شرکت‌ها با تکیه بر تکنیک تحلیل احساسات می‌توانند بار عاطفی ارتباطات را تشخیص دهند. درحال‌حاضر، این فناوری از تحلیل متن فراتر می‌رود و از داده‌های صوتی و تصویری نیز استفاده می‌کند. تعریف تحلیل احساسات تحلیل احساسات، روشی تحلیلی است که به‌منظور تشخیص معنای عاطفی ارتباطات از آمار، پردازش زبان طبیعی

تحلیل پیشرفته Advanced Analytics یکی از روش‌های تحلیل داده است که با تکیه بر مدلسازی پیش‌بین Predictive modelling، الگوریتم‌های یادگیری ماشینی، یادگیری عمیق، خودکارسازی فرآیندهای کاری و سایر روش‌های آماری، اطلاعات به دست آمده از منابع گوناگون را تجزیه و تحلیل می‌کند. تحلیل پیشرفته از روش‌های سنتی هوش تجاری (BI) فراتر

تابع لاس خوب لزوماً به معنی یادگیری خوب نیست همه‌ مدل‌های یادگیری ماشینی در آزمایشگاه‌ کامپیوتر متولد شده و قبل از پیاده‌سازی، تعریف، آزمایش و بازطراحی می‌شوند؛ سپس بعد از آموزش مجدد، به دقت تنظیم شده و در نهایت دوباره مورد آزمایش قرار می‌گیرند. پس از آن، هدف و مأموریت

الگوریتم‌های بهینه‌سازی گرادیان کاهشی تصادفی که برای یادگیری عمیق ضروری هستند (در وبلاگ نویسنده چیت‌شیتی از بهینه‌سازها از جمله RAdam قرار دارد) گرادیان کاهشی یک روش بهینه‌سازی است که به‌منظور یافتن کمینه‌ تابع زیان استفاده می‌شود. مدل‌های یادگیری عمیق برای به‌روزرسانی وزن‌ها طی پس‌انتشار، از این روش استفاده می‌کنند. هدف

در پروژه‌ اخیرم، موفق شدم اندازه‌ خوشه cluster را بر اساس پیش‌بینی بار به‌صورت فعال مدیریت کنم. در این نوشتار، پروژه‌ مذکور را توضیح می‌دهیم، قابلیت‌های داخلی موجود در AWS را به‌صورت دقیق مورد بررسی قرار می‌دهیم، دلایل استفاده از FBProhphet را مرور می‌کنیم و نحوه‌ پیاده‌سازی این راهکار را

برای آموزش شبکه‌های عصبی یادگیری عمیق، از الگوریتم بهینه‌سازی گرادیان  نزولی تصادفی استفاده می‌شود. برآورد مکرر خطای مدل یکی از مراحل الگوریتم بهینه‌سازی است. بدین منظور باید یک تابع خطا یا تابع زیان انتخاب کرد. وزن‌های مدل بر اساس زیان برآوردشده توسط این تابع، به روزرسانی می‌شوند و بدین طریق در

در مقالات قبلی این مجموعه، تکنیک‌هایی را معرفی کردیم که برای مدیریت دیتاست های نامتوازن در مسائل رده‌بندی دودویی به کار می‌روند. در قسمت اول برخی از روش‌های بازنمونه‌گیری توضیح داده شد و قسمت دوم بر اصلاح الگوریتم از طریق تغییر مقدار آستانه‌ای (نقطه‌برش) تمرکز داشت. (لینک قسمت‌های قبل در

اگر فکر می‌کنید که نقش هوش مصنوعی و یادگیری ماشین در فروشگاه های آنلاین هنوز در مراحل اولیه خود است، به نحوه عملکرد شرکت آمازون نگاه کنید. به یاد دارید که چگونه این پلتفرم آنچه را که ممکن است دوست داشته باشید بخرید به شما پیشنهاد می‌دهد؟ یا چگونه آنچه

در مقاله آموزشی پیش‌رو به شما نشان می‌دهیم که چگونه می‌توان داده‌هایی که فرمت TFRecords دارند را ذخیره کرد و خواند. فرمت TFRecord فرمت محبوب تنسورفلو است. به همین منظور از پروتکل بافر پیام tf.train.Example استفاده خواهیم کرد.

در این نوشتار به بررسی پرسش های مصاحبه یادگیری عمیق خواهم پرداخت. غالباً در جلسه مصاحبه شغلی «مهندسی هوش مصنوعی» این سوالات هستند که مطرح می‌شوند. در واقع، نیازی نیست در همه مصاحبه‌ها از این پرسش‌ها استفاده شود زیرا طرح پرسش به تجربه و پروژه‌های پیشین متقاضی یا مصاحبه‌شونده بستگی

شبکه‌های عصبی پیچشی یا CNN خانواده‌ای از معماری‌های شبکه‌ عصبی مصنوعی هستند که ویژه‌ مسائل بینایی کامپیوتری و پردازش تصویر ساخته شده‌اند. این شبکه‌ها، عصبی و چندلایه‌ای هستند و هدف از ساخت آن‌ها تجزیه و تحلیل ورودی‌های دیداری و اجرای مسائلی همچون قطعه‌بندی تصویر، رده‌بندی، حذف نویز (با استفاده از

آیا شما نیز یکی از میلیون‌ها برنامه‌نویس پایتون هستید که به دنبال کتابخانه‌ای قدرتمند برای یادگیری ماشین می‌گردند؟ اگر چنین است، باید کتابخانه سایکیت لرن Scikit-Learn را بشناسید. سایکیت لرن در دنیای پایتون نقش مهمی در حوزه یادگیری ماشین دارد و آشنایی با آن برای دریافت مدرک علوم داده‌ ضروری

مدل‌های یادگیری عمیق برای آموزش به حجم بالایی از داده‌ها نیاز دارند و به دلیل پیچیدگی‌های حافظه Space complexitites عملکرد ضعیفی دارند. انواع تولیدکننده داده برای رفع این مشکل،  به جای این‌که دیتاست را در حافظه ذخیره کند، داده‌ها را در بسته تولید می‌کنند. در این حالت کاربر می‌تواند استفاده

انتخاب ویژگی یکی از مراحل مهم در خط‌پایه یادگیری ماشین است که اغلب مورد غفلت قرار می‌گیرد. فرآیند انتخاب ویژگی شامل کاهش ابعاد فضای ورودی Input space از طریق انتخاب زیرمجموعه‌ای مرتبط از ویژگی‌های آن (ورودی) می‌شود. شاید از خود بپرسید چرا این فرآیند حائز اهمیت است؟ زیرا: 1. کاهش

به نظر شما آیا ممکن است یک سیستم هوش مصنوعی درگیر اعتیاد شود؟ در سال 1953، روان‌شناسی از دانشگاه هاروارد تصور می‌کرد که به‌طور تصادفی محل احساس لذت را در جمجمه یک موش کشف کرده است. این دانشمند، الکترودی در ناحیه خاصی از مغز موش قرار داد و موش توانست

یکی از مهم‌ترین دستاوردها در حوزه هوش مصنوعی در سال 2018، یادگیری ماشین خودکار (AutoML) بود. این فناوری، فرایند یادگیری ماشین را خودکار می‌کند. شرکت گوگل در ژانویه این سال فرایند یادگیری ماشین خودکار را در مسائل بینایی ماشین به کار گرفت و سپس در ژوئیۀ همان سال نسخه دیگری

آموزش شبکه های عصبی برای تقلید از عملکرد مغز این فرصت را در اختیار مدل‌های یادگیری عمیق قرار داده تا یادگیری را بر روی داده‌های جدید (داده‌هایی که از سابقه‌ای از آنها ندارند) اعمال کنند. چیزی که انسان را از سایر موجودات متمایز می‌سازد برخورداری از قدرت مغز و توانایی‌های

در این نوشتار قصد داریم متناسب با هدف و مسئله‌ی موردنظر، توابع زیان و فعال سازی لایه‌ی آخر شبکه‌ی عصبی را معرفی کنیم. فرض نویسنده بر این است که مخاطبان با توابع فعال سازی آشنایی دارند. برای آشنایی بیشتر با این حوزه می‌توانید به این مقاله‌ Deep Learning: Overview of

یک شبکه کامپیوتری که با دقت تمام، بر اساس بخشی از مغز انسان مدل‌سازی شده، بینش جدیدی را درباره روش پردازش تصاویر متحرک در مغز ارائه داده و در این خصوص توانسته است، برخی از توهمات پیچیده دیداری را توضیح ‌دهد. پژوهشگران به وسیله مطالعاتی که سالیان سال بر روی

محققان دانشگاه استنفورد از یک رویکرد مبتنی بر یادگیری عمیق در طبقه‌بندی ساختمان های آسیب دیده در آتش استفاده کردند. این رویکرد می‌تواند در هدایت اقدامات بازیابی به تیم امداد و نجات کمک کند و جدیدترین اطلاعات را در اختیار ساکنین آواره این ساختمان‌ها قرار دهد. مردم باید هفته‌ها یا

طی یک دهه اخیر، بینایی کامپیوتر شاهد پیشرفت‌های زیادی بوده و توانسته به تمامی برنامه‌ها، چه برنامه‌های مورد استفاده در حوزه دانشگاهی چه در زندگی روزمره، راه پیدا کند. با این حال، کامپیوترها کماکان نمی‌توانند برخی کارها را با دقت و سرعت قابل قبول انجام دهند. یکی از این کارها،

فرض کنید یک مدل طبقه‌بندی تصویری آموزش داده‌اید که عملکرد نسبتاً ضعیفی دارد؛ آیا می‌دانید روش‌های زیادی برای بهبود عملکرد و کاهش سوگیری‌های مدل وجود دارد؟ زمان زیادی را صرف ایجاد روال پردازشی مدل کرده‌اید و با استفاده از شبکه‌های عصبی یک مدل پیش‌بینی کننده ساخته‌اید، اما نتایج ، آن‌طور

الگوریتم AlphaZero توانست بدون هیچ آموزش قبلی و فقط در عرض چند ساعت رقیبان خود را در بازی‌های Go، شطرنج و Shogi شکست دهد. چه عواملی به موفقیت این الگوریتم کمک کردند؟ برای ساخت این الگوریتم شطرنج از یادگیری تقویتی عمیق استفاده شد.

شبکه‌های عصبی مصنوعی ابزارهای بسیار کارآمدی برای تقریبِ توابع پیوسته هستند؛ توابعی که مقادیرشان به طور ناگهانی تغییر نمی‌یابد. اگرچه مطالعات بسیاری درباره بکارگیری شبکه های عصبی در تقریبِ توابع پیوسته صورت گرفته است، اما قابلیت آنها برای تقریبِ عملگرهای غیرخطی به ندرت بررسی شده است. به تازگی، محققان دانشگاه

مطالعات جدید نشان داده‌اند که با آموزش شبکه‌های عصبی پیچشی بر روی کامپیوترهای کوآنتومی، می‌توان مشکل «فلات‌های بی‌ثمر» را که در مسائل بهینه‌سازی رخ می‌دهد، حل کرد. شبکه‌های عصبی پیچشی که بر روی کامپیوترهای کوآنتومی اجرا می‌شوند، ظرفیت خارق‌العاده‌ای برای تحلیل داده‌های کوآنتومی دارند و از این نظر نسبت به

هوش مصنوعی توانسته در پروسه تشخیص یک پرنده در تصویر نمره قبولی بگیرد. اما عملکردش زمانی که در تصویر صدها پرنده کوچک باشند، نمی‌تواند کار شناسایی را به خوبی انجام دهد. یی شانگ، استاد دانشکده مهندسی دانشگاه میسوری و تیم تحقیقاتی‌اش به مدت 3 سال کار کرده‌اند تا ببینند در

ربات‌ها می‌توانند در محوطۀ دانشگاه غذا توزیع کنند و یا در زمین گلف با موفقیت توپی را وارد حفره کنند اما حتی پیچیده‌ترین ربات‌ها هم نمی‌توانند در تعاملات اجتماعی پایه‌ای که نقش حیاتی در زندگی روزمره انسان دارند، مشارکت نماید. پژوهشگران MIT امکان برخی از تعاملات اجتماعی خاص را برای

تیمی از محققان دانشکده‌ پزشکی واشینگتون مدل یادگیری عمیقی برای طبقه بندی تومورهای مغزی طراحی کرده‌اند. این مدل می‌تواند تومور مغزی را تشخیص دهد و در یکی از شش دسته‌ رایج طبقه بندی کند؛ این مدل تنها از یک تصویر MRI سه‌بُعدی استفاده می‌کند. نتایج این پژوهش در ژورنال «رادیولوژی

محققان کلیات این موضوع را مشخص کرده‌اند که چگونه می‌توان رباتی را آموزش داد تا با تحریک الکتریکی سلول‌های عصبی کِشت‌شده متصل به آن از یک هزارتو عبور کند. این سلول‌های عصبی که از روی سلول‌های زنده کِشت شده‌اند، برای کامپیوتر نقش مخزن فیزیکی را دارند و سیگنال‌هایی منسجم ایجاد

طی چند سال گذشته برنامه‌های مبتنی بر یادگیری ماشین و هوش مصنوعی روند یادگیری را به یک تجربه سرگرم‌کننده و دوطرفه تبدیل کرده‌اند. دانش‎‌آموزان و همچنین موسسات آموزشی به لطف پیشرفت‌های موجود در این حوزه، هم اکنون از نرم افزارهای سفارشی‌سازی شده که مجهز به واقعیت مجازی و واقعیت افزوده

الگوریتم‌های یادگیری تقویتی عمیق (Deep RL) با انتخاب هوشمندانه پاداش‌ و هم‌چنین با اتکا به توانایی یادگیری عمیق در تخصیص برچسب‌های صحیح به نمونه‌ها (representational power)،  مشکلات یادگیری تقویتی را رفع می‌کنند.

شبکه های حافظه طولانی کوتاه مدت Long Short-Term Memory (LSTM) به ابزار مهمی در یادگیری عمیق تبدیل شده‌اند. بسیاری آنها را جایگزین مناسبی برای شبکه‌های عصبی بازگشتی Recurrent neural networks می‌دانند. رشد سریع تحقیقات یادگیری ماشین باعث شده تا روش‌های جدید به سرعت عرضه شوند، اما ظاهراً شبکه های حافظه طولانی

رباتیک عصبی-تکاملی Neuro-Evolutionary robotics چشم‌اندازی جدید به مطالعه‌ رفتارهای جمعی ربات‌های گروهی فراهم می‌آورد. این حوزه پژوهش‌های فراوانی به خود اختصاص داده است و روش‌ها و ایده‌های زیادی برای کمک به آن مطرح شده‌اند؛ با این وجود، ارزیابی‌های تجربی و تحلیل‌های مقایسه‌ای تا کنون نادر بوده‌اند.

فناوری، نقش اجتماعی و عاطفی چشمگیری در زندگی انسان‌ها ایفا خواهد کرد. این واقعیت موجب شگفتیِ مینیا لی – طراح دیجیتال، دانشمند اطلاعات، فیلسوف و شهروند جهانی – شده است. این استادیار دانشگاه موفق به توسعه‌ی یک چت بات اخلاقی شده است که می‌تواند به افراد کمک کند تا تصویر

یک تیم تحقیقاتی راهی برای تشخیص و نشانه‌گذاری «منطقه‌ی ایمن» شبکه‌های عصبی با استفاده از حملات تخاصمی معرفی کرده‌اند.

جمعی از برترین متخصصان هوش مصنوعی جهان در رویداد بین‌المللی TNW حضور به عمل خواهند آورد تا درباره آینده این حوزه و همچنین تحقیقات یادگیری ماشین به بحث و تبادل نظر بپردازند. یادگیری ماشین در بسیاری از صنایع و حوزه‌های علمی، ‌ابزاری مهم به شمار می‌آید. با این حال، تحقیقات