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

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