Menyja
Kurrikula e Shatranj.ai — Kurrikulë me inteligjencë artificiale bazuar në lojëra tavoline historike (Shah, Shatranxh, Qirkat, Dame) për Zhvillimin e Rinisë
Shatranj.ai është një trashëgimia-e-parë, ndërto-dhe-eksperimento Kurrikula e inteligjencës artificiale. Ne mësojmë inteligjencën artificiale moderne duke rindërtuar mjetet intelektuale që kanë formësuar vendimmarrjen njerëzore për shekuj me radhë: lojëra tavoline historike. Këto lojëra udhëtuan përmes gjuhëve dhe qytetërimeve, duke bartur modele logjike, etike dhe krijuese. Sot, ato përbëjnë një nga laboratorët më të qartë për të kuptuar inteligjencën artificiale—sepse Çdo lëvizje është e matshme., çdo vendim është i shpjegueshëm, dhe çdo algoritëm lë një gjurmë që mund ta testosh.
Trungu historik i pistës së puzlit (studime themelore dhe burime): Në të gjithë kurrikulën trajtojmë një grup të kuruar enigmash historike dhe studimesh të fundlojës: Turneu i kuajve (Turi i kalorësit), Tetë mbretëresha, i Gruri & Tabela e shahut enigmë e rritjes eksponenciale, studime klasike të çiftëzimit (përfshirë Dilaram dhe matet e hershme në dorëshkrim), dhe Diamanti i Sulit. Rikonstruksionet dhe narrativat tona me enigma mbështeten në dy libra historikë themelorë të shahut: Libri i shahut dhe Kitab ash-Shatranj—dy nga burimet më të rëndësishme për trashëgiminë kulturore dhe intelektuale të shahut dhe Shatranjit.
Ky kurrikulëm shkon përtej shahut. Ju do të rikrijoni dhe analizoni shumë lojëra tavoline historike, të tilla si 3-karatë, 9-stone, Mancala, i Loja Mbretërore e Urit, dhe Katrash, plus sistemet strategjike më të pasura të Qiratë dhe Shah. Qëllimi është të mësohet AI si një grumbull i transferueshëm idesh, jo diçka e lidhur me një lojë të vetme.
Pikat kyçe të inteligjencës artificiale përmes softuerit të shahut: Ne gjurmojmë në mënyrë eksplicite sistemet kthyes dhe çfarë secili prej tyre i mësoi botës për “inteligjencën e makinës”: Turku, Blu e thellë, AlphaZero, dhe Peshk i stokut. Mësuesit shohin se si kërko, vlerësim, kufizimet inxhinierike (çipa, memorie, shpejtësi), dhe metodat moderne të bazuara në mësim formësuan evolucionin e softuerit të shahut dhe të inteligjencës artificiale.
Për kë është ky kurrikul
• Studentët: Mëso AI-në duke ndërtuar sisteme që mund t'i shpjegosh, matësh dhe përmirësosh.
• Mësuesit: një kurs modular që mund ta mësoni si një sekuencë të plotë ose si njësi të pavarura.
• Shkollat dhe institucionet: një rrugë AI me pasuri kulturore për klube, lëndë zgjedhore, bootcamp-e dhe programe ndërdisiplinore.
Çfarë do të jeni në gjendje të bëni
• Ndërtoni mjedise për lojëra tavoline dhe zbatoni gjenerim ligjor i lëvizjeve
• Zbatoni kërkimin e inteligjencës artificiale klasike (DFS, BFS, UCS, A*, minimaks, alfa–beta)
• Përdor programim dinamik të zgjidhësh një studim historik të fundlojës
• Kuptoni se si funksionojnë motorët modernë të shahut (përfaqësim → gjenerim lëvizjesh → kërkim → vlerësim)
• Zbatoni mësimin e përforcimit nga Q-mësimi tabelar për rrjetet Q të thella dhe MCTS
• Kuptoni në stilin e AlphaZero-s pipelines (rrjetet e politikave/vlerave + PUCT + vetë-lojë)
Harta e kurrikulës (25 mësime, të ndara në 9 seksione)
Seksioni 1 — Bazat dhe themelet e Python-it (Mësimet 1–6)
Mësimi 1: Fushëveprimi i kursit dhe prioritetet
Mësimi 2: Hyrje në Informatikë dhe Konfigurimi i Python-it
Mësimi 3: Llojet e të dhënave në Python
Mësimi 4: Kushtet, ciklet, rrjedha e kontrollit
Mësimi 5: Funksionet, Fushëveprimi, Parametrat
Mësimi 6: Skedarë, përjashtime, biblioteka, testimi
Seksioni 2 — Programim i orientuar nga objekti & Modelimi i lojërave tavoline (Mësimi 7)
Mësimi 7: OOP, Klasat, TicTacToe
Seksioni 3 — Bazat e shahut dhe kodi i motorit (Mësimet 8–9)
Mësimi 8: Përfaqësimi i tabelës së shahut dhe shatranjit
Mësimi 9: Lëvizja e copave, Përditësimet e gjendjes së lojës dhe Kushtet terminale
Seksioni 4 — Algoritmet klasike dhe kërkimore kundërshtare (Mësimet 10–11)
Mësimi 10: Problemet e kërkimit dhe kalimi në graf (DFS, BFS, UCS)
Mësimi 11: Kërkimi heuristik dhe pemët e lojës kundërshtare (A*, minimaks, pritshminimaks, alfa–beta)
Seksioni 5 — Zgjidhja e enigmave të lashta të shahut me algoritme të inteligjencës artificiale (Mësimet 12–15)
Mësimi 12: Tura e kalit (Tura e kalorësit)
Mësimi 13: Enigma e tetë mbretëreshave
Mësimi 14: Problemi i Grurit dhe i Tablosë së Shahut (rritje eksponenciale + matematikë enigmash)
Mësimi 15: Minimax, Alpha-Beta, Logjika e Matjes (me matjet historike dhe burimet)
Seksioni 6 — Programim dinamik (Mësimi 16)
Mësimi 16: Diamanti i Sulit (Studim historik i fundlojës)
Seksioni 7 — Historia e ndërthurur e inteligjencës artificiale dhe softuerit modern të shahut (Mësimi 17)
Mësimi 17: Stockfish si softuer modern për inteligjencë artificiale në shah (arkitektura e motorit, kërkimi/vlerësimi modern, dhe përshtatja e motorëve me variante historike si Shatranj)
Seksioni 8 — Mësimi i përforcimit (Mësimet 18–22)
Mësimi 18: Bazat e RL (Gridworld, Programim Dinamik, Kompleksiteti)
Mësimi 19: Mësimi Q me tabelë në FrozenLake (Frozen Rook)
Mësimi 20: Dy turre kundër mbretit të vetëm (TD Q-learning)
Mësimi 21: Rrjetet e thella Q (Connect-4, Fox & Hounds, Othello/Reversi)
Mësimi 22: Monte Carlo Rollouts dhe MCTS në Qirkat
Seksioni 9 — AlphaZero (Mësimet 23–25)
Mësimi 23: AlphaZero në Othello/Reversi (rrjetet e politikave/vlerave + PUCT + vetë-lojë)
Mësimi 24: AlphaZero në Qirkat (PUCT, rrjetet e politikave/vlerave, vetë-lojë; kodimi i lëvizjeve të vetëdijshme për rrugën)
Mësimi 25: Damë turke (Dama): MCTS i udhëhequr nga PUCT, krahasimet me AlphaZero
Si të fillosh. Nëse jeni i ri në Python, filloni me Lekturat 1–6. Nëse tashmë kodoni, filloni me Lekturat 8–11 për të hyrë në ndërtimin e motorit dhe kërkimin. Mësuesit mund të mësojnë seksion pas seksioni si njësi të pavarura ose të ofrojnë tërë rrugën prej 25 lekturash. Për të aksesuar lekturat, krijoni një llogari falas dhe hyni në sistemin tonë të menaxhimit të të nxënit: lms.shatranj.ai
