جواب پودمان ۲ هوش مصنوعی دهم فنی حرفه ای 📊 مد‌ل سازی هوش مصنوعی

جواب سوال و فعالیت های پودمان دوم هوش مصنوعی دهم فنی حرفه ای و کار و دانش؛ برای مشاهده پاسخ سوالات صفحه ۴۶ تا ۶۸ از پودمان ۲ «مدل‌سازی هوش مصنوعی» درس هوش مصنوعی هنرستان در ادامه با آموزش و پرورش ماگرتا همراه باشید.

پاسخ پودمان بعدی: جواب پودمان ۳ هوش مصنوعی دهم فنی

جواب فعالیت صفحه ۴۶ هوش مصنوعی دهم فنی

فرض کنید مجموعه‌ای از داده‌های یک مدرسه که شامل داده‌های مربوط به هنرجویان، هنرآموزان، درس‌ها، کلاس‌های درس و امتحانات است در اختیار دارید. دو نمونه از مواردی که در این داده‌ها ذخیره می‌شود را انتخاب و برای هر کدام داده، اطلاعات، دانش و خرد مربوطه را بنویسید.
✅ جواب: دو نمونه از داده‌های موجود در یک مدرسه و تبدیل آن‌ها از «داده» تا «خرد» به شکل زیر است:
نمونه اول: نمرات امتحانی هنرجویان
داده: نمره‌های خام هر هنرجو در امتحان‌های مختلف، مثلاً ۱۴، ۱۷، ۹.
اطلاعات: میانگین نمرات هر هنرجو یا هر کلاس و مقایسه نمرات دروس مختلف.
دانش: تشخیص اینکه هنرجو در کدام درس قوی یا ضعیف است و کدام درس‌ها نیاز به تمرین بیشتر دارند.
خرد: تصمیم‌گیری برای برگزاری کلاس جبرانی، تغییر روش تدریس یا ارائه برنامه مطالعاتی مناسب به هنرجو.

نمونه دوم: میزان حضور و غیاب هنرجویان
داده: ثبت تعداد جلسات حضور یا غیبت هر هنرجو در کلاس‌ها.
اطلاعات: درصد حضور هر هنرجو در طول ماه یا ترم.
دانش: درک ارتباط بین غیبت زیاد و افت تحصیلی یا نمرات پایین.
خرد: تصمیم‌گیری مدیریتی مثل تماس با خانواده، مشاوره آموزشی یا اصلاح برنامه زمانی کلاس‌ها.

جواب فعالیت صفحه ۴۷ هوش مصنوعی دهم فنی

گروه‌های دو نفره تشکیل دهید؛ سه مثال برای هر یک از انواع داده (ساختاریافته، بدون ساختار و نيمه ساختاريافته) از اپليكيشن‌ها و وب‌سايت‌هايى كه روزانه استفاده مى‌كنيد، پيدا كنيد و در كلاس با دیگران به اشتراک بگذارید. مثلا صفحه یک محصول در سایت‌های فروشگاهی چه نوع داده‌هایی دارد؟
✅ جواب:

جواب فعالیت صفحه ۵۱ هوش مصنوعی دهم فنی

در خصوص واحد اندازه گيرى داده‌ها يعنى بايت تحقيق كنيد. مفهوم آن را بنويسيد و بگوييد ترتيب افزايش واحدهای حجم (برای مثال ترابایت، مگابایت و … ) به چه شکل است. نمونه‌هایی از کلان داده‌ها را نام ببرید.
✅ جواب:
مفهوم بایت
بایت (Byte) واحد اندازه‌گیری داده در رایانه است. هر بایت از ۸ بیت تشکیل می‌شود و معمولاً می‌تواند یک کاراکتر ساده مثل یک حرف یا عدد را ذخیره کند. همه اطلاعات دیجیتال مانند متن، تصویر، صدا و ویدئو در نهایت به صورت بایت و مضرب‌های آن ذخیره و پردازش می‌شوند.

ترتیب افزایشی واحدهای حجم داده
واحدهای اندازه‌گیری حجم داده از کوچک به بزرگ به این شکل هستند:
بیت ← بایت ← کیلوبایت (KB) ← مگابایت (MB) ← گیگابایت (GB) ← ترابایت (TB) ← پتابایت (PB) ← اگزابایت (EB)

به طور معمول هر واحد تقریباً ۱۰۲۴ برابر واحد قبلی است. برای مثال، هر ۱۰۲۴ کیلوبایت برابر با ۱ مگابایت است.

نمونه‌هایی از کلان‌داده‌ها (Big Data)
داده‌های تولیدشده در شبکه‌های اجتماعی مانند پست‌ها، عکس‌ها و ویدئوها
اطلاعات تراکنش‌های بانکی و خریدهای آنلاین
داده‌های موقعیت‌یابی و ترافیک شهری از مسیریاب‌ها
داده‌های پزشکی مانند تصاویر رادیولوژی و سوابق بیماران
داده‌های تولیدشده توسط حسگرها و اینترنت اشیا

این نوع داده‌ها به دلیل حجم بسیار زیاد، سرعت تولید بالا و تنوع زیاد در دسته کلان‌داده‌ها قرار می‌گیرند.

جواب فعالیت صفحه ۵۷ هوش مصنوعی دهم فنی

برای طبقەبندی و خوشەبندی مثال‌هایی پیدا و به کلاس درس ارائه دهید.
✅ جواب:
مثال‌های طبقه‌بندی (Classification)
در طبقه‌بندی، داده‌ها از قبل برچسب مشخص دارند و سامانه باید تشخیص دهد هر داده به کدام دسته تعلق دارد.
تشخیص ایمیل‌های اسپم و غیر اسپم در یک سرویس ایمیل نمونه‌ای از طبقه‌بندی است، چون پیام‌ها در دو دسته مشخص قرار می‌گیرند.
تشخیص سالم یا بیمار بودن یک تصویر رادیولوژی نیز مثال دیگری است که نتیجه آن از پیش تعریف شده است.
تشخیص نوع حیوان در یک تصویر، مثل گربه یا سگ، نیز یک نمونه طبقه‌بندی محسوب می‌شود.

مثال‌های خوشه‌بندی (Clustering)
در خوشه‌بندی، داده‌ها برچسب از قبل ندارند و سامانه فقط بر اساس شباهت‌ها آن‌ها را گروه‌بندی می‌کند.
گروه‌بندی مشتریان یک فروشگاه اینترنتی بر اساس رفتار خرید نمونه‌ای از خوشه‌بندی است.
دسته‌بندی خودکار اخبار بر اساس موضوعات مشابه بدون تعیین عنوان قبلی نیز یک مثال رایج است.
گروه‌بندی هنرجویان یک مدرسه بر اساس الگوی نمرات یا میزان فعالیت آموزشی، بدون مشخص بودن دسته‌ها از قبل، نمونه‌ای دیگر از خوشه‌بندی است.

جواب فعالیت صفحه ۵۸ هوش مصنوعی دهم فنی

چهار نمونه یادگیری ماشین ارائه شده است؛ تعيين كنيد يادگیری ماشین ارائه شده از كدام نوع یادگیرى است؟ برای هر یک از سناريوهای اشاره، مشخص کنيد از کدام نوع یادگیرى ماشين (با نظارت، بدون نظارت یا نیمەنظارتی) استفاده شده است. دلیل خود را توضیح دهید.
١. يک بانک می‌خواهد بر اساس اطلاعات مشتريان قبلی (که مشخص است وام خود را تسویه کرده‌اند یا نكرده‌اند)، پيش‌بينى كند كه آيا مشترى جديد قادر به بازپرداخت وام جدید خواهد بود يا خير.
✅ جواب: یادگیری با نظارت
داده‌های قبلی بانک برچسب‌دار هستند، یعنی مشخص است کدام مشتری وام را تسویه کرده و کدام نکرده است. سامانه با استفاده از این نمونه‌های دارای پاسخ درست، الگو را یاد می‌گیرد و درباره مشتری جدید پیش‌بینی می‌کند.

٢. کارشناس صدابرداری می‌خواهد آهنگ‌های موجود در آرشیو خود را براساس ويژگی‌های صوتی (مانند ریتم، گام و سازهای مورد استفاده) به گروه‌هایی مانند «موسيقی آرامش بخش»، «موسیقی پرانرژى برای ورزش» و … دسته‌بندی کند، بدون اینكه از قبل اين دسته‌ها تعريف شده باشند.
✅ جواب: یادگیری بدون نظارت
آهنگ‌ها برچسب از پیش‌تعیین‌شده ندارند و دسته‌ها نیز از قبل مشخص نشده‌اند. سامانه فقط بر اساس شباهت ویژگی‌های صوتی، آهنگ‌ها را خوشه‌بندی می‌کند.

٣. یک پزشک ۱۰۰۰ تصویر رادیولوژی دارد که ۱۰ عدد از آن‌ها را به عنوان «دارای تومور» علامت‌گذاری کرده است. او از یک سامانه هوشمند کمک می‌گیرد تا با استفاده از این ۱۰ نمونه، بقیه ۹۹۰ تصویر را برای یافتن موارد مشکوک بررسی کند.
✅ جواب: یادگیری نیمه‌نظارتی
فقط تعداد کمی از داده‌ها (۱۰ تصویر) برچسب دارند و بیشتر داده‌ها بدون برچسب هستند. سامانه از ترکیب داده‌های برچسب‌دار و بدون برچسب برای یافتن موارد مشکوک استفاده می‌کند.

۴. مسئول فناوری در يک منطقه آموزش و پرورش، معدل کتبی دانش‌آموزان رشته‌های ریاضى و تجربى و میزان تحصیلات والدین آنها را در ده سال گذشته منطقه ذخیره دارد و قصد دارد از یک سامانه هوشمند کمک بگيرد و با توجه به ميزان وابستگى معدل آنها با تحصيلات والدين، معدل دانش‌آموزان جديد را براى سال تحصیلی تخمین بزند.
✅ جواب: یادگیری با نظارت
داده‌های ده سال گذشته شامل ورودی‌ها مثل معدل و تحصیلات والدین و خروجی مشخص یعنی معدل دانش‌آموزان است. سامانه با یادگیری رابطه بین این داده‌ها، معدل دانش‌آموزان جدید را پیش‌بینی می‌کند.

جواب فعالیت صفحه ۶۱ هوش مصنوعی دهم فنی

نمونه‌هایی از چالش‌های پردازش متن فارسی که هوش مصنوعی را به خطا می‌اندازد پیدا کنید.
✅ جواب: این‌ها نمونه‌هایی از چالش‌های پردازش متن فارسی هستند که باعث خطا در سیستم‌های هوش مصنوعی می‌شوند:
اسامی با ساختار متفاوت و یکسان
در فارسی اسم‌ها ممکن است با چند شکل نوشتاری ظاهر شوند، مثل «خانم»، «خانُم»، «خانم‌» یا حتی اشتباهات املایی مثل «خانم‌» و «خانم». هوش مصنوعی گاهی این‌ها را به عنوان واژه‌های متفاوت می‌بیند و درست تشخیص نمی‌دهد.
استفاده از همزه و بدون همزه
واژه‌هایی مانند «استباه» و «اشتباه»، «اگر» و «آگر» یا «آن» و «ان» باعث می‌شوند مدل‌ها نتوانند آنها را به درستی تطبیق دهند و معنی اصلی را از دست بدهند.
لغات با چند معنی (ابهام معنایی)
واژه‌هایی مثل «سر»، «باد»، «چشم» در فارسی می‌توانند معانی بسیار متفاوتی داشته باشند. اگر جمله بدون زمینه کافی باشد، هوش مصنوعی ممکن است معنی اشتباه را استخراج کند.
ترکیب‌های فعل و ضمیر
در فارسی گاهی ضمایر به انتهای فعل می‌چسبند، مثل «رفتم» یا «گفتمش» یا «بهش دادم». تشخیص درست بخش‌های جمله برای هوش مصنوعی مشکل است، چون جداکننده مشخصی نیست.
جملات بدون نقطه‌گذاری یا با غلط نقطه‌گذاری
وقتی متن فارسی بدون فاصله درست، نقطه، ویرگول یا با خطاهای تایپی نوشته شود، سامانه‌های هوش مصنوعی ممکن است نتوانند ساختار جمله را درست تحلیل کنند.
این چالش‌ها باعث می‌شوند حتی سیستم‌های پیشرفته پردازش زبان، خطا در تشخیص کلمات، ترجمه، تحلیل احساسات یا دسته‌بندی متن داشته باشند و نیاز به پیش‌پردازش و تصحیح دقیق‌تر دارند.

جواب فعالیت صفحه ۶۳ هوش مصنوعی دهم فنی

کاربردهاى مختلف AR را در آموزش علم پزشكى، آموزش مهارت‌ها، موزه‌ها و آدرس اماکن نام ببرید.
✅ جواب: به طور کلی، AR با ترکیب دنیای واقعی و اطلاعات دیجیتال، یادگیری، درک فضا و انجام کارها را دقیق‌تر و جذاب‌تر می‌کند.
در آموزش علم پزشکی، AR به دانشجویان کمک می‌کند ساختار بدن انسان را به‌صورت سه‌بعدی و تعاملی مشاهده کنند. برای مثال، دیدن اندام‌ها، استخوان‌ها و رگ‌ها روی بدن مجازی یا حتی روی مانکن واقعی باعث درک عمیق‌تر آناتومی می‌شود. همچنین در شبیه‌سازی جراحی‌ها، AR امکان تمرین ایمن و بدون خطر را فراهم می‌کند.
در آموزش مهارت‌ها، AR می‌تواند مراحل انجام یک کار را به‌صورت تصویری و گام‌به‌گام روی محیط واقعی نمایش دهد. مثلاً در آموزش فنی، تعمیرات، یا مهارت‌های صنعتی، کارآموز هم‌زمان با انجام کار، راهنمای تصویری را می‌بیند و خطاها کمتر می‌شود.
در موزه‌ها، AR تجربه بازدید را جذاب‌تر می‌کند. بازدیدکنندگان با گرفتن دوربین گوشی به سمت یک اثر، می‌توانند اطلاعات تکمیلی، تصاویر قدیمی، انیمیشن یا توضیح صوتی آن اثر را مشاهده کنند. این کار یادگیری را تعاملی‌تر و ماندگارتر می‌کند.
در نمایش آدرس و مکان‌ها، AR برای مسیریابی و گردشگری بسیار کاربردی است. اطلاعاتی مثل نام خیابان، جهت حرکت، فاصله تا مقصد یا معرفی اماکن مهم به‌صورت لایه‌های تصویری روی تصویر زنده محیط نمایش داده می‌شود و پیدا کردن مسیر را ساده‌تر می‌کند.

جواب فعالیت صفحه ۶۷ هوش مصنوعی دهم فنی

نمونه‌هایی از پردازش سری زمانی و گراف را بيان كنيد و براى هر كدام چالش‌هایی كه ممکن است هوش مصنوعی با آن‌ها مواجه شود را ارائه نمایید.
✅ جواب:
نمونه‌های پردازش سری زمانی
پیش‌بینی قیمت سهام بر اساس داده‌های روزانه بازار یکی از کاربردهای رایج سری زمانی است. هوش مصنوعی با داده‌هایی مثل قیمت، حجم معاملات و زمان سروکار دارد.
چالش اصلی در اینجا نوسانات شدید و غیرقابل‌پیش‌بینی بازار است که باعث می‌شود الگوهای گذشته همیشه تکرار نشوند. همچنین وجود داده‌های ناقص یا نویزی می‌تواند دقت پیش‌بینی را کاهش دهد.
پیش‌بینی مصرف برق یا آب در طول روزها و فصل‌ها نیز مثال دیگری از سری زمانی است.
چالش این کاربرد، تغییر الگوهای رفتاری انسان‌ها، تعطیلات، شرایط آب‌وهوایی و رویدادهای غیرمنتظره است که مدل را دچار خطا می‌کند.

نمونه‌های پردازش گراف
تحلیل شبکه‌های اجتماعی برای شناسایی افراد تأثیرگذار یک نمونه از پردازش گراف است که در آن افراد گره و روابط بین آن‌ها یال هستند.
چالش اصلی این نوع پردازش، بزرگ و پیچیده بودن گراف‌ها و تغییر مداوم ارتباطات است که پردازش و به‌روزرسانی آن‌ها را دشوار می‌کند.
مسیریابی در نقشه‌های شهری نیز بر پایه گراف انجام می‌شود، جایی که خیابان‌ها و تقاطع‌ها به‌صورت گره و یال نمایش داده می‌شوند.
چالش این کاربرد، تغییر لحظه‌ای شرایط مثل ترافیک، تصادف یا مسدود شدن مسیرهاست که باعث می‌شود تصمیم‌گیری دقیق برای هوش مصنوعی سخت‌تر شود.
این مثال‌ها نشان می‌دهد که در هر دو نوع پردازش، تغییرپذیری داده‌ها، حجم زیاد اطلاعات و نبود الگوهای ثابت از مهم‌ترین چالش‌های هوش مصنوعی هستند.

جواب فعالیت صفحه ۶۸ هوش مصنوعی دهم فنی

۱. انواع پردازش شش‌گانه هوش مصنوعی در شکل ٢٣ نشان داده شده است برای آنها مثال‌های دیگری پیدا کنید و با دیگر افراد در کلاس به بحث بگذارید.
✅ جواب:
در پردازش متن می‌توان به تحلیل نظرات کاربران در سایت‌ها برای تشخیص رضایت یا نارضایتی اشاره کرد. همچنین خلاصه‌سازی خودکار مقالات یا تصحیح هوشمند غلط‌های املایی از نمونه‌های رایج آن است.
در پردازش صوت، تشخیص صدای گوینده برای باز کردن قفل گوشی یا تبدیل گفتار دانشجو به متن در کلاس‌های آنلاین مثال‌های کاربردی هستند.
در بینایی ماشین، تشخیص پلاک خودروها در پارکینگ‌ها یا شناسایی چهره برای حضور و غیاب هوشمند دانش‌آموزان نمونه‌های دیگر محسوب می‌شوند.
در پردازش داده‌های جدولی، تحلیل داده‌های فروش یک فروشگاه برای پیش‌بینی میزان فروش آینده یا بررسی نمرات دانش‌آموزان برای ارزیابی عملکرد آموزشی کاربرد دارد.
در پردازش سری زمانی، پیش‌بینی وضعیت آب‌وهوا یا بررسی تغییرات ضربان قلب بیمار در طول زمان از مثال‌های مهم هستند.
در پردازش گراف، تحلیل ارتباطات میان کاربران یک پیام‌رسان یا بررسی ارتباط بین ایستگاه‌های مترو برای بهینه‌سازی مسیرها نمونه‌های رایج به شمار می‌آیند.

٢. تحلیل گراف در شبکه‌های اجتماعی که دارای هزاران عضو از کشورهای مختلف است چه کمکی به علوم مطالعات اجتماعى و نظر سنجى افراد مى كند؟
✅ جواب: تحلیل گراف در شبکه‌های اجتماعی کمک می‌کند روابط میان افراد، گروه‌ها و جوامع مختلف شناسایی شود. پژوهشگران علوم اجتماعی می‌توانند افراد تأثیرگذار، جریان انتشار عقاید، شکل‌گیری گروه‌ها و تفاوت دیدگاه‌ها در کشورهای مختلف را بررسی کنند. این کار باعث می‌شود نتایج نظرسنجی‌ها دقیق‌تر شود و تأثیر افراد یا گروه‌های خاص بر افکار عمومی بهتر درک شود.

٣. آيا تحليل گراف به اين سؤال مى تواند پاسخ دهد كه چرا عضويت در بعضى از شبكه‌هاى اجتماعى پايدارتر از ديگر شبكه‌هاست؟
✅ جواب: بله، تحلیل گراف می‌تواند به این سؤال پاسخ دهد. با بررسی ساختار شبکه، میزان ارتباط اعضا، تعداد پیوندهای قوی، وجود هسته‌های فعال و میزان تعامل کاربران، می‌توان فهمید چرا بعضی شبکه‌ها پایدارتر هستند. شبکه‌هایی که ارتباطات قوی‌تر، تعامل بیشتر و افراد تأثیرگذار فعال‌تری دارند، معمولاً دوام بیشتری نسبت به شبکه‌های ضعیف و کم‌تعامل دارند.

⚠️ دانش آموز عزیز به این نکته نیز توجه داشته باشید که مطالب درسی قرار گرفته شده در این صفحه فقط جنبه کمک آموزشی دارد لذا قبل از استفاده کردن از آن ها حتما خودتان نیز به سوالات پاسخ دهید تا مفهوم درس را به خوبی متوجه شوید.

پاسخ پودمان قبلی: جواب پودمان ۱ هوش مصنوعی دهم فنی

🔔 در این نوشته سوالت پودمان ۲ هوش مصنوعی دهم فنی حرفه‌ای و کار و دانش را مرور کردیم، اگر سوالی دارید از قسمت نظرات بپرسید. همچنین جهت مشاهده گام به گام سایر بخش‌ها شماره صفحه آن را به همراه عبارت «ماگرتا» در گوگل جست و جو کنید.