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

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»