یادگیری ماشین (ML) چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

یادگیری ماشین (ML) چیست

یادگیری ماشین (ML) زیرمجموعه‌ای از هوش مصنوعی است که در آن سیستم‌ها به‌جای پیروی از قواعد دست‌نویس، الگوها را از داده یاد می‌گیرند. آن را مانند آموزش با مثال در نظر بگیرید: به‌جای نوشتن دستور پخت قدم‌به‌قدم، هزاران غذای آماده را به سیستم نشان می‌دهید و می‌گذارید خودش بفهمد چگونه بپزد. به‌جای اینکه برنامه‌نویس هر تصمیم را کدنویسی کند، هزاران یا میلیون‌ها مثال به سیستم نشان داده می‌شود و خودش قواعد را کشف می‌کند.

بیشتر AI کاربردی امروز — از فیلترهای اسپم و دستیارهای صوتی تا تحلیل تصاویر پزشکی و مدل‌های زبانی بزرگ — بر یادگیری ماشین بنا شده است. وقتی یک پروژهٔ کریپتو ادعای استفاده از AI دارد، فناوری زیرین تقریباً همیشه نوعی ML است.

خلاصه: ML یعنی یادگیری از داده. به‌جای اینکه به سیستم بگویید چه کند، به آن مثال نشان می‌دهید و خودش الگوها را می‌فهمد. در AI کریپتو، «یادگیری ماشین» در کارت پروژه یعنی پروژه ادعای یادگیری داده‌محور دارد، نه منطق hardcode‌شده.

یادگیری ماشین چگونه کار می‌کند

یک سیستم یادگیری ماشین از چرخه‌ای کلی پیروی می‌کند. فهم هر گام برای ارزیابی اینکه ادعاهای ML پروژه واقعی‌اند یا نه ضروری است — هر گام artifactهای قابل تأییدی تولید می‌کند که می‌توانند شاهد باشند.

چرخهٔ حیات ML

1. تعریف مسئله — تعیین کنید مدل باید چه چیزی را پیش‌بینی یا دسته‌بندی کند. مثلاً: «با داشتن یک تراکنش بلاکچین، تعیین کن که آیا مشکوک است.» بیان روشن مسئله اولین نقطهٔ بازرسی هنگام ارزیابی ادعاهای ML است.

2. جمع‌آوری داده — یک مجموعه‌داده مرتبط با مسئله گردآوری کنید. این می‌تواند شامل تاریخچهٔ تراکنش‌ها، لاگ‌های فعالیت کیف پول، اسناد متنی یا سوابق رفتار کاربر باشد. داده می‌تواند از منابع عمومی، پایگاه‌های دادهٔ اختصاصی یا سوابق on-chain بیاید.

3. آماده‌سازی و پاک‌سازی داده — دادهٔ خام به‌ندرت همان‌طور که هست قابل استفاده است. این گام شامل حذف خطاها، رسیدگی به مقادیر گمشده، نرمال‌سازی قالب‌ها و تقسیم داده به مجموعه‌های آموزش، اعتبارسنجی و آزمون است. آماده‌سازی داده معمولاً بیشترِ زمان یک پروژهٔ ML را می‌گیرد.

4. انتخاب معماری مدل — نوع مدل AI مناسب وظیفه را انتخاب کنید: شبکهٔ عصبی، درخت تصمیم، ماشین بردار پشتیبان یا روش ترکیبی. انتخاب به نوع داده، پیچیدگی مسئله و توان محاسباتی موجود بستگی دارد. برای متن، معماری‌های transformer (پایهٔ GPT، BERT و LLMهای مدرن مانند DeepSeek) غالب‌اند. برای دادهٔ جدولی، درخت‌های تقویت‌گرادیانی (XGBoost، LightGBM) اغلب از یادگیری عمیق بهتر عمل می‌کنند.

5. آموزش مدل — الگوریتم آموزش را اجرا کنید که پارامترهای داخلی مدل (وزن‌ها) را طوری تنظیم می‌کند که پیش‌بینی‌هایش با پیامدهای شناخته‌شده در دادهٔ آموزش مطابقت کند. آموزش چندین بار روی داده تکرار می‌شود (به هر بار epoch می‌گویند) و به‌تدریج تفاوت پیش‌بینی‌ها و واقعیت را (که با تابع loss سنجیده می‌شود) کاهش می‌دهد.

6. ارزیابی — مدل آموزش‌دیده را روی دادهٔ آزمون کنارگذاشته یا بنچمارک‌ها بسنجید تا بررسی کنید الگوهای واقعی را یاد گرفته یا فقط مجموعهٔ آموزش را حفظ کرده است (مشکلی به نام overfitting). متریک‌های رایج شامل دقت، precision، recall و امتیاز F1 برای دسته‌بندی؛ میانگین مربعات خطا و R-squared برای رگرسیون؛ و perplexity برای مدل‌های زبانی است.

7. استقرار — مدل را در production قرار دهید، جایی که روی ورودی‌های جدید و دیده‌نشده inference انجام می‌دهد. استقرار شامل راه‌اندازی زیرساخت serving، مدیریت تأخیر و رسیدگی به موارد مرزی است.

8. پایش و بازآموزی — دادهٔ دنیای واقعی در طول زمان تغییر می‌کند (data drift). مدلی که روی الگوهای تراکنش بلاکچین سال گذشته آموزش دیده، شاید روی تراکنش‌های فعلی ضعیف عمل کند. سیستم‌های ML مسئولانه خطوط لولهٔ پایشی دارند که افت عملکرد را تشخیص داده و بازآموزی روی دادهٔ تازه را آغاز می‌کنند.

یک مثال عملی

فرض کنید پروژه‌ای ادعا می‌کند مدل ML‌اش فعالیت مشکوک کیف پول را تشخیص می‌دهد. یک پیاده‌سازی قابل تأیید این‌ها را نشان می‌داد:

• داده: چه دادهٔ on-chain جمع‌آوری می‌شود و چگونه برچسب می‌خورد (مثلاً آدرس‌های پرچم‌خورده در پایگاه‌های دادهٔ اکسپلویت شناخته‌شده)
• مدل: چه معماری‌ای استفاده می‌شود (مثلاً دسته‌بند تقویت‌گرادیانی روی ویژگی‌های تراکنش)
• متریک‌ها: نرخ تشخیص اندازه‌گیری‌شده، نرخ مثبت کاذب و روش‌شناسی (مثلاً «ارزیابی روی ۱۰٬۰۰۰ تراکنش کنارگذاشته از یک دورهٔ تعریف‌شده»)
• استقرار: مدل چگونه پیش‌بینی‌های بلادرنگ ارائه می‌دهد (endpoint API، مشخصات تأخیر)
• به‌روزرسانی‌ها: مدل هر چند وقت بازآموزی می‌شود و چه چیزی بازآموزی را آغاز می‌کند

اگر پروژه هیچ‌کدام از این‌ها را توصیف نکند، ادعای «ML» فاقد محتوای قابل تأیید است.

رویکردهای کلیدی ML مرتبط با AI کریپتو

یادگیری ماشین یک تکنیک واحد نیست — خانواده‌ای از رویکردهاست که هر کدام برای نوعی از مسائل مناسب‌اند.

رویکرد	چگونه یاد می‌گیرد	نیاز داده	مثال کریپتو
یادگیری بانظارت	از مثال‌های برچسب‌خورده	مجموعه‌دادهٔ برچسب‌خورده	تشخیص تقلب، دسته‌بندی کلاهبرداری
یادگیری بی‌نظارت	ساختار را بدون برچسب می‌یابد	مجموعه‌دادهٔ بدون برچسب	خوشه‌بندی کیف پول‌ها، تشخیص ناهنجاری
یادگیری تقویتی	با آزمون و پاداش	محیط + سیگنال پاداش	agentهای خودکار، بهینه‌سازی پروتکل
یادگیری عمیق	شبکه‌های عصبی چندلایه	مجموعه‌دادهٔ بزرگ + توان محاسباتی	LLMها، تولید تصویر، NLP
یادگیری انتقالی	مدل پیش‌آموزش‌دیده را با وظیفهٔ جدید سازگار می‌کند	مجموعه‌دادهٔ کوچک مختص وظیفه	fine-tuning کردن LLMها برای حوزهٔ کریپتو

یادگیری بانظارت

مدل از دادهٔ برچسب‌خورده یاد می‌گیرد — هر مثال پاسخ درست شناخته‌شده‌ای دارد. مدل یاد می‌گیرد ورودی‌ها را به خروجی‌ها نگاشت کند و بر اساس اینکه پاسخ درست را برای مثال‌های جدید و دیده‌نشده چقدر خوب پیش‌بینی می‌کند ارزیابی می‌شود.

• نحوهٔ کار: با داشتن زوج‌های (ورودی، خروجی درست)، الگوریتم پارامترهای مدل را برای کمینه کردن خطاهای پیش‌بینی تنظیم می‌کند.
• مثال: دسته‌بندی که روی تراکنش‌های برچسب‌خورده (تقلبی / مشروع) آموزش دیده تا کلاهبرداری‌ها را پرچم بزند. هر مثال آموزشی تراکنشی با ویژگی‌ها (مبلغ، تاریخچهٔ فرستنده، تعامل با قرارداد) و یک برچسب است.
• ابزارهای رایج: scikit-learn، XGBoost، LightGBM و فریم‌ورک‌های یادگیری عمیق مانند PyTorch و TensorFlow.
• قوت: دقت بالا وقتی برچسب‌های خوب در دسترس باشند.
• محدودیت: به دادهٔ برچسب‌خورده نیاز دارد که تولیدش می‌تواند گران و زمان‌بر باشد.

یادگیری بی‌نظارت

مدل الگوها را بدون برچسب می‌یابد. کسی به آن نمی‌گوید دنبال چه بگردد؛ خودش ساختار، خوشه‌ها یا ناهنجاری‌های داده را کشف می‌کند.

• نحوهٔ کار: الگوریتم نقاط دادهٔ مشابه را کنار هم گروه‌بندی می‌کند یا بر اساس ویژگی‌های آماری، نقاط پرت را شناسایی می‌کند.
• مثال: خوشه‌بندی آدرس‌های کیف پول بر اساس الگوهای رفتاری — بسامد تراکنش، مبالغ، تعامل با پروتکل‌های شناخته‌شده — برای شناسایی گروه‌های کیف پول‌های مرتبط بدون برچسب قبلی.
• ابزارهای رایج: خوشه‌بندی k-means، DBSCAN، تحلیل مؤلفه‌های اصلی (PCA)، autoencoderها.
• قوت: وقتی برچسب‌گذاری غیرعملی یا خیلی گران است کار می‌کند.
• محدودیت: نتایج نیازمند تفسیر انسانی است؛ الگوریتم ساختار می‌یابد اما توضیح نمی‌دهد خوشه‌ها چه معنایی دارند.

یادگیری تقویتی (RL)

مدل با آزمون و پاداش یاد می‌گیرد. در محیطی اقدام می‌کند و بازخورد (مثبت یا منفی) می‌گیرد. به‌مرور، استراتژی‌هایی می‌آموزد که پاداش تجمعی را بیشینه کنند.

• نحوهٔ کار: یک agent وضعیت فعلی را مشاهده می‌کند، اقدامی انجام می‌دهد، پاداش یا جریمه می‌گیرد و استراتژی‌اش را به‌روزرسانی می‌کند. این حلقه هزاران یا میلیون‌ها بار تکرار می‌شود.
• مثال: یک agent خودکار که یاد می‌گیرد با زمان‌بندی تراکنش‌ها بر اساس الگوهای ازدحام شبکه، کارمزد gas را بهینه کند.
• نقاط عطف: RL سیستم‌های بازی مانند AlphaGo را قدرت می‌دهد. در کریپتو، RL در تنظیم پارامترهای پروتکل و استراتژی‌های مبتنی بر agent دیده می‌شود.
• قوت: مناسب مسائل تصمیم‌گیری ترتیبی که در آن اقدام بهینه به پیامدهای بلندمدت بستگی دارد.
• محدودیت: به سیگنال پاداش خوش‌تعریف و تکرارهای فراوان نیاز دارد؛ حین آموزش می‌تواند ناپایدار باشد.

یادگیری عمیق

زیرمجموعه‌ای از ML که از شبکه‌های عصبی با لایه‌های فراوان استفاده می‌کند (از این‌رو «عمیق»). یادگیری عمیق بیشتر پیشرفت‌های مدرن AI را قدرت می‌دهد: بازشناسی تصویر، پردازش زبان طبیعی، مدل‌های مولد و مدل‌های زبانی بزرگ.

• نحوهٔ کار: داده از لایه‌های پیاپی نورون‌های مصنوعی می‌گذرد و هر لایه ویژگی‌های به‌تدریج انتزاعی‌تری استخراج می‌کند. یک لایهٔ کانولوشنی ممکن است لبه‌ها را تشخیص دهد؛ لایه‌های عمیق‌تر لبه‌ها را به شکل‌ها و سپس به اشیا ترکیب می‌کنند.
• مثال: یک مدل transformer (معماری پشت GPT، BERT و DeepSeek) که روی مستندات کریپتو fine-tune شده تا اطلاعات ساخت‌یافته را از متن بدون ساختار استخراج کند.
• معماری‌های کلیدی: transformerها (متن/دنباله)، شبکه‌های عصبی کانولوشنی / CNNها (تصویر)، شبکه‌های عصبی بازگشتی / RNNها (سری‌های زمانی).
• قوت: در دادهٔ پیچیده و پرابعاد (متن، تصویر، صدا، دنباله‌ها) عالی است.
• محدودیت: به مجموعه‌داده‌های بزرگ، توان محاسباتی چشمگیر و تنظیم دقیق نیاز دارد. تفسیر عملکرد آن از مدل‌های ساده‌تر دشوارتر است.

یادگیری انتقالی

تکنیکی که در آن مدلی پیش‌آموزش‌دیده روی مجموعه‌دادهٔ عمومی بزرگ، با مجموعه‌داده‌ای کوچک‌تر با وظیفه‌ای خاص سازگار می‌شود. به‌جای آموزش از صفر، مدل با دانشی که پیش‌تر آموخته آغاز می‌کند.

• نحوهٔ کار: مدلی مانند BERT (پیش‌آموزش‌دیده روی متن عمومی) را بگیرید و روی مجموعه‌داده‌ای کوچک‌تر از وایت‌پیپرهای کریپتو fine-tune کنید تا ادعاهای پروژه را دسته‌بندی کند.
• چرا مهم است: یادگیری انتقالی دادهٔ و توان محاسباتی لازم برای وظایف جدید را کاهش می‌دهد. بسیاری از پروژه‌های AI کریپتو به‌جای آموزش از صفر، از نسخه‌های fine-tuned مدل‌های موجود استفاده می‌کنند.

از ML کلاسیک تا یادگیری عمیق مدرن

فهم تکامل ML به ارزیابی ادعاهای پروژه کمک می‌کند:

• ML کلاسیک (دهه‌های ۱۹۹۰ تا ۲۰۱۰): درخت‌های تصمیم، ماشین‌های بردار پشتیبان، رگرسیون لجستیک. این‌ها روی دادهٔ ساخت‌یافته (جدولی) خوب کار می‌کنند و همچنان در تحلیل کریپتو برای دسته‌بندی تراکنش و امتیازدهی ریسک رایج‌اند.

• دورهٔ یادگیری عمیق (۲۰۱۲ تا امروز): شبکه‌های عصبی چندلایه در وظایف پیچیده از روش‌های کلاسیک پیشی گرفتند. معماری transformer سال ۲۰۱۷ («Attention Is All You Need») این حوزه را دگرگون کرد. BERT (۲۰۱۸) و GPT (۲۰۱۸ تا امروز) transformerها را به فهم و تولید زبان آوردند.

• مدل‌های بنیادی (دههٔ ۲۰۲۰ تا امروز): مدل‌های بسیار بزرگ که روی دادهٔ گسترده پیش‌آموزش دیده‌اند و برای وظایف خاص fine-tune یا prompt می‌شوند. GPT، Claude، Gemini و Mistral نمونه‌های شناخته‌شده‌اند. این مدل‌ها NLP قدرتمند را در دسترس می‌کنند اما ساختن wrapperهای نازکی که با حداقل کار اصیل ادعای «AI» دارند را هم آسان می‌کنند.

وقتی پروژه‌ای می‌گوید «یادگیری ماشین»، ارزش دارد بپرسیم: این ML کلاسیک روی دادهٔ ساخت‌یافته است، fine-tuning مدل‌های بنیادی موجود، یا آموزش مدلی جدید از صفر؟

چرا ML در DecAIHub اهمیت دارد

وقتی کارت پروژه «یادگیری ماشین» را به‌عنوان بخشی از AI component خود ذکر می‌کند، یعنی پروژه ادعا می‌کند از سیستمی استفاده می‌کند که از داده یاد می‌گیرد و بر قواعد ایستا متکی نیست. این تمایز مهم است زیرا:

• ML مستلزم خط لولهٔ آموزش است — باید داده، فرایند آموزش و مدل حاصل وجود داشته باشد. همهٔ این‌ها artifactهای قابل تأییدند.
• ML مستلزم عملکرد قابل اندازه‌گیری است — مدل آموخته را می‌توان بنچمارک و مقایسه کرد. مجموعهٔ قواعد دست‌نویس را نمی‌توان همان‌طور ارزیابی کرد.
• ML مستلزم نگه‌داری مداوم است — مدل‌ها با جابه‌جایی توزیع داده به‌مرور زوال می‌یابند. پروژه‌ای که از ML استفاده می‌کند باید دوره‌ای بازآموزی و بازارزیابی کند.
• ML مستلزم نیازهای محاسباتی است — آموزش و inference به منابع محاسباتی نیاز دارند. پروژه‌های ML غیرمتمرکز باید توضیح دهند توان محاسباتی چگونه تأمین می‌شود و هزینه بر عهدهٔ کیست.

DecAIHub هنگام ارزیابی اینکه «یادگیری ماشین» واقعی است یا فقط برچسب بازاریابی، دنبال شواهد Tier-1 این artifactها می‌گردد. پرچم‌های AI reality (AI_0 تا AI_4) مستقیماً به نقاط بازرسی شواهد نگاشت می‌شوند: آیا پروژه کامپوننت ML‌اش را توصیف می‌کند (AI_1)؟ آیا دموهای کارکردی وجود دارد (AI_2)؟ متریک‌های منتشرشده (AI_3)؟ مستندات معماری فنی (AI_4)؟

پروژه‌ای که «یادگیری ماشین» را ذکر می‌کند بدون ارائهٔ هیچ‌کدام از این artifactها، پرچم‌های AI reality پایین‌تری می‌گیرد که از طریق مکانیزم سقف ai_score، امتیاز DecAI Fit آن را محدود می‌کند.

ML به‌تنهایی چه چیزی را اثبات نمی‌کند

• کیفیت مدل — ادعای ML به این معنا نیست که مدل دقیق، مقاوم یا خوب‌تنظیم است. کیفیت نیازمند شواهد بنچمارک است.
• کیفیت داده — مدل فقط به‌اندازهٔ دادهٔ آموزشش خوب است. دادهٔ ضعیف، سوگیرانه یا ناکافی فارغ از الگوریتم، نتایج ضعیف تولید می‌کند.
• یادگیری واقعی — برخی پروژه‌ها سیستم‌های مبتنی بر قاعده یا اکتشافی‌های ساده را «ML» می‌نامند. ببینید اتوماسیون در برابر AI component واقعی.
• مزیت اختصاصی — استفاده از کتابخانهٔ آمادهٔ ML با تنظیمات پیش‌فرض روی دادهٔ عمومی، عمق معنادار AI محسوب نمی‌شود.
• غیرمتمرکز بودن — مدل‌های ML می‌توانند روی زیرساخت کاملاً متمرکز اجرا شوند. صرف استفادهٔ پروژه از ML چیزی دربارهٔ غیرمتمرکز بودن AI آن یا معنادار بودن یکپارچگی بلاکچینش نمی‌گوید.

اشتباه نگیرید با

• هوش مصنوعی — حوزهٔ گسترده‌تر. ML زیرمجموعهٔ AI است، نه مترادف آن.
• مدل AI — artifact آموزش‌دیده. ML فرایند ساختن آن artifact از راه یادگیری داده‌محور است.
• یادگیری عمیق — زیرمجموعه‌ای از ML که از شبکه‌های عصبی چندلایه استفاده می‌کند. همهٔ یادگیری عمیق ML است، اما همهٔ ML یادگیری عمیق نیست.
• اتوماسیون — اجرای قواعد از پیش تعیین‌شده. ML قواعد خودش را از داده یاد می‌گیرد. ببینید اتوماسیون در برابر AI component واقعی.
• آمار — ML بر بنیادهای آماری بنا شده اما با تمرکز بر عملکرد پیش‌بینی روی دادهٔ جدید — نه توضیح دادهٔ تاریخی — از آمار سنتی فراتر می‌رود.

پرسش‌های متداول

تفاوت یادگیری ماشین و برنامه‌نویسی سنتی چیست؟

در برنامه‌نویسی سنتی، توسعه‌دهنده قواعد صریح می‌نویسد: «اگر مبلغ تراکنش از آستانه‌ای فراتر رفت و فرستنده تاریخچه ندارد، پرچمش بزن.» در یادگیری ماشین، توسعه‌دهنده مثال‌های برچسب‌خورده ارائه می‌دهد و الگوریتم خودش قواعد را کشف می‌کند. نتیجه مدلی است که می‌تواند الگوهایی ظریف‌تر از قواعد دست‌نویس را تشخیص دهد — اما به دادهٔ آموزش باکیفیت و ارزیابی مداوم نیاز دارد.

آیا یادگیری ماشین به دادهٔ عظیم نیاز دارد؟

نه همیشه. مدل‌های یادگیری عمیق (به‌ویژه LLMها) به مجموعه‌داده‌های بزرگ نیاز دارند، اما بسیاری از تکنیک‌های ML کلاسیک با مقادیر متوسط داده به‌خوبی کار می‌کنند. یادگیری انتقالی با شروع از مدل پیش‌آموزش‌دیده، نیاز داده را باز هم کاهش می‌دهد. عامل کلیدی، کیفیت و ارتباط داده است، نه فقط کمیت. یک مجموعه‌دادهٔ کوچک، خوب‌گزینش‌شده و درست‌برچسب‌خورده می‌تواند از یک مجموعهٔ بزرگ پرنویز بهتر عمل کند.

تفاوت یادگیری بانظارت و بی‌نظارت چیست؟

یادگیری بانظارت از دادهٔ برچسب‌خورده استفاده می‌کند — هر مثال پاسخ درست را شامل می‌شود و مدل پیش‌بینی آن را یاد می‌گیرد. یادگیری بی‌نظارت با دادهٔ بدون برچسب کار می‌کند و الگوها، خوشه‌ها یا ناهنجاری‌ها را بدون آنکه بگویند دنبال چه بگردد کشف می‌کند. دستهٔ سومی، یادگیری نیمه‌نظارتی، مقدار کمی دادهٔ برچسب‌خورده را با مقدار بیشتری دادهٔ بدون برچسب ترکیب می‌کند. انتخاب به این بستگی دارد که آیا برچسب‌ها در دسترس‌اند و تولیدشان مقرون‌به‌صرفه است.

چگونه بفهمیم پروژهٔ کریپتو از ML واقعی استفاده می‌کند؟

دنبال artifactهای قابل تأیید بگردید: مجموعه‌دادهٔ توصیف‌شده، معماری مستند مدل، بنچمارک‌های منتشرشده با روش‌شناسی، دموی عمومی و شواهد بازآموزی. DecAIHub این‌ها را از طریق پرچم‌های AI reality (AI_1 تا AI_4) و بررسی‌های شواهد Tier-1 ارزیابی می‌کند. پروژه‌ای که می‌گوید «مبتنی بر ML» اما هیچ‌کدام از این‌ها را ارائه نمی‌دهد، احتمالاً این اصطلاح را به‌عنوان بازاریابی به‌کار می‌برد.

آیا یادگیری عمیق همان یادگیری ماشین است؟

یادگیری عمیق زیرمجموعهٔ یادگیری ماشین است، نه مترادف آن. ML تکنیک‌های فراوانی فراتر از یادگیری عمیق دارد: درخت‌های تصمیم، ماشین‌های بردار پشتیبان، روش‌های بیزی و روش‌های ترکیبی. یادگیری عمیق از شبکه‌های عصبی چندلایه برای یادگیری بازنمایی‌های سلسله‌مراتبی استفاده می‌کند. در دادهٔ پیچیده (متن، تصویر، صدا) عالی است اما روش‌های ساده‌تر ML اغلب روی دادهٔ ساخت‌یافتهٔ جدولی از آن بهتر عمل می‌کنند.

همچنین ببینید

• هوش مصنوعی چیست
• مدل AI چیست
• مدل زبانی بزرگ (LLM) چیست
• آموزش چیست
• Inference چیست
• بنچمارک‌ها و متریک‌های کیفیت
• اتوماسیون در برابر AI component واقعی
• چه چیزی شاهد AI محسوب می‌شود
• نقشهٔ دانش AI

منابع خارجی

• Google Developers — Machine Learning Crash Course — دورهٔ مقدماتی رایگان با پوشش مفاهیم اصلی ML و مثال‌های عملی
• Stanford CS229 — Machine Learning — منابع جامع درس دانشگاهی دربارهٔ نظریه و عمل ML
• Hugging Face — Learn — راهنماهای عملی ML و NLP مدرن با ابزارهای متن‌باز
• Machine learning (Wikipedia) — مروری بر تاریخچه، روش‌ها و کاربردهای ML
• Papers With Code — Methods — مرجع روش‌های ML با پیوند به مقالات و پیاده‌سازی‌ها