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

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