اگر قبلاً یک شبکه‌ عصبی آموزش داده‌اید، به طور حتم با الگوریتم گرادیان کاهشی و انواع آن آشنایی دارید. در شبکه های عصبی به منظور یافتن پارامتری که بتواند مقدار تابع زیان را به حداقل برساند، از این الگوریتم‌ها استفاده می‌شود. عملکرد این الگوریتم‌ها بسیار ساده است: به ازای تمامی

زبان پایتون ، زبان فوق‌العاده‌ای است. این زبان تفسیری و استفاده از آن آسان است. اما آیا شما از تمامی ویژگی‌ها و قابلیت‌های این زبان برنامه نویسی استفاده می‌کنید؟ معمولاً ویژگی‌های پیشرفته تمامی زبان‌های برنامه‌نویسی را با تکرار و تمرین مداوم می‌توان کشف کرد. فرض کنید در حال کدنویسی پروژه‌

یکی از کتابخانه‌هایی که متخصصان علوم‌ داده، تحلیل‌گران داده و مهندسان داده به صورت متدوال از آن در استفاده می‌کنند، ‌ کتابخانه Pandas است. این کتابخانه می‌تواند فریم داده را با فرمت HTML چاپ کند و اگر شما هم مثل من از JupyterLab/ Jupyter Notebook یا Colab گوگل استفاده می‌‌کنید،

در این مقاله به موارد زیر خواهیم پرداخت: دو دلیلی که آلفازیرو AlphaZero را به یک پیشرفت بزرگ در دنیای هوش مصنوعی تبدیل می‌کند. چگونه می‌توان رونوشتی از متدولوژی آلفازیرو تهیه کرد که بازی Connect4 را انجام دهد. و چگونه می‌توان با تغییر کدها، الگوریتم را در سایر بازی‌ها نیز

یادگیری علم داده و هوش مصنوعی دشواری‌های خاص خودش را دارد. یافتن انجمنی از متخصصان این حوزه که کدها، داده‌ها و ایده‌هایشان را به اشتراک می‌گذارند در نگاه اول بسیار سخت به نظر می‌رسد. اما کگل kaggle دقیقاً چنین جایی است. در کگل می‌توانید همه این امکانات را به‌صورت یک‌جا

این مطلب فرض را بر آشنایی مقدماتی مخاطبان با معماری‌ شبکه های عصبی قرار داده است. محتوای این مقاله درباره نظریه جایگشت است و به خصوص برای افرادی مفید است که در آموزش شبکه‌های عمیق تجربه دارند، و ممکن است در مورد آموزش مدل یا قدرت آن به مشکلاتی برخورده

این مقاله بخشی از بررسی‌های محققان در حوزه پژوهش‌های هوش مصنوعی را در بردارد و آخرین یافته‌های دنیای هوش مصنوعی در حوزه یادگیری تقویتی را بررسی می‌کند.

دانش آموزان دبیرستانی‌ از علاقه‌مندان جدید و رو به رشد هوش مصنوعی هستند. علاقه به فناوری هوش مصنوعی به سنین پیش از دانشگاه نیز رسیده است و تعداد زیادی از دانش آموزان دبیرستانی‌ دوست دارند در آینده در حوزه کامپیوتر و هوش مصنوعی فعالیت کنند. اما متاسفانه این گروه، به‌خاطر

معاون ارتباطات راهبردی ستاد راهبری فناوری‌های هوشمند حوزه‌های علمیه در نشست تخصصی «هوش مصنوعی و طرح جایگزین»در پاسخ به انتقادات حجت‌الاسلام کشوری در رابطه با بررسی هوش مصنوعی گفت: هوش مصنوعی یک ابزار کارآمد، امن و شفاف است.

پایتون یک زبان برنامه نویسی سطح بالا، پرکاربرد و همه منظوره است. این زبان برنامه نویسی اولین بار در سال 1991 توسط خیدو فان روسوم طراحی شد و سپس بنیاد نرم افزاری پایتو‌ن آن را توسعه داد. زبان پایتون با هدف خواناتر شدن کدها ایجاد شد و دستور زبان (syntax)

بیایید به موضوع تکینگی فناوری بپردازیم و بررسی کنیم که چرا برخی معتقدند هوش مصنوعی تهدیدی برای بشریت است و برای غلبه بر تهدیدات این فناوری چه باید بکنیم. برای این‌که هوش مصنوعی در آینده تهدیدی برای ما نباشد، باید در حال حاضر و در شرایطی که هنوز این فناوری

مباحث یادگیری عمیق Deep learning و شبکه‌های عصبی Neural networks می‌توانند گیج‌کننده باشند. اما باید توجه داشته باشید که برای استخدام یادگیری عمیق در مصاحبه‌های کاری علوم داده، عمده‌ی سؤالات از چند مبحث خاص مطرح می‌شوند. بعد از بررسی صدها نمونه از این مصاحبه‌ها، به 10 مفهوم از یادگیری عمیق رسیدم

ایده یادگیری ماشین مدت‌ها پیش معرفی شده است. سیل عظیم داده‌ها و منابع محاسباتی گسترده به ظهور یادگیری ماشین کمک اساسی کرده‌اند. امروزه، یادگیری ماشین به موضوع داغ روز تبدیل شده است. حتی مهندسان نرم‌افزار به یک دلیل عمده در صدد مطالعه یادگیری ماشین هستند: یادگیری ماشین تماماً با برنامه‌نویسی

کتابخانه Matplotlib  پرکاربردترین ابزار پایتون در حوزه مصور‌سازی Visualization داده ها است. این کتابخانه در محیط‌های مختلف از جمله سرورهای کاربردی Application servers، ‌ابزارهای رابط کاربری گرافیکی Graphical user interface toolkits، Jupyter notebook، iPython و iPython shell پشتیبانی می‌شود.

محور اصلی یادگیری ماشین، برقرای توازن درست بین بهینه‌سازی optimization و تعمیم پذیری generalization است. منظور از بهینه‌سازی، تنظیم مدل برای دستیابی به بهترین عملکرد ممکن است؛ تعمیم پذیری به عمومی‌سازی مدل اشاره دارد به نحوی که بتواند روی داده‌های جدید نیز عملکرد خوبی داشته باشد. همانطور که می‌بینید، مفاهیم

شباهت معنایی یا شباهت معنایی نوشتاری یکی از مسائل حوزه‌ی پردازش زبان طبیعی یا NLP است. در این نوع مسائل، با استفاده از یک معیار مشخص ارتباط بین متون یا اسناد اندازه‌گیری می‌شود. شباهت معنایی در موارد گوناگون از جمله بازیابی اطلاعات ، خلاصه‌سازی متون ، و تجزیه و تحلیل

بیشتر شبکه‌های عصبی، بر خلاف حافظه‌ی انسان، اطلاعات را بدون تمیز دادن و به صورت غیرسیستماتیک پردازش می‌کنند. این مسئله شاید در مقیاس کوچک، کاربردی و مفید باشد؛ اما سیستم های هوش مصنوعی کنونی، باید به صورت گزینشی روی برخی قسمت‌های ورودی بیشتر متمرکز شوند و به همین دلیل هنگامی

اگر می‌خواهید شرکتتان را به هوش مصنوعی مجهز کنید، فقط درباره‌اش حرف نزنید. بلکه درباره این حرف بزنید که چطور، چه زمانی، چرا و چرا حالا باید این کار را بکنید. درباره شکوفایی شرکت در محیط مجهز به هوش مصنوعی حرف بزنید؛ درباره استراتژی مناسب هوش مصنوعی حرف بزنید.

در این مقاله می‌خواهیم به کدنویسی DQN بپردازیم و یادگیری به کمک شبکه عمیق را مورد بررسی اساسی قرار دهیم. عکس صفحه LunarLander-v0 از OpenAI Gym. جسم بنفش فضاپیمایی است که عامل RL باید کنترل آن را بیاموزد. پیاده‌سازی مربوطه در کتابخانه‌ی PyTorch را می‌توانید در این لینک Github مشاهده

مقاله حاضر به مرور و بررسیِ یک روش افزایش وضوح تصاویر کلاسیک تحت عنوان شبکه عصبی SRCNN (شبکه عصبی پیچشی سوپر رزولوشن Super-Resolution Convolutional Neural Network (SRCNN)) می‌پردازد. معمولاً در یادگیری عمیق یا  شبکه عصبی پیچشی Convolutional Neural Network از CNN برای طبقه‌بندی تصاویر استفاده می‌شود. CNN در شبکه عصبی

تست تورینگ از مشهورترین آزمون‌ها برای سنجش هوشمندی ماشین‌ها در هوش مصنوعی است. تستی که با نام پدر علم کامپیوتر، آلن تورینگ، گره خورده است.

ابتدا می‌خواهیم با مفاهیم پایه آشنا شویم. اولین سؤالی که باید پاسخ دهیم این است که یادگیری تقویتی RL چیست؟ فرض کنید دوستتان برای آشنایی با DQN (یکی از الگوریتم‌های یادگیری تقویتی) و اصلاح اشتباهی که در پیاده‌سازی آن مرتکب شده، از شما کمک می‌خواهد. برای کمک به او ابتدا

هوش مصنوعی برای موفقیت کسب‌و‌کارها یک تضمین است؛ به نوعی که پیشرفت این فناوری وقتی در کنار پیشرفت سایر فناوری‌های اساسی مانند اینترنت اشیاء و داده‌های بزرگ باشد، می‌تواند شرایط کار و زندگی ما را تغییر دهد. البته که شایعات مربوط به هوش مصنوعی باعث ایجاد فاصله بین انسان و

Pandas یکی از انعطاف‌پذیرترین و قدرتمندترین کتابخانه‌های مورد استفاده در حوزه تحلیل و دستکاری داده‌هاست. این کتابخانه حاوی شمار کثیری تابع و متد است که به شما در بهینه‌سازی مراحل مختلف فرایند تحلیل کمک می‌کنند. متدهای loc و iloc دو مورد از مهم‌ترین متدهای موجود در کتابخانه Pandas هستند که

یکی از مهارت‌های اساسی و ضروری برای هر دانشمند داده، آشنایی با نحوه‌ی اجرای آزمون فرضیه است. در ابتدا شاید درک آلفا alpha، بتا beta، توان آزمون Power (statistical power) و خطاهای نوع اول Type I error و دوم Type II error کار دشواری باشد. در این نوشتار قصد داریم

تا قبل از روز سیزدهم اکتبر سال 2017، روزی که اجرای فوری Eager execution به Tensorflow اضافه شد، Tensorflow سریع بود. بله! TF سریع‌تر بود. تا قبل از این تاریخ TF فقط به حالت اجرای کُند Lazy execution مجهز بود. در اجرای کند یک گراف محاسباتی ایجاد می‌شود که گره‌ها

گروهی از پژوهشگران دانشگاه کالیفرنیا، برکلی، موفق به ساخت یک ربات دو پا شده‌اند که می‌تواند به کمک یادگیری تقویتی راه رفتن را به خود آموزش دهد. این پژوهشگران در مقاله‌ای فرایند کاری‌شان را توضیح داده و آن را در سرور پیش انتشار arXiv بارگذاری کرد‌ند. طی این فرایند یک

پخت‌و‌پز همان اندازه که هنر است، یک علم هم هست و به همین دلیل کاربرد هوش مصنوعی در شیرینی پزی می‌تواند برای علاقه‌مندان به پخت‌و‌پز مفید باشد. شاید بد نباشد بدانید «هوش مصنوعی ابر گوگل» در یک مسابقه بزرگ پخت‌و‌پز انگلیسی شرکت کرده است. سارا رابینسون یک نانوای آماتور و

دانشمندان با استفاده از سلول‌های بنیادی قورباغه موفق به ساخت روبات های زنده و خوددرمان گر‌‌ شده‌اند که می‌توانند خاطرات را ثبت کنند.

یکی از مهم‌ترین بخش‌ها در هر یادگیری ماشین عملیاتی، هوش مصنوعی به‌ کار رفته در آن است. معمولاً این کار را موتورهای مکمل هوش مصنوعی AI serving engine انجام می‌دهند.

این نوشته به بررسی راه‌های تشخیص بیماری کووید 19 با هوش مصنوعی می‌پردازد. بیماری کووید 19 یک بیماری همه‌گیر است که در اثر سندروم حاد تنفسی به وجود می‌آید. این بیماری نخستین بار در ماه دسامبر 2019 در شهر ووهان چین شناسایی شد و از آن زمان به بعد در

بخش هوش مصنوعی فیس بوک نرم‌افزار جدیدی ساخته و شاید بهتر باشد شرکت‌ها هم برای انجام برخی مسائل بینایی کامپیوتر، از جمله تشخیص چهره و توابع مورد استفاده در وسایل نقلیه خودران، چنین نرم‌افزاری را آموزش دهند.

یادگیری ماشین یکی از کلمات سنگینی است که این روزها زیاد آن را می‎‌شنوید. بیشتر مدیران دوست دارند از کاربردهای یادگیری ماشین استفاده کنند، اما نمی‌دانند معنای دقیق آن چیست و از کجا باید شروع کنند. شاید در نگاه اول رازآلود، بیش از اندازه فنی و حتی ترسناک به نظر