آموزش صفر تا صد هوش مصنوعی؛ نقشه راه ۹۰ روزه از مبتدی تا پروژه

برای شروع یادگیری هوش مصنوعی لازم نیست از روز اول ریاضیات پیشرفته یا یک رایانه گران داشته باشید؛ اما باید قبل از انتخاب دوره، هدف خود را مشخص کنید. کسی که می‌خواهد در کار روزمره از ابزارهای AI استفاده کند، مسیر متفاوتی با توسعه‌دهنده اپ مبتنی بر API یا مهندس یادگیری ماشین دارد.

این راهنما یک وعده غیرواقعی مثل «متخصص AI در هفت روز» نمی‌دهد. در ۹۰ روز می‌توانید پایه منظم بسازید، چند پروژه قابل نمایش انجام دهید و بفهمید ادامه مسیر شما چیست. متخصص‌شدن به تمرین، پروژه واقعی و زمان بیشتری نیاز دارد.

قدم صفر: کدام مسیر را می‌خواهید؟

مسیر A: کاربر حرفه‌ای ابزارهای AI

مناسب تولیدکننده محتوا، مدیر، دانشجو، طراح، بازاریاب یا صاحب کسب‌وکار. تمرکز شما روی این موارد است:

• صورت‌بندی مسئله
• پرامپت‌نویسی
• ارزیابی و راستی‌آزمایی خروجی
• اتوماسیون ساده
• حریم خصوصی و انتخاب ابزار

برای این مسیر، برنامه‌نویسی اجباری نیست.

مسیر B: سازنده محصول AI

مناسب برنامه‌نویسی که می‌خواهد چت‌بات، جست‌وجوی هوشمند، خلاصه‌ساز یا قابلیت مولد به اپ اضافه کند. نیاز اصلی:

• یک زبان برنامه‌نویسی
• کار با API و JSON
• Backend، Authentication و پایگاه داده
• Prompt Engineering و Structured Output
• ارزیابی، هزینه و امنیت

برای شروع لازم نیست مدل را از صفر آموزش دهید.

مسیر C: مهندس یادگیری ماشین یا پژوهشگر

مناسب کسی که می‌خواهد مدل بسازد، آموزش دهد، ارزیابی کند یا روی الگوریتم‌ها کار کند. نیازها:

• Python
• جبر خطی، احتمال، آمار و مشتق
• کار با داده
• یادگیری ماشین و عمیق
• آزمایش علمی و خواندن مقاله

این مسیر از دو مسیر دیگر طولانی‌تر است.

ابزارهای لازم برای شروع

برای بیشتر تمرین‌های مقدماتی این موارد کافی است:

• یک لپ‌تاپ معمولی
• Python و محیطی مانند Jupyter یا Google Colab
• Git و یک حساب GitHub برای نگهداری پروژه
• یک ویرایشگر کد
• یک دفترچه یادگیری برای ثبت فرضیه، خطا و نتیجه

GPU شخصی در ماه‌های اول ضروری نیست. برای تمرین‌های سنگین‌تر می‌توان از محیط ابری استفاده کرد. خرید سخت‌افزار قبل از اینکه بدانید چه پروژه‌ای دارید، معمولاً خرج زودهنگام است.

برنامه ۹۰ روزه در یک نگاه

هفته ۱: فهم درست AI و تعریف مسئله

قبل از کدنویسی، این مفاهیم را بفهمید:

• تفاوت AI، Machine Learning و Deep Learning
• تفاوت مدل پیش‌بینی‌گر و مولد
• داده آموزشی، Validation و Test
• Training در برابر Inference
• Overfitting یا بیش‌برازش
• معیارهای ارزیابی
• توهم مدل و سوگیری

تمرین هفته:

1. سه مسئله از زندگی یا کار خود بنویسید.
2. برای هرکدام مشخص کنید ورودی، خروجی و معیار موفقیت چیست.
3. بررسی کنید آیا واقعاً AI لازم است یا یک قاعده ساده کافی است.

مثال خوب:

دسته‌بندی تیکت‌های پشتیبانی به سه گروه فنی، مالی و حساب کاربری با دقت قابل قبول و امکان اصلاح توسط اپراتور.

مثال بد:

یک هوش مصنوعی بسازیم که همه کارهای پشتیبانی را انجام دهد.

هفته ۲: Python کاربردی، نه حفظ‌کردن دستورها

در Python روی مواردی تمرکز کنید که در پروژه داده نیاز دارید:

• متغیر، شرط و حلقه
• تابع و ماژول
• List، Dictionary و Set
• خواندن و نوشتن فایل
• مدیریت خطا
• محیط مجازی و نصب پکیج
• کار با API و JSON
• نوشتن کد خوانا و تست ساده

پروژه کوچک:

یک فایل CSV شامل تیکت‌ها را بخوانید، طول پیام‌ها و تعداد کلمات پرتکرار را محاسبه کنید و گزارش خروجی بسازید.

اشتباه رایج این است که ماه‌ها فقط سینتکس بخوانید. بعد از هر مفهوم، یک خروجی کوچک بسازید.

هفته ۳: داده و پاک‌سازی

مدل خوب از داده خراب معجزه نمی‌سازد. این مهارت‌ها را تمرین کنید:

• خواندن CSV و JSON
• تشخیص داده گمشده
• حذف یا بررسی رکورد تکراری
• تبدیل نوع داده
• تشخیص Outlier
• تقسیم داده به آموزش و آزمون
• جلوگیری از Data Leakage

Data Leakage زمانی رخ می‌دهد که اطلاعاتی از آینده یا پاسخ واقعی ناخواسته وارد مرحله آموزش شود. مدل در آزمایش عالی به نظر می‌رسد ولی در عمل شکست می‌خورد.

پروژه:

یک دیتاست عمومی انتخاب کنید، ستون‌ها را توضیح دهید، مشکلات کیفیت را فهرست کنید و نسخه پاک‌شده را همراه گزارش تغییرات ذخیره کنید.

هفته ۴: آمار و مصورسازی لازم

برای شروع به این مفاهیم نیاز دارید:

• میانگین، میانه و واریانس
• توزیع و نمونه‌گیری
• همبستگی در برابر علیت
• احتمال شرطی
• بازه اطمینان در حد مفهومی
• نمودار مناسب برای نوع داده

هدف تبدیل‌شدن به ریاضی‌دان در یک هفته نیست. باید بتوانید بفهمید داده چه می‌گوید و چه چیزی را ثابت نمی‌کند.

خروجی هفته:

یک Notebook بسازید که سؤال مشخصی را با چند نمودار پاسخ دهد. برای هر نمودار یک نتیجه و یک محدودیت بنویسید.

هفته ۵: نخستین مدل یادگیری ماشین

با یک مسئله ساده طبقه‌بندی یا رگرسیون شروع کنید. الگوریتم‌های مناسب:

• Linear Regression
• Logistic Regression
• Decision Tree
• Random Forest
• Gradient Boosting در سطح آشنایی

فرایند مهم‌تر از الگوریتم است:

1. Baseline بسازید.
2. داده را درست تقسیم کنید.
3. معیار مناسب انتخاب کنید.
4. مدل را آموزش دهید.
5. خطاها را تحلیل کنید.
6. نتیجه را با Baseline مقایسه کنید.

اگر داده نامتوازن است، Accuracy ممکن است فریب‌دهنده باشد. برای مثال، اگر فقط یک درصد تراکنش‌ها تقلبی باشند، مدلی که همیشه «سالم» بگوید ۹۹ درصد Accuracy دارد اما هیچ فایده‌ای ندارد. Precision، Recall و هزینه خطا را نیز ببینید.

هفته ۶: Feature Engineering و ارزیابی

Feature اطلاعاتی است که مدل برای پیش‌بینی استفاده می‌کند. در پروژه واقعی، تعریف ویژگی مناسب می‌تواند از تغییر الگوریتم مهم‌تر باشد.

کارهای هفته:

• ساخت Pipeline
• Cross-validation
• تنظیم Hyperparameter در حد منطقی
• Confusion Matrix
• تحلیل False Positive و False Negative
• ثبت نسخه داده و مدل

خروجی:

یک گزارش کوتاه بنویسید که توضیح دهد مدل کجا خوب و کجا بد عمل می‌کند. فقط نمره نهایی کافی نیست.

هفته ۷: شبکه عصبی به زبان عملی

مفاهیم پایه:

• نورون و لایه
• وزن و Bias
• تابع فعال‌سازی
• Loss Function
• Gradient Descent
• Epoch و Batch
• Overfitting و Regularization

یک شبکه کوچک روی دیتاست استاندارد آموزش دهید. هدف شکستن رکورد نیست؛ هدف مشاهده منحنی Train و Validation و فهم اثر تنظیم‌هاست.

در این مرحله می‌توانید از PyTorch یا TensorFlow/Keras استفاده کنید. انتخاب ابزار کمتر از فهم چرخه آموزش اهمیت دارد.

هفته ۸: تصویر یا متن، فقط یکی را انتخاب کنید

پراکنده‌شدن بین همه شاخه‌ها باعث می‌شود هیچ پروژه‌ای تمام نشود.

انتخاب تصویر

• طبقه‌بندی تصویر
• Transfer Learning
• Data Augmentation
• ارزیابی خطاهای تصویری

انتخاب متن

• پاک‌سازی متن
• Tokenization
• نمایش برداری
• دسته‌بندی متن
• Embedding در سطح مفهومی

پروژه کوچک را با داده محدود و هدف روشن انجام دهید. اگر پروژه فارسی است، کیفیت داده و تفاوت خط عربی/فارسی، نیم‌فاصله و نرمال‌سازی را جدی بگیرید.

هفته ۹: مدل زبانی بزرگ و Prompt Engineering

حالا تفاوت این موارد را یاد بگیرید:

• Model در برابر Product
• System Prompt، User Prompt و Context
• Token و Context Window
• Temperature در سرویس‌هایی که ارائه می‌شود
• Structured Output
• Tool Calling
• Embedding و بازیابی
• RAG یا تولید تقویت‌شده با بازیابی

یک پرامپت حرفه‌ای معمولاً شامل نقش، هدف، زمینه، محدودیت، قالب خروجی و معیار ارزیابی است. اما Prompt خوب جای داده درست و معماری مناسب را نمی‌گیرد.

تمرین:

یک درخواست را روی چند مدل اجرا کنید و نتایج را بر اساس صحت، کامل‌بودن، سرعت و هزینه امتیاز دهید. از قضاوت «این مدل حس بهتری دارد» عبور کنید و معیار بنویسید.

در جی‌تی‌پی می‌توانید برای چنین مقایسه‌ای مدل‌های مختلف را ببینید و مسیر مناسب را انتخاب کنید.

هفته ۱۰: ساخت یک قابلیت AI با API

پروژه پیشنهادی: خلاصه‌ساز تیکت‌های پشتیبانی.

حداقل معماری:

• فرم ورودی
• Backend برای نگهداری امن کلید API
• اعتبارسنجی طول و نوع ورودی
• Prompt نسخه‌بندی‌شده
• خروجی ساختاریافته
• Timeout و Retry محدود
• ثبت مصرف و هزینه
• امکان اصلاح خروجی توسط کاربر
• عدم ثبت داده حساس در Log

کلید API را در اپ موبایل یا JavaScript عمومی قرار ندهید. درخواست باید از Backend عبور کند.

هفته ۱۱: ارزیابی، امنیت و هزینه

یک Demo که فقط در سه مثال خوب کار می‌کند محصول نیست. مجموعه ارزیابی بسازید:

• ۲۰ تا ۵۰ نمونه واقعی و متنوع
• پاسخ یا معیار مطلوب
• موارد مرزی و ورودی مخرب
• تست فارسی، عدد، تاریخ و متن طولانی
• سنجش هزینه و تأخیر

ریسک‌های مهم:

• Prompt Injection
• افشای دستور سیستمی یا داده خصوصی
• خروجی نامعتبر JSON
• فراخوانی ابزار بدون مجوز
• هزینه نامحدود
• اعتماد بیش از حد کاربر

برای اقدام حساس، تأیید انسانی و محدودیت سطح دسترسی قرار دهید.

هفته ۱۲ و ۱۳: پروژه نهایی و پورتفولیو

پروژه نهایی باید یک مسئله واقعی را تا پایان حل کند. چند ایده:

پروژه ۱: طبقه‌بندی و خلاصه‌سازی تیکت فارسی

• طبقه‌بندی موضوع
• خلاصه کوتاه
• پیشنهاد پاسخ به‌عنوان Draft
• سنجش دقت و زمان صرفه‌جویی

پروژه ۲: جست‌وجوی هوشمند در اسناد

• بارگذاری چند سند عمومی
• Chunking منطقی
• Embedding و بازیابی
• پاسخ همراه نقل منبع
• تست سؤال خارج از اسناد

پروژه ۳: تحلیل نظر کاربران

• استخراج موضوع‌های پرتکرار
• دسته‌بندی مثبت/منفی با بازبینی انسانی
• Dashboard ساده
• مقایسه با نمونه‌گیری دستی

پروژه ۴: دستیار نوشتن پرامپت تصویر

• دریافت هدف و سبک
• ساخت Prompt ساختاریافته
• تولید چند نسخه
• بررسی محدودیت برند و نسبت تصویر

پورتفولیوی خوب چه دارد؟

فقط اسکرین‌شات زیبا کافی نیست. برای هر پروژه این موارد را منتشر کنید:

• مسئله و کاربر هدف
• داده و مجوز استفاده
• معماری
• Baseline
• معیارها
• نتیجه واقعی
• نمونه خطا
• هزینه تقریبی
• محدودیت و کار بعدی
• روش اجرای پروژه

یک پروژه کوچک با گزارش صادقانه از پنج Notebook نیمه‌تمام ارزشمندتر است.

چه مقدار ریاضی لازم است؟

برای کاربر حرفه‌ای

ریاضی تخصصی لازم نیست؛ سواد داده، احتمال خطا و تفسیر معیارها مهم است.

برای سازنده محصول

آشنایی مفهومی با احتمال، بردار، شباهت و ارزیابی کافی است؛ سپس بر اساس پروژه عمیق‌تر شوید.

برای مهندس ML

جبر خطی، احتمال و آمار، مشتق و بهینه‌سازی لازم می‌شود. آن‌ها را هم‌زمان با پروژه یاد بگیرید، نه اینکه یک سال اجرای پروژه را به تعویق بیندازید.

دوره و منبع را چگونه انتخاب کنیم؟

منبع خوب باید تمرین، بازخورد و پروژه داشته باشد. چند نقطه شروع معتبر:

• Python Tutorial رسمی برای مبانی زبان
• Google Machine Learning Crash Course برای مفاهیم و تمرین‌های ML
• دوره fast.ai برای رویکرد پروژه‌محور یادگیری عمیق
• Machine Learning Specialization از DeepLearning.AI برای ساختار آموزشی منظم

یک دوره را کامل کنید. خرید چند دوره مشابه حس پیشرفت می‌دهد ولی مهارت نمی‌سازد.

استفاده از AI برای یادگیری AI

AI می‌تواند معلم کمکی خوبی باشد، به شرط روش درست:

• از آن بخواهید مفهوم را با دو مثال و یک ضد مثال توضیح دهد.
• کد را خط‌به‌خط بررسی کنید، نه اینکه فقط اجرا کنید.
• از مدل بخواهید برای پاسخ خود تست بنویسد.
• خطای عمدی در کد قرار دهید و علت را پیدا کنید.
• پاسخ را با مستندات رسمی مقایسه کنید.
• هرگز تمرین را بدون فهم کامل تحویل ندهید.

پرامپت نمونه:

نقش مربی سخت‌گیر یادگیری ماشین را داشته باش. ابتدا از من سه سؤال تشخیصی درباره Logistic Regression بپرس. بعد فقط بر اساس ضعف‌هایم یک تمرین بده. راه‌حل کامل را تا وقتی تلاش خودم را نفرستاده‌ام نمایش نده. پس از پاسخ من، خطاهای مفهومی را جدا از خطاهای کدنویسی توضیح بده.

اشتباه‌هایی که مسیر را خراب می‌کنند

پریدن مستقیم به مدل‌های بزرگ

بدون فهم داده و ارزیابی، فقط API وصل می‌کنید و نمی‌فهمید چرا محصول شکست خورده است.

جمع‌کردن گواهی به جای پروژه

مدرک پایان دوره نشان نمی‌دهد می‌توانید مسئله واقعی را حل کنید.

مقایسه خود با پژوهشگر چندساله

هدف ۹۰ روز اول ساخت پایه و عادت پروژه‌محور است، نه رقابت با متخصص باسابقه.

نادیده‌گرفتن زبان انگلیسی فنی

لازم نیست مکالمه عالی داشته باشید، اما خواندن مستندات و اصطلاح‌های اصلی سرعت شما را چند برابر می‌کند.

بی‌توجهی به هزینه و امنیت

مدلی که در Demo رایگان است ممکن است در مقیاس گران شود. کلید، داده و دسترسی ابزار باید از ابتدا طراحی شود.

برنامه هفتگی پیشنهادی

برای فرد شاغل، ۷ تا ۱۰ ساعت در هفته واقع‌بینانه‌تر است:

• سه جلسه ۶۰ تا ۹۰ دقیقه مطالعه و تمرین
• یک جلسه دو تا سه ساعته پروژه
• ۳۰ دقیقه مرور و ثبت آموخته‌ها

هر هفته باید یک Artifact داشته باشید: کد، نمودار، گزارش، Demo یا تست. اگر فقط ویدیو دیده‌اید، هفته کامل نشده است.

جمع‌بندی

یادگیری صفر تا صد هوش مصنوعی یک مسیر واحد ندارد. ابتدا بین «کاربر حرفه‌ای»، «سازنده محصول» و «مهندس ML» انتخاب کنید. در ۹۰ روز، مبانی، Python، داده، یک مدل کلاسیک، شبکه عصبی، مدل زبانی و یک پروژه نهایی را به شکل مرحله‌ای جلو ببرید. معیار پیشرفت تعداد ساعت ویدیو نیست؛ توان ساخت، ارزیابی و توضیح یک پروژه است.

سؤال‌های متداول

آیا بدون برنامه‌نویسی می‌توان هوش مصنوعی یاد گرفت؟

برای استفاده حرفه‌ای از ابزارها و پرامپت‌نویسی بله. برای ساخت محصول یا مدل، برنامه‌نویسی لازم می‌شود و Python نقطه شروع رایجی است.

یادگیری AI چقدر طول می‌کشد؟

در ۹۰ روز می‌توان پایه و چند پروژه مقدماتی ساخت. رسیدن به سطح استخدام یا پژوهش به پیش‌زمینه، ساعت تمرین و کیفیت پروژه بستگی دارد و معمولاً بیشتر طول می‌کشد.

برای هوش مصنوعی چه ریاضی‌ای لازم است؟

برای مهندسی ML، جبر خطی، احتمال، آمار و مشتق مهم‌اند. برای استفاده از API یا ابزارهای AI، فهم مفهومی و ارزیابی خروجی اولویت بیشتری دارد.

آیا برای AI حتماً GPU لازم است؟

در شروع نه. بیشتر تمرین‌های مقدماتی روی CPU یا محیط‌های ابری اجرا می‌شوند. خرید GPU را تا زمانی که پروژه و نیاز مشخص ندارید عقب بیندازید.

از کدام زبان برنامه‌نویسی شروع کنیم؟

Python به دلیل اکوسیستم داده و یادگیری ماشین انتخاب رایج و منطقی است. اگر توسعه‌دهنده محصول هستید، زبان Backend فعلی خود را نیز می‌توانید برای مصرف APIها نگه دارید و Python را برای آزمایش و مدل‌سازی یاد بگیرید.

مطالب مرتبط

• مبانی هوش مصنوعی به زبان ساده
• دسته‌بندی درست انواع AI
• راهنمای پرامپت ساخت تصویر
• تحقیق هوش مصنوعی با منابع

منابع و تاریخ بازبینی

• Python Tutorial: https://docs.python.org/3/tutorial/index.html
• Google Machine Learning Crash Course: https://developers.google.com/machine-learning/crash-course
• fast.ai Practical Deep Learning: https://course.fast.ai/
• DeepLearning.AI Machine Learning Specialization: https://www.deeplearning.ai/specializations/machine-learning
• NIST AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework

آخرین بازبینی: ۱ اوت ۲۰۲۶. لینک و سرفصل دوره‌ها ممکن است تغییر کند؛ ایجنت باید قبل از انتشار در دسترس‌بودن آن‌ها را بررسی کند.