این ترم در درس هوش مصنوعی به جای تدریس به روش معمول خودم که معمولاً از روی کتابهای مرجع انگلیسی است، تصمیم گرفتم ویدئوهای دانشگاه MIT را ببرم سرِ کلاس و به جای اینکه من تدریس کنم، استاد دانشگاه MIT (برترین دانشگاه رشته کامپیوتر در دنیا) تدریس کند و من فقط صحبتهایش را برای دانشجوها ترجمه کنم و احیاناً اگر توضیحی برای درک آسانتر لازم بود ارائه کنم.
دورهی ویدئویی که فعلاً بر روی سایت این دانشگاه قرار دارد، دورهای است که توسط استاد Prof. Patrick Henry Winston در سال ۲۰۱۰ تدریس شده است.
برای مشاهده صفحه مربوط به این دوره در سایت این دانشگاه و دانلود ویدئوها و تمام مواد آموزشی دیگر به آدرس زیر مراجعه کنید:
در یک کلام، تدریس و محتوای دوره فوقالعاده است! طوری که من چندین بار بعد از هر جلسه دلم میخواست شب که میروم خانه بنشینم با الگوریتمهایی که این استاد یاد داده است، برنامههایی که سالها آرزوی نوشتنش را داشتم بنویسم!
استاد Winston آنقدر ساده و شیرین و با مثالهای جذاب و از طرفی کاربردی، الگوریتمها را توضیح میدهد که بعید است شما هوس نکنید که آن الگوریتمها را بر روی یک پروژه پیادهسازی کنید!
الگوریتمها همان چیزهایی است که ممکن است همهمان در درس هوش مصنوعی پاس کرده باشیم: MiniMax ، A*، Generate and Test، Depth-First Search، Breadth-First Search و ... اما روش تدریس خیلی فرق میکند. بسیار کاربردی توضیح میدهند...
به هر حال، همانطور که استاد Eric Coll (استاد اعظم!) را خدای تدریس مبانی شبکه میدانم (و مجموعه فوقالعاده Teracom Training را از او معرفی کرده بودم) و استاد David Malan را خدای تدریس مبانی کامپیوتر و برنامهنویسی میدانم و ده سال پیش در مطلب «یک کورس آموزشی عالی از دانشگاه هاروارد در مورد «مبانی علم کامپیوتر»» او را معرفی کرده بودم و همینطور خودم را مدیون اساتیدی چون Bill Hammak میدانم (که در مطلب «تئوری صف میتواند صف خرید یا سرویس بهداشتی را سه بار سریعتر حرکت دهد!» به او اشاره کرده بودم؛ حالا استاد Patrick Henry Winston را خدای تدریس هوش مصنوعی خواهم دانست؛ چون مشخص است که برای تدریسش بسیار زحمت کشیده (سناریوهای عالی، برنامههای کاربردیای که برای هر بحث با کمک دانشجویانش نوشته و به عنوان Demo نمایش میدهد، ابزارهایی که سر کلاس میآورد و...)
سرفصل مباحث دوره به صورت زیر است:
Lecture 1: Introduction and Scope
Lecture 2: Reasoning: Goal Trees and Problem Solving
Lecture 3: Reasoning: Goal Trees and Rule-Based Expert Systems
Lecture 4: Search: Depth-First, Hill Climbing, Beam
Lecture 5: Search: Optimal, Branch and Bound, A*
Lecture 6: Search: Games, Minimax, and Alpha-Beta
Lecture 7: Constraints: Interpreting Line Drawings
Lecture 8: Constraints: Search, Domain Reduction
Lecture 9: Constraints: Visual Object Recognition
Lecture 10: Introduction to Learning, Nearest Neighbors
Lecture 11: Learning: Identification Trees, Disorder
Lecture 12A: Neural Nets
Lecture 12B: Deep Neural Nets
Lecture 13: Learning: Genetic Algorithms
Lecture 14: Learning: Sparse Spaces, Phonology
Lecture 15: Learning: Near Misses, Felicity Conditions
Lecture 16: Learning: Support Vector Machines
Lecture 17: Learning: Boosting
Lecture 18: Representations: Classes, Trajectories, Transitions
Lecture 19: Architectures: GPS, SOAR, Subsumption, Society of Mind
Lecture 21: Probabilistic Inference I
Lecture 22: Probabilistic Inference II
Lecture 23: Model Merging, Cross-Modal Coupling, Course Summary
اگر میخواهید برنامههای هوشمندی مانند تشخیص کاراکتر از داخل عکس (OCR) (مانند پلاکخوانی و...)، تبدیل متن به گفتار (TTS)، تشخیص چهره، ساخت یک بازی مثل شطرنج، ساخت برنامههای Botهای هوشمند که قابلیت خودتوصیفی داشته باشند و هر برنامهای که ذرهای هوش مصنوعی نیاز دارد طراحی کنید، پیشنهاد میکنم حتماً این دوره را تماشا کنید. کارهایی که فکر میکردید بسیار پیچیده است با یک مثال، چنان برایتان ساده و واضح میشود که به وجد میآیید.
این تصمیم هم بد نیست که ما اساتید، اگر میدانیم نمیتوانیم یک مبحث را آنطور که باید، تدریس کنیم، بیاییم ویدئوهای یک دانشگاه مطرح را در کلاس بیاوریم و ترجمه کنیم. هیچ عیبی هم ندارد. مانند این است که مثلاً یک دانشگاه ایران با دانشگاههای آمریکا قرارداد همکاری ببندد و برخی دروس را یک استاد آمریکایی که در آن زمینه صاحبنظر است بیاید و تدریس کند و برعکس برخی علوم که ما در آن صاحب نظر هستیم را در دانشگاههای آنها تدریس کنیم. درست است که به هر دلیلی ما امکان این نوع همکاریها را با اساتید شاخص دنیا نداریم، اما نباید فراموش کنیم که بهترین حالت تدریس آن استاد (یعنی زمانی که بهترین انرژی را داشته و بیشترین ترفندهای تدریس را رو کرده) به صورت ویدئویی بر روی سایت دانشگاههای مطرح دنیا وجود دارد؛ میتوانیم از همانها به جای حضور فیزیکی او استفاده کنیم.
این ترفند به دانشجویان نیز القا میکند که شما در حقیقت سرِ کلاس دانشگاه MIT نشستهاید و نه سر کلاس یک دانشگاه شهرستانی و ساده... این، به آنها انرژی میدهد و باعث میشود خودشان را دست بالا بگیرند.
من تصمیم گرفتهام که از این پس اکثر دروس را با همین ترفند پیش ببرم. یعنی سرِ کلاس، به جای اینکه خودم تدریس کنم، ویدئوهای اساتید برتر دانشگاههای مطرح دنیا را ببرم و نمایش بدهم و ترجمه کنم. از ایده «کلاس معکوس یا Flipped Class» که خیلی بهتر است.
موفق باشید؛
حمید رضا نیرومند