دوره آموزش مبانی هوش مصنوعی از تئوری تا شهود

جلسه اول از فصل دوم کورس «مبانی هوش مصنوعی: از تئوری تا شهود» 💭 در این درس، به بررسی مکانیزم اصلی حل مسئله در AI می پردازیم. این جادو نیست؛ بلکه یک روش سیستماتیک است که به آن جستجو (Search) می گویند. ➰ در این ویدیو یاد می گیریم که هوش مصنوعی چگونه مسائل پیچیده را به یک نقشه ساختاریافته تبدیل می کند. با استفاده از معمای کلاسیک «عبور از رودخانه» (روبات، روباه، مرغ و دانه) به عنوان یک مثال عملی، اجزای اصلی حل مسئله در هوش مصنوعی را بررسی می کنیم: ◾ فضای حالت (State Space): مجموعه کامل تمام وضعیت ها یا Node های ممکن در یک مسئله. ◾ انتقال ها (Transitions): حرکت ها یا اکشن های مجاز که ما را از یک State به State دیگر می برند. ◾ هزینه ها (Costs): فاکتورهایی مانند زمان یا سوخت که برای محاسبه کارآمدترین مسیر استفاده می شوند. ▫️ با ما همراه باشید تا ببینید چگونه این مفاهیم به ظاهر ساده، مقیاس پذیر می شوند و به تکنولوژی های پیچیده ای مانند مسیریابی GPS و خودروهای خودران قدرت می بخشند.

جلسه دوم از فصل دوم کورس «مبانی هوش مصنوعی: از تئوری تا شهود» 💭 آیا فکر می کنید هوش مصنوعی با کامپیوترهای پیشرفته یا ربات های علمی تخیلی شروع شد؟ اشتباه می کنید! داستان واقعی AI با یک «ایده انتزاعی» روی کاغذ آغاز شد؛ سال ها قبل از این که حتی کلمه «هوش مصنوعی» وجود داشته باشد. ➰ در این ویدیو (جلسه دوم از فصل دوم)، به ریشه های عمیق هوش مصنوعی سفر می کنیم. از ذهن درخشان آلن تورینگ و مفهوم انقلابی «محاسبه پذیری» شروع می کنیم و به تابستان داغ ۱۹۵۶ در کالج دارتموث می رسیم؛ جایی که جان مک کارتی برای اولین بار نام «Artificial Intelligence» را خلق کرد. ➿ بررسی می کنیم که چگونه این پیشگامان باور داشتند «هوش» جادو نیست، بلکه فرایندی است که می توان آن را به گام های کوچک تقسیم و شبیه سازی کرد. همچنین یاد می گیریم چرا بازی هایی مانند شطرنج و دوز، اولین آزمایشگاه های دانشمندان برای آزمودن این نظریه ها بودند. ◾ ماشین تورینگ (Turing Machine): چگونه یک مدل ذهنی ساده، پایه تمام کامپیوترهای امروزی شد؟ ◾ کنفرانس دارتموث ۱۹۵۶: لحظه تولد رسمی هوش مصنوعی و فرضیه جان مک کارتی. ◾ تست در محیط بسته (Restricted Domains): چرا محققان اولیه سراغ بازی های رومیزی رفتند؟ ◾ اتصال به امروز: چگونه الگوریتم های پیشنهاد دهنده نتفلیکس و یوتیوب ریشه در همین نظریه ها دارند.

جلسه سوم از فصل دوم کورس «مبانی هوش مصنوعی: از تئوری تا شهود» 💭 چطور یک کامپیوتر می تواند میلیاردها حرکت احتمالی در شطرنج را بررسی کند و بهترین گزینه را انتخاب کند؟ راز این توانایی در «قدرت پردازش» صرف نیست، بلکه در «الگوریتم های جستجو» نهفته است. ➰ در جلسه سوم از فصل دوم، وارد دنیای جذاب «هوش مصنوعی در بازی ها» می شویم. بازی ها فقط برای سرگرمی نیستند؛ آن ها محیط هایی کامل و کنترل شده (Restricted Domains) هستند که دانشمندان از آن ها برای آزمودن هوش ماشین استفاده می کنند. در این ویدیو یاد می گیریم که هوش مصنوعی چگونه مسئله را به عنوان یک «فضای جستجو» (Search Space) می بیند و با استفاده از درخت های تصمیم و استراتژی های جستجو، مسیری به سوی پیروزی پیدا می کند. این مفاهیم، پایه و اساس سیستم هایی مانند Deep Blue و AlphaGo هستند. ◾ چرا بازی ها؟ اهمیت محیط های قطعی و نوبتی در توسعه هوش مصنوعی. ◾ فضای حالت (State Space): چگونه تمام حالت های ممکن یک بازی به یک نقشه بزرگ تبدیل می شوند؟ ◾ الگوریتم های جستجو (Search Algorithms): مقدمه ای بر این که ماشین چگونه «آینده» را پیش بینی می کند. 🤖 هوش در برابر محاسبه: تفاوت میان فکر کردن انسان و محاسبه ماشین.

به فصل سوم خوش آمدید! در این قسمت، دنیای قطعی و مشخص Search Algorithms (مانند شطرنج) را پشت سر می گذاریم و وارد واقعیت پر هرج و مرج دنیای واقعی می شویم. ➰ وقتی یک AI (مانند یک ماشین خودران) با رویدادهای غیر قابل پیش بینی مواجه می شود، قوانین خشک و قطعی کافی نیستند. این جاست که Reasoning Under Uncertainty به ابرقدرت هوش مصنوعی مدرن تبدیل می شود. برای مدیریت چنین شرایطی، از زبان Probability استفاده می کنیم. نکات کلیدی این جلسه: ◾ چالش Uncertainty: چرا محیط های واقعی به چیزی فراتر از منطق ساده نیاز دارند. ◾ تفاوت Odds و Probability: درک تفاوت ریاضی این دو مفهوم. Odds نسبت برد به باخت را نشان می دهد (مثلا ۳:۱)، در حالی که Probability نسبت برد به کل تلاش هاست (مثلا ۷۵٪). ⬅️ مثال های شهودی: استفاده از سناریوهای ملموس مانند آب و هوا (مثلا احتمال باران در هلسینکی) برای تبدیل این دو معیار به یکدیگر. این جلسه، مقدمه ای است برای مبحث قدرتمند بعدی ما: Bayes' Rule.

در این قسمت، یکی از قدرتمندترین ابزارهای AI برای استدلال در شرایط عدم قطعیت را بررسی می کنیم: قانون بیز (Bayes' Rule). این تنها یک فرمول پیچیده نیست؛ بلکه چارچوبی منطقی برای به‌روزرسانی باورهای ما هنگام دریافت اطلاعات جدید است. ما اجزای اصلی این قانون را با استفاده از مثال پیش‌بینی آب و هوا و یک معمای پزشکی کلاسیک که اغلب شهود انسان را فریب می دهد، بررسی می کنیم. در این ویدیو یاد خواهید گرفت: ◾ Prior Odds: باور اولیه شما قبل از مشاهده شواهد جدید. ◾ Likelihood Ratio: معیاری برای سنجش قدرت شواهد جدید. ◾ Posterior Odds: باور به‌روزرسانی شده پس از ترکیب شانس اولیه با شواهد جدید. ببینید چگونه این قانون ضرب ساده به هوش مصنوعی (و همچنین شما) کمک می کند تا از دام های فکری رایج مانند Base Rate Fallacy (مغلطه نرخ پایه) اجتناب کنید و انتقادی تر فکر کنید.

در این جلسه، تئوری را به عمل تبدیل می کنیم و یک ابزار هوش مصنوعی واقعی می سازیم: یک Spam Filter (فیلتر هرزنامه). ➰ بررسی می کنیم که چگونه کامپیوترها ایمیل ها را به عنوان «Spam» یا «Ham» (ایمیل های عادی) با استفاده از یکی از کلاسیک ترین و موثرترین الگوریتم های یادگیری ماشین طبقه بندی می کنند: Naive Bayes Classifier. موضوعات کلیدی این ویدیو: ◾ مسئله Spam: درک مفهوم Classification (طبقه بندی) در AI. ◾ چرا "Naive" (ساده لوح)؟ فرض ساده ای که ریاضیات را آسان اما قدرتمند می کند («همه مدل ها اشتباه اند، اما برخی مفیدند»). ◾ آموزش مدل: شمارش کلمات برای محاسبه «امتیاز اسپم» و Likelihood Ratios. ◾ فیلترینگ در عمل: یک مثال گام به گام از محاسبه احتمال نهایی برای یک ایمیل جدید. ببینید چگونه یک مدل احتمالاتی ساده می تواند مسائل پیچیده ای مانند تمیز نگه داشتن اینباکس شما را حل کند.

آیا تا به حال فکر کرده اید که نتفلیکس چطور سلیقه فیلم شما را می شناسد یا کامپیوتر چطور دستخط های کج و کوله را می خواند؟ پاسخ در «قوانین دستی» نیست، بلکه در جادوی یادگیری ماشین (Machine Learning) نهفته است. در این قسمت (۴.۱) از دوره جامع هوش مصنوعی Staiblocks، به قلب تپنده AI سفر می کنیم. بررسی می کنیم که چرا دوران «سیستم های خبره» و کدنویسی خط به خط به پایان رسید و چگونه ماشین ها یاد گرفتند که الگوها را خودشان کشف کنند. اگر مفاهیمی مانند رگرسیون، کلاسیفیکیشن یا اورفیتینگ برایتان گیج کننده است، این ویدیو نقشه راه شماست. آنچه در این درس یاد می گیرید: ✅ تفاوت بنیادین برنامه نویسی سنتی با هوش مصنوعی. ✅ تشریح کامل یادگیری با نظارت (Supervised) و بدون نظارت (Unsupervised). ✅ درک مفاهیم کلیدی: طبقه بندی (Classification) در برابر رگرسیون (Regression). ✅ خطرناک ترین تله در یادگیری ماشین: بیش برازش (Overfitting) چیست؟ ✅ راه حل طلایی: چرا داده ها را به دو بخش آموزش (Train) و آزمون (Test) تقسیم می کنیم؟ ⏱ زمان بندی مباحث (Timestamps): - مقدمه: موتور محرک تکنولوژی های امروز - چالش تشخیص اعداد دست نویس (مسئله MNIST) - راه حل قدیمی: سیستم های خبره و محدودیت های آن - انقلاب یادگیری ماشین: تغییر پارادایم از قانون به داده - یادگیری با نظارت (Supervised Learning) چیست؟ - تفاوت طبقه بندی (Classification) و رگرسیون (Regression) - یادگیری بدون نظارت (Unsupervised Learning) و کشف الگوها - تله بزرگ: مفهوم بیش برازش (Overfitting) - راه حل: تقسیم داده ها به Train و Test - آنچه در قسمت بعد خواهیم دید (ریاضیات پشت پرده)

تا حالا شده حس کنید اپلیکیشن موزیک یا فیلم شما دقیقاً می داند الان چه چیزی می خواهید؟ انگار کسی ذهن شما را خوانده است! اما این جادو نیست؛ این قدرتِ یکی از ساده ترین و زیباترین الگوریتم های هوش مصنوعی است: نزدیک ترین همسایه (Nearest Neighbor). ➰ در قسمت ۴.۲ از دوره مبانی هوش مصنوعی کانال Staiblocks، پرده از راز سیستم های توصیه گر (Recommender Systems) برمی داریم. یاد می گیریم چگونه سرویس هایی مانند نتفلیکس و اسپاتیفای با استفاده از فیلتر مشارکتی سلیقه شما را پیش بینی می کنند. اما این سکه یک روی تاریک هم دارد: آیا این الگوریتم ها ما را در یک حباب فیلتر ایزوله می کنند؟ 🔘 در این ویدیو یاد خواهید گرفت: ✅ الگوریتم نزدیک ترین همسایه (KNN) دقیقاً چگونه کار می کند؟ ✅ مفهوم «فاصله» در هوش مصنوعی؛ هندسی یا شباهت سلیقه؟ ✅ فیلتر مشارکتی (Collaborative Filtering) چیست و چگونه شما را به دیگران وصل می کند؟ ✅ حباب فیلتر (Filter Bubble): خطری که جهان بینی ما را محدود می کند. ✅ چرا پیش بینی های هوش مصنوعی گاهی تبدیل به «پیشگویی خودمحقق کننده» می شوند؟ ♣️ زمان بندی مباحث (Timestamps): ▪️ مقدمه: رازی که اپلیکیشن های موزیک از شما پنهان می کنند ▪️ تعریف الگوریتم نزدیک ترین همسایه (Nearest Neighbor) ▪️ مثال تصویری: دسته بندی ستاره های آبی و سبز ▪️ مفهوم «فاصله» و شباهت در دنیای واقعی ▪️ سیستم های توصیه گر و فیلتر مشارکتی (Collaborative Filtering) ▪️ روی تاریک ماجرا: حباب فیلتر (Filter Bubble) چیست؟ ▪️ خطر پیشگویی های خودمحقق کننده در الگوریتم ها ▪️ سوال مهم: چه چیزهایی را داریم از دست می دهیم؟

آیا می دانید بزرگترین اشتباه تازه کارها در هوش مصنوعی چیست؟ استفاده از رگرسیون برای یک مسئله طبقه بندی یا بدتر از آن، ساختن مدلی که داده ها را حفظ کرده اما چیزی یاد نگرفته است! ➰ در این قسمت از دوره مبانی یادگیری ماشین کانال Staiblocks، ذره بین را روی سه مفهوم حیاتی می گذاریم که اگر آن ها را درک نکنید، هیچ مدلی درست کار نخواهد کرد. ما تفاوت دقیق پیش بینی عددی (Regression) با پیش بینی دسته ای (Classification) را بررسی می کنیم و سپس به سراغ دشمن شماره یک دیتا ساینتیست ها می رویم: بیش برازش (Overfitting). 🔘 آنچه در این ویدیو بررسی می کنیم: ✅ رگرسیون (Regression): وقتی که پاسخ یک «مقدار پیوسته» است (مثلاً قیمت خانه). ✅ طبقه بندی (Classification): وقتی که پاسخ «بله/خیر» یا یک «دسته» است (مثلاً تشخیص اسپم). ✅ بیش برازش (Overfitting): چرا مدل های پیچیده گاهی احمقانه ترین نتایج را روی داده های جدید می دهند؟ ✅ تعمیم پذیری (Generalization): هنر ساختن مدلی که در دنیای واقعی کار کند. اگر می خواهید بدانید چگونه مرز بین این مفاهیم را تشخیص دهید و از تله های رایج دوری کنید، این ویدیو برای شماست.

آیا تا به حال فکر کرده اید که هوش مصنوعی دقیقاً چطور «می بیند» یا «فکر می کند»؟ پاسخ در شبیه سازی مغز انسان نیست، بلکه در الهام گرفتن از آن است! در این ویدیو، به سراغ پایه ای ترین مفهوم هوش مصنوعی مدرن می رویم: شبکه های عصبی (Neural Networks). ➰ در این ویدیو، عمیقاً به مبانی شبکه های عصبی و یادگیری عمیق می پردازیم. بررسی می کنیم که چگونه هوش مصنوعی از مغز انسان الهام گرفته اما اساساً متفاوت عمل می کند—درست مانند هواپیماها که از پرندگان الهام گرفته شده اند اما بال نمی زنند! ➿ ما در این درس بررسی می کنیم چرا یک نورون به تنهایی قدرتی ندارد و چگونه «جادوی اتصالات» باعث هوشمندی می شود. همچنین به تفاوت بنیادین پردازش در کامپیوترهای معمولی (CPU) و شبکه های عصبی (نیاز به GPU) می پردازیم. ♣️ آنچه در این ویدیو یاد می گیرید (Key Takeaways): ◾ آناتومی نورون: دندریت، آکسون و بدنه سلول در مقابل همتایان مصنوعی آن ها. ◾ تفاوت کلیدی: چرا هوش مصنوعی کپی برابر اصل مغز نیست؟ (مثال هواپیما) ◾ معماری پردازش: تفاوت پردازش متوالی (Serial) در CPU و پردازش موازی (Parallel) در شبکه های عصبی. ◾ نقش GPU: چرا کارت گرافیک موتور اصلی انقلاب هوش مصنوعی است؟

آیا می دانستید تمام هوش مصنوعی های پیشرفته امروزی، از واحدهای فوق العاده ساده ای ساخته شده اند که شبیه به یک «فاکتور خرید» عمل می کنند؟ ➰ در این ویدیو، بلوک های سازنده‌ی اساسی شبکه های عصبی یعنی وزن‌ها، بایاس‌ها و توابع فعال‌سازی را بررسی می کنیم. توضیح می دهیم که چگونه یک نورون واحد با استفاده از قیاس «کلید دیمر» تصمیم گیری می کند و چگونه لایه ها پیچیدگی ایجاد می کنند. ➿ در این درس، معمای پرسپترون (Perceptron) را حل می کنیم. یاد می گیریم چگونه یک نورون مصنوعی با ضرب و جمع ساده (مثل حساب کردن قیمت نهایی در فروشگاه) اطلاعات را پردازش می کند. همچنین با یک مثال عملی، به شبکه یاد می دهیم تفاوت حرف X و O را تشخیص دهد. 🔘 آنچه در این ویدیو یاد می گیرید (Key Takeaways): ◾ آناتومی نورون مصنوعی: ورودی، وزن (Weights) و بایاس (Bias) دقیقاً چه هستند؟ ◾ مثال فاکتور خرید: بهترین روش برای درک ترکیب خطی (Linear Combination) ◾ تابع فعال‌سازی (Activation Function): چرا نورون‌ها مثل کلید دیمر عمل می کنند نه کلید برق؟ ◾ معماری شبکه: لایه های ورودی، پنهان و خروجی چگونه کار می کنند؟ ◾ تاریخچه: داستان پرسپترون و «زمستان هوش مصنوعی (AI Winter)» ◾ مثال عملی: تشخیص حروف X و O با تنظیم دستی وزن ها

آیا می دانستید هوش مصنوعی هایی که امروز دنیای ما را تغییر داده اند، از سه «ابر قدرت» اصلی استفاده می کنند؟ دیدن (Vision)، خلق کردن (Creation) و نوشتن (Language) 👁️🎨✍️ ➰ در این ویدیو، فراتر از شبکه های عصبی پایه حرکت می کنیم تا معماری های پیشرفته ای را بررسی کنیم که به انقلاب هوش مصنوعی مدرن نیرو می بخشند. به CNNها (بینایی رایانه ای)، GANها (هوش مصنوعی مولد) و Transformerها (مدل های زبان بزرگ) می پردازیم. ➿ در این درس پیشرفته، راز پشت پرده تکنولوژی هایی مانند خودروهای خودران، دیپ فیک ها و ChatGPT را فاش می کنیم. یاد می گیریم چرا شبکه های ساده قدیمی دیگر پاسخگو نیستند و چگونه مکانیزم توجه (Attention Mechanism) همه چیز را از سال ۲۰۱۷ تغییر داد. ♣️ آنچه در این ویدیو یاد می گیرید (Key Takeaways): ◾ چالش بزرگ: چرا شبکه های عصبی معمولی نمی توانند تصاویر را ببینند؟ ◾ شبکه های CNN: الهام از چشم انسان برای تشخیص الگوها (مناسب برای خودروهای خودران) ◾ شبکه های GAN: بازی «دزد و پلیس» (یا جاعل و کارآگاه) برای خلق تصاویر واقعی ◾ انقلاب زبان: مقاله «Attention Is All You Need» و تولد ترنسفورمرها ◾ ظهور LLMها: مسیر رسیدن به GPT-4 و Llama و انفجار ChatGPT

آیا هوش مصنوعی قرار است تمام مشکلات بشر را حل کند یا ما را منقرض کند؟ پاسخ کوتاه: هیچکدام! پاسخ دقیق‌تر در تاریخ نهفته است. ➰ در این جلسه تفکر انتقادی، از جزئیات فنی فاصله می‌گیریم تا چرخه‌های هایپ هوش مصنوعی را تحلیل کنیم. مفهوم زمستان‌های هوش مصنوعی را بررسی می‌کنیم، افسانه «ترمیناتور» را رد می‌کنیم و مدل ذهنی «روباه‌ها در مقابل جوجه تیغی‌ها» فیلیپ تتلاک را برای درک بهتر پیش‌بینی‌ها معرفی می‌کنیم. ➿ در این ویدیو، قبل از شروع فصل جدید (شبکه‌های عصبی)، یاد می‌گیریم چطور اخبار زرد را فیلتر کنیم. بررسی می‌کنیم چرا پیش‌بینی‌های «جوجه‌تیغی‌ها» (Hedgehogs) معمولاً غلط از آب در می‌آیند و چرا باید مثل «روباه‌ها» (Foxes) فکر کنیم. همچنین با سناریوی عجیب «ماکسیمایزر گیره کاغذ» (Paperclip Maximizer) آشنا می‌شویم. ♣️ آنچه در این ویدیو یاد می‌گیرید (Key Takeaways): ◾ دو قطب افراطی: جنگ بین آرمان‌شهر (Utopia) و آخرالزمان (Apocalypse) ◾ درس تاریخ: چرخه‌های هایپ و «زمستان‌های هوش مصنوعی» (AI Winters) در دهه‌های ۶۰ و ۸۰ ◾ ابزار فکری: تفاوت پیش‌بینی‌کنندگان «روباه» و «جوجه‌تیغی» (نظریه فیلیپ تتلاک) ◾ افسانه‌زدایی: چرا سناریوی «ترمیناتور» و شورش ربات‌ها غیرمحتمل است؟ ◾ تهدیدهای واقعی: چرا باید نگران «تبعیض الگوریتمی» باشیم نه ربات‌های قاتل

💭 آیا می‌دانستید الگوریتم‌های هوش مصنوعی می‌توانند نژادپرست یا جنسیت‌زده باشند؟ یا اینکه "ناشناس بودن" در دنیای داده‌ها یک توهم است؟ ➰ در این ویدیو، پیامدهای اجتماعی و چالش‌های اخلاقی هوش مصنوعی را بررسی می‌کنیم. از سوگیری الگوریتمی در استخدام گرفته تا خطرات حریم خصوصی کلان‌داده، کشف می‌کنیم که چگونه هوش مصنوعی واقعیت ما را - چه خوب و چه بد - تغییر می‌دهد. ➿ در این درس مهم، ما از تئوری‌های فنی فاصله می‌گیریم تا تأثیرات واقعی هوش مصنوعی بر زندگی روزمره را بررسی کنیم. با هم می‌بینیم که چرا داده‌های آموزشی (Training Data) مقصر اصلی تبعیض هستند و چطور محققان توانستند هویت کاربران ناشناس نتفلیکس را فاش کنند. همچنین، یک‌بار برای همیشه به این سوال پاسخ می‌دهیم: آیا ربات‌ها جایگزین ما خواهند شد؟ ♣️ آنچه در این ویدیو یاد می‌گیرید (Key Takeaways): ◾سوگیری الگوریتمی (Bias): چرا هوش مصنوعی تعصبات انسانی را بازتولید می‌کند؟ ◾واقعیت ساختگی: خطر دیپ‌فیک‌ها (Deepfakes) برای اعتماد عمومی و سیاست. ◾مرگ حریم خصوصی: درس عبرت از ماجرای داده‌های نتفلیکس (Netflix Prize). ◾آینده شغل‌ها: نقد گزارش جنجالی دانشگاه آکسفورد (خطر ۴۷٪ بیکاری). ◾مسئولیت ما: چطور می‌توانیم آینده هوش مصنوعی را اخلاقی شکل دهیم؟

تبریک! 🎉 شما دوره «مبانی هوش مصنوعی» را به پایان رساندید. اما این تازه شروع ماجراست... 🚀 آیا آماده‌اید که دانش خود را به قدرت تغییر تبدیل کنید؟ ➰ در این قسمت پایانی از دوره، به تصویر کلی نگاه می‌کنیم. بحث می‌کنیم که چرا مهم‌ترین تصمیمات در هوش مصنوعی در حوزه سیاست‌گذاری اتفاق می‌افتد، نه برنامه‌نویسی. همچنین ۴ چالش اجتماعی عمده را بررسی می‌کنیم: تعصب، اخبار جعلی، حریم خصوصی و نابرابری اقتصادی. ➿ در این ویدیو، به این نتیجه می‌رسیم که تکنولوژی به خودی خود آینده‌ای روشن یا تاریک نمی‌سازد؛ این «ما» هستیم که مسیر آن را تعیین می‌کنیم. با الهام از جمله معروف فیلم ترمیناتور، یاد می‌گیریم که سرنوشت هوش مصنوعی هنوز نوشته نشده و شما، با دانشی که اکنون دارید، نویسنده آن هستید. ♣️ آنچه در این ویدیو یاد می‌گیرید (Key Takeaways): ◾ مرور ۴ چالش بزرگ: سوگیری الگوریتمی، اخبار جعلی، حریم خصوصی و نابرابری اقتصادی ◾ میدان جنگ واقعی: چرا سیاست‌گذاری (Policy) از کدنویسی (Code) مهم‌تر شده است؟ ◾ نقش شما: چگونه دانش فنی شما به «صدای قدرتمند» در جامعه تبدیل می‌شود؟ ◾ آینده نوشته نشده: پیامی از سارا کانر در ترمیناتور برای متخصصان هوش مصنوعی ◾ قدم بعدی: چرا اصول پایه‌ای که یاد گرفتید هرگز قدیمی نمی‌شوند؟