سال 2019 را می‌توان سال ورود ترنسفورمر به حوزه پردازش زبان طبیعی نامگذاری کرد؛ در این سال این معماری در صدر تمامی جدول‌های رده‌بندی (Leaderboards) قرار گرفت و الهام‌بخش مطالعات تحلیلی بسیاری بود. بی‌شک مشهورترین ترنسفورمر، مدل زبانی BERT است (دولین، چانگ، لی و توتانووا، 2019). این مدل زبانی کاربردهای

موسیقی یکی از عناصر حیاتی فیلم به شمار می‌رود؛ چرا که جوّ فیلم را تحت تاثیر قرار داده، به واکنش‌های احساسی بینندگان جهت می‌دهد و بر تفسیر بینندگان از داستان و ژانر فیلم تاثیر می‌گذارد. پروفسور شریکانت نارایانان – سرپرست تیم تحقیقات در دانشکده مهندسی USC – مقاله‌ای را در

همیشه همه داده‌‍‌ها کامل و خالی از عیب‌ و نقص نیستند. اگر دیتاست کاملاً متوازنی در اختیار داشته باشید، آدم بسیار خوش‌شانسی هستید در غیر این صورت مدیریت دیتاست ‌های نامتوازن اهمیت بسیاری پیدا می‌کند. اکثر مواقع، داده‌ها تا حدی نامتوازن  Imbalanced هستند. این مورد زمانی اتفاق می‌افتد که هر

در نوشتار حاضر با انواع بردار کلمات، نحوه‌ی ایجاد آنها در پایتون و بکارگیری‌شان به همراه شبکه‌های عصبی در keras آشنا خواهید شد. روش‌های پردازش زبان طبیعی برای مدتی طولانی از مدل vectorspace برای نمایش کلمات استفاده می‌کردند. بردارهای رمزگذاری‌شده‌ی وان-هات به طور متداول به کار برده می‌شوند. البته روش

در این نوشتار به بررسی و مطالعه مبانی نورون‌ها، شبکه های عصبی و توابع فعال سازی می‌پردازیم. شبکه‌های عصبی مصنوعی از نورون‌ها تشکیل می‌شوند. هر نورون را می‌توان یک تابع در نظر گرفت که عددی در خود جای داده است. نورون‌ها این جریان/ورودی را از انشعابات انتهایی (سیناپس‌ها) دریافت می‌کنند.

بی شک استفاده سیستم پیشنهاددهنده Recommendation system یکی از بهترین روش‌ها برای بهبود تجربه کاربری در سامانه‌های مختلف و دروازه ورودی است به دنیای یادگیری ماشین. بسیاری از شرکت‌ها در حال حاضر از سیستم‌های پیشنهاددهنده یا بخش «پیشنهادات شما» استفاده می‌کنند. اخیراً محبوبیت سیستم‌های پیشنهاددهنده به لطف شرکت‌هایی مثل آمازون

بهترین راه برای دستیابی به ابزارها و تکنیک‌های هوش مصنوعی، استفاده از چیت شیت هوش مصنوعی و علم داده است. چیت شیت هوش مصنوعی و علم داده زیادی از جمله کراس، NumPy، پانداها، چیت شیت مبتنی بر مورد استفاده، Scikit- Learn، ژوپیتر، پردازش زبان طبیعی، تجسم، Matplotlib، آمار و… وجود

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

بینایی رایانه به عنوان یکی از حوزه‌های هوش مصنوعی با سرعت قابل توجهی در حال توسعه است. به لطف حرکت سخاوتمندانه برخی از شرکت‌ها در ارائه عمومی دیتاست‌ تصاویر، اکنون دانشمندان داده‌ قادرند به راحتی اقدام به ساخت معماری‌های مختلف مدل نمایند. مقالۀ حاضر بر آن است تا 9 مورد

هوش مصنوعی بخشی از علوم رایانه است که هدف اصلی آن تولید رایانه‌هایی است که بتوانند با هوشی شبیه به هوش انسان کار کنند. در واقع نوعی شبیه‌سازی هوش انسانی برای کامپیوتر است. حال این کامپیوتر باید از رفتار انسان تقلید کند و اینجاست که موضوع ترس از رفتار هوش

محققان دانشگاه MIT ابزاری مجهز به هوش مصنوعی ساخته‌اند که می‌تواند با تحلیل تصاویر، میزان تنش مواد را تعیین کند.

در این نوشتار، مروری بر الگوریتم رگرسیون چندجمله‌ای خواهیم داشت. این الگوریتم با تغییر تابع فرضیه و افزودن چند ویژگی جدید به ورودی‌ها، برای برازش داده‌های غیرخطی به کار می‌رود. رگرسیون چندجمله‌ای نسخه‌ای از رگرسیون خطی استاندارد است. در بخش اول که مربوط به معرفی نمادهاست، نسبت به قسمت‌های قبلی،

هر برنامه اقتصادی با کاربردهای داده کاوی در مدیریت در ارتباط است؛ مفهوم داده‌کاوی از مدت‌ها قبل از عصر دیجیتال با ما بوده است. ایده به‌کارگیری داده‌ها در کشف دانش، قرن‌هاست که با فرمول‌های دستی برای مدل‌سازی آماری و تحلیل رگرسیون شروع شده است. در دهه 1930، آلن تورینگ ایده

در فرایند اکتشاف داده‌ها و ساخت مدل، روش‌های گوناگونی برای انجام مسائل وجود دارند که انتخاب و کاربردشان به هدف و تجربه‌ متخصص بر می‌گردد. برای نمونه، نرمال‌سازی داده را می‌توان با روش L1 (معیار فاصله‌ منهتن Manhattan distance )، L2 (معیار فاصله‌ اقلیدسی Euclidean distance ) یا ترکیبی 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

تشخیص اشیاء Object Detection یکی از مهم‌ترین حوزه‌های تحقیق در «بینایی رایانه Computer Vision» به شمار می‌آید. محققان از مدت‌ها پیش علاقه‌مند به انجام تحقیق در این حوزه بوده‌اند، اما در سال‌های اخیر به لطف ابداع «Convents» که نقش استخراج‌کننده ویژگی را دارد و همچنین «یادگیری انتقال Transfer learning» که روشی

تشخیص ناهنجاری Anomaly Detection به فرایند تشخیص آیتم‌ها یا رویدادهای غیرمنتظره‌ای اشاره دارد که با نُرم موجود در دیتاست‌ها تفاوت دارند. تشخیص ناهنجاری اغلب روی داده‌های بدون برچسب اجرا می‌شود و به همین دلیل با نام تشخیص ناهنجاری غیرنظارت‌شده شناخته می‌شود. تشخیص ناهنجاری دو پیش‌فرض دارد: داده‌ها به‌ندرت ناهنجاری دارند. ویژگی

برای همگان مشخص است که مهندسی ویژگی یکی از مهم‌ترین گام‌های تولید مدل‌های دقیق است. بعضی از برنامه‌نویس‌ها عاشق این مرحله هستند ولی من علاقه‌ چندانی به این مرحله ندارم. به نظر من این مرحله بسیار خسته‌کننده است و معتقدم که هر کار خسته‌کننده‌ای را می‌توان به صورت خودکار درآورد.

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

یادگیری ماشین را می‌توان در دیتاست‌‌های سری زمانی Time series datasets پیاده‌سازی و اجرا کرد. پیش‌بینی مقادیر عددی و دسته‌ای Numeric and categorical value دشوار است اما ردیف‌های داده بر اساس زمان مرتب می‌شوند. یکی از مشکلاتی که در هنگام پیش‌بینی سری‌های زمانی Time series forecasting با یادگیری ماشین با

به نظر شما پردازش تصویر و بینایی ماشین چه تفاوت‌هایی دارند؟ برخی افراد به اشتباه گمان می‌برند، بینایی ماشین یکی از زیرمجموعه‌های پردازش تصویر است. به‌این معنی که می‌اندیشند رایانه می‌تواند تصویری که به آن دسترسی دارد را تفسیر و درک کند و از آن تفسیر برای اهداف خود استفاده

اکثر افراد با شنیدن واژه‌ی «هوش مصنوعی» فکر می‌کنند این فناوری با کامپیوتر ارتباط دارد. شاید این موضوع به ذهن عده قلیلی خطور کند که روانشناسی و هوش مصنوعی ارتباط نزدیکی با یکدیگر دارند. در واقع، به جرات می‌توان گفت که روانشناسی و هوش مصنوعی جدانشدنی هستند. هوش مصنوعی به

جعل عمیق به زودی همانند فتوشاپ به صورت گسترده مورد استفاده همگان قرار می‌گیرد و از آنجایی که هنوز روش مناسبی برای تشخیص این فناوری وجود ندارد، نگرانی‌ها از در دسترس قرار گرفتن این تکنولوژی افزایش یافته است.

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

در قسمت اول (لینک آن در ادامه مطلب قرار دارد) از این مجموعه، مشکل عدم توازن کلاسی در مسائل رده‌بندی دودویی Binary classification را توضیح دادیم و برخی از راهکارهایی را نیز که برای حل آن وجود دارد، بررسی کردیم؛ آن روش‌ها با مداخله‌ مستقیم بر روی خود دیتاست و به

فناوری تشخیص گفتار گوگل به عنوان گامی به سمت هوشمند شدن ابزارها به شمار می‌رود. یکی از قابلیت‎های گوگل، قابلیت تشخیص گفتار از طریق هوش مصنوعی است. هوش مصنوعی با قابلیت پردازش زبان طبیعی در مرحله اول قادر به فهم زبان انسانی شد و توانایی برقراری ارتباط با انسان را

بسیاری از نیروهای پلیس که در کشتار افراد تحت بازداشت دست داشته‌اند، تبرئه می‌شوند و این روند طی سال‌های اخیر، سیر صعودی داشته است. ماه ژوئن امسال، خبر کشته شدن پدر و پسری در جریان بازداشت و شکنجه آن‌ها از سوی نیروهای پلیس، سراسر هندوستان را در شوک فرو برد.

هر گاه بخواهیم مسئله‌ای را برای یک مدل یادگیری ماشین تعریف کنیم، اولین قدم، تجزیه و تحلیل داده‌هاست؛ از این داده‌ها برای آموزش و آزمایش مدل استفاده می‌شود و مدل بر اساس آن‌ها استدلال انجام می‌دهد. در غالب موارد، قبل از شروع کار، لازم است دیتاست را بازطراحی کنیم یا

پردازش زبان طبیعی (NLP) یکی از زیرشاخه‌های حوزه هوش مصنوعی است؛ در این روش به منظور برقراری ارتباط با سیستم از زبان طبیعی استفاده می‌شود. پایتون یکی از زبان‌های پرکاربرد NLP است و تقریباً در تمامی رشته‌ها و حوزه‌ها مورد استفاده قرار می‌گیرد. در مقاله پیش‌رو به معرفی 10 کتابخانه

کتابخانه Pandas محبوب‌ترین کتابخانه مورداستفاده در فعالیت‌های تحلیلی و اصلاحی است. به کمک توابع متنوع این کتابخانه می‌توان تحلیل داده‌ها را بدون مشکل و به سرعت انجام داد. علاوه بر این، دستورالعمل‌های آن بسیار ساده و قابل‌فهم می‌باشند. در این مقاله، تمرکز ما تنها بر روی یکی از توابع Pandas

اصطلاح «خانه های هوشمند» از اوایل دهه شصت میلادی بر سر زبان‌ها افتاد؛ یعنی تقریباً از زمانی که نخستین خانه های هوشمند ساخته شدند. بسیاری معتقدند اولین خانه هوشمند جهان، توسط بیل گیتس، در سال 1960 ساخته شد. انسان‌ها بر طبق غریزه خود، همواره به دنبال تدارک سرپناه و تأمین

محققان موسسه Skoltech و همکاران آن‌ها از Mobile TeleSystems مفهوم «پیام‌های متنی نامناسب» را معرفی کرده و یک مدل عصبی با قابلیت تشخیص عبارات نامناسب را آموزش داده‌اند و به همراه مجموعه بزرگی از پیام‌های این چنینی منتشر کرده‌اند تا بتوان از آن در مطالعات آتی نیز استفاده کرد. از

Algorithmia چندین ابزار جدید ارائه داده است که برای حل مسائل و چالش‌های مربوط به مدیریت یادگیری ماشینی Machine Learning Governance مفید هستند.