تکلیف شماره صفر

تمام تکالیف در دوره امنیت سایبری CS50 بر اساس نمره ۱۰ ارزیابی می‌شوند. کسب نمره‌ی ۷ یا بالاتر (معادل ۷۰٪) برای اینکه یک تکلیف در این دوره “قبول” محسوب شود، ضروری است. اگر قبلاً نمره‌ی قبولی را کسب کرده‌اید، لطفاً مجدداً آن تکلیف را ارسال نکنید—ما این کار را به عنوان هرزنامه (spam) تلقی می‌کنیم، و […]

تمرین nim

نیم (Nim) یک هوش مصنوعی (AI) بنویسید که از طریق یادگیری تقویتی (reinforcement learning) بازی نیم را به خودش آموزش دهد. $ python play.py Playing training game 1 Playing training game 2 Playing training game 3 … Playing training game 9999 Playing training game 10000 Done training Piles: Pile 0: 1 Pile 1: 3 Pile […]

تمرین shopping

خرید آنلاین (Shopping) یک هوش مصنوعی بنویسید تا پیش‌بینی کند که آیا مشتریان خرید آنلاین، فرآیند خرید را تکمیل خواهند کرد یا خیر. $ python shopping.py shopping.csv Correct: 4088 Incorrect: 844 True Positive Rate: 41.02% True Negative Rate: 90.55%   پیش‌زمینه   هنگامی که کاربران به صورت آنلاین خرید می‌کنند، همه آنها خرید خود را […]

تمرین crossword

جدول کلمات متقاطع (Crossword) 🧩   آخرین نسخه از پایتون که باید در این دوره استفاده کنید، پایتون 3.12 است. وظیفه: یک هوش مصنوعی برای تولید جدول کلمات متقاطع بنویسید. نحوهٔ اجرا: $ python generate.py data/structure1.txt data/words1.txt output.png مثال جدول کلمات متقاطع تولید شده: ██████████████ ███████M████R█ █INTELLIGENCE█ █N█████N████S█ █F██LOGIC███O█ █E█████M████L█ █R███SEARCH█V█ ███████X████E█ ██████████████ پیش‌زمینه (Background) […]

تمرین heredity

وراثت (Heredity) 🧬   الزامات و اجرای برنامه   آخرین نسخه پایتون که باید در این دوره استفاده کنید، پایتون ۳.۱۲ است. وظیفه: یک هوش مصنوعی برای ارزیابی احتمال داشتن یک صفت ژنتیکی خاص در یک فرد بنویسید. نمونه خروجی اجرا: $ python heredity.py data/family0.csv Harry: Gene: 2: 0.0092 1: 0.4557 0: 0.5351 Trait: True: […]

تمرین pagerank

پیج‌رنک (PageRank) 🌐 الزامات و اجرای برنامه   آخرین نسخه پایتون که باید در این دوره استفاده کنید، پایتون ۳.۱۲ است. وظیفه: یک هوش مصنوعی برای رتبه‌بندی صفحات وب بر اساس اهمیت بنویسید. نمونه خروجی اجرا: $ python pagerank.py corpus0 PageRank Results from Sampling (n = 10000) 1.html: 0.2223 2.html: 0.4303 3.html: 0.2145 4.html: 0.1329 […]