازی های علمی بسیار ارزشمند است. [2]

4. پردازش زبان طبیعی برای برنامه نویسی:

پیشرفت در پردازش زبان طبیعی (NLP) راه را برای رابط های برنامه نویسی بصری تر هموار کرده است. توسعه‌دهندگان اکنون می‌توانند با استفاده از زبان طبیعی با محیط‌های برنامه‌نویسی تعامل داشته باشند و رویکرد کاربرپسندتر و در دسترس‌تری را برای کدنویسی فراهم کنند. این به ویژه برای کسانی که تجربه برنامه نویسی محدودی دارند مفید است. [2]

کاربردهای برنامه نویسی هوش مصنوعی چیست ؟

می‌توان گفت که امروزه تقریباً هوش مصنوعی در همه زمینه‌های مهم کاربرد دارد. در سال‌های اخیر با تکامل و پیشرفت کلان داده‌ها، هوش مصنوعی و یادگیری ماشین نیز شروع به تکامل کرده‌اند. از آنجایی که کار روی هوش مصنوعی به ذخیره تعداد زیادی داده نیاز دارد، با پیشرفت روش‌های ذخیره اطلاعات و داده‌های حجیم، کاربردهای هوش مصنوعی نیز افزایش یافته است. در گذشته ذخیره این داده‌ها به دلیل نبود زیرساخت سخت افزاری مناسب کار سختی به حساب می‌آمد، از این رو برنامه نویسی هوش مصنوعی کاربرد زیادی نداشت. برخی از کاربردهای رایج هوش مصنوعی در ادامه ارائه شده‌اند: [3]

• «تشخیص چهره» (Facial Recognition)
• «اینترنت اشیا» (Internet Of Things | IoT)
• خدمات درمانی مانند تشخیص سرطان و تومور
• ربات‌های صنعتی
• اتوموبیل‌های خودران
• هدایت موشک در سیستم‌های دفاعی
• «امنیت سایبری» (Cybersecurity)
• افزایش بازدیدکننده‌های وب سایت‌ها

III. کاربردهای فعلی هوش مصنوعی و ML در برنامه نویسی:

1. تکمیل کد و پیشنهادات:

ابزارهای تکمیل کد مبتنی بر هوش مصنوعی، مانند TabNine و Kite، از مدل‌های ML برای تجزیه و تحلیل متن کد و پیشنهاد تکه‌ها یا تکمیل‌های مربوطه استفاده می‌کنند. این به طور قابل توجهی روند کدگذاری را سرعت می‌بخشد و به برنامه نویسان کمک می‌کند تا الگوهای کد کارآمدتر و مقاوم در برابر خطا را کشف کنند. [4]

2. کنترل نسخه و همکاری:

هوش مصنوعی به طور فزاینده ای در سیستم های کنترل نسخه ادغام می‌شود تا به حل تعارض و ادغام کد کمک کند. الگوریتم‌های ML تغییرات کد و داده‌های تاریخی را برای پیش‌بینی تضادهای احتمالی تجزیه و تحلیل می‌کنند و همکاری نرم‌تر را بین توسعه‌دهندگانی که روی همان پروژه کار می‌کنند تسهیل می‌کند.

3. تست خودکار و تضمین کیفیت:

الگوریتم‌های ML در فرآیندهای تست خودکار برای شناسایی مشکلات احتمالی در کد استفاده می‌شوند. این ابزارها می‌توانند سناریوها و شرایط ورودی مختلف را شبیه سازی کنند تا از استحکام و قابلیت اطمینان نرم افزار اطمینان حاصل کنند و نیاز به آزمایش دستی گسترده را کاهش دهند.

4. بازسازی و نگهداری کد:

ابزارهای مبتنی بر هوش مصنوعی با تجزیه و تحلیل پایگاه‌های کد و پیشنهاد بهبودهایی برای خوانایی، نگهداری و عملکرد بهتر، به بازسازی کد کمک می‌کنند. این امر به ویژه در پروژه های مقیاس بزرگ که در آن بازسازی دستی می‌تواند زمان بر و مستعد خطا باشد بسیار ارزشمند است. [4]

IV. پتانسیل های آینده و روندهای نوظهور:

1. سیستم های کدنویسی مستقل:

توسعه سیستم‌های کدنویسی مستقل، که به عنوان «رمزگذاران هوش مصنوعی» نیز شناخته می‌شوند، یک روند در حال ظهور است. هدف این سیستم ها نه تنها کمک کردن، بلکه تولید خودکار کد بر اساس دستورالعمل های سطح بالا است. در حالی که این فناوری در مراحل اولیه خود است، این پتانسیل را دارد که توسعه نرم افزار را با خودکارسازی وظایف معمول کدگذاری متحول کند.

2. اشکال زدایی کد مبتنی بر هوش مصنوعی:

کاربردهای آینده هوش مصنوعی در برنامه نویسی ممکن است شامل قابلیت های پیشرفته اشکال زدایی کد باشد. الگوریتم‌های ML می‌توانند رفتار زمان اجرا، تعاملات کاربر و گزارش‌های سیستم را تجزیه و تحلیل کنند تا باگ‌ها را در زمان واقعی شناسایی و برطرف کنند و مرحله اشکال‌زدایی در توسعه نرم‌افزار را کاهش دهند. [4]

 3. محیط های برنامه نویسی شخصی شده:

هوش مصنوعی می‌تواند به ایجاد محیط‌های برنامه‌نویسی شخصی‌شده کمک کند که با سبک کدنویسی و ترجیحات توسعه‌دهندگان منطبق باشد. این می‌تواند منجر به تجربه کدنویسی کارآمدتر و لذت بخش تر شود و در نهایت بهره وری را بهبود بخشد.

4. یادگیری مستمر و سازگاری:

همانطور که مدل‌های هوش مصنوعی و ML به تکامل خود ادامه می‌دهند، سیستم‌های برنامه‌نویسی ممکن است قادر به یادگیری و انطباق مداوم شوند. این نرم افزار را قادر می‌سازد تا در طول زمان تکامل یافته و بهبود یابد و به طور پویا به نیازهای کاربر در حال تغییر و پیشرفت های فناوری پاسخ دهد. [4]

V. ملاحظات و چالش های اخلاقی:

1. تعصب در الگوریتم های هوش مصنوعی:

ادغام هوش مصنوعی در برنامه نویسی نگرانی هایی را در مورد سوگیری بالقوه در الگوریتم ها ایجاد می‌کند. اگر داده‌های آموزشی مغرضانه باشد، مدل‌های هوش مصنوعی ممکن است نابرابری‌های موجود را تداوم و تقویت کنند. پرداختن به سوگیری در الگوریتم های هوش مصنوعی برای اطمینان از نتایج منصفانه و عادلانه در توسعه نرم افزار بسیار مهم است. [5]

2. جابجایی شغل و مهارت مجدد:

اتوماسیون وظایف کدگذاری از طریق هوش مصنوعی و ML به نگرانی‌هایی در مورد جابجایی شغل در صنعت برنامه‌نویسی منجر شده است. با خودکار شدن وظایف معمول، نیاز به برنامه های مهارت آموزی و ارتقاء مهارت وجود دارد تا اطمینان حاصل شود که نیروی کار مرتبط و سازگار با چشم انداز در حال تحول باقی می‌ماند. [6]

3. مسائل امنیتی و حریم خصوصی:

استفاده از هوش مصنوعی و ML در برنامه نویسی چالش های جدیدی را در رابطه با امنیت و حریم خصوصی ایجاد می‌کند. سیستم‌های مستقل ممکن است به‌طور ناخواسته آسیب‌پذیری‌هایی را معرفی کنند و حجم عظیم داده‌ای که برای آموزش مدل‌های ML مورد نیاز است، نگرانی‌هایی را در مورد حفظ حریم خصوصی داده‌ها و سوءاستفاده احتمالی ایجاد می‌کند. [7]

 4. شفافیت و توضیح پذیری:

کدورت برخی از مدل‌های هوش مصنوعی و ML چالش‌هایی را در رابطه با شفافیت و توضیح‌پذیری ایجاد می‌کند. توسعه دهندگان و ذینفعان ممکن است درک کنند که چگونه سیستم های مبتنی بر هوش مصنوعی به تصمیمات خاصی می‌رسند، که منجر به عدم اعتماد می‌شود، مشکل باشد. تضمین شفافیت و توضیح پذیری برای استقرار اخلاقی این فناوری ها بسیار مهم است. [8]

نتیجه گیری :

در نتیجه، ادغام هوش مصنوعی و یادگیری ماشین در برنامه نویسی، چشم انداز توسعه نرم افزار را تغییر می‌دهد. از تولید خودکار کد گرفته تا بهینه سازی عملکرد و افزایش همکاری، این فناوری ها مزایای بی شماری را ارائه می‌دهند. با این حال، ملاحظات و چالش های اخلاقی باید برای اطمینان از استفاده مسئولانه و عادلانه مورد توجه قرار گیرد. همانطور که ما در حال حرکت در تقاطع در حال تکامل هوش مصنوعی، ML، و برنامه نویسی هستیم، ایجاد تعادل بین نوآوری و ملاحظات اخلاقی ضروری است، تا اطمینان حاصل شود که این فناوری ها به طور مثبت به آینده توسعه نرم افزار کمک می‌کنند. سفر به سوی ادغام هماهنگ هوش مصنوعی و برنامه نویسی در حال انجام است و نویدبخش یک دوره هیجان انگیز از نوآوری و تحول در زمینه فناوری است.

در دنیای هوش مصنوعی امروز، استفاده از حوزه‌های گوناگون هوش مصنوعی در زمینه‌های مختلف یکی از مسائل روز دنیا به حساب می‌آید. همان‌طور که در زندگی روزمره مشخص است، امروزه بیشتر سیستم‌ها، سازمان‌ها و حتی وسایل مورد استفاده بشر دارای سیستم‌های هوش مصنوعی هستند و روز به روز استفاده از آن‌ها در حال افزایش است. همچنین به واسطه این افزایش کاربرد، موقعیت‌های شغلی این حوزه گسترده‌تر می‌شوند و افراد زیادی به دنبال کسب اطلاعات در خصوص نحوه برنامه نویسی هوش مصنوعی هستند.

در این مقاله سعی شد به طور جامع به مبحث برنامه نویسی هوش مصنوعی پرداخته شود. همچنین در راستای بررسی جامع این حوزه، در این نوشتار به بیشتر سوال‌های رایج پیرامون یادگیری و برنامه نویسی هوش مصنوعی پرداخته شده است. در بخش‌های میانی و پایانی مقاله نیز به روند و مراحل یادگیری هوش مصنوعی و برنامه نویسی آن پرداخته شد.

منابع

[1] احلام قاسمیان(1402) کاربرد هوش مصنوعی و زبان برنامه نویسی پایتون در بهبود عملکرد قلب مصنوعیمحل انتشار: بیست و یکمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات

[2] علی ناصری پبدنی(1399)هوش مصنوعی در مهندسی کامپیوتر محل انتشار: کنفرانس بین المللی پژوهشهای نوین در مهندسی برق،کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام

[3] سعید جعفری(1402)بررسی کاربرد هوش مصنوعی در کامپیوتر محل انتشار: نوزدهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات

[4]Deng, L.; Yu, D. (2014). "Deep Learning: Methods and Applications" (PDF). Foundations and Trends in Signal Processing. 7 (3–4): 1–199.
[5]Ciresan, D.; Meier, U.; Schmidhuber, J. (2012). "Multi-column deep neural networks for
image classification". 2012 IEEE Conference on Computer Vision and Pattern Recognition.
pp. 3642–3649.

[6]Matti, D.; Ekenel, H. K.; Thiran, J. P. (2017). Combining LiDAR space clustering and
convolutional neural networks for pedestrian detection. 2017 14th IEEE International
Conference on Advanced Video and Signal Based Surveillance (AVSS). pp. 1–6
[7]Ferguson, Sarah; Luders, Brandon; Grande, Robert C.; How, Jonathan P. (2015). Real-Time Predictive Modeling and Robust Avoidance of Pedestrians with Uncertain, Changing
Intentions. Algorithmic Foundations of Robotics XI. Springer Tracts in Advanced Robotics
Vol. 107. Springer, Cham. pp. 161–177.
[8]McCorduck, Pamela (2004). Machines who think: a personal inquiry into the history and
prospects of artificial intelligence (25th anniversary update ed.). Natick, Mass: A.K. Peters.