ممکن است بسیاری از افراد بدون اطلاع از روش بهینه‌سازی، از بهینه‌سازها هنگام آموزش شبکه عصبی استفاده کنند. بهینه‌سازها به الگوریتم‌ها یا روش‌هایی اطلاق می‌شود که برای تغییر ویژگی‌های شبکه عصبی از قبیل وزن و نرخ یادگیری کار برده می‌شوند. این کار، نقش موثری در کاهش زیان losses دارد. نحوه

هوش مصنوعی (AI) یکی از پرتقاضاترین توانایی‌هایی است که عملاً هر صنعتی را تحت تأثیر خود قرار داده است، از خودروسازی، تولید و پزشکی گرفته تا امنیت سایبری، نرم‌افزار و اینترنت اشیا. همه این صنایع در رویدادی تخصصی به نام «هکاتون» با حضور متخصصان هوش مصنوعی مطرح می‌گردند و به‌منظور

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.

اولویت مدیران ارشد فناوری اطلاعات و چگونگی نگاه آنان به اولویت‌های این حوزه، در چند و چون برگزیدن استراتژی هوش مصنوعی برای پیشروان فناوری نقشی مهم و اساسی دارد. واقعیت این است که زمانِ حاضر، برای پیشروان فناوری زمانی هیجان‌انگیز و در عین حال ترسناک است. هیجان‌انگیز از‌این‌رو که فناوری‌های

در این مقاله شما را با چارچوب های کاری یادگیری تقویتی Reinforcement Learning frameworks آشنا خواهیم کرد و توضیح خواهیم داد که چطور می‌توانید وارد دنیای یادگیری تقویتی عمیق شوید. پیش از این نگاهی انداختیم به بازنمایی ساده‌ای از مجموعه‌ای از الگوریتم‌های یادگیری تقویتی که برنامه‌نویسی آن‌ها به نسبت آسان‌تر

در سالی که گذشت زبان برنامه‌نویسی پایتون به‌عنوان محبوب‌ترین زبان برنامه‌نویسی دنیا معرفی شد. از طرفی شاهد محبوبیت روزافزون پایتون در محاسبات علمی و رایانش سریع هستیم. دلیل این محبوبیت را می‌توان به ظهور علم داده و اکوسیستم یادگیری ماشین و کتابخانه‌های نرم‌افزاری مربوطه مانند پانداس Pandas، تنسورفلوTensorflow ، PyTorch

استفاده از فناوری‌های هوش مصنوعی تقریباً به تمام جنبه‌های زندگی ما راه پیدا کرده است. اما سهم بخش‌های مختلف جهان در ایجاد، استفاده و در نتیجه مزایای استخراج‌شده از هوش مصنوعی همچنان تفاوت‌های قابل‌توجهی دارد. در حقیقت، هوش مصنوعی به سرعت به‌عنوان یک موضوع مهم در دستور کار توسعه جهانی

مسئله‌ی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بی‌ارتباط نیست. هر روزی که می‌گذرد دامنه‌ی کاربردهای هوش مصنوعی در زندگی روزمره‌ی ما گسترده‌تر می‌شود. وقتی که از گوگل می‌خواهیم رستوران‌های نزدیک به خانه‌ی ما را برای‌مان لیست کند، تا پیج‌هایی که  فیس‌بوک و اینستاگرام و توئیتر برای دنبال

همان‌طور که می‌دانید داده‌های جدید تولیدشده به الگوریتم‌های یادگیری ماشین داده می‌شوند و آن‌ها عملیات خود را برای بهبود عملکرد یاد می‌گیرند و بهینه می‌کنند و در طول زمان هوش را توسعه می‌دهند. چهار نوع الگوریتم یادگیری ماشین وجود دارد: تحت نظارت، نیمه نظارتی، بدون نظارت و یادگیری تقویتی. در

هوش مصنوعی در جایگاه فناوری نوینی که تمامی عرصه‌های علوم و صنایع و زندگی بشری را تحت‌الشعاع قرار داده است، هوشی است که از طریق ماشین‌ها امکان ظهور می‌یابد و برای رسیدن به این منظور می‌باید در ماشین‌ها قدرت یادگیری ایجاد گردد. از همین رو یکی از زیرشاخه‌های مهم فناوری

در دهه‌های اخیر، یادگیری نیمه نظارتی به عنوان یک مسیر جدید و اثرگذار در حوزه یادگیری ماشین ظاهر شده است. این نوع یادگیری با بهره‌گیری از قابلیت‌های داده‌های برچسب خورده در کنار حجم زیادی از داده‌های برچسب نخورده، فرایند آموزش مدل‌های یادگیری ماشین را به میزان قابل توجهی بهبود بخشیده

پیش از این، یک تحصیلات دانشگاهی به‌خودی خود، برای تضمین شغل پردرآمد بلافاصله پس از فارغ‌التحصیلی کافی بود؛ اما دیگر یک مدرک به‌تنهایی کارساز نیست. در واقع، کارفرمایان از کارمندان آینده‌شان انتظار دارند که تجربه کارآموزی داشته باشند و در خارج از مدرسه یا دانشگاه شغلی را امتحان کرده باشند.

اگر شرکت شما به دنبال افزودن قابلیت‌های هوش مصنوعی به محصولات خود است، چند زبان برنامه نویسی وجود دارد که باید به‌طورجدی موردمطالعه قرار داده و به مجموعه ابزار توسعه‌دهنده خود اضافه کنید. پس برای آشنایی بیشتر با این زبان‌ها با ما همراه باشید… مقدمه ابتدا بگذارید توضیح دهیم که

در مقالات آموزشی قبل به معرفی  الگوریتم‌های یادگیری ماشین بانظارت و آن دسته از روش‌های توسعه مدل‌ پرداختیم که در آن‌ها از داده‌های برچسب‌دار استفاده می‌شود. به بیانی دیگر در این دسته از روش‌ها، داده‌ها دارای تعدادی متغیر هدف Target variable با مقادیر مشخص هستند که از آن‌ها برای آموزش

وقتی بحث از مدل‌های یادگیری ماشین به میان می‌آید، دو روش اصلی در ذهن تداعی می‌شود: یادگیری نظارت شده supervised learning و یادگیری نظارت نشده unsupervised learning. اما تفاوت یادگیری خودنظارتی و نیمه نظارتی چیست؟ تفاوت اصلی این دو روش در داده‌های برچسب‌دار می‌باشد. فقط یادگیری نظارت شده حاوی این نوع

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

Pandas یک کتابخانه پایتون همه منظوره و قدرتمند است و عمدتاٌ در تحلیل داده‌ کاربرد دارد و فرایند تحلیل و کشف داده‌ها را تسریع می‌بخشد. یکی از مزایای Pandas در این است که برای انجام یک مسئله چندین روش مختلف ارائه می‌دهد. در طول فرایند تحلیل داده همیشه مجبور می‌شویم

دنیا همگام‌ با پیشرفت فناوری‌های یادگیری ماشین (ML) و هوش مصنوعی (AI)، در حال تغییر و تحول است و به همین دلیل نیاز به مهندس یادگیری ماشین و هوش مصنوعی محسوس‌تر شده است.  ML و AI در بسیاری از دستگاه‌ها، از سیستم‌های آندروید گوشی‌های همراه و سایر دستگاه‌های الکترونیک گرفته

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

افرادی که برای انجام پروژه‌‍‌های خود به داده‌های تصویری احتیاج دارند، معمولاً این‌‌گونه داده‌ها را جمع‌آوری می‌کنند و برخی مواقع نیز ترجیح می‌دهند دیتاست‌های تصویری را از وب‌سایت‌ها دانلود کنند. از جمله مشکلاتی که ممکن است در این‌گونه دیتاست‌ها وجود داشته باشد می‌توان به کنتراست پایین، تفاوت در وضوح و

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

اولین «جاودانگی‌ها» با قابلیت افزایش نامحدود طول عمر، از طریق داروهای ضدپیری، پیوند اعضا، درمان با سلول‌های بنیادی، نانوماشین‌های پزشکی و بارگذاری‌های عصبی، رقم خواهند خورد. توانایی ادامه حیات و معکوس کردن تازیانه‌های زمان و پیری نیز به این معناست که انسان می‌تواند به طور نامحدود، فعال، سالم و زایا

آیت‌الله علیرضا اعرافی، عضو فقهای شورای نگهبان و مدیر حوزه‌های‌علمیه، روز ۱۸ بهمن‌ماه در دیدار با مسئولان ستاد فرماندهی نیروی انتظامی استان قم با تأکید بر نگاه علمی فرماندهی نیروی انتظامی، به نقش مؤثری که هوش مصنوعی می‌تواند در تأمین امنیت کشور ایفا کند اشاره کرد. نماینده مردم تهران در

دکتر جمشید صباغ‌زاده، قائم مقام دانشگاه آزاد اسلامی در واحد علوم و تحقیقات، اعلام کرد برای تربیت نیروی انسانی ماهر در زمینه هوش مصنوعی تفاهم‌نامه‌ای میان دانشگاه علوم و تحقیقات با شرکت دانش‌بنیان هشت بیت امضا شده  است. او با اشاره به اینکه عرصه فعالیت شرکت دانش‌بنیان هشت بیت، به

در خصوص تکینگی فناوری و پیش‌بینی‌های مشابه همیشه نظرات مخالف، بدبینانه و تردیدبرانگیز نیز به گوش می‌رسد. عده‌ای پیش‌بینی‌های شکست‌خورده گذشته مانند اتومبیل‌های پرنده، شهرهای شناور و سایر آینده‌نگری‌هایی را مطرح می‌کنند که قرار بود تا قرن 21 محقق شوند. اگرچه تعدادی از این پیش‌بینی‌ها تحقق یافته‌اند، اما نرخ پیش‌بینی‌های

در این مقاله به بخش دوم از سری مقاله‌های تکینگی فناوری می‌پردازیم. همچنین لینک دسترسی به قسمت‌های دیگر در انتهای مطلب در دسترس است. یکی دیگر از موضوعات مورد مناقشه درباره تکینگی، نحوه رخ دادن آن است. برای مثال، آیا تکینگی به‌تدریج رخ می‌دهد یا سریع و آنی خواهد بود.

دستیارهای هوشمند، که با استفاده از فناوری و هوش مصنوعی به وجود آمده‌اند، چند سالی است در سراسر جهان در اختیار عموم قرار گرفته‌اند و در همین مدت اندک توانسته‌اند با تسهیل امور برای کاربران آنان را به سمت خود جذب کنند. برنامه‌های مختلفی برای بهره بردن از این دستیارها

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

مقاله پیش رو با عنوان تکینگی فناوری در 4 بخش منتشر خواهد شد. در بخش اول می‌خوانیم که چطور ممکن است دنیا به پایان فناپذیری نزدیک شده باشد. مقدمه پیشرفت سریع محاسبات، تولید و ذخیره اطلاعات و هوش مصنوعی در آستانه نقطه عطفی قرار دارند که از آن با نام

امیر دریادار شهرام ایرانی، فرمانده نیروی دریایی ارتش، از ضرورت و اهمیت تجهیز نیروهای ارتش به فناوری جدید و استفاده از هوش مصنوعی در پیشبرد هرچه بهتر و سریع‌تر اهداف دفاعی و نظامی کشور سخن گفت و بیان کرد: امروز دشمنان به دنبال از صحنه خارج کردن ما هستند، ولی

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

اکثر روش‌های دسته‌بندی سری‌های زمانی که با دقتی در سطح دقت آخرین پیشرفت‌های علمی (یا به عبارتی SOTA) ایجاد شده‌اند، سطح محاسباتی بسیار پیچیده و مقیاس‌پذیری پایینی دارند. به عبارت دیگر فرآیند آموزش آنها روی دیتاست‌های کوچک کُند است و در دیتاست‌های بزرگ کاملاً بلااستفاده‌ هستند. روش ROCKET (که مخفف

گزارشی جامع بر اساس بررسی روند روبه‌رشد هوش مصنوعی و رویکردهای استراتژیک مربوط به آن در سال ۲۰۲۱ انتشار یافت. این گزارش چگونگی پیشبرد اهداف این فناوری در کشورهای سرآمد این حوزه در سال میلادی گذشته را همراه با نگاهی به وضعیت چالش‌هایی که این فناوری در مسیر خود با

هوش مصنوعی امروزه به‌عنوان یک ابزار مهم برای توسعه صنایع زیربنایی و صنایع وابسته توصیف می‌شود. بر همین اساس است که بازارهای سرمایه‌گذاری در حوزه هوش مصنوعی رفته‌رفته درحال‌توسعه هستند و این موضوع اهمیت تحصیل در رشته یادگیری ماشین و هوش مصنوعی را دوچندان کرده است. بر اساس آمارهای منتشر