مدت زیادی از سرمایه‌گذاری هنگفت مایکروسافت بر روی شرکت سازنده ChatGPT یا همان OpenAI نمی‌گذرد که شاهد سرمایه‌گذاری نسبتاً بزرگ دیگری از جانب گوگل هستیم. این غول فناوری با سرمایه‌گذاری 300 میلیون‌دلاری بر روی استارتاپ Anthropic که در زمینه Artificial intelligence فعالیت می‌کند، گام بلند دیگری برای تصاحب بازار پررقابت

هوش مصنوعی در واقع یک شبیه‌سازی از مغز انسان و عملکرد آن است که توسط ماشین و با استفاده از سیستم‌های رایانه‌ای صورت گرفته است. سیستم‌های هوش مصنوعی در این شبیه‌سازی با بهره‌گیری از آموزش‌هایی که دیده‌اند، نتایج را به شکل خروجی بیان می‌کنند و این کاری است که مغز

این غول اینترنتی گفت که Bard قبل از عرضه عمومی در هفته‌های آینده توسط یک گروه کوچک و خصوصی از آزمایش‌کنندگان مورد‌استفاده قرار خواهد گرفت. به گزارش هوشیو، گوگل اعلام کرد که به‌زودی یک چت‌بات آزمایشی به نام Bard را برای رقابت با ChatGPT منتشر خواهد کرد. GPT از زمان

رقابت بر سر توسعه هوش مصنوعی از همیشه داغ‌تر شده و شرکت‌های بزرگ تکنولوژی در تلاشند تا در پیشرفت این فناوری انقلابی، نقشی موثر ایفا کنند. تعجبی ندارد که در این بین، «ناسا» هم به دنبال توسعه هوش مصنوعی مختص به خود باشد. بنا به گزارش وبسایت Cent، مؤسسه ناسا

OpenAI که پیش‌تر با ساخت چت‌ربات هوشمند ChatGPT، توانست فکر همه را متمرکز آینده فناوری هوش مصنوعی کند، هم‌اکنون در حال توسعه Codex است. Codex سرویسی است که می‌تواند به‌نوعی نحوه کار توسعه‌دهندگان را به‌کلی تغییر دهد. این فناوری مشابه ChatGPT است، با این تفاوت که به جای نوشتن جملات،

الگوریتم خوشه‌بندی K میانگین یکی از انواع یادگیری ماشینی نظارت‌نشده است که خوشه داده‌های درون یک دیتاست را شناسایی می‌کند. الگوریتم‌های خوشه‌بندی Clustering تنوع زیادی دارند، اما الگوریتم K میانگین یکی از قدیمی‌ترین و در دسترس‌ترین آن‌ها است. این ویژگی‌ها باعث می‌شوند اجرای الگوریتم K میانگین در پایتون حتی برای

اولین عملیات استنت‌گذاری عروق کرونر قلب توسط رباتیک، برای نخستین‌بار در بیمارستان دانشگاه گالوی بریتانیا انجام شد. به‌لطف این فناوری رباتیک جدید، امکان قرار‌دادن دقیق استنت‌ها در قلب، به‌منظور رفع انسداد شریان‌ها فراهم گردیده است. این یک پیشرفت قابل‌توجه در درمان بیماری‌های قلبی عروقی است، زیرا باعث افزایش دقت و

مدل‌های مبتنی بر ترانسفورمرTransformer-based models برای جست‌وجوی اسناد متنی به کار برده می‌شوند. امروزه کتابخانه‌ huggingface  روند اجرا را آسان‌تر کرده و نتایج فوق‌العاده‌ای رقم زده است. پیشتر در پی بررسی این موضوع بودم که چرا فلان نتیجه به دست آمد. در ابتدا، مقاله‌ها و پست‌های وبلاگی بسیاری را زیر و رو

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

تا به حال، همه ما از پیشرفت‌هایی که باعث و بانی آن‌ها هوش مصنوعی بوده‌اند، شنیده‌ایم؛ مثلاً برای ما این امکان فراهم شده است که با سیستم‌های هوش مصنوعی مکالمه‌هایی با صدایی قابل‌قبول را بشنویم. اگرچه این پیشرفت‌ها از نظر علمی-تخیلی جذاب به نظر می‌آیند، اما نمی‌توان گفت این پیشرفت‌ها

انتقال انواع گوناگون اطلاعات شامل علائم، سیگنال‌ها، پیام‌ها، کلمات، نوشته‌ها، تصاویر و صداها از طریق سیم، امواج رادیویی و یا فیبر نوری را مخابرات می­گویند. امروزه بخش بزرگی از زندگی انسان‌ها به تلفن‌های همراه و اینترنت وابسته است لذا سطح توقعات و نیازهای بشر با توجه به این مسئله، نسب

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

سرویس تبدیل متن به صوت یا به اختصار (TTS) از جمله ویژگی‌های کاربردی هوش مصنوعی است که در سالیان گذشته، توجه بسیاری را به خود جلب کرده است. لحن ماشینی مکالمه ربات‌ها، همیشه دستمایه رویاپردازی آینده‌نگرانه فیلم‌های سینمایی بوده و هرجا که یک ربات قصد داشته ‌باشد که جمله‌ای را

یک برنامه مبتنی بر هوش مصنوعی با استفاده از کلمات کلیدی، به‌طور خودکار تصاویری از رویای شبانه، خواب‌ها و کابوس‌های کاربر ایجاد می‌کند؛ این برنامه توانایی به‌اشتراک گذاشتن رویاهای شبانه کاربر را به‌صورت فیزیکی امکان‌پذیر می‌کند. این برنامه که ردیاب مینتال نام دارد، یک برنامه ردیابی خواب با فناوری هوش مصنوعی

افرادی که می‌خواهند ماشین یادگیری عمیق خودشان را بسازند اما از فرایند ساخت آن دلهره دارند، این مقاله را از دست ندهند. مقاله حاضر اطلاعات بسیار مفیدی در خصوص ساخت ماشین یادگیری عمیق ارائه می‌کند. توصیه ما به علاقمندان این است که از خرید سخت‌افزارهای گران‌قیمت جداً خودداری کنید چون

حقوق جدید برنامه نویسان بر اساس متغیرهای متفاوتی تعیین می‌شود و به همین دلیل گاه از یک شرکت به شرکت دیگر و یا از یک کشور به کشور دیگر متفاوت است. عموم افرادی که قصد تغییر رشته و یا افزایش مهارت‌های علمی و فنی دارند و هدفشان نیز رشته برنامه‌نویسی

شبکه‌های مولد تخاصمی یا GAN ها گروهی از الگوریتم‌های یادگیری عمیق و متعلق به دسته‎‌ی مدل‌های مولد هستند. هدف اصلی مدل‌های مولد، توصیف چگونگی تولید یک دیتاست، از نظر قواعد احتمالی، است. بدین طریق هرگاه بر اساس این قواعد احتمال، نمونه‌گیری انجام دهیم، دیتاستی جدید به دست می‌آوریم که با

در بیشتر زبان‌های برنامه‌نویسی، حلقه for کُد یا مجموعه‌ای از دستورات را تا زمان برقراری شرط تعیین‌شده، تکرار می‌کند. برای مثال، حلقه for در زبان C بدین شکل است: int i; for (i=0;i<N;i++) { //do something } بهترین روش برای نوشتن حلقه for در زبان C همین است. در موارد

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

به نقل از وب‌سایت آموزشی  Udemy اصول اولیه هوش مصنوعی در تست نرم افزار را می‌توان در کمتر از 30 دقیقه در دوره‌های این وب‌سایت آموخت. اگر بخواهیم از رابطه هوش مصنوعی با تست نرم‌افزار سخن بگوییم باید اذعان کنیم که هوش مصنوعی علیرغم اینکه فناوری نوپایی است، در حال

شرکت ادوبی، طی اعلانیه‌ای به طرفداران تیک‌تاک، فیلم‌های کوتاه یوتیوب و ریلز اینستاگرام، از به‌روزرسانی امکانات فوتوشاپ المنتز 2023 Photoshop Elements 2023 و پریمیر المنتز 2023 Premiere Elements 2023 خبر داد که طی آن، گزینه‌های انتخاب قطعات صوتی و افزودن افکت‌های هنری بهبود می‌یابند. فوتوشاپ المنتز 2023 و پریمیر المنتز

چهارمین کنفرانس ملی انفورماتیک ایران از تاریخ ۱۴ الی ۱۵دی‌ماه ۱۴۰۱ با هدف رشد و توسعه دانش انفورماتیک در کشور، در محل پژوهشکده‌علوم کامپیوتر پژوهشگاه دانش‌های بنیادی برگزار خواهد شد . به گزارش هوشیو به نقل از پایگاه اطلاع‌رسانی رسمی چهارمین دوره‌ کنفرانس ملی انفورماتیک ایران: این کنفرانس با حمایت

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

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

Dropout لایه مفید و رمزآلودی در آموزش شبکه های عصبی است. Dropout روشی برای منظم‌سازیRegularization  است و خطای تعمیم‌پذیریGeneralization error  را  با کاهش گنجایش مدلModel capacity  کمتر می‌کند؛ بدین ترتیب که در هر دور آموزشی، به جای استفاده از همه‌ نورون‌ها، تنها برخی از نورون‌ها (با احتمال p) فعال می‌شوند.