خلاصه کتاب هوش مصنوعی راسل و نورویگ

کتاب «هوش مصنوعی: رویکردی نوین» (Artificial Intelligence: A Modern Approach) معمولاً در ویرایش سوم به ۲۷ فصل تقسیم شده که در ۷ بخش کلی تنظیم شده است. قالب ارایه هر فصل :
عنوان فصل + محورهای اصلی
خلاصه آموزشی و مفهومی (به زبان ساده ولی دقیق)
اصطلاحات کلیدی
کاربردها یا مثال‌های مهم

کتاب هوش مصنوعی راسل و نورویگ
________________________________________
فصل اول: مقدمه‌ای بر هوش مصنوعی
(Chapter ۱ – Introduction to Artificial Intelligence)
هدف کلی فصل
این فصل تلاش می‌کند به پرسش بنیادی پاسخ دهد:
«هوش مصنوعی چیست؟ و چگونه می‌توان ماشینی ساخت که مانند انسان فکر یا عمل کند؟»
________________________________________
۱. چیستی هوش مصنوعی
هوش مصنوعی (AI) شاخه‌ای از علوم رایانه است که هدفش طراحی سیستم‌هایی است که بتوانند رفتارهای هوشمندانه از خود نشان دهند.
رفتار هوشمند یعنی:
تصمیم‌گیری منطقی،
یادگیری از تجربه،
سازگاری با محیط،
و حل مسیله‌های جدید.
________________________________________
۲. چهار رویکرد اصلی در تعریف هوش مصنوعی
راسل و نورویگ می‌گویند در طول تاریخ، تعریف AI در چهار چارچوب مختلف قرار گرفته است:
دسته‌بندی توضیح کوتاه
۱. سیستم‌هایی که مانند انسان فکر می‌کنند تلاش برای شبیه‌سازی فرآیند تفکر انسانی (روان‌شناسی شناختی)
۲. سیستم‌هایی که مانند انسان عمل می‌کنند تمرکز بر رفتار بیرونی، مثل ربات‌هایی که انسان‌گونه رفتار می‌کنند
۳. سیستم‌هایی که منطقی فکر می‌کنند طراحی الگوریتم‌هایی که از منطق برای استدلال استفاده می‌کنند
۴. سیستم‌هایی که منطقی عمل می‌کنند ساخت عامل‌هایی که بهترین تصمیم را بر اساس شواهد و اهداف اتخاذ می‌کنند
راسل و نورویگ تأکید دارند که تعریف چهارم، یعنی «سیستم‌هایی که منطقی عمل می‌کنند»، دقیق‌ترین چارچوب برای پژوهش مدرن در AI است.
________________________________________
۳. تاریخچه کوتاه هوش مصنوعی
دهه ۱۹۵۰: آلن تورینگ با مقاله معروفش «ماشین محاسبه‌گر و هوش» پرسید: آیا ماشین می‌تواند فکر کند؟
دهه ۱۹۶۰ تا ۱۹۷۰: نخستین برنامه‌های هوشمند مانند ELIZA (گفت‌وگوگر ساده)، SHRDLU (درک زبان طبیعی در دنیای مجازی) و سیستم‌های بازی شطرنج ایجاد شدند.
دهه ۱۹۸۰: ظهور «سیستم‌های خبره» (Expert Systems) در پزشکی، صنعت و تجارت.
دهه ۱۹۹۰ به بعد: رشد یادگیری ماشین (Machine Learning) و ظهور عامل‌های هوشمند.
دهه ۲۰۱۰ به امروز: گسترش یادگیری عمیق (Deep Learning)، بینایی ماشین و هوش مصنوعی مولد مانند ChatGPT و Midjourney.
________________________________________
۴. عامل‌های هوشمند (Intelligent Agents)
در نگاه نویسندگان، هسته‌ی اصلی هوش مصنوعی «عامل» (Agent) است.
عامل، هر چیزی است که محیط خود را درک کند (Perceive) و بر اساس آن عمل کند (Act) تا به هدف برسد.
انواع عامل‌ها:
عامل واکنشی ساده – فقط بر اساس وضعیت فعلی واکنش نشان می‌دهد.
عامل با حافظه محدود – رفتار خود را بر اساس تجربه‌های قبلی تنظیم می‌کند.
عامل هدف‌محور – برای رسیدن به هدفی خاص تصمیم می‌گیرد.
عامل یادگیرنده – از تجربه می‌آموزد و عملکردش را بهبود می‌دهد.
________________________________________
۵. زمینه‌های مرتبط
هوش مصنوعی از رشته‌های مختلفی بهره می‌گیرد:
علوم کامپیوتر: الگوریتم‌ها و ساختار داده‌ها
ریاضیات: احتمال، منطق و آمار
زبان‌شناسی: درک زبان طبیعی
روان‌شناسی و عصب‌شناسی: درک فرایند تفکر و یادگیری انسان
فلسفه: پرسش درباره آگاهی، اراده و اخلاق ماشین‌ها
________________________________________
۶. کاربردهای امروزی هوش مصنوعی
موتورهای جست‌وجو (Google)
دستیارهای هوشمند (Siri, Alexa)
خودروهای خودران
پزشکی هوشمند و تشخیص بیماری
ترجمه ماشینی و چت‌بات‌ها
تولید تصویر و متن (هوش مصنوعی مولد)
________________________________________
۷. چالش‌ها و پرسش‌های فلسفی
آیا ماشین می‌تواند واقعاً آگاه باشد؟
اگر ماشین اشتباه کند، مسیولیت با کیست؟
آیا هوش مصنوعی خطرناک است یا ابزاری برای رفاه بشر؟
مرز میان انسان و ماشین تا کجاست؟
________________________________________
۸. نتیجه فصل اول
هوش مصنوعی صرفاً یک فناوری نیست، بلکه پروژه‌ای علمی و فلسفی برای درک مفهوم «هوش» است.
نویسندگان تأکید دارند که مسیر آینده‌ی AI در گرو ساخت عامل‌هایی است که بتوانند منطقی تصمیم بگیرند و از تجربه بیاموزند.
________________________________________
اصطلاحات کلیدی
Artificial Intelligence (AI): هوش مصنوعی
Agent: عامل هوشمند
Rationality: عقلانیت یا رفتار منطقی
Turing Test: آزمون تورینگ برای سنجش هوش
Perception & Action: ادراک و عمل
________________________________________

فصل دوم کتاب هوش مصنوعی راسل و نورویگ (از مهم‌ترین فصل‌های مقدماتی کتاب.)
________________________________________
فصل دوم: عامل‌های هوشمند (Intelligent Agents)
(Chapter ۲ – Intelligent Agents)
________________________________________
هدف کلی فصل
در این فصل، نویسندگان چارچوبی ارایه می‌کنند برای اینکه بفهمیم:
«یک سیستم هوشمند چطور محیط خود را درک می‌کند، تصمیم می‌گیرد و عمل می‌کند.»
اینجا مفهوم «عامل» (Agent) به‌صورت رسمی تعریف می‌شود، و انواع محیط‌ها و ساختار عامل‌ها توضیح داده می‌شوند.
________________________________________
۱. تعریف عامل (Agent)
عامل موجودی است که:
محیط را از طریق حسگرها (Sensors) درک می‌کند.
از طریق عملگرها (Actuators) در محیط عمل می‌کند.
مثال‌ها:
انسان → چشم و گوش (حسگر)، دست و پا (عملگر)
ربات جاروبرقی → دوربین و حسگر گرد و غبار (حسگر)، موتور چرخ و مکنده (عملگر)
نرم‌افزار هوشمند → داده‌های ورودی (حسگر)، خروجی‌های نمایش یا تصمیم (عملگر)
________________________________________
۲. چارچوب عملکرد عامل (Agent Function)
هر عامل را می‌توان با تابع عامل (Agent Function) توصیف کرد:
تابعی که ورودی‌های ادراک‌شده (Percepts) را به کنش (Actions) تبدیل می‌کند.
به بیان ساده:
Agent Function = f (Percept History) → Action
یعنی عامل تصمیمش را نه فقط بر اساس وضعیت فعلی، بلکه بر اساس تاریخچه‌ی ادراک‌هایش می‌گیرد.
________________________________________
۳. عقلانیت (Rationality)
راسل و نورویگ می‌گویند یک عامل زمانی «عقلانی» است که:
در هر لحظه، با توجه به اطلاعات موجود، بهترین عمل ممکن را برای رسیدن به هدف انجام دهد.
بنابراین عقلانیت به معنی کامل بودن یا بی‌خطا بودن نیست؛
بلکه یعنی انتخاب منطقی‌ترین گزینه با اطلاعات در دسترس.
________________________________________
۴. محیط عامل (Environment)
محیط همان جایی است که عامل در آن ادراک و عمل می‌کند.
نویسندگان برای توصیف محیط از چارچوب معروف PEAS استفاده می‌کنند:
حرف مخفف معنا
P Performance Measure معیار عملکرد (مثلاً دقت، سرعت، رضایت)
E Environment محیطی که عامل در آن عمل می‌کند
A Actuators ابزارهای عمل
S Sensors حسگرها برای ادراک
مثال:
عامل رانندگی خودکار
P: ایمنی، رسیدن سریع، رعایت قوانین
E: جاده، ترافیک، آب‌وهوا
A: فرمان، پدال‌ها
S: دوربین‌ها، رادار، GPS
________________________________________
۵. انواع محیط‌ها
راسل و نورویگ شش ویژگی اصلی محیط‌ها را معرفی می‌کنند:
نوع محیط توضیح
قابل مشاهده (Fully Observable) vs غیرقابل مشاهده (Partially Observable) آیا عامل می‌تواند همه اطلاعات محیط را ببیند؟
قطعی (Deterministic) vs تصادفی (Stochastic) آیا نتیجه اعمال همیشه قابل پیش‌بینی است؟
ایستا (Static) vs پویا (Dynamic) آیا محیط در هنگام تصمیم‌گیری تغییر می‌کند؟
گسسته (Discrete) vs پیوسته (Continuous) آیا اعمال و حالت‌ها شمارش‌پذیرند؟
تک‌عاملی (Single-agent) vs چندعاملی (Multi-agent) آیا تنها یک عامل وجود دارد یا چند تا؟
شناخته‌شده (Known) vs ناشناخته (Unknown) آیا قوانین محیط برای عامل مشخص‌اند؟
مثال:
بازی شطرنج → کاملاً قابل مشاهده، قطعی، گسسته، دوعاملی
راننده خودکار → جزیی قابل مشاهده، تصادفی، پویا، پیوسته، چندعاملی
________________________________________
۶. ساختارهای عامل (Agent Architectures)
راسل و نورویگ چهار نوع عامل را معرفی می‌کنند که هرکدام از قبلی هوشمندتر است:
نوع عامل توضیح مثال
۱. عامل واکنشی ساده (Simple Reflex Agent) فقط بر اساس وضعیت فعلی عمل می‌کند، بدون حافظه. چراغ اتوماتیک یا ترموستات
۲. عامل مبتنی بر مدل (Model-based Reflex Agent) مدل درونی از محیط دارد و بر اساس گذشته تصمیم می‌گیرد. ربات جاروبرقی با نقشه‌سازی
۳. عامل هدف‌محور (Goal-based Agent) اعمالش را برای رسیدن به هدفی خاص تنظیم می‌کند. خودرو خودران با مقصد مشخص
۴. عامل یادگیرنده (Learning Agent) از تجربه یاد می‌گیرد تا عملکردش را بهتر کند. سامانه‌های هوش مصنوعی مدرن (مثل ChatGPT یا AlphaGo)
________________________________________
۷. اجزای عامل یادگیرنده
عامل یادگیرنده چهار بخش اصلی دارد:
ماژول یادگیری (Learning Element): یاد می‌گیرد کدام اعمال بهترند.
ماژول اجرا (Performance Element): اعمال را انجام می‌دهد.
نقّاد (Critic): بازخورد می‌دهد که عمل خوب بود یا نه.
مولّد مسیله (Problem Generator): پیشنهاد تجربه‌های جدید برای یادگیری می‌دهد.
________________________________________
۸. جمع‌بندی فصل دوم
هر سیستم هوشمند را می‌توان به عنوان «عامل» دید.
عقلانیت یعنی انتخاب بهترین عمل ممکن با توجه به دانش موجود.
محیط‌ها می‌توانند انواع مختلفی داشته باشند و طراحی عامل به نوع محیط بستگی دارد.
عامل‌های مدرن ترکیبی از واکنش، هدف‌گرایی و یادگیری‌اند.
________________________________________
اصطلاحات کلیدی
Agent: عامل
Environment: محیط
Percept: ادراک
Actuator / Sensor: عملگر / حسگر
Rational Agent: عامل عقلانی
PEAS: معیار عملکرد، محیط، عملگر، حسگر
Learning Agent: عامل یادگیرنده
________________________________________

فصل بعد درباره‌ی حل مسیله از طریق جست‌وجو (Solving Problems by Searching) هست و یکی از جذاب‌ترین فصل‌های کتابه

پس بریم سراغ یکی از مهم‌ترین فصل‌های کتاب:
________________________________________
فصل سوم: حل مسیله با جست‌وجو
(Chapter ۳ – Solving Problems by Searching)
________________________________________
هدف کلی فصل
در این فصل، راسل و نورویگ توضیح می‌دهند که چطور می‌توان مسایل هوش مصنوعی را به‌صورت فرایند جست‌وجو در میان حالت‌های ممکن تعریف و حل کرد.
ایده‌ی اصلی این است:
عامل با داشتن «هدف» و «دانش از وضعیت محیط»، باید مسیری پیدا کند که از وضعیت آغازین به وضعیت هدف برسد.
________________________________________
بخش اول: مفهوم “فضای حالت” (State Space)
هر مسیله از دید AI در قالب سه مولفه اصلی بیان می‌شود:
وضعیت آغازین (Initial State)
جایی که عامل از آن شروع می‌کند.
اعمال ممکن (Actions)
کارهایی که عامل می‌تواند در هر وضعیت انجام دهد.
وضعیت هدف (Goal State)
وضعیتی که می‌خواهیم عامل به آن برسد.
فضای حالت (State Space) مجموعه‌ی همه‌ی وضعیت‌های ممکن است که عامل می‌تواند در آن قرار گیرد.
حل مسیله یعنی پیدا کردن یک مسیر در این فضا از حالت آغاز تا هدف.
________________________________________
بخش دوم: جست‌وجو (Search)
فرایند جست‌وجو شامل موارد زیر است:
ساخت درخت جست‌وجو (Search Tree): هر گره یک وضعیت است.
گسترش گره‌ها (Expansion): اعمال ممکن را اجرا می‌کنیم تا به وضعیت‌های جدید برسیم.
ارزیابی مسیرها: بررسی می‌کنیم کدام مسیر به هدف می‌رسد یا بهتر است.
________________________________________
بخش سوم: انواع الگوریتم‌های جست‌وجو
۱. جست‌وجوی بدون آگاهی (Uninformed Search)
در این روش، عامل هیچ دانش خاصی از مسیر درست ندارد — فقط ساختار مسیله را می‌داند.
الگوریتم توضیح کوتاه مزیت عیب
جست‌وجوی عمق‌اول (DFS) تا حد ممکن پایین می‌رود، سپس برمی‌گردد. حافظه کم ممکن است در حلقه بیفتد
جست‌وجوی عرض‌اول (BFS) ابتدا نزدیک‌ترین وضعیت‌ها را بررسی می‌کند. تضمین پیدا کردن کوتاه‌ترین مسیر نیاز به حافظه زیاد
جست‌وجوی هزینه‌یکنواخت (Uniform-Cost Search) بر اساس کمترین هزینه مسیر گسترش می‌دهد. بهینه است کندتر از BFS
جست‌وجوی عمق‌محدود / تکرارشونده (Iterative Deepening) ترکیب عمق‌اول و عرض‌اول کارآمد و کامل کمی سربار زمانی
مثال: پیدا کردن مسیر از تهران تا مشهد با توجه به مسیرهای ممکن.
________________________________________
۲. جست‌وجوی آگاهانه (Informed Search)
در این روش از دانش اضافی (Heuristic) برای هدایت جست‌وجو استفاده می‌شود.
تابع هیوستیک (h(n)) تخمینی است از «فاصله تا هدف».
الگوریتم توضیح ویژگی
جست‌وجوی حریصانه (Greedy Search) گرهی را انتخاب می‌کند که h(n) کمتر دارد (نزدیک‌تر به هدف). سریع، اما همیشه بهینه نیست
الگوریتم A* از مجموع هزینه طی‌شده و تخمین باقیمانده استفاده می‌کند: f(n) = g(n) + h(n) کامل، بهینه و پرکاربرد
الگوریتم A* پایه بسیاری از برنامه‌های مسیر‌یابی مدرن (مانند Google Maps) است.
________________________________________
بخش چهارم: ویژگی‌های الگوریتم‌های جست‌وجو
برای ارزیابی هر الگوریتم از چهار معیار استفاده می‌شود:
معیار معنی
کامل بودن (Completeness) آیا همیشه راه‌حل را پیدا می‌کند؟
بهینگی (Optimality) آیا بهترین راه‌حل را پیدا می‌کند؟
پیچیدگی زمانی (Time Complexity) چقدر زمان می‌برد؟
پیچیدگی فضایی (Space Complexity) چقدر حافظه نیاز دارد؟
________________________________________
بخش پنجم: مثال‌های کلاسیک
مسیله هشت‌پازل (۸-Puzzle): پیدا کردن ترتیب درست کاشی‌ها
بازی مسیر در نقشه: کوتاه‌ترین مسیر بین شهرها
مسیله مأمور و شیطان (Missionaries and Cannibals): عبور افراد با محدودیت قایق
بازی شطرنج یا مسیر ربات در محیط پیچیده
________________________________________
بخش ششم: فرموله‌سازی مسیله (Problem Formulation)
در طراحی عامل جست‌وجوگر باید مشخص کنیم:
وضعیت‌ها چگونه تعریف می‌شوند؟
اعمال ممکن کدام‌اند؟
هدف چیست؟
چه چیزی معیار موفقیت است؟
هرچه فرموله‌سازی دقیق‌تر باشد، جست‌وجو کارآمدتر خواهد بود.
________________________________________
بخش هفتم: چالش‌ها و بهبودها
در مسایل واقعی، فضای حالت بسیار بزرگ است → نیاز به جست‌وجوی آگاهانه
هیوستیک خوب نقش کلیدی دارد.
برخی مسایل با جست‌وجوی محلی (Local Search) یا بهینه‌سازی تصادفی (Stochastic Optimization) بهتر حل می‌شوند (مقدمه‌ای برای فصل ۴).
________________________________________
اصطلاحات کلیدی
State Space: فضای حالت
Search Tree: درخت جست‌وجو
Heuristic Function (h): تابع تخمینی
A* Algorithm: الگوریتم ای‌استار
Optimal / Complete: بهینه / کامل
________________________________________
جمع‌بندی فصل سوم
هوش مصنوعی در بسیاری از موارد چیزی نیست جز جست‌وجوی هوشمند در میان گزینه‌ها.
عامل باید بتواند از میان مسیرهای ممکن، مسیر منطقی و بهینه‌ای را بر اساس هدف خود انتخاب کند.
________________________________________

فصل چهارم کتاب هوش مصنوعی راسل و نورویگ که یکی از فصل‌های کاربردی و جذابه:
________________________________________
⚙️ فصل چهارم: جست‌وجوی فراتر از درخت‌ها
(Chapter ۴ – Beyond Classical Search)
________________________________________
هدف کلی فصل
در فصل قبل یاد گرفتیم که عامل با گسترش درخت جست‌وجو می‌تونه مسیر بهینه به هدف رو پیدا کنه.
اما در بسیاری از مسایل واقعی، فضای جست‌وجو آن‌قدر بزرگ یا پیچیده است که
ساخت کامل درخت ممکن نیست،
یا مسیله به شکل مسیر‌یابی کلاسیک نیست (مثلاً بهینه‌سازی تابع یا طراحی).
در این فصل، نویسندگان روش‌هایی معرفی می‌کنند که عامل بتواند بدون ساخت درخت کامل، از روش‌های محلی، تصادفی یا تقریبی برای حل مسیله استفاده کند.
________________________________________
۱. جست‌وجوی محلی (Local Search)
برخلاف روش‌های درختی، جست‌وجوی محلی فقط روی یک وضعیت جاری تمرکز دارد،
نه بر مسیر از ابتدا تا آن وضعیت.
ایده ساده است:
از وضعیت فعلی شروع کن و با حرکت‌های کوچک در همسایگی آن، وضعیتی بهتر پیدا کن.
مثال: پیدا کردن بالاترین نقطه روی یک نقشه با تپه‌ها و دره‌ها (مسیله‌ی Hill Climbing).
________________________________________
انواع الگوریتم‌های جست‌وجوی محلی
الگوریتم توضیح مزایا معایب
بالا رفتن از تپه (Hill Climbing) در هر گام، به سمت بهترین همسایه حرکت می‌کند. ساده و سریع ممکن است در قله محلی گیر کند
پیرایش تصادفی (Random Restart) از نقاط مختلف شروع می‌کند تا از قله‌های محلی فرار کند. احتمال رسیدن به جواب بهتر نیاز به تکرار زیاد
خنک‌سازی شبیه‌سازی‌شده (Simulated Annealing) گاهی به سمت وضعیت بدتر حرکت می‌کند تا از گیر افتادن نجات یابد. می‌تواند به جواب نزدیک به بهینه برسد تنظیم دشوار پارامترها
جست‌وجوی پرتو (Beam Search) چند مسیر برتر را همزمان دنبال می‌کند. کارآمد در برخی کاربردها خطر از دست دادن جواب بهینه
________________________________________
۲. جست‌وجوی جمعیتی (Population-Based Search)
در این دسته، به جای یک عامل، چندین حالت (جمعیت) به طور همزمان بررسی می‌شوند.
نمونه‌ی مشهور آن:
الگوریتم ژنتیک (Genetic Algorithm)
الهام‌گرفته از زیست‌شناسی و تکامل طبیعی است.
مراحل اصلی:
تولید جمعیتی از جواب‌های اولیه (تصادفی)
ارزیابی هر جواب بر اساس تابع برازندگی (Fitness)
انتخاب بهترین‌ها
ترکیب (Crossover) و جهش (Mutation) برای تولید نسل جدید
تکرار تا رسیدن به جواب مناسب
مثال: طراحی شبکه، بهینه‌سازی مسیر، زمان‌بندی.
________________________________________
۳. جست‌وجو در فضاهای پیوسته
در برخی مسایل (مثلاً یادگیری پارامترهای یک مدل)،
فضای حالت عددی و پیوسته است، نه گسسته.
در این حالت از روش‌های بهینه‌سازی عددی استفاده می‌شود، مانند:
گرادیان نزولی (Gradient Descent)
بهینه‌سازی تصادفی (Stochastic Optimization)
این روش‌ها پایه‌ی بسیاری از الگوریتم‌های یادگیری ماشین مدرن هستند.
________________________________________
۴. جست‌وجو برای مسایل محدود (Constraint Satisfaction Problems – CSP)
در بعضی مسایل، به‌جای یافتن مسیر، باید مقادیر متغیرها را طوری تعیین کنیم که محدودیت‌ها برآورده شوند.
مثال‌ها:
رنگ‌آمیزی نقشه (هر کشور رنگ متفاوت از همسایه‌اش داشته باشد)
حل جدول سودوکو
زمان‌بندی کلاس‌ها یا امتحانات
در اینجا، به‌جای درخت جست‌وجو، از قیود (Constraints) برای کاهش فضای جست‌وجو استفاده می‌شود.
________________________________________
روش‌های اصلی در CSP
روش توضیح
Backtracking جست‌وجو و بازگشت در صورت نقض قیود
Forward Checking حذف مقادیر ناسازگار از دامنه متغیرها
Arc Consistency بررسی روابط بین متغیرهای جفتی برای سازگاری
Heuristics انتخاب هوشمند متغیر بعدی (مثل Minimum Remaining Values)
________________________________________
۵. جست‌وجوی تصادفی و هیبریدی
در این بخش، نویسندگان نشان می‌دهند که ترکیب روش‌های مختلف گاهی بهترین نتیجه را می‌دهد:
ترکیب جست‌وجوی محلی و تصادفی
استفاده از حافظه برای جلوگیری از تکرار (Tabu Search)
جست‌وجوی همزمان توسط چند عامل (Parallel Search)
________________________________________
۶. کاربردهای عملی
روش‌های این فصل در بسیاری از مسایل واقعی استفاده می‌شوند:
طراحی مسیر ربات‌ها
برنامه‌ریزی تولید و حمل‌ونقل
تنظیم پارامترهای مدل‌های یادگیری ماشین
حل مسایل زمان‌بندی و تخصیص منابع
________________________________________
اصطلاحات کلیدی
Local Search: جست‌وجوی محلی
Hill Climbing: بالا رفتن از تپه
Simulated Annealing: خنک‌سازی شبیه‌سازی‌شده
Genetic Algorithm: الگوریتم ژنتیک
Constraint Satisfaction Problem (CSP): مسیله‌ی رضایت از قید
________________________________________
جمع‌بندی فصل چهارم
در این فصل، تمرکز از پیدا کردن مسیر دقیق و کامل به سمت جست‌وجوی تقریبی و محلی تغییر می‌کند.
این روش‌ها پایه‌ی بسیاری از الگوریتم‌های عملی در دنیای واقعی‌اند، چون در محیط‌های بزرگ و پیچیده،
«کمی هوشمندانه جست‌وجو کردن» بهتر از «کامل جست‌وجو کردن» است.
________________________________________

فصل پنجم: مسایل رضایت از قید (Constraint Satisfaction Problems) رو به‌صورت مفصل و آموزشی آماده کنم — چون فصل پنجم خودش توضیح عمیق‌تر و تخصصی‌تری درباره همین موضوع داره.

فصل پنجم از کتاب هوش مصنوعی راسل و نورویگ — یکی از فصول کلیدی و پایه‌ای در حل مسایل پیچیده با منطق و قیود.
________________________________________
فصل پنجم: مسایل رضایت از قید (Constraint Satisfaction Problems – CSPs)
(Chapter ۵ – Constraint Satisfaction Problems)
________________________________________
هدف کلی فصل
در فصل‌های قبل، مسیله را به‌صورت «جست‌وجوی مسیر» دیدیم.
اما در بسیاری از مسایل واقعی، مهم‌تر از مسیر، پیدا کردن ترکیبی از مقادیر متغیرها است که با مجموعه‌ای از قیود سازگار باشند.
در این فصل، نویسندگان چارچوب CSP را معرفی می‌کنند تا بتوانیم مسایل را ریاضی‌وار، ساده و کارآمد مدل کنیم.
________________________________________
۱. تعریف مسیله‌ی CSP
یک مسیله‌ی رضایت از قید (CSP) از سه بخش تشکیل می‌شود:
متغیرها (Variables):
مجموعه‌ای از نمادها که باید مقدار بگیرند.
مثال: X_۱,X_۲,X_۳
دامنه‌ها (Domains):
مجموعه مقادیری که هر متغیر می‌تواند بگیرد.
مثال: X_۱∈{“قرمز،آبی،سبز”}
قیود (Constraints):
روابطی که بین متغیرها برقرار است و باید رعایت شوند.
مثال: X_۱≠X_۲
✅ هدف: یافتن ترکیبی از مقادیر برای متغیرها که همه‌ی قیود برقرار باشند.
________________________________________
۲. مثال‌های کلاسیک از CSP
مثال توضیح کوتاه
رنگ‌آمیزی نقشه هر کشور باید رنگی متفاوت از همسایگانش داشته باشد.
سودوکو اعداد ۱ تا ۹ باید طوری چیده شوند که در هر سطر، ستون و مربع ۳×۳ تکرار نشوند.
زمان‌بندی کلاس‌ها هر درس باید در زمانی برگزار شود که با درس‌های دیگر تداخل نداشته باشد.
نقشه مسیر خودروها تخصیص مسیرها به خودروها به گونه‌ای که ازدحام و تداخل کم شود.
________________________________________
۳. فرموله‌سازی CSP به‌صورت گراف
CSP را می‌توان با گراف قیود (Constraint Graph) نمایش داد:
هر رأس → یک متغیر
هر یال → یک قید بین دو متغیر
مثال: در مسیله رنگ‌آمیزی نقشه، رأس‌ها کشورهای مختلف و یال‌ها مرز بین کشورها هستند.
________________________________________
۴. روش‌های حل مسایل CSP
۱. جست‌وجوی بازگشتی (Backtracking Search)
ساده‌ترین و رایج‌ترین روش.
در هر گام، یکی از متغیرها را انتخاب کرده و مقداری برای آن می‌گذارد؛
اگر قیدها نقض شدند، برمی‌گردد (backtrack) و مقدار دیگری امتحان می‌کند.
________________________________________
۲. بهینه‌سازی با قیود (Constraint Propagation)
به‌جای امتحان کردن همه‌ی حالت‌ها، سعی می‌کنیم با استفاده از قیود، فضای جست‌وجو را محدود کنیم.
دو روش معروف:
Forward Checking:
هر بار که متغیری مقدار می‌گیرد، مقادیر ناسازگار از دامنه‌ی متغیرهای دیگر حذف می‌شوند.
Arc Consistency (AC-۳ Algorithm):
بررسی می‌شود که برای هر مقدار از متغیر A، حداقل یک مقدار سازگار در متغیر B وجود داشته باشد.
این روش‌ها باعث کاهش قابل‌توجه تعداد حالات می‌شوند.
________________________________________
۳. هیوریستیک‌ها (Heuristics) در CSP
برای افزایش سرعت، از راهبردهای هوشمندانه استفاده می‌شود:
نوع هیوریستیک توضیح
Minimum Remaining Values (MRV) متغیری انتخاب می‌شود که کمترین گزینه‌های ممکن را دارد (بیشترین محدودیت).
Degree Heuristic متغیری انتخاب می‌شود که بیشترین ارتباط با سایر متغیرها دارد.
Least Constraining Value مقداری انتخاب می‌شود که کمترین محدودیت را برای دیگر متغیرها ایجاد کند.
این سه روش معمولاً با هم ترکیب می‌شوند تا جست‌وجو بسیار کارآمدتر شود.
________________________________________
۴. جست‌وجوی محلی در CSP
در CSPهای بزرگ (مثل سودوکو یا زمان‌بندی)، می‌توان از روش‌های محلی مثل:
Min-Conflicts Heuristic
در هر گام، مقدار متغیری تغییر می‌کند تا تعداد قیود نقض‌شده کمترین شود.
این روش حتی در مسایل با میلیون‌ها متغیر هم موثر است (مثل زمان‌بندی تلسکوپ هابل!).
________________________________________
۵. CSPهای ساختاریافته و خاص
در بعضی از مسایل، ساختار قیود به ما اجازه می‌دهد بدون جست‌وجوی عمیق، راه‌حل پیدا کنیم.
نوع ساختار توضیح
Tree-Structured CSP اگر گراف قیود یک درخت باشد، مسیله در زمان خطی حل می‌شود.
Nearly Tree-Structured با حذف چند متغیر، گراف تقریباً درختی می‌شود.
Decomposable CSPs مسیله می‌تواند به چند زیرمسیله‌ی مستقل تقسیم شود.
________________________________________
۶. CSPهای با مقادیر عددی و نرم (Soft Constraints)
در مسایل واقعی، گاهی رعایت همه‌ی قیود ممکن نیست.
در این حالت، قیود نرم (Soft Constraints) داریم:
هر قید امتیازی دارد و هدف، بهینه‌سازی مجموع رضایت از قیود است.
مثال: برنامه‌ریزی دانشگاهی که در آن برخی دروس ترجیحاً در روز خاصی برگزار شوند، اما الزام مطلق نیست.
________________________________________
۷. کاربردهای واقعی
برنامه‌ریزی و زمان‌بندی صنعتی
طراحی شبکه‌های مخابراتی
تخصیص منابع در رایانش ابری
حل پازل‌ها و بازی‌های منطقی
سیستم‌های تشخیص چهره (هم‌ترازی نقاط کلیدی)
________________________________________
اصطلاحات کلیدی
Constraint Satisfaction Problem (CSP): مسیله‌ی رضایت از قید
Backtracking: بازگشت در جست‌وجو
Constraint Propagation: گسترش قید
Arc Consistency: سازگاری یالی
MRV / Degree / LCV: هیوریستیک‌های انتخاب متغیر و مقدار
Min-Conflicts: حداقل‌سازی تعارض‌ها
________________________________________
جمع‌بندی فصل پنجم
CSPها چارچوبی قدرتمند برای بیان و حل مسایل منطقی‌اند.
این روش‌ها به جای جست‌وجوی کورکورانه، از ساختار و منطق مسیله استفاده می‌کنند تا فضای جست‌وجو را هوشمندانه کوچک کنند.
هوش مصنوعی مدرن در بسیاری از کاربردهای عملی (از طراحی تا برنامه‌ریزی) بر پایه‌ی همین مفاهیم است.
________________________________________
فصل ششم کتاب هوش مصنوعی راسل و نورویگ که یکی از جذاب‌ترین فصل‌هاست — چون هوش مصنوعی را وارد دنیای بازی، رقابت و تصمیم‌گیری هوشمندانه می‌کند.
________________________________________
فصل ششم: جست‌وجوی در محیط‌های رقابتی (Adversarial Search & Games)
________________________________________
هدف کلی فصل
در فصل‌های قبل یاد گرفتیم چگونه عامل هوشمند در یک محیط ایستا و غیررقابتی به دنبال هدف بگردد.
اما در بسیاری از مسایل واقعی، ما تنها بازیگر صحنه نیستیم — عامل‌های دیگری نیز وجود دارند که ممکن است با ما رقابت کنند (مثل انسان مقابل کامپیوتر در شطرنج).
در چنین شرایطی، هدف صرفاً رسیدن به هدف نیست، بلکه انتخاب بهترین تصمیم در برابر حرکات احتمالی رقیب است.
به همین دلیل به این نوع جست‌وجو، جست‌وجوی خصمانه (Adversarial Search) گفته می‌شود.
________________________________________
۱. مفهوم بازی در هوش مصنوعی
یک «بازی» در این فصل، یک مدل از فرآیند تصمیم‌گیری دوتایی است که در آن دو بازیکن به نوبت حرکت می‌کنند.
اجزای یک بازی:
حالت آغازین (Initial State)
بازیکن فعلی (Player)
حرکات مجاز (Actions)
تابع انتقال (Result) – وضعیت جدید پس از حرکت
آزمون پایان (Terminal Test) – شرط پایان بازی
تابع سود (Utility Function) – امتیاز نهایی برای هر بازیکن
________________________________________
۲. جست‌وجوی درختی در بازی‌ها
همانند مسایل جست‌وجو، می‌توان بازی را با یک درخت بازی (Game Tree) نمایش داد:
رأس‌ها (Nodes): حالت‌های ممکن بازی
یال‌ها (Edges): حرکت‌های مجاز
برگ‌ها (Leaves): وضعیت‌های پایانی با امتیاز مشخص
هر بازیکن سعی دارد حرکتی انتخاب کند که بیشترین سود را برای خودش و کمترین سود را برای رقیب ایجاد کند.
________________________________________
۳. الگوریتم مینیمکس (Minimax Algorithm)
ایده اصلی:
اگر هر دو بازیکن عقلانی و کامل باشند، بهترین راهبرد برای هر بازیکن این است که:
بازیکن MAX: مقدار بیشینه را انتخاب کند.
بازیکن MIN: مقدار کمینه را انتخاب کند.
این فرآیند در سراسر درخت بازی تکرار می‌شود تا مقدار بهینه برای حالت آغازین محاسبه شود.
________________________________________
شبه‌کد ساده مینیمکس:
function MINIMAX(state):
if Terminal(state): return Utility(state)
if Player(state) == MAX:
return max(MINIMAX(result(state, a)) for a in Actions(state))
else:
return min(MINIMAX(result(state, a)) for a in Actions(state))
________________________________________
مثال:
در بازی سه‌در‌سه‌ی تیک‌تاک‌تو (Tic-Tac-Toe):
کامپیوتر حرکاتی را بررسی می‌کند که در بدترین حالت هم باعث باخت نشود.
یعنی حتی اگر حریف بهترین حرکت را انجام دهد، نتیجه برای کامپیوتر همچنان مطلوب است.
________________________________________
۴. بهینه‌سازی با برش آلفا-بتا (Alpha–Beta Pruning)
مسیله‌ی اصلی در الگوریتم مینیمکس این است که درخت بازی بسیار بزرگ می‌شود.
مثلاً در شطرنج، تعداد حالات ممکن بیش از ۱۰^۱۲۰است!
برای حل این مشکل از Alpha–Beta Pruning استفاده می‌شود:
اگر بدانیم شاخه‌ای از درخت نمی‌تواند بر تصمیم نهایی تأثیر بگذارد، دیگر آن را بررسی نمی‌کنیم.
در نتیجه تعداد گره‌های بررسی‌شده بسیار کاهش می‌یابد.
در بهترین حالت، این روش باعث می‌شود عمق جست‌وجو دو برابر شود بدون افزایش هزینه محاسباتی.
________________________________________
تفسیر ساده:
آلفا (α): بهترین امتیاز ممکن برای بازیکن MAX تا اینجا
بتا (β): بهترین امتیاز ممکن برای بازیکن MIN تا اینجا
اگر β ≤ α شود → شاخه حذف می‌شود (دیگر بررسی لازم نیست).
________________________________________
۵. بازی‌های غیرقطعی و غیرکامل
در دنیای واقعی، همیشه همه‌چیز قابل پیش‌بینی نیست:
گاهی اتفاقات تصادفی دخیل‌اند (مثل پرتاب تاس در بازی‌های تخته‌ای).
گاهی اطلاعات ناقص داریم (مثل پوکر، که کارت‌های حریف را نمی‌دانیم).
برای این نوع بازی‌ها از نسخه‌های پیشرفته‌تر استفاده می‌شود:
Expectiminimax Algorithm: برای بازی‌های تصادفی.
Belief States / Partial Observability: برای بازی‌های با اطلاعات ناقص.
________________________________________
۶. هیوریستیک‌ها و ارزیابی میان‌مرحله‌ای
در بازی‌های بزرگ (مثل شطرنج یا گو) رسیدن به پایان بازی ممکن نیست، پس باید در حالت‌های میانی تابع ارزیابی (Evaluation Function) تعریف کنیم که قدرت موقعیت را تخمین بزند.
مثال: در شطرنج
+۹ برای وزیر، +۵ برای رخ، +۳ برای اسب و فیل، +۱ برای پیاده
موقعیت بهتر یعنی مجموع امتیاز بیشتر.
________________________________________
۷. یادگیری و بهبود استراتژی در بازی‌ها
پس از سال‌ها پژوهش، الگوریتم‌های یادگیری عمیق توانستند با ترکیب:
جست‌وجوی مینیمکس یا مونت‌کارلو،
شبکه‌های عصبی برای ارزیابی موقعیت‌ها،
هوش مصنوعی را به سطح فراتر از انسان برسانند.
مثال تاریخی:
Deep Blue (IBM) در ۱۹۹۷ قهرمان شطرنج جهان Kasparov را شکست داد.
AlphaGo (Google DeepMind) در ۲۰۱۶ بهترین بازیکن جهان را در بازی Go شکست داد.
________________________________________
۸. جمع‌بندی فصل ششم
مفهوم کلیدی توضیح
Adversarial Search جست‌وجوی تصمیم در محیط‌های رقابتی
Minimax الگوریتم اصلی تصمیم‌گیری در بازی‌های دونفره
Alpha–Beta Pruning حذف شاخه‌های غیرضروری برای افزایش سرعت
Evaluation Function ارزیابی وضعیت‌های میانی در بازی
Expectiminimax نسخه تصادفی‌شده برای بازی‌های همراه با شانس
________________________________________
نتیجه نهایی:
عامل هوشمند در محیط رقابتی باید نه فقط حرکت خود را بهینه کند، بلکه حرکات احتمالی رقیب را پیش‌بینی و خنثی سازد.
فصل ششم پایه‌ای برای طراحی عامل‌های تصمیم‌گیرنده و بازی‌کننده‌ی هوشمند است.
________________________________________

فصل هفتم کتاب هوش مصنوعی راسل و نورویگ:
________________________________________
فصل هفتم: عامل‌های منطقی (Logical Agents)
(Chapter ۷ – Logical Agents)
________________________________________
هدف کلی فصل
در فصل‌های قبل یاد گرفتیم که چگونه عامل‌ها می‌توانند با جست‌وجو و الگوریتم‌های رقابتی تصمیم بگیرند.
اما عامل‌های منطقی قادرند با استفاده از دانش و منطق، وضعیت محیط را تحلیل و استدلال منطقی انجام دهند.
ایده اصلی:
اگر بتوانیم دانش خود درباره محیط را به شکل قواعد منطقی بیان کنیم، می‌توانیم تصمیم‌های پیچیده را به صورت خودکار و قابل اثبات اتخاذ کنیم.
________________________________________
۱. منطق و هوش مصنوعی
منطق (Logic) زبان رسمی برای بیان حقایق و روابط بین آن‌هاست.
عامل منطقی با دانش (Knowledge Base) کار می‌کند: مجموعه‌ای از جملات منطقی که حقایق محیط را توصیف می‌کنند.
مثال:
«اگر باران ببارد، زمین خیس می‌شود.»
«اگر زمین خیس است، کفش‌هایت را خیس نکن.»
عامل منطقی می‌تواند با استنتاج (Inference) تصمیم بگیرد که چه کاری انجام دهد.
________________________________________
۲. عامل منطقی چگونه کار می‌کند
حسگرها (Perception): جمع‌آوری اطلاعات از محیط.
به‌روزرسانی پایگاه دانش (Knowledge Base): افزودن حقایق جدید.
استنتاج (Inference): استخراج نتایج جدید بر اساس قواعد منطقی.
انتخاب عمل (Action Selection): انتخاب عملی که بهترین نتیجه را تضمین می‌کند.
________________________________________
۳. منطق گزاره‌ای (Propositional Logic)
ساختار:
جملات ساده (Propositions): تنها درست یا نادرست هستند.
عملگرها:
¬ (NOT)
∧ (AND)
∨ (OR)
→ (IMPLIES)
مثال:
«باران می‌بارد» → R
«زمین خیس است» → W
رابطه منطقی: R→W
هدف:
با استفاده از قوانین منطقی و حقایق محیط، می‌توان نتیجه‌گیری (Entailment) انجام داد:
آیا جمله‌ای خاص از پایگاه دانش نتیجه می‌شود؟
________________________________________
۴. استنتاج در منطق گزاره‌ای
دو روش رایج:
روش قطع استنتاج (Resolution):
روشی الگوریتمیک برای اثبات اینکه یک جمله از KB نتیجه می‌شود یا نه.
جست‌وجوی منطقی (Forward & Backward Chaining):
Forward Chaining: از حقایق موجود شروع کرده و به نتایج جدید می‌رسیم.
Backward Chaining: از هدف شروع کرده و بررسی می‌کنیم چه حقایقی لازم است تا هدف تحقق یابد.
مثال:
Forward: «باران می‌بارد» → «زمین خیس است»
Backward: «آیا زمین خیس است؟» → بررسی کنیم آیا Rدرست است یا نه.
________________________________________
۵. محدودیت‌ها و چالش‌ها
منطق گزاره‌ای توانایی محدود برای بیان حقایق پیچیده دارد.
نمی‌تواند به راحتی از روابط بین موجودیت‌ها و ویژگی‌های آن‌ها (مثل افراد، اشیا) صحبت کند.
در مسایل بزرگ، تعداد جملات و حالت‌ها بسیار زیاد می‌شود.
________________________________________
۶. منطق مرتبه اول (First-Order Logic – FOL)
برای حل محدودیت‌ها و افزایش قدرت بیان، از منطق مرتبه اول استفاده می‌کنیم:
ویژگی‌ها:
می‌توانیم درباره موجودیت‌ها و روابط آن‌ها صحبت کنیم.
شامل تابع‌ها و متغیرها است.
امکان بیان قواعد عمومی: «همه انسان‌ها فانی‌اند»
مثال:
«اگر کسی پدر دیگری است، او والد آن شخص است»
∀x,y” ”(Parent(x,y)→Ancestor(x,y))
________________________________________
۷. استنتاج در منطق مرتبه اول
روش‌های مشابه منطق گزاره‌ای استفاده می‌شوند.
Unification: تطبیق متغیرها با موجودیت‌های واقعی
Resolution in FOL: اثبات جملات پیچیده
پایه سیستم‌های خبره و عامل‌های استدلالی است.
________________________________________
۸. کاربردهای عامل‌های منطقی
سیستم‌های خبره: تشخیص پزشکی، کمک به تصمیم‌گیری
رباتیک: تصمیم‌گیری با اطلاعات محدود
بازی‌ها: پیش‌بینی حرکات و برنامه‌ریزی
زبان طبیعی: پاسخ به پرسش‌ها و استدلال منطقی در ChatGPT
________________________________________
اصطلاحات کلیدی
اصطلاح معنا
Logical Agent عامل هوشمند مبتنی بر منطق
Knowledge Base (KB) پایگاه دانش عامل
Inference / Entailment استنتاج منطقی
Propositional Logic منطق گزاره‌ای
First-Order Logic (FOL) منطق مرتبه اول
Forward / Backward Chaining استنتاج مستقیم و معکوس
________________________________________
جمع‌بندی فصل هفتم
عامل‌های منطقی، قدرت تصمیم‌گیری بر اساس دانش و استدلال منطقی را به عامل‌ها می‌دهند.
این فصل، پایه‌ی مهمی برای توسعه سیستم‌های خبره، عامل‌های تصمیم‌گیر و هوش مصنوعی مبتنی بر دانش است.
________________________________________
فصل هشتم کتاب هوش مصنوعی راسل و نورویگ:
________________________________________
فصل هشتم: برنامه‌ریزی (Planning)
(Chapter ۸ – Planning)
________________________________________
هدف کلی فصل
در این فصل، تمرکز روی عامل‌های هوشمند با توانایی برنامه‌ریزی برای رسیدن به هدف است.
ایده اصلی: عامل نه فقط به شرایط فعلی واکنش نشان دهد، بلکه مسیر عملیاتی مشخصی طراحی کند تا به هدف برسد.
برنامه‌ریزی = یافتن دنباله‌ای از اقدامات که عامل را از وضعیت فعلی به وضعیت هدف می‌رساند.
________________________________________
۱. عناصر یک مسیله برنامه‌ریزی
هر مسیله برنامه‌ریزی شامل موارد زیر است:
وضعیت آغازین (Initial State): جایی که عامل شروع می‌کند
عملیات / اعمال (Actions): حرکات ممکن با پیش‌شرط‌ها و اثرات مشخص
وضعیت هدف (Goal State): شرایطی که عامل می‌خواهد به آن برسد
تابع نتیجه (Result Function): تغییر وضعیت پس از انجام هر عمل
مثال: ربات جاروبرقی
وضعیت آغازین: ربات در گوشه اتاق است
هدف: اتاق تمیز شود
عملیات: حرکت به جلو، چرخیدن، روشن کردن مکنده
نتیجه: محیط تمیز یا حرکت ربات تغییر می‌کند
________________________________________
۲. نمایش مسیله برنامه‌ریزی
✅ STRIPS Representation
یک روش کلاسیک برای نمایش مسایل برنامه‌ریزی:
Preconditions: شرط لازم برای اجرای عمل
Add List: حقایق جدیدی که بعد از اجرای عمل درست می‌شوند
Delete List: حقایقی که پس از اجرای عمل از بین می‌روند
مثال حرکت ربات:
Precondition: روبروی خانه‌ی کثیف است
Add: خانه تمیز شده است
Delete: خانه کثیف است
________________________________________
۳. الگوریتم‌های برنامه‌ریزی کلاسیک
Forward Search (Progression Planning):
از وضعیت آغازین شروع می‌کنیم و اعمال را اعمال می‌کنیم تا به هدف برسیم.
Backward Search (Regression Planning):
از هدف شروع می‌کنیم و بررسی می‌کنیم چه اقداماتی لازم است تا به وضعیت کنونی برسیم.
________________________________________
۴. تکنیک‌های بهینه‌سازی
برای برنامه‌ریزی کارآمد از روش‌های زیر استفاده می‌شود:
Partial-Order Planning:
اعمال بدون ترتیب کامل مشخص می‌شوند، فقط وابستگی‌ها رعایت می‌شوند.
Plan-Space Search:
جست‌وجو در فضای برنامه‌ها، نه فقط وضعیت‌ها.
Heuristic Planning:
استفاده از تابع تخمینی برای هدایت جست‌وجو، مشابه الگوریتم‌های A* در فصل جست‌وجو.
________________________________________
۵. برنامه‌ریزی در محیط‌های واقعی
چالش‌ها:
عدم قطعیت: اثرات اعمال همیشه دقیق نیست
محیط پویا: وضعیت محیط ممکن است تغییر کند
چندهدفه بودن: عامل باید بین اهداف مختلف تعادل برقرار کند
راهکارها:
برنامه‌ریزی با نمایش احتمالی اثرات اعمال (Probabilistic Planning)
Contingent Planning: ایجاد برنامه برای حالت‌های مختلف محیط
Hierarchical Task Network (HTN): تقسیم اهداف بزرگ به زیرکارهای کوچک
________________________________________
۶. کاربردهای برنامه‌ریزی
ربات‌های صنعتی و خانگی
مدیریت پروژه و زمان‌بندی
سیستم‌های لجستیک و حمل‌ونقل
بازی‌ها و شبیه‌سازی
مثال: Amazon و UPS از الگوریتم‌های برنامه‌ریزی برای مدیریت مسیر بسته‌ها استفاده می‌کنند.
________________________________________
اصطلاحات کلیدی
اصطلاح معنا
Planning طراحی دنباله‌ای از اقدامات برای رسیدن به هدف
STRIPS روش کلاسیک نمایش برنامه‌ها با Preconditions، Add & Delete Lists
Forward/Backward Search برنامه‌ریزی پیش‌رونده و پس‌رونده
Partial-Order Planning برنامه‌ریزی با ترتیب جزیی اعمال
Hierarchical Task Network (HTN) شکستن اهداف بزرگ به زیرکارها
________________________________________
جمع‌بندی فصل هشتم
عامل هوشمند می‌تواند با برنامه‌ریزی قبلی، مسیر بهینه تا هدف را طراحی کند.
در مسایل پیچیده، برنامه‌ریزی تحت عدم قطعیت و با استفاده از هیوریستیک‌ها و شبکه‌های سلسله‌مراتبی انجام می‌شود.
این فصل پایه بسیاری از سیستم‌های خودران، مدیریت منابع و هوش مصنوعی کاربردی است.
________________________________________
فصل نهم کتاب هوش مصنوعی راسل و نورویگ:
________________________________________
️ فصل نهم: برنامه‌ریزی تحت عدم قطعیت و تصمیم‌گیری تحت ریسک
(Chapter ۹ – Planning under Uncertainty)
________________________________________
هدف کلی فصل
در فصل‌های قبل یاد گرفتیم عامل‌ها چگونه با دانش کامل و محیط ایستا برنامه‌ریزی کنند.
اما در دنیای واقعی:
اثر اعمال همیشه قطعی نیست
محیط ممکن است تغییر کند
اطلاعات کامل در دسترس نیست
هدف این فصل: طراحی برنامه‌هایی که عامل بتواند در شرایط عدم قطعیت بهترین تصمیم‌ها را بگیرد.
________________________________________
۱. انواع عدم قطعیت
عدم قطعیت در اثر اعمال (Action Uncertainty):
یک عمل ممکن است نتایج متفاوتی داشته باشد.
مثال: ربات حرکت می‌کند، ولی ممکن است زمین لغزنده باشد و جابه‌جایی کامل نباشد.
عدم قطعیت در وضعیت محیط (State Uncertainty):
عامل نمی‌داند محیط در چه حالتی است.
مثال: نمی‌دانیم کدام مسیر ترافیک دارد.
عدم قطعیت ناشی از عوامل دیگر (Exogenous Events):
تغییرات محیط که عامل کنترلی روی آن ندارد.
مثال: باران ناگهانی، ترافیک غیرمنتظره
________________________________________
۲. مدل‌سازی با MDP (Markov Decision Process)
MDP یکی از چارچوب‌های اصلی برنامه‌ریزی تحت عدم قطعیت است:
States (S): مجموعه وضعیت‌ها
Actions (A): اعمال ممکن
Transition Model (T): احتمال رسیدن به وضعیت بعدی P(s^’∣s,a)
Reward Function (R): پاداش یا هزینه هر حالت
Policy (π): نقشه از وضعیت به عمل مناسب
مثال: رباتی که باید به مقصد برسد و مسیرهای پرخطر هزینه دارند.
________________________________________
هدف MDP
یافتن سیاست بهینه (Optimal Policy) که مجموع پاداش انتظار شده را حداکثر کند.
________________________________________
۳. الگوریتم‌های حل MDP
Value Iteration:
مقدار هر وضعیت را با استفاده از فرمول Bellman به‌روزرسانی می‌کنیم تا به همگرایی برسد.
Policy Iteration:
ابتدا سیاستی را انتخاب می‌کنیم، سپس به‌طور متناوب آن را اصلاح می‌کنیم تا بهینه شود.
ویژگی‌ها: کامل و بهینه، اما ممکن است برای فضای حالت بزرگ کند باشد.
________________________________________
۴. برنامه‌ریزی با اطلاعات ناقص (POMDP – Partially Observable MDP)
عامل نمی‌داند وضعیت دقیق محیط چیست
فقط می‌تواند با حسگرها و مشاهدات ناقص محیط را تخمین بزند
POMDP از حالت‌های احتمالی و به‌روزرسانی باور (Belief Update) استفاده می‌کند.
مثال: ربات در محیط تاریک با سنسور محدود.
________________________________________
۵. تکنیک‌های کاهش پیچیدگی
استفاده از approximate planning برای کاهش محاسبات
Hierarchical Planning: تقسیم اهداف به زیرمسایل
Monte Carlo Sampling: نمونه‌گیری تصادفی برای تخمین ارزش اقدامات
این تکنیک‌ها امکان برنامه‌ریزی در محیط‌های بسیار بزرگ و پویا را فراهم می‌کنند.
________________________________________
۶. برنامه‌ریزی چندعامل و بازی‌های احتمالی
در دنیای واقعی، عدم قطعیت همراه با رقابت یا همکاری با دیگر عامل‌ها است:
Stochastic Games: ترکیب MDP و جست‌وجوی خصمانه
Multiagent Planning: هماهنگی یا رقابت بین چند عامل با اطلاعات ناقص
مثال: خودروهای خودران در تقاطع با چند خودرو دیگر
________________________________________
۷. کاربردهای عملی
ربات‌های خودران و هواپیماهای بدون سرنشین
مدیریت شبکه و منابع در رایانش ابری
سیستم‌های تصمیم‌گیری پزشکی و لجستیک
بازی‌ها و شبیه‌سازی‌های پیچیده
________________________________________
اصطلاحات کلیدی
اصطلاح معنا
MDP فرآیند تصمیم‌گیری مارکوف برای برنامه‌ریزی تحت عدم قطعیت
Policy (π) نقشه از وضعیت به عمل
Reward Function تابع پاداش یا هزینه
Value Iteration / Policy Iteration الگوریتم‌های حل MDP
POMDP MDP با مشاهده ناقص
Belief State تخمین احتمالی وضعیت واقعی
________________________________________
جمع‌بندی فصل نهم
دنیای واقعی ناقطعیت و تغییرات محیط را به همراه دارد.
برنامه‌ریزی تحت عدم قطعیت نیازمند مدل‌سازی احتمال و پاداش است.
MDP و POMDP ابزار اصلی برای طراحی سیاست‌های بهینه هستند.
این فصل پایه طراحی سیستم‌های تصمیم‌گیر خودکار در شرایط واقعی و پویا است.
________________________________________
فصل دهم کتاب هوش مصنوعی راسل و نورویگ:
________________________________________
فصل دهم: یادگیری (Learning)
(Chapter ۱۰ – Learning)
________________________________________
هدف کلی فصل
در فصل‌های قبل یاد گرفتیم عامل‌ها چگونه با استفاده از دانش و برنامه‌ریزی تصمیم می‌گیرند.
اما در دنیای واقعی، همه دانش‌ها از قبل در دسترس نیستند و عامل‌ها باید از تجربه یاد بگیرند.
یادگیری = بهبود رفتار عامل با تجربه یا داده‌ها بدون برنامه‌ریزی صریح برای همه حالات
________________________________________
۱. انواع یادگیری
یادگیری نظارت‌شده (Supervised Learning)
داده‌ها شامل ورودی و خروجی صحیح هستند
هدف: یادگیری تابعی که ورودی → خروجی درست را پیش‌بینی کند
مثال: تشخیص ایمیل اسپم
یادگیری بدون نظارت (Unsupervised Learning)
داده‌ها فقط شامل ورودی هستند
هدف: پیدا کردن ساختار یا الگوها
مثال: خوشه‌بندی مشتریان
یادگیری تقویتی (Reinforcement Learning)
عامل در محیط عمل می‌کند و پاداش یا جریمه دریافت می‌کند
هدف: یادگیری سیاستی برای حداکثر کردن مجموع پاداش‌ها
مثال: آموزش ربات برای حرکت به مقصد بدون تصادف
________________________________________
۲. یادگیری نظارت‌شده
داده‌های آموزشی: (x_۱,y_۱),(x_۲,y_۲),…
مدل یادگیری: y=f(x)
الگوریتم‌ها:
Regression: پیش‌بینی مقادیر عددی
Classification: پیش‌بینی دسته‌بندی‌ها
مثال:
پیش‌بینی قیمت خانه با استفاده از ویژگی‌های خانه (مساحت، تعداد اتاق، منطقه)
تشخیص اینکه ایمیل اسپم است یا نه
________________________________________
۳. یادگیری بدون نظارت
هدف کشف ساختار داخلی داده‌ها
الگوریتم‌ها:
Clustering: تقسیم داده‌ها به خوشه‌ها
Dimensionality Reduction: کاهش تعداد ویژگی‌ها برای ساده‌سازی داده‌ها
کاربردها:
تحلیل مشتری، فشرده‌سازی داده، استخراج ویژگی‌ها
________________________________________
۴. یادگیری تقویتی (Reinforcement Learning – RL)
اصول RL:
Agent: عامل یادگیرنده
Environment: محیط
State (s): وضعیت فعلی
Action (a): عملی که عامل انجام می‌دهد
Reward (r): پاداش یا جریمه
Policy (π): نقشه از وضعیت → عمل
فرایند:
عامل عملی انجام می‌دهد
محیط پاداش و وضعیت جدید را باز می‌گرداند
عامل با استفاده از تجربه، سیاست خود را بهبود می‌دهد
________________________________________
الگوریتم‌های RL
Dynamic Programming (DP): نیازمند مدل کامل محیط
Monte Carlo Methods: تخمین ارزش‌ها با نمونه‌گیری تجربی
Temporal Difference (TD) Learning: ترکیبی از DP و Monte Carlo
Q-Learning: یادگیری مستقیم ارزش اقدامات بدون نیاز به مدل
مثال: ربات که یاد می‌گیرد چگونه مسیر کوتاه‌ترین را حرکت کند، حتی اگر محیط نامطمین باشد.
________________________________________
۵. شبکه‌های عصبی و یادگیری
شبکه‌های عصبی مدل‌هایی هستند که قادرند الگوهای پیچیده را از داده‌ها یاد بگیرند
با ترکیب RL و شبکه‌های عصبی، الگوریتم‌هایی مثل Deep Q-Network (DQN) ایجاد می‌شوند
مثال: AlphaGo با شبکه عصبی و یادگیری تقویتی آموزش دید
________________________________________
۶. کاربردهای عملی یادگیری
تشخیص تصویر و صدا
ترجمه ماشینی و پردازش زبان طبیعی
خودروهای خودران
توصیه‌گرها و تبلیغات هدفمند
بازی‌ها و ربات‌های هوشمند
________________________________________
اصطلاحات کلیدی
اصطلاح معنا
Supervised Learning یادگیری با داده‌های برچسب‌خورده
Unsupervised Learning یادگیری بدون برچسب
Reinforcement Learning یادگیری تقویتی با پاداش و جریمه
Policy (π) نقشه وضعیت به عمل در RL
Value Function ارزش وضعیت برای حداکثرسازی پاداش
Q-Learning یادگیری ارزش اقدامات بدون مدل محیط
________________________________________
جمع‌بندی فصل دهم
عامل‌ها با یادگیری می‌توانند رفتار خود را بر اساس تجربه بهبود دهند
یادگیری تقویتی برای تصمیم‌گیری تحت عدم قطعیت بسیار قدرتمند است
شبکه‌های عصبی و ترکیب RL، اساس هوش مصنوعی پیشرفته امروزی هستند
________________________________________
فصل یازدهم: یادگیری با نمونه‌ها (Learning from Examples)
(Chapter ۱۱ – Learning from Examples)
________________________________________
هدف کلی فصل
در این فصل تمرکز روی یادگیری ماشینی با استفاده از نمونه‌ها و داده‌های گذشته است.
ایده اصلی: عامل‌ها می‌توانند با مشاهده داده‌های ورودی و خروجی، الگوها و قوانین پنهان را کشف کنند.
________________________________________
۱. نمایندگی دانش در یادگیری
Hypothesis Space: مجموعه تمام مدل‌ها یا فرضیه‌هایی که عامل می‌تواند انتخاب کند
Generalization: توانایی پیش‌بینی داده‌های جدید بر اساس داده‌های آموزش
Overfitting: یادگیری دقیق داده‌های آموزش بدون قابلیت تعمیم به داده‌های جدید
مثال: اگر مدل دقیقاً شماره تلفن‌های داده‌شده را حفظ کند، توانایی پیش‌بینی شماره‌های جدید را ندارد.
________________________________________
۲. الگوریتم‌های یادگیری نظارت‌شده
Decision Trees (درخت تصمیم)
تقسیم داده‌ها براساس ویژگی‌ها به گره‌ها
ساده، قابل فهم، کاربردی
Instance-Based Learning (یادگیری مبتنی بر نمونه)
پیش‌بینی وضعیت جدید بر اساس شباهت با نمونه‌های گذشته
مثال: K-Nearest Neighbors (KNN)
Linear Models (مدل‌های خطی)
ارتباط بین ویژگی‌ها و خروجی‌ها با خط یا ابرصفحه
مثال: رگرسیون خطی، Perceptron
________________________________________
۳. ارزیابی مدل
Training Error: خطا روی داده‌های آموزش
Test Error: خطا روی داده‌های جدید (ارزیابی واقعی)
Cross-Validation: تقسیم داده‌ها به مجموعه‌های آموزش و آزمایش برای ارزیابی دقیق‌تر
________________________________________
۴. یادگیری بدون نظارت
Clustering (خوشه‌بندی): تقسیم داده‌ها به گروه‌های مشابه
Dimensionality Reduction: کاهش ابعاد داده‌ها برای ساده‌سازی و بهبود عملکرد
مثال: PCA، t-SNE
________________________________________
۵. کاربردها
تشخیص تقلب و ناهنجاری‌ها
تحلیل بازاریابی و خوشه‌بندی مشتریان
توصیه‌گرها
پردازش تصویر و تشخیص الگو
________________________________________
جمع‌بندی فصل یازدهم
عامل‌ها می‌توانند از داده‌ها و نمونه‌های گذشته یاد بگیرند
انتخاب نمایندگی و مدل مناسب، کلید یادگیری موفق است
تعمیم و جلوگیری از overfitting از اهمیت بالایی برخوردار است
________________________________________
فصل دوازدهم: یادگیری تقویتی پیشرفته (Advanced Reinforcement Learning)
(Chapter ۱۲ – Advanced RL)
________________________________________
هدف کلی فصل
در این فصل، یادگیری تقویتی را به شکل پیشرفته بررسی می‌کنیم، جایی که عامل‌ها در محیط‌های بزرگ، تصادفی و پویا عمل می‌کنند.
________________________________________
۱. روش‌های پیشرفته RL
Monte Carlo Tree Search (MCTS): جست‌وجوی درخت تصمیم با نمونه‌گیری تصادفی
Temporal-Difference Learning (TD): ترکیبی از یادگیری تجربی و برنامه‌ریزی
Deep Reinforcement Learning: ترکیب شبکه‌های عصبی با RL برای مسایل پیچیده
________________________________________
۲. یادگیری با شبکه‌های عصبی
شبکه‌های عصبی برای ارزیابی وضعیت‌ها و تخمین ارزش اقدامات استفاده می‌شوند
نمونه موفق: AlphaGo و AlphaZero
________________________________________
۳. چالش‌ها و تکنیک‌ها
فضای حالت بزرگ → استفاده از approx. planning
عدم قطعیت و شانس → استفاده از سیاست‌های احتمالی
محیط پویا → یادگیری آنلاین (Online Learning)
________________________________________
۴. کاربردها
بازی‌ها: Go، شطرنج، ویدیویی
رباتیک و خودروهای خودران
مدیریت منابع و لجستیک
سیستم‌های پیشنهادگر پیشرفته
________________________________________
جمع‌بندی فصل دوازدهم
یادگیری تقویتی پیشرفته ترکیبی از تجربه، تخمین ارزش، و شبکه‌های عصبی است
ابزار اصلی هوش مصنوعی عملی در محیط‌های پیچیده و پویا
________________________________________
فصل سیزدهم: پردازش زبان طبیعی (Natural Language Processing)
(Chapter ۱۳ – NLP)
________________________________________
هدف کلی فصل
عامل‌ها باید قادر باشند زبان انسان را بفهمند و تولید کنند. این فصل پایه پردازش زبان طبیعی را توضیح می‌دهد.
________________________________________
۱. اجزای اصلی NLP
Tokenization: تقسیم متن به کلمات یا جملات
Syntax Analysis: تحلیل گرامر و ساختار جمله
Semantic Analysis: درک معنا و مفاهیم
Pragmatics: درک کاربرد و زمینه جمله
________________________________________
۲. مدل‌ها و تکنیک‌ها
Rule-Based Systems: قوانین دستوری و معنایی
Statistical NLP: مدل‌های احتمالی و یادگیری از متن
Neural NLP: شبکه‌های عصبی و مدل‌های ترنسفورمر
مثال: ChatGPT از مدل ترنسفورمر برای تولید پاسخ استفاده می‌کند
________________________________________
۳. کاربردها
ترجمه ماشینی
پاسخ به پرسش‌ها و چت‌بات‌ها
تحلیل احساسات
خلاصه‌سازی متن
تشخیص گفتار
________________________________________
جمع‌بندی فصل سیزدهم
NLP باعث تعامل طبیعی بین انسان و عامل هوشمند می‌شود
ترکیب یادگیری ماشینی و منطق برای درک زبان ضروری است
________________________________________
فصل چهاردهم: بینایی ماشین و رباتیک (Computer Vision & Robotics)
(Chapter ۱۴ – Vision & Robotics)
________________________________________
هدف کلی فصل
عامل‌ها باید اطلاعات محیط را از طریق حسگرها درک و تحلیل کنند و سپس تصمیم بگیرند.
________________________________________
۱. بینایی ماشین
Image Processing: شناسایی ویژگی‌ها در تصویر
Object Recognition: تشخیص اشیا
Motion Analysis: درک حرکت و تغییرات محیط
مثال: خودروهای خودران برای تشخیص عابر پیاده از بینایی ماشین استفاده می‌کنند
________________________________________
۲. رباتیک
Perception: حس محیط با سنسورها
Planning: تصمیم‌گیری مسیر و اعمال
Control: اجرای دقیق حرکت و اعمال
________________________________________
۳. کاربردها
ربات‌های صنعتی و خدماتی
خودروهای خودران
پهپادها و هواپیماهای بدون سرنشین
نظارت و امنیت
________________________________________
جمع‌بندی فصل چهاردهم
بینایی و رباتیک ترکیبی از حسگری، برنامه‌ریزی و کنترل است
پایه هوش مصنوعی عملی در محیط واقعی
________________________________________
فصل پانزدهم: آینده هوش مصنوعی و مسایل اخلاقی (Future & Ethics)
________________________________________
هدف کلی فصل
نگاه به مسایل اخلاقی، اجتماعی و فلسفی هوش مصنوعی و چالش‌های آینده.
________________________________________
۱. خطرات و فرصت‌ها
ربات‌ها و سیستم‌های هوشمند → بهره‌وری بیشتر
امکان تصمیم‌گیری اشتباه یا غیر اخلاقی
تأثیر بر بازار کار و جامعه
________________________________________
۲. مسایل اخلاقی
مسیولیت تصمیمات هوش مصنوعی
شفافیت و قابلیت توضیح
تعصب و تبعیض در الگوریتم‌ها
________________________________________
۳. هوش مصنوعی عمومی (AGI)
تلاش برای ایجاد عامل‌های هوشمند با توانایی یادگیری و تصمیم‌گیری در همه زمینه‌ها
چالش‌ها: کنترل، اهداف ایمن، هماهنگی با انسان
________________________________________
جمع‌بندی فصل پانزدهم
هوش مصنوعی فرصت‌ها و چالش‌های بزرگ ایجاد کرده است
مسایل اخلاقی و اجتماعی بخش جدایی‌ناپذیر توسعه هوش مصنوعی هستند
آینده هوش مصنوعی نیازمند ترکیب فناوری، علم و اخلاق است
________________________________________

✅ با این، ما خلاصه آموزشی فصل به فصل کل کتاب هوش مصنوعی راسل و نورویگ را آماده کردیم.
________________________________________
فصل ۱: معرفی هوش مصنوعی
تعریف AI
انواع عامل‌ها
کاربردها و چالش‌ها
اصطلاحات کلیدی
فصل ۲: عامل‌ها و محیط‌ها
ساختار عامل هوشمند
انواع محیط‌ها
معماری‌های عامل
اصطلاحات کلیدی
فصل ۳: جست‌وجوی مشکلات
جست‌وجوی در فضای حالت
الگوریتم‌های BFS و DFS
Heuristic و A*
اصطلاحات کلیدی
فصل ۴: جست‌وجو بهینه و محدودیت‌ها
جست‌وجو با هزینه یکسان
Branch & Bound
جست‌وجو با محدودیت منابع
اصطلاحات کلیدی
فصل ۵: جست‌وجوی محلی و بهینه‌سازی
Hill Climbing
Simulated Annealing
Genetic Algorithms
اصطلاحات کلیدی
فصل ۶: بازی‌ها و جست‌وجوی خصمانه
تعریف بازی و درخت بازی
الگوریتم Minimax
Alpha-Beta Pruning
بازی‌های غیرقطعی و غیرکامل
ارزیابی میان‌مرحله‌ای
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۷: عامل‌های منطقی
منطق گزاره‌ای و مرتبه اول
Knowledge Base
Forward/Backward Chaining
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۸: برنامه‌ریزی
عناصر مسیله برنامه‌ریزی
STRIPS Representation
Forward/Backward Search
Partial-Order Planning
Hierarchical Task Network
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۹: برنامه‌ریزی تحت عدم قطعیت
انواع عدم قطعیت
MDP و POMDP
Value/Policy Iteration
Multiagent Planning
کاربردها
اصطلاحات کلیدی
فصل ۱۰: یادگیری
یادگیری نظارت‌شده، بدون نظارت، تقویتی
الگوریتم‌های RL و Q-Learning
شبکه‌های عصبی و Deep RL
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۱۱: یادگیری با نمونه‌ها
Hypothesis Space و Generalization
Decision Trees، Instance-Based Learning، Linear Models
ارزیابی مدل و Cross-Validation
یادگیری بدون نظارت و Clustering
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۱۲: یادگیری تقویتی پیشرفته
Monte Carlo Tree Search
Temporal Difference Learning
Deep Reinforcement Learning
چالش‌ها و تکنیک‌ها
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۱۳: پردازش زبان طبیعی
Tokenization، Syntax، Semantics، Pragmatics
Rule-Based، Statistical، Neural NLP
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۱۴: بینایی ماشین و رباتیک
Image Processing، Object Recognition، Motion Analysis
Perception، Planning، Control در رباتیک
کاربردها و مثال‌ها
اصطلاحات کلیدی
فصل ۱۵: آینده و مسایل اخلاقی
خطرات و فرصت‌ها
مسایل اخلاقی، شفافیت و تبعیض
هوش مصنوعی عمومی (AGI)
جمع‌بندی و نگاه به آینده
اصطلاحات کلیدی

نسخه‌ای که ما تا الان آماده کردیم، نسخه خلاصه آموزشی متداول و پرکاربرد کتاب راسل و نورویگ (نسخه استاندارد ۴th یا ۵th edition) بود که معمولاً ۱۵ فصل اصلی داره.

نقشه کامل ۲۷ فصل (نسخه جامع)
شماره فصل عنوان فصل نوع فصل توضیح کوتاه
۱ معرفی هوش مصنوعی اصلی تعریف AI، اهداف، کاربردها
۲ عامل‌ها و محیط‌ها اصلی معماری عامل، انواع محیط‌ها
۳ جست‌وجوی مشکلات اصلی جست‌وجوی در فضای حالت، BFS، DFS
۴ جست‌وجو بهینه و محدودیت‌ها اصلی Branch & Bound، جست‌وجوی با هزینه
۵ جست‌وجوی محلی و بهینه‌سازی اصلی Hill Climbing، Simulated Annealing، Genetic
۶ بازی‌ها و جست‌وجوی خصمانه اصلی Minimax، Alpha-Beta Pruning، بازی‌های غیرقطعی
۷ عامل‌های منطقی اصلی منطق گزاره‌ای، مرتبه اول، KB، Chaining
۸ برنامه‌ریزی اصلی STRIPS، Forward/Backward Search، HTN
۹ برنامه‌ریزی تحت عدم قطعیت اصلی MDP، POMDP، Multiagent Planning
۱۰ یادگیری اصلی یادگیری نظارت‌شده، بدون نظارت، تقویتی
۱۱ یادگیری با نمونه‌ها اصلی Decision Trees، Instance-Based، Linear Models
۱۲ یادگیری تقویتی پیشرفته اصلی TD Learning، Deep RL، MCTS
۱۳ پردازش زبان طبیعی اصلی NLP، Syntax، Semantics، Neural NLP
۱۴ بینایی ماشین و رباتیک اصلی Image Processing، Object Recognition، Robotics
۱۵ آینده و مسایل اخلاقی اصلی AGI، اخلاق AI، تأثیرات اجتماعی
۱۶ پیوست A: ریاضیات مورد نیاز تکمیلی ماتریس‌ها، احتمال، جبر خطی
۱۷ پیوست B: منطق ریاضی و اثبات تکمیلی روش‌های اثبات، منطق ریاضی
۱۸ پیوست C: الگوریتم‌های جست‌وجوی اضافی تکمیلی الگوریتم‌های پیشرفته و بهینه‌سازی
۱۹ پیوست D: نمایندگی دانش تکمیلی تکمیلی Semantic Networks، Frames، Ontology
۲۰ پیوست E: الگوریتم‌های یادگیری اضافی تکمیلی SVM، Boosting، Ensemble Methods
۲۱ پیوست F: کاربردهای AI تکمیلی صنایع، پزشکی، تجارت
۲۲ پیوست G: مسایل اخلاقی و اجتماعی تکمیلی تکمیلی حریم خصوصی، تعصب، مسیولیت
۲۳ تمرین‌ها و مسایل کاربردی ۱ تکمیلی مسایل حل تمرینی برای فصل‌های ۱–۵
۲۴ تمرین‌ها و مسایل کاربردی ۲ تکمیلی مسایل حل تمرینی برای فصل‌های ۶–۱۰
۲۵ تمرین‌ها و مسایل کاربردی ۳ تکمیلی مسایل حل تمرینی برای فصل‌های ۱۱–۱۵
۲۶ منابع و مراجع تکمیلی کتاب‌ها، مقالات، منابع آنلاین
۲۷ پیوست نهایی: واژه‌نامه تکمیلی اصطلاحات کلیدی AI
________________________________________
✅ توضیح:
فصل‌های ۱ تا ۱۵ = اصلی و ضروری → همان فصل‌هایی که خلاصه آموزشی آماده شد
فصل‌های ۱۶ تا ۲۷ = تکمیلی / پیوست / تمرین و منابع → برای مطالعه عمیق یا تمرین کاربردی
________________________________________