حتوا و ساختار کلی کتابچه و جلسات آموزشی را بر اساس ایده مقاله شما و با رعایت اصول نگارش مارک‌داون (Markdown) آماده کرده‌ام. این طرح به گونه‌ای طراحی شده که برای دانش‌آموزان دبیرستانی جذاب و قابل درک باشد.
کتابچه آموزشی هوش مصنوعی برای دانش‌آموزان دبیرستانی
عنوان: مقدمه‌ای لطیف بر هوش مصنوعی با استفاده از اسکرچ
مخاطب: دانش‌آموزان مقطع دبیرستان (پایه‌های دهم و یازدهم)
اهداف کلی:
- درک مفهوم هوش مصنوعی و کاربردهای آن در زندگی روزمره.
- شناخت توانایی‌ها و محدودیت‌های هوش مصنوعی.
- آشنایی مقدماتی با دو الگوریتم پایه هوش مصنوعی: خوشه‌بندی (K-Means) و شبکه‌های عصبی مصنوعی.
- تقویت تفکر رایانشی (Computational Thinking) از طریق کدنویسی بصری در اسکرچ.
پیش‌نیازها: آشنایی مقدماتی با محیط اسکرچ.
مجوز: این اثر تحت مجوز Creative Commons Attribution 4.0 International منتشر شده است.
فهرست مطالب
- جلسه اول: هوش مصنوعی چیست؟
- جلسه دوم: الگوریتم‌های یادگیری ماشین
- جلسه سوم: کارگاه عملی اول - خوشه‌بندی با K-Means در اسکرچ
- جلسه چهارم: کارگاه عملی دوم - شبکه عصبی مصنوعی در اسکرچ
- جلسه پنجم: هوش مصنوعی، اخلاق و آینده
- سخن پایانی و منابع بیشتر
جلسه اول: هوش مصنوعی چیست؟
اهداف آموزشی
- دانش‌آموزان بتوانند هوش مصنوعی را به زبان ساده تعریف کنند.
- با چند نمونه از کاربردهای هوش مصنوعی در اطراف خود آشنا شوند.
- دیدگاه اولیه خود را درباره هوش مصنوعی بیان کنند.
محتوای درس
هوش مصنوعی (Artificial Intelligence) یا AI علمی است که به ماشین‌ها توانایی یادگیری، تصمیم‌گیری و حل مسائل را می‌دهد؛ کارهایی که معمولاً به هوش انسان نیاز دارند.
هوش مصنوعی کجاست؟
- دستیارهای صوتی: گوگل اسیستنت، سیری، الکسا
- شبکه‌های اجتماعی: الگوریتم پیشنهاد محتوای اینستاگرام و یوتیوب
- موتورهای جستجو: روش رتبه‌بندی و پاسخ‌دهی گوگل
- پزشکی: کمک در تشخیص بیماری‌ها از روی تصاویر پزشکی
- خودروهای خودران: Tesla
فعالیت کلاسی: در گروه‌های کوچک، درباره این سوالات بحث کنید و نتیجه را با کلاس به اشتراک بگذارید:
- به نظر شما بزرگترین فایده هوش مصنوعی برای جامعه چیست؟
- آیا از هوش مصنوعی می‌ترسید؟ چرا؟
جلسه دوم: الگوریتم‌های یادگیری ماشین
اهداف آموزشی
- درک تفاوت بین یادگیری با ناظر (Supervised) و بدون ناظر (Unsupervised).
- آشنایی با مفهوم کلی الگوریتم K-Means و شبکه عصبی مصنوعی.
محتوای درس
بخش بزرگی از هوش مصنوعی مدرن، یادگیری ماشین (Machine Learning) است. یعنی به جای برنامه‌ریزی مستقیم برای هر کار، به کامپیوتر داده می‌دهیم تا خودش یاد بگیرد.
انواع یادگیری:
- یادگیری بدون ناظر (Unsupervised Learning):
- کامپیوتر داده‌ها را بدون راهنمایی ما بررسی می‌کند و الگوها یا گروه‌های پنهان در آن را پیدا می‌کند.
- مثال: گروه‌بندی مشتریان یک فروشگاه بر اساس رفتار خریدشان.
- الگوریتم نمونه: K-Means (که در جلسه بعد با آن کار می‌کنیم).
- یادگیری با ناظر (Supervised Learning):
- به کامپیوتر داده‌ها و «جواب درست» آنها را نشان می‌دهیم تا رابطه بین آنها را یاد بگیرد.
- مثال: تشخیص ایمیل اسپم (داده=متن ایمیل، جواب=اسپم یا غیراسپم).
- الگوریتم نمونه: شبکه عصبی مصنوعی (Artificial Neural Network) (که در جلسه چهارم با آن کار می‌کنیم).
جلسه سوم: کارگاه عملی اول - خوشه‌بندی با K-Means در اسکرچ
اهداف آموزشی
- درک شهودی از نحوه کار الگوریتم K-Means.
- تکمیل کد ناقص الگوریتم در اسکرچ و مشاهده نتیجه.
شرح فعالیت
ما در اسکرچ یک پروژه آماده داریم که تعدادی نقطه را به طور تصادفی روی صحنه ایجاد می‌کند. وظیفه شما این است که کد مربوط به بخشی از الگوریتم K-Means را کامل کنید تا این نقاط را بر اساس نزدیکی به مراکز خوشه، رنگ‌آمیزی کند.
مراحل الگوریتم K-Means (به زبان ساده):
- انتخاب K مرکز اولیه به صورت تصادفی (K تعداد خوشه‌هاست).
- تکلیف: هر نقطه داده به نزدیک‌ترین مرکز خوشه نسبت داده می‌شود.
- به روزرسانی موقعیت مراکز خوشه (میانگین نقاط هر خوشه).
- تکرار مراحل ۲ و ۳ تا زمانی که مراکز خوشه ثابت بمانند.
کاری که شما باید انجام دهید:
بلوک اسکرچی به نام KMeans به شما داده می‌شود که بخشی از آن خالی است. شما باید کد مربوط به “محاسبه فاصله هر نقطه از هر مرکز خوشه و پیدا کردن نزدیک‌ترین مرکز” را در آن قرار دهید.
پس از تکمیل کد:
- برنامه را اجرا کنید و ببینید چگونه نقاط رنگی، خوشه‌های زیبایی را تشکیل می‌دهند.
- تعداد خوشه‌ها (K) را تغییر دهید و نتیجه را مشاهده کنید.
جلسه چهارم: کارگاه عملی دوم - شبکه عصبی مصنوعی در اسکرچ
اهداف آموزشی
- درک مفهوم نورون و شبکه عصبی ساده.
- آشنایی با فرآیند یادگیری یک شبکه عصبی برای حل یک مسئله ساده (درواز AND).
شرح فعالیت
در این کارگاه، یک شبکه عصبی بسیار ساده با تنها یک نورون می‌سازیم که می‌خواهد کار درواز AND را یاد بگیرد.
| Input 1 | Input 2 | خروجی AND |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 1 | 1 |
فرمول‌های ساده شده:
- فعال‌سازی نورون:
N1 = (Input1 * W1) + (Input2 * W2) - خروجی نورون: اگر
N1 >= 1باشد، خروجی ۱ و در غیر این صورت ۰ است. - خطا:
Error = جواب صحیح - خروجی نورون - به‌روزرسانی وزن‌ها:
W1_new = W1 + (Input1 * Learning_Rate * Error)W2_new = W2 + (Input2 * Learning_Rate * Error)
کاری که شما باید انجام دهید:
در بلوک اسکرچی به نام Neuron، معادله به‌روزرسانی وزن دوم (W2) را کامل کنید (معادله وزن اول (W1) از قبل داده شده است).
پس از تکمیل کد:
- برنامه را اجرا کنید و ببینید چگونه شبکه عصبی شما با گذشت زمان، خطایش به صفر نزدیک می‌شود و وزن‌ها مقادیر درست را پیدا می‌کنند.
- سعی کنید همین شبکه را برای درواز OR آموزش دهید.
جلسه پنجم: هوش مصنوعی، اخلاق و آینده
اهداف آموزشی
- تفکر انتقادی درباره تأثیرات اجتماعی هوش مصنوعی.
- شناخت چالش‌ها و خطرات واقعی هوش مصنوعی (فراتر از فیلم‌های علمی-تخیلی).
- درک نیاز به قوانین و مقررات برای استفاده از هوش مصنوعی.
محتوای درس
حالا که با مفاهیم پایه هوش مصنوعی آشنا شدید، وقت آن است که درباره آینده آن فکر کنیم.
مباحثه کلاسی:
- حریم خصوصی: هوش مصنوعی با داده‌های شخصی ما چه می‌کند؟ چه کسی مالک این داده‌هاست؟
- شغل‌ها: آیا هوش مصنوعی باعث از بین رفتن شغل‌ها می‌شود یا شغل‌های جدیدی ایجاد می‌کند؟
- سوگیری (Bias): اگر داده‌هایی که به یک هوش مصنوعی می‌دهیم biased (یکطرفه) باشند، چه اتفاقی می‌افتد؟ (مثلاً یک سیستم استخدام که به طور ناخواسته به نفع یک جنسیت خاص عمل کند).
- قوانین: چرا باید استفاده از هوش مصنوعی قانونمند شود؟
خطرات واقعی در مقابل افسانه‌ها:
- خطر واقعی: استفاده نادرست از هوش مصنوعی برای نظارت گسترده، انتشار اخبار جعلی یا تقلب.
- افسانه علمی-تخیلی: بیدار شدن هوش مصنوعی و نابودی بشریت مانند فیلم “ترمیناتور”.
سخن پایانی و منابع بیشتر
تبریک می‌گوییم! شما اولین گام‌های خود را در دنیای شگفت‌انگیز هوش مصنوعی برداشتید. شما اکنون می‌دانید که هوش مصنوعی یک جادوی سیاه نیست، بلکه مجموعه‌ای از الگوریتم‌ها و ریاضیات است که توسط انسان‌ها خلق شده است.
برای ادامه مسیر:
- اسکرچ: به کاوش و ساختن پروژه‌های پیچیده‌تر در اسکرچ ادامه دهید.
- پایتون: اگر به برنامه‌نویسی علاقه‌مند شدید، زبان پایتون را یاد بگیرید که ابزار اصلی متخصصان هوش مصنوعی است.
- منابع آنلاین: از دوره‌های رایگان وبسایت‌هایی مانند Coursera, edX, و Khan Academy استفاده کنید.
به یاد داشته باشید: آینده هوش مصنوعی در دستان نسل شماست. از آن هوشمندانه، اخلاقی و برای ساختن دنیایی بهتر استفاده کنید.