در دنياي مدرن، وظايف پيچيده‌تري همچون تشخيص صحبت‌هاي انسان، رقابت در بازي‌هاي استراتژيك همچون شطرنج و گو و هدايت خودكار ماشين‌ها، هوشمندي واقعي را در كامپيوترها تعريف مي‌كنند. در ادامه مسير شروع شده در آموزش هاي الگوريتم ژنتيك در پايتون مقدماتي و تكميلي بخش اول، در اين فرادرس مسائل ديگري را به كمك الگوريتم ژنتيك در پايتون بهينه سازي مي كنيم. تا بدين جا مسائل گوناگون بهينه سازي از سطح ساده انتخاب شده و در هر درس مساله پيچيده تري كه نيازمند الگوريتم ژنتيك كامل تري بود را بررسي كرديم. در پايان اين آموزش شما با حل مساله هاي بهينه سازي جديد و پيچيده تري نسبت به آموزش هاي مقدماتي و تكميلي بخش اول آشنا خواهيد شد و قادر خواهيد بود براي حل يك مساله بهينه سازي از الگوريتم ژنتيك در پايتون استفاده كنيد. در اين آموزش كه عملا درس شماره صفر تمام دروس آموزشي بهينه سازي مي تواند باشد، مفاهيم پايه و اساسي مربوط به مسائل بهينه سازي و الگوريتم هاي مورد استفاده براي حل اين مسائل، مورد بحث و بررسي قرار مي گيرند. تمام افرادي كه قصد آموزش تئوري يا عملي روش هاي بهينه سازي را دارند، به مشاهده اين آموزش توصيه مي شوند.

هوش مصنوعي فيدبك را از انسان مي‌‌‌‌گيرد و خود را اصلاح مي‌‌‌‌كند تا به نتيجه مطلوب دست يابد. ديتاست‌هاي آموزشي براي مدل‌هاي يادگيري ماشين، روز‌به‌روز بزرگ‌تر و در دسترس‌تر مي‌شوند. گوگل ديتاستي به‌نام Open Images دارد كه ۹ ميليون تصوير را در اختيار كاربر قرار مي‌دهد.

براي تبديل مساله خوشه بندي به مساله بهينه سازي، ما نيازمند شاخص هايي هستيم كه به اين منظور، در اين فرادرس، از چندين شاخص معروف در حوزه داده كاوي تكاملي، استفاده شده است. ماشين هاي داراي خود آگاهي مي توانند بفهمند كه در چه سطح و حالتي هستند و مي توانند از اطلاعاتي كه بدست مي آورند احساسات ديگران را نتيجه گيري كنند. سوپر هوش مصنوعي همان طور كه گفته شد زماني است كه هوش مصنوعي به فراتر از توانايي‌هاي انسان دست خواهد يافت. اين سيستم مي‌تواند داراي قدرت‌هايي باشد كه يك انسان از داشتن آن نحروم است. رسيدن به اين سيستم در اثر تكامل يافتن هوش مصنوعي عمومي اتفاق خواهد افتاد و ساخت آن هم مي‌تواند به دست بشر باشد و يا اينكه مي‌تواند به دست سيتستم‌هاي هوشمندي باشد كه به تكامل دست يافته‌اند.

(ساختهٔ دست بشر، غيرطبيعي، مصنوعي) حال آنكه هوش مصنوعي به عنوان يك اصطلاح عمومي پذيرفته شده كه شامل محاسبات هوشمندانه و تركيبي (مركب از مواد مصنوعي) است. انسان‌ها نمي‌توانند پا به پاي سرعت سرسام‌آور رشد فناوري‎ها حركت كنند، و به همين دليل شركت‌ها بي‌محابا به دنبال استفاده از دستيارهاي مجازي و ********‌بات‌هايي هستند كه از هوش مصنوعي تغذيه مي‌شوند. طبق پيش‎بيني‌ها تا سال ۲۰۲۰ حدود ۸۵ درصد تعاملات مشتري‌ها به وسيله هوش مصنوعي مديريت مي‌شود. علاوه بر اين با گسترش حضور هوش مصنوعي و ماشين ها در زندگي بشر، برخي مهارت هاي برنامه نويسان نظير تبحر در حل مسائل، درك چگونگي كاركرد سيستم هاي فني و بهينه سازي آنها بيش از پيش اهميت پيدا خواهند كرد. از اينها كه بگذريم، فيلسوف ها و رياضي دان ها از مدت ها پيش مباحث مربوط به استدلال و منطق را پيش كشيدند و امروزه اين مباحث به صورت قرار دادي، به رسميت پذيرفته شده است. يكي از افرادي كه نقش اساسي و مهمي در اين مورد ايفا كرد آقاي آلن تورينگ بود.

دهه‌ي ۲۰۱۰ را مي‌توان دوران شكوفايي دستاوردهاي هوش مصنوعي دانست كه در زندگي روزمره‌ي بشر به‌وضوح حس شدند. در سال ۲۰۱۱، مسابقه‌ي مشهور Jeopardy تلويزيون آمريكا (مسابقه‌اي با محوريت اطلاعات عمومي) با حضور دو نفر از برترين شركت‌كننده‌ها، برد راتر و كن جنينگز، برگزار شد و در برابر آن‌ها، كامپيوتر واتسون IBM قرار داشت. در سال ۲۰۱۲، كامپيوترهاي سريع‌تر با تجهيز به الگوريتم‌هاي پيشرفته‌تر و دسترسي به منابع داده‌اي عظيم‌تر، پيشرفت در حوزه‌هاي درك و يادگيري ماشين را ممكن كردند. رويكردهاي يادگيري عميق هم در همان سال متولد شدند كه نياز به داده را به‌عنوان خوراك سيستم‌‌هاي هوش مصنوعي، افزايش دادند.

اين سامانه‌ها بر اساس قوانين خاص خود فكر كرده و كار خود را به درستي انجام مي‌دهند. هر چند نمونه بالا ممكن است كمي آرماني به نظر برسد، ولي به هيچ عنوان دور از دسترس نيست. دانشمندان عموماً براي توليد چنين ماشين‌هايي از وجود مدل‌هاي زنده‌اي كه در طبيعت وجود به ويژه آدمي نيز سود برده‌اند. AI قابليتهاي خريد مجازيي را فراهم مي آورد كه به مشتري مشاوره اختصاصي ارائه مي كنند و درباره گزينه هاي مختلف خريد با وي بحث مي كنند. تحليل فيلم نيازمند فهم محتوا و توجه به جزئيات است به اين معنا كه نمي‌توان با محدود كردن نگاه به سطح محتوا و صرف نظر از زمينه و گفتمان جاري در فيلم آن را درك كرد و نسبت به پيام يا مؤلفه‌هاي محتوايي آن قضاوت كرد. در كنار پژوهش‌هاي گوناگون حوزه پزشكي با هدف غلبه بر كوويد-۱۹، بسياري از شركت‌هاي فعال در حوزه فناوري نيز به ارائه دستاوردهايي پرداخته‌اند كه مي‌توانند به مقابله با اين بيماري كمك كنند.

در سال‌هاي اخير شبكه‌هاي موسوم به GAN نشان دادند كه سيستم‌هاي يادگيري ماشين، تنها با دريافت داده‌هاي محدود و كوچك، توانايي توليد داده‌هاي عظيم براي آموزش خود را دارند. چنين رويكردي، احتمالا به توسعه‌ي مفهوم يادگيري نيمه نظارتي منجر خواهد شد كه در آن، سيستم‌‌ها با ديتاست‌هاي بسيار كوچك‌تر از ديتاست‌هاي امروزي، آموزش مي‌بينند. يادگيري ماشين در تعريف ساده با ارائه‌ي داده‌هاي وسيع به ماشين شروع مي‌شود.