The slide's title, "Convergence of the Dream of Intelligence, from Mathematics to Language," introduces a presentation on the evolution of AI. Its subtitle elaborates on this journey from the clay tablets of ancient mathematicians to the enchantment of words, highlighting Large Language Models (LLMs).

همگرایی رویای هوش، از ریاضیات تا کلام

از لوح ریاضیدانان تا جادوی کلام؛ مدل‌های زبانی بزرگ (LLMs)

Mathematicians like Euler laid the groundwork for mechanized reasoning by establishing logical calculus, while Frege advanced formal logic to symbolize mathematical thought. This evolution sparked the dream of machines mimicking human inference, forming the foundations of computation theory.

ریاضیدانان و رویای مکانیزه کردن فکر

• اویلر حساب منطقی را برای استدلال مکانیزه پایه‌گذاری کرد.
• فرگه منطق رسمی را برای نمادسازی تفکر ریاضی توسعه داد.
• رویای ماشین‌های تقلیدکننده استنتاج انسانی شکل گرفت.
• بنیان‌های نظریه محاسبات بر این ایده‌ها استوار شد.

Alan Turing introduced the concept of intelligent agents, which perceive their environment and perform rational actions. The utility function serves as a decision-making criterion by measuring the desirability of outcomes, forming the foundation for goal-oriented artificial intelligence systems.

تولد ایجنت و تابع سودمندی

• آلن تورینگ مفهوم ایجنت هوشمند را معرفی کرد.
• ایجنت‌ها محیط را درک و عمل منطقی انجام می‌دهند.
• تابع سودمندی معیار تصمیم‌گیری را فراهم می‌کند.
• سودمندی مطلوبیت نتایج را اندازه‌گیری می‌کند.
• پایه‌ای برای سیستم‌های هدف‌محور هوش مصنوعی.

The slide, titled "Theory of Languages and the Failure of Rule-Based Systems," features a quote from linguist Noam Chomsky highlighting how the hierarchy of formal languages reveals the limitations of rule-based approaches for natural language. It emphasizes that natural language's recursive structures surpass the capabilities of finite automata or context-free grammars, requiring a profound insight into innate human cognition.

نظریه زبان‌ها و شکست قانون‌مندی

> The hierarchy of formal languages exposes the inadequacy of rule-based systems for natural language, which exhibits recursive structures far beyond finite automata or context-free grammars, demanding a deeper understanding of innate human cognition.

— Noam Chomsky, Linguist and Cognitive Scientist

Source: از لوح ریاضیدانان تا جادوی کلام؛ مدل‌های زبانی بزرگ (LLMs)

This slide marks Section 05, titled "The Era of Compilers," highlighting the introduction of compilers as key tools for translating code. It emphasizes their pivotal role in advancing programming practices and early artificial intelligence development.

عصر کامپایلرها

05

عصر کامپایلرها

ورود کامپایلرها به عنوان ابزارهای ترجمه کد و نقش آن‌ها در پیشرفت برنامه‌نویسی و هوش مصنوعی اولیه

Source: از لوح ریاضیدانان تا جادوی کلام؛ مدل‌های زبانی بزرگ (LLMs)

The slide discusses Alan Turing and his 1936 Turing Machine as the foundational concept of computation, formalizing algorithms and theoretical computability. It explores the development of compilers from Turing's theory, its influence on computation theory and artificial intelligence, and the link between mathematics and practical programming.

خالقان مترجم‌ها و تورینگ

• آلن تورینگ و ماشین تورینگ: پایه محاسبات در ۱۹۳۶
• رسمی‌سازی الگوریتم و محاسب‌پذیری نظری
• توسعه کامپایلرها از نظریه تورینگ
• تأثیر بر نظریه محاسبات و هوش مصنوعی
• پیوند ریاضیات به برنامه‌نویسی عملی

The timeline slide titled "Entry of Probabilities and Databases" outlines key milestones in probability and data management foundational to AI, starting with Thomas Bayes' 1763 posthumous publication of his theorem for probabilistic inference and Andrey Kolmogorov's 1933 axioms establishing a rigorous mathematical framework for probability. It continues with the 1960 integration of statistical methods into early AI for modeling uncertainty, culminating in Edgar Codd's 1970 invention of the relational database model for structured data storage.

ورود احتمالات و دیتابیس‌ها

1763: Bayes' Theorem Publication Thomas Bayes' posthumous work introduces probabilistic inference, foundational for handling uncertainty in AI. 1933: Kolmogorov's Probability Axioms Andrey Kolmogorov establishes rigorous mathematical framework for probability, influencing statistical computing. 1960: Statistical Methods in AI Early AI incorporates probability to model uncertainty, bridging math and computation. 1970: Relational Database Invention Edgar Codd's relational model enables structured data storage, paving way for data-driven AI.

Machine learning was born in the 1950s with Arthur Samuel, often called its father, who pioneered learning from data rather than fixed rules. This approach differs from traditional programming by enabling automatic adaptation, as demonstrated in Samuel's checkers program that improved through experience.

تولد یادگیری ماشین

• دهه ۱۹۵۰: آرتور ساموئل، پدر یادگیری ماشین.
• یادگیری از داده‌ها، نه قوانین ثابت.
• تمایز از برنامه‌نویسی سنتی: تطبیق خودکار.
• برنامه شطرنج: بهبود از تجربه.

The slide outlines the four foundational pillars of machine learning, highlighting key statistics: supervised learning dominates 70% of applications and achieves 85% accuracy in image tasks. It also notes unsupervised learning's 60% share in data exploration via clustering, alongside reinforcement learning's milestone of 100 wins in AlphaGo.

چهار ستون بنیادین ML

• 70%: Supervised Usage

Dominates ML applications

• 85%: Image Accuracy

Supervised models excel

• 60%: Data Exploration

Unsupervised clustering share

• 100: AlphaGo Wins

Reinforcement milestone Source: ML Literature and Applications

The slide, titled "Model: Decision Boundary," illustrates how decision boundaries separate different classes in data for machine learning classification. It highlights KNN's approach of classifying based on nearest neighbor distances and SVM's method of finding an optimal hyperplane for maximum margin, noting that these algorithms simplify decision-making processes.

مدل: مرز تصمیم

!Image

• Decision boundary separates different classes in data.
• KNN classifies based on nearest neighbor distances.
• SVM finds optimal hyperplane for maximum margin.
• These algorithms simplify machine learning decisions.

Source: Wikipedia

Linear models, such as logistic and linear regression, are employed to predict customer credit risk by combining variables like income, credit history, and age, estimating the likelihood of loan default to support financial decisions. In banking, these models enable credit scoring, fraud detection, and risk management, with real-world examples like HSBC achieving up to 80% improved prediction accuracy for loan risk assessment.

مدل‌سازی ریسک مشتری

The slide introduces neural networks through the Perceptron, a simple model inspired by brain neurons, and Backpropagation, an algorithm for training multi-layer networks by propagating errors. It then covers Genetic Algorithms (GA) as an optimization technique based on natural evolution, highlighting key mechanisms like selection, crossover, and mutation, with applications in solving complex AI optimization problems.

شبکه‌های عصبی و الگوریتم‌های ژنتیک

• Perceptron: مدل ساده عصبی الهام‌گرفته از نورون‌های مغز.
• Backpropagation: الگوریتم آموزش شبکه‌های چندلایه با انتشار خطا.
• الگوریتم‌های ژنتیک: بهینه‌سازی مبتنی بر تکامل طبیعی.
• انتخاب، تقاطع و جهش: مکانیسم‌های کلیدی در GA.
• کاربردها: حل مسائل پیچیده بهینه‌سازی در هوش مصنوعی.

Source: AI History Presentation

Linear models fail to handle complex, non-linear data and cannot extract advanced features effectively. Deep learning addresses these limitations through hierarchical layered learning, enabling superior performance in real-world AI tasks.

شکست مدل خطی و نیاز به دیپ لرنینگ

• محدودیت مدل‌های خطی در داده‌های پیچیده و غیرخطی
• ناتوانی در استخراج ویژگی‌های پیشرفته
• نیاز به لایه‌های عمیق برای یادگیری سلسله‌مراتبی
• ظهور دیپ لرنینگ برای حل مسائل واقعی
• بهبود عملکرد در وظایف پیچیده هوش مصنوعی

Deep learning's two primary tasks are classification, which assigns discrete labels to data, and regression, which predicts continuous numerical values. The field advanced with CNNs for image processing and RNNs for sequence modeling in 2010.

دیپ لرنینگ و دو وظیفه اصلی

• دو وظیفه اصلی دیپ لرنینگ: طبقه‌بندی و رگرسیون.
• طبقه‌بندی: اختصاص برچسب‌های گسسته به داده‌ها.
• رگرسیون: پیش‌بینی مقادیر پیوسته و عددی.
• پیشرفت با CNN برای پردازش تصاویر.
• توسعه RNN برای مدل‌سازی توالی‌ها در ۲۰۱۰.

The slide titled "انقلاب توجه (Attention)" highlights the attention mechanism's role in focusing on relevant parts of input data and enabling effective handling of long-range dependencies in sequences. It emphasizes how this innovation revolutionizes Transformer models, boosting performance in natural language processing and overall efficiency in sequential data tasks.

انقلاب توجه (Attention)

!Image

• Attention mechanism focuses on relevant input parts.
• Enables handling long-range dependencies in sequences.
• Revolutionizes Transformer models for better NLP performance.
• Improves sequential data processing efficiency.

Source: Wikipedia

The emergence of models like GPT and BERT marks the dawn of the era of large language models (LLMs). The future involves pursuing artificial general intelligence while confronting profound ethical challenges, urging us to step toward a responsible path.

تولد LLMها و آینده

ظهور GPT و BERT، آغاز عصر مدل‌های زبانی بزرگ. آینده: دستیابی به هوش مصنوعی عمومی با چالش‌های اخلاقی عمیق.

به سوی آینده‌ای مسئولانه قدم برداریم.

The slide, titled "تشکر و پرسش و پاسخ" (Thanks and Q&A), serves as a conclusion to the presentation. It expresses gratitude for the audience's attention and invites questions to discuss the history and future of AI.

تشکر و پرسش و پاسخ

سپاس از توجه و همراهی شما.

سؤالات خود را مطرح کنید تا بر تاریخچه و آینده AI بحث کنیم.

Source: از لوح ریاضیدانان تا جادوی کلام؛ مدل‌های زبانی بزرگ (LLMs)