صرف‌نظر از اینکه در کدام بخش از هوش مصنوعی فعالیت می‌کنید، آشنایی با یادگیری ماشین و یادگیری عمیق دو گام اساسی ورود به این حوزه هستند. در سال‌های پیش‌رو موفقیت در صنایع یا رشته‌های دانشگاهی مثل یادگیری عمیق و یادگیری ماشین نقش مهمی در زندگی ما خواهد داشت.

معاونت علمی و فناوری ریاست جمهوری به‌تازگی خبر از طراحی و تولید محصولی دانش‌بنیان با کمک تکنولوژی ژئوماتیک داده، که تأثیر آن را می‌توان به شکل امکان افزایش بازدهی تولید محصولات زراعی برای کشاورزان دید. به گزارش هوشیو به نقل از مرکز ارتباطات و اطلاع‌رسانی معاونت علمی و فناوری ریاست‌جمهوری،

تحلیل‌ها نشان می‌دهد که محاسبات لازم برای آموزش شبکه‌های عصبی با کارایی یکسان جهت طبقه بندی پایگاه داده imageNet، از سال 2012 هر 16 ماه یکبار دو برابر کاهش یافته است. در مقایسه با سال 2012، کاهش 44 برابریِ محاسبات در آموزش شبکه‌های عصبی نسبت به«AlexNet2» به ثبت رسیده است.

ماشین لرنینگ یا یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به سیستم‌ها توان یادگیری خودکار و پیشرفت می‌دهد. در واقع یادگیری ماشین به زبان ساده جزء مهم حوزه رو به رشد علم داده است. از طریق استفاده از روش‌های آماری، الگوریتم‌ها برای طبقه‌بندی یا پیش‌بینی آموزش داده می‌شوند و

به گفته بسیاری از کارشناسان، هوش مصنوعی آینده جهان است. گویی با ظهور چت‌ربات‌های مجهز به هوش مصنوعی، دستیارهای صوتی و ماشین‌های بدون راننده، حرفی برای گفتن نیست. اگر احتمال این وجود داشته باشد که بتوانید در این فناوری عصر جدید سرمایه‌گذاری کنید، چگونه شروع به کار خواهید کرد؟ تجارب

کمبود داده در یادگیری ماشین به اندازه کافی علی‌رغم برخورداری از ایده‌های فوق‌العاده هوش مصنوعی در کسب‌وکار، موجب نگرانی شرکت‌ها شده است. اما راه حل‌هایی هم برای این مساله وجود دارد. “الکساندر گلفالونیِری“

این‌که کدام زبان برنامه‌نویسی را به صورت تخصصی می‌آموزیم در تعیین مسیر شغلی ما نقش بسیار مهمی ایفا می‌کند. در انتخاب این زبان، مهم‌تر از پیش‌زمینه‌ قبلی، توجه به سطح تقاضاست. نکته‌ی دیگری که باید مدنظر قرار داد این است که بدانیم با تخصص در آن زبان چه کارهایی می‌توان

یکی از مطالعات اخیر نشان داده است که الگوریتم های یادگیری ماشینی طی 10 سال آینده، جایگزین 25% مشاغل سراسر دنیا خواهند شد. با توجه به رشد سریع و افزایش دسترسی‌پذیری ابرازهای برنامه‌نویسی (همچون Python و R)، یادگیری ماشین جایگاهی برجسته در میان متخصصان علوم داده به دست آورده است.

برخی از الگوریتم‌های یادگیری ماشینی (نظارت‌شده یا غیرنظارت‌شده) برای درک الگوی داده‌های ورودی و تصمیم‌گیری بر اساس آن‌ها، از معیارهای فاصله استفاده می‌کنند. یک معیار فاصله خوب می‌تواند به بهبود عملکرد رده‌بندی، خوشه‌بندی و بازیابی اطلاعات کمک کند. در این نوشتار در مورد انواع معیارهای فاصله صحبت می‌کنیم و نقش آن‌ها

داده‌ها همواره توسط انسان تولید و جمع‌آوری شده‌اند و اکنون این نگاه جاه‌طلبانه به سمت هوش عمومی مصنوعی وجود دارد. محققان هوش مصنوعی که باید مدل پیشرفته یادگیری ماشین را در سطح انسان آموزش دهند، بین مرز باریکی از دقت و سوگیری در حال راه‌رفتن هستند.

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

یکی از ویژگی‌های بارز مشاغل موفق در قرن بیست و یکم، تعامل مشتری است. طبق توضیح هاب اسپات Hubspot تعامل مشتری ایجاد تعامل با مصرف کنندگان در چندین کانال برای تقویت ارتباط شرکت با آن‌ها است و امروزه به لطف پیشرفت در شبکه های اجتماعی، تعامل مشتری در بالاترین حد

کنتور های هوشمند گاز خانگی مبتنی بر فناوری NB-IoT محصولی از یک شرکت دانش‌بنیان است که به مشترکین خود این امکان را می‌دهد تا میزان مصرف انرژی خود، در طول ۷۰ روز گذشته را مشاهده کرده و بررسی‌ کنند که آیا جزو مشترکین پرمصرف به شمار می‌روند یا کم‌مصرف. شرکت

معاون توسعه و پیش‌بینی سازمان هواشناسی کشور، دکتر مجید آزادی طی یک گفت‌وگوی تلفنی با یک مجله رادیویی درمورد کاربرد هوش مصنوعی در هواشناسی صحبت کرد. آزادی خاطر نشان کرد که اساس هواشناسی در کشور و در حال حاضر بر مبنای آی‌تی و از راه کارکردن با داده‌ها و اطلاعات

در دهه 1950 عبارت «هوش مصنوعی» ابداع شد. با این حال، تمام تحقیقات اساسی در این بخش در اواخر دهه 2000 آغاز شد. از آن رو که این فناوری، مبتنی بر داده است و بر اساس داده‌ها رشد می‌کند، دهه 2000 شاهد ظهور مجموعه‌ای از داده‌های بزرگ‌تر و بهتر از

مدل‌های پیچیده جدید هوش مصنوعی مانند GPT-3، شرکت OpenAI به دلیل توانایی در تقلید از زبان انسانی این روزها سر و صدای زیادی به پا کرده‌اند. اما آیا این بدان معناست که قرار است کامپیوتر جای انسان را بگیرد؟ حداقل نه به این زودی. به این دلیل که هوش مصنوعی

با افزایش قدرت هوش مصنوعی (AI)، بزودی شاهد اثرات این فناوری در تمامی بخش‌ها و فعالیت‌های سازمانی از جمله مدیریت دانش (KM) خواهیم بود. وجه اشتراک هوش مصنوعی و مدیریت دانش، وجود هسته ‌مرکزی دانش است. به بیان دیگر، مدیریت دانش شرایطی را فراهم می‌کند تا درک دانش رخ دهد،

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

تشخیص احساسات انسان با بینایی ماشینی، قابلیتی است که کامپیوترها و انواع وسایل هوشمند می‌توانند به آن مجهز شوند؛ انسان‌ها همیشه برای درک احساسات یکدیگر به رشد عواطف و روابط اجتماعی خود نیاز دارند؛ مشخص است درک احساسات انسانی یکی از قابلیت‌های هر فرد در روابط انسانی، محسوب می‌شود؛ قابلیت‌هایی

تا حالا از دوستان‌تان شنیده‌اید که در خیابان فردی را دیده‌اند که دقیقاً شبیه شما بوده است؟ حالا تصور کنید یک دوقلو از خودتان داشته باشید، نسخه‌ای از شما که به صورت دیجیتالی زندگی می‌کند. در عصر حاضر، همه‌ چیزهایی که در زندگی واقعی وجود دارند، از شهر گرفته تا

هوش مصنوعی تاکنون تأثیری انکارناپذیر در حل مشکلات و معضلات پیش روی بشر داشته است و این اثرگذاری هر روز افزایش می‌یابد. یکی از تصورات نادرست رایج در مورد هوش مصنو‌‌‌‌‌‌عی این است که این فناوری موجب کاهش حجم شغل در دسترس برای انسان‌ها می‌شود؛ اما گزارش‌های علمی حاکی از

از اصول مهم علوم داده این است که با استفاده از داده‌های آموزشی بیشتر می‌توان مدل یادگیری ماشین بهتری به دست آورد. شاید بتوان در خصوص نمونه‌ها چنین چیزی گفت، اما این نکته درباره تعداد ویژگی‌ها صدق نمی‌کند. دیتاست‌های دنیای واقعی، ویژگی‌های زائد فراوانی دارند که می‌توانند بر عملکرد مدل

با توجه به پیشرفت سریع فناوری در دنیای امروز، تصور آینده هو‌‌‌‌‌‌‌‌‌‌‌‌‌ش مصنوعی کاری بس دشوار است. شاید همه ما جهان آینده را با هوش مصنوعی، دنیایی پر از ربات‌های هوشمند پنداریم که مدیریت امور مختلف را بر عهده گرفته‌اند. البته بدون شک در ایجاد این تصور فیلم‌های علمی- تخیلی

لزوم پیشرفت در حوزه هوش مصنوعی امری است که در سال‌های اخیر مورد تأکید قرار گرفته است و چشم‌اندازهای تحول در جهان، وابسته به پیشرفت در این حوزه هستند؛ برهمین اساس، سیاست‌های کلان کشور بر توسعه حوزه‌های دانش‌بنیان بنا نهاده شده‌اند. برای آشنایی بیشتر با تحلیل و آسیب‌شناسی زیست‌بوم هوش

آیا تا به حال از خود‌تان پرسیده‌اید که چرا ربات هوشمند خانگی‌تان سؤالات شما را به درستی متوجه نمی‌شود؟ یا چرا برنامه‌کابردی مسیریابی‌تان به جای اتوبان شما را به خیابان‌های فرعی کشانده است؟ گروهی از محققان هوش مصنوعی رباتی به نام Pepper طراحی کرده‌اند که «با صدای بلند فکر می‌کند»

هوش مصنوعی، داغ‌ترین فناوری این روزها، همزمانی که مورد ستایش قرار می‌گیرد، عامل اضطراب دولت‌ها و کسب‌وکارها شده است و به همین دلیل می‌توان گفت تأثیرات هوش مصنوعی بر دنیای اطراف فراوان است. با گذشت شش سال از پیروزی AlphaGo مقابل قهرمان بازی Go، مقالات پژوهشی بی‌شماری به برتری هوش

Algorithmia چندین ابزار جدید ارائه داده است که برای حل مسائل و چالش‌های مربوط به مدیریت یادگیری ماشینی Machine Learning Governance مفید هستند.

قبل از آشنا شدن با شبکه عصبی بازگشتی بهتر است مروری بر مفهوم شبکه عصبی داشته باشیم. شبکه‌های عصبی مجموعه‌ای از الگوریتم‌ها هستند که شباهت نزدیکی به مغز انسان داشته و به منظور تشخیص الگوها طراحی شده‌اند. شبکه‌ی عصبی داده‌های حسی را از طریق ادراک ماشینی ، برچسب زدن یا

خوشه‌بندی یکی از تکنیک‌های یادگیری ماشین است که به گروه‌بندی نقطه‌ داده‌‌ها می‌پردازد. چنان‌چه مجموعه‌ای از نقطه‌داده‌ها داشته باشیم، می‌توانیم با اجرای یکی از انواع الگوریتم خوشه‌بندی، هر یک از نقطه‌داده‌ها را در یک خوشه یا گروه خاص جای دهیم و آن‌ها را گروه‌بندی کنیم.

هوش مصنوعی یکی از فناوری‌های پر مصرف از لحاظ انرژی است. اما پژوهش جدیدی نشان داده که می‌توان با استفاده از یک تراشه کم مصرف حتی الگوریتم بینایی ماشین در هوش مصنوعی را اجرا کرد. در ادامه این مطلب با هوشیو همراه باشید.

در سال 1984، آرون سلومان، متخصص کامپیوتر، پس از مطالعاتش بر روی هوش به این نتیجه رسید که متخصصان می‌بایست کاستی‌های مطالعات هوش را مدنظر قرار دهند، اما به طریقی تمایز گذاشتن بین آن دسته از اشیاء و موجوداتی را که هوش (ذهن) دارند و آن‌هایی را که ندارند، متوقف

می‌دانید چطور باید یک مدل یادگیری عمیق ساخته و آن‌را ارتقا دهید؟ یا می‌دانید چطور باید توابع Callback سفارشی ایجاد کنید؟ توابع Callback مجموعه‌ توابعی هستند که در مراحل خاصی از فرآیند آموزش مدل اجرا می‌شوند. از توابع Callback می‌توان برای شناخت حالات و آمار درونی مدل طی آموزش استفاده

قضیه حد مرکزی Central Limit Theorem در کانون استنباط آماری Statistical inference قرار دارد که متخصصین علوم داده و تحلیل‌گران داده هر روز با آن سر و کار دارند. در مقاله پیش‌رو به مطالعه و بررسی قضیه حد مرکزی و چیستی آن می‌پردازیم؟ دلایل اهمیت آن چیست؟ قضیه حد مرکزی

نرخ دقت (Accuracy) معیار مهمی برای ارزیابی عملکرد مدل است، اما کافی نیست. از این روی، معیارهای دیگری برای ارزیابی عملکرد مدل و مسائل طبقه بندی معرفی شده‌اند که به کمک آن‌ها می‌توانیم درک جامع‌تر و کلی‌تری نسبت به عملکرد مدل داشته باشیم. برخی از این معیارها عبارتند از: صحت،

در عصر دیجیتال، بیشتر کارها توسط هوش ترکیبی انجام می‌شود که آن دسته از ویژگی‌ها و قابلیت‌های انسانی و هوش مصنوعی را با یکدیگر ادغام می‌کند که یکدیگر را تکمیل کرده و ارتقاء می‌بخشند. هوش مصنوعی و هوش انسانی مسائل بسیار متفاوتی را بر عهده می‌گیرند. بنا بر پارادوکس موراوک،

برای آشنایی بهتر با بیز ساده بهنر است این‌طور شروع کنیم. فرض کنید یک روز صبح از خواب بیدار می‌شوید و احساس کسالت می‌کنید. تصمیم می‌گیرید به دکتر مراجعه کنید. دکتر بعد از معاینات ابتدایی، چند آزمایش از شما می‌گیرد تا تشخیص دهد آیا یک بیماری نادر که تنها 1

فناوری هوش مصنوعی قابلیت تحول جامعه را دارد؛ با این حال، مسائل قانونی هوش مصنوعی بر حوزه‌های گوناگون قانونی سایه افکنده است که از جمله‌ آن‌ها می‌توان به حریم خصوصی و امنیت داده، قراردادهای تجاری، دارایی‌های ذهنی، قوانین ضدانحصار، مزایای کارکنان و مسئولیت ناشی از محصولات اشاره کرد. به عبارت دیگر،

از آنجایی که بهترین راه برای یادگیری هر تکنولوژی جدید استفاده از آن در حل یک مسئله ساده است، برای یادگیری PyTorch از آن در حل یک مسئله ساده استفاده می‌کنیم. استفاده از یک شبکه‌ عصبی از پیش آموزش دیده در مسئله تشخیص شیء. در این نوشتار، علاوه بر توضیح