چهارمین فصل از دوره آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس به موضوع هاگینگ فیس هاب می‌پردازد. همچنین می‌توانید از لینک انتهای مطلب به دیگر فصول و قسمت‌های این دوره آموزشی دسترسی داشته باشید. هاگینگ فیس هاب Hugging Face Hub به یک پلتفرم مرکزی اطلاق می‌شود که فرصتِ کشف،

دستیار صوتی سیری امروزه نظر بسیاری از کاربران را به خود جلب کرده است. این ترفندها سبب شده است تا کاربران محصولات اپل بتوانند رابط کاربری جذابی را تجربه کنند. در حال حاضر شرکت‌های بسیاری از دستیارهای صوتی برای تقویت تجربه کاربران استفاده می‌کنند که در این میان شرکت اپل

فصل سوم از دوره رایگان آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس هم به پایان رسید و طبق روال گذشته، در پایان هر فصل یک «آزمون پایان فصل» ترتیب داده شده تا بتوانید اطلاعات و آموخته‌های خود را محک بزنید. سوالات آزمون در ادامه آورده شده و بعد از

مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی قادر به ایجاد تغییر در تصمیم‌گیری و درمان‌های پزشکی است. البته که این الگوریتم‌ها باید کاملا آزمایش و به طور مداوم کنترل شوند تا عواقب پیش‎بینی‌نشده‌ای برای بیماران نداشته باشند و همچنین باید به حذف سوگیری الگوریتم ها به طور ویژه توجه شود.

اکنون که شرکت‌ها انتظار دارند، نتایجی ملموس از به‌کارگیری فناوری‌ها مشاهده کنند، 2022 را می‌توان سال به ثمر نشستن هوش مصنوعی، کلان‌داده و تحلیل داده دانست؛ اما حوزه‌ فناوری اطلاعات (IT) راه درازی در پیش دارد. در این نوشتار، ده مورد از چشم‌اندازهای حوزه‌ کلان‌داده و تحلیل داده در سال

در حال حاضر، میلیاردها دستگاه به اینترنت اشیاء Internet of Things (IoT) متصل هستند و محققان پیش‌بینی می‌کنند این حوزه طی دهه‌ی آینده، رشدی بی‌سابقه داشته باشد. یکی از جالب‌ترین، چالش‌برانگیزترین و احتمالاً سودمندترین زمینه‌های کاربرد اینترنت اشیاء در بخش خودکار است. خودروها جزئی جدایی‌ناپذیر از زندگی روزمره‌ی اغلب افراد

بخشی از حرفه متخصصین علوم داده را تحلیل کاوشگرانه داده‌ (EDA) تشکیل می‌دهد. هدف از تحلیل داده‌ها، درک و شناخت بیشتر آن‌ها است. تا چندی پیش، تحلیل داده‌ها با استفاده از دیتافریم‌های pandas کار دشواری بود، چرا که مجبور بودیم تک تک تحلیل‌ها را از ابتدا کدنویسی کنیم. کدنویسی تک

دروغ‌پراکنی سالیان سال در  جنگ‌ها و استراتژی‌های نظامی کاربرد داشته است؛ اما بدون شک به‌کارگیری فناوری‌های هوشمند و رسانه‌های اجتماعی آن را تشدید کرده است؛ زیرا این فناوری‌های ارتباطی راه‌های کم‌هزینه و بهینه‌ای برای انتشار اطلاعات در سرتاسر دنیا ایجاد کرده‌اند. اما پرسش چند میلیون دلاری این است که آیا

پیوتر زلاسکو، مهندس مرکز پردازش زبان و گفتار جانز هاپکینز، مدل یادگیری ماشینی را تولید کرده است که می‌تواند نقش‌های گفتاری را در متن‌ گفت‌وگوهایی که سیستم‌های درک زبان (LU) پیاده کرده‌اند، تشخیص دهد. کامپیوترها با استفاده از این روش در نهایت می‌توانند متن گفتاری یا نوشتاری را همانند انسان‌ها

این قسمت از دوره آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس به تنظیم دقیق مدل با Keras خواهد پرداخت. همچنین شما می‌توانید در انتهای مطلب به لینک سایر قسمت‌‎ها دسترسی داشته باشید. به محض اِتمام کلیه‌ی کارهای پیش‌پردازش در بخش پیشین، فقط چند مرحله دیگر برای آموزش مدل در

این متن، دومین قسمت از مجموعه‌ روش‌های آزمایش AB بیزی در موقعیت‌های زندگی واقعی است. در اینجا از برخی مفاهیم معرفی‌شده در قسمت اول (لینک دسترسی به آن در انتهای مطلب قرار دارد) استفاده می‌شود: مدل‌سازی و تجزیه و تحلیل معیارهای آزمایش بر اساس تبدیل (معیارهای نرخی) مدل‎سازی و تجزیه

در این مقاله، درباره محاسبات و نحوه پیاده‌سازی آزمایش بیزی AB در دنیای واقعی بحث می‌شود. فهرستی از مطالبی که در این متن توضیح داده می‌شود از این قرار است: مدل‌سازی و تجزیه‌وتحلیل معیارهای آزمایشی مبتنی بر تبدیل (معیارهای نرخی (Rate Metrics)) مدل‌سازی و تجزیه و تحلیل معیارهای آزمایشی مبتنی

احتمالاً همه بر سر این موضوع توافق نظر دارند که یکی از پرکاربردترین معیارها در مشاغل، همبستگی، یا به بیان دقیق‌تر، همبستگی‌‌‍‌‌‌‌‌‌ پیرسون (Pearson Correlation) است. یادآوری: همبستگی‌‌‌‌‌ رابطۀ خطی بین دو متغیر را اندازه می‌گیرد. مسئله این است که بسیاری از روابط خطی نیستند. مثلاً، شاید در نتیجۀ محاسبات

پژوهشگران از هوش مصنوعی برای مطالعه آواز پرندگان استفاده می‌کنند، تا از جمعیت آن‌ها، الگوهای مهاجرت و حتی لهجه‌های محلی آن‌ها، اطلاعاتی به دست آورند. مثال‌هایی از کاربرد هوش مصنوعی در مطالعه آواز پرندگان از طریق مطالعه‌ای که بر روی آواز پرندگانِ رشته‌کوه‌های سیرا نوادا در کالیفرنیا انجام شد، یک

یکی از مهم‌ترین دستاوردها در حوزه هوش مصنوعی در سال 2018، یادگیری ماشین خودکار (AutoML) بود. این فناوری، فرایند یادگیری ماشین را خودکار می‌کند. شرکت گوگل در ژانویه این سال فرایند یادگیری ماشین خودکار را در مسائل بینایی ماشین به کار گرفت و سپس در ژوئیۀ همان سال نسخه دیگری

یکی از برجسته‌ترین پیشرفت‌های دنیای یادگیری ماشین، آموزش قابلیت درک ارتباطات انسانی به ماشین‌هاست. این بُعد از یادگیری ماشین را پردازش زبان طبیعی (NLP) می‌خوانند. در این نوشتار با مقدمات پردازش زبان طبیعی (NLP) آشنا شده و در مورد نقش پیشرفت‌های یادگیری عمیق و شبکه‌های عصبی روی این حوزه توضیح

به باور کارشناسان، چت بات ها باید تا حدی به قابلیت پردازش زبان طبیعی مجهز شوند تا بتوانند به خوبی با کاربران وارد مکالمه شوند. اگر ربات‌ها فاقد توانش زبانی باشند، صرفاً نقش فرمان‌پذیر را ایفا می‌کنند. پیشرفت‌های حاصل آمده در پردازش زبان طبیعی منجر به ارتقای قابلیت‌های چت بات

کار پژوهشی اخیر ما مقاله‌ی Rethinking the Value of Labels for Improving Class-Imbalanced Learning بود که در کنفرانس NeurIPS 2020 نیز پذیرفته شد. در این مقاله اساساً به مسئله‌ی در شرایط عدم توازن داده‌‌ها (که به عنوان توزیع داده‌ها با دنباله‌ی‌ کشیده نیز شناخته می‌شود) پرداختیم که مسئله‌ای قدیمی و

در فصل دوم دوره آموزش پردازش زبان طبیعی، نحوه‌ی استفاده از توکن‌کننده‌ها و مدل‌هایِ از پیش آموزش یافته برای انجام پیش‌بینی بررسی شد. اما اگر بخواهید مدلِ از پیش آموزش دیده‌ای را برای دیتاست خودتان تنظیم کنید، چه رویکردی باید در پیش بگیرید؟ فصل جاری به طور مفصل به این

اکثر روش‌های دسته‌بندی سری‌های زمانی که با دقتی در سطح دقت آخرین پیشرفت‌های علمی (یا به عبارتی SOTA) ایجاد شده‌اند، سطح محاسباتی بسیار پیچیده و مقیاس‌پذیری پایینی دارند. به عبارت دیگر فرآیند آموزش آنها روی دیتاست‌های کوچک کُند است و در دیتاست‌های بزرگ کاملاً بلااستفاده‌ هستند. روش ROCKET (که مخفف

در حال حاضر PyTorch بیشترین نرخ رشد را در میان چارچوب‌های کاری یادگیری عمیق دارد و در دوره‌های آموزشی Fast.ai، با عنوان «یادگیری عمیق برای برنامه‌نویس‌ها»، و کتابخانه آن مورد استفاده قرار می‌گیرد. PyTorch به شدت پایتونی است، به عبارت دیگر برای برنامه نویسان Python، کار کردن با PyTorch بسیار

با در نظر گرفتن همه انتظارات و امیدهایی که درباره هوش مصنوعی می‌شنویم، شاید تعجب‌آور باشد که بدانیم محققان در مورد چگونگی توسعه این حوزه به شدت اختلاف نظر دارند. این دودستگی و شکاف در هوش مصنوعی و مغز انسان ، بین طرفداران هوش مصنوعی سنتی و منطق‌محور و علاقه‌مندان

در این مقاله قصد داریم مقدمه‌ای بر تابع‌های پایه شعاعی را ارائه دهیم. در مقابل، مجموعه‌ای از داده‌های تک بُعدی را مشاهده می‌کنید. کاری که باید انجام دهید این است که راهی بیابید و این داده‌ها را به وسیله یک خط به دو کلاس جداگانه تقسیم کنید. شاید در نگاه

هوش مصنوعی با تشخیص بیماری تحول شگرفی در پزشکی، بهداشت و درمان ایجاد خواهد کرد. داده‌های تشخیصی بیماران از قبیل تصاویر پرتو ایکس، نوار مغزی و سونوگرافی با یادگیری ماشین به شکل بهتری مورد تجزیه و تحلیل قرار می‌گیرند؛ بنابراین، این تغییراتِ عمده زمینه را برای تشخیص بیماری در مراحل

تشخیص پلاک خودرو یک فناوری جدید است که از تشخیص کاراکتر نوری یا همان OCR در تصاویر برای خواندن پلاک خودرو و ایجاد اطلاعاتی از مکان خودرو استفاده می‌کند. دوربین پلاک خوان با استفاده از فناوری هوش مصنوعی، موقعیت پلاک در انواع خودرو را ردیابی می‌کند سپس به تقسیم‌بندی کاراکترها

آموزش شبکه های عصبی برای تقلید از عملکرد مغز این فرصت را در اختیار مدل‌های یادگیری عمیق قرار داده تا یادگیری را بر روی داده‌های جدید (داده‌هایی که از سابقه‌ای از آنها ندارند) اعمال کنند. چیزی که انسان را از سایر موجودات متمایز می‌سازد برخورداری از قدرت مغز و توانایی‌های

یادگیری ماشین، یادگیری عمیق و هوش مصنوعی از جمله ابزارهای ضروری برای رقابت در دنیای دیجیتال امروزی هستند. شرکت‌ها می‌توانند با استفاده از یادگیری ماشین و هوش مصنوعی از داده های تاریک برای کسب بینش اقتصادی رقابتی‌تر بهره جویند. داده های تاریک از میلیون‌ها نقطه داده غیرساختاریافته تشکیل یافته‌اند که

هوش، در طبیعت، شکل‌های متنوعی به خود می‌گیرد. خفاشی که از پژواک‌یابی برای رهیابی مسیرش در تاریکی استفاده می‌کند یا اختاپوسی که با انطباق پیوسته‌ رفتارش، در اقیانوس‌های عمیق زنده می‌ماند، تنها نمونه‌هایی از این اشکال هستند. در دنیای کامپیوتر نیز صورت‌های گوناگونی از هوش مصنوعی در حال ظهور هستند.

سال گذشته دانشمندان دانشگاه کرنل پژوهش جالبی در مورد استفاده از دوربین‌های پوشیدنی برای ردیابی حالات چهره انجام دادند. این فناوری اکنون شکل عملی‌تری به خود گرفته است. همین تیم پژوهشی دستگاهی شبیه یک گردنبند طراحی کرده است که از دوربین‌های مادون قرمز برای تصویربرداری از حرکات کامل صورت استفاده

برای شرکت‌های نفت و گاز، تحول دیجیتال یک اولویت است. در واقع این تحول دیجیتال ، نه‌تنها راهی به مدرن‌سازی شرکت‌ها است، بلکه برای تأمین امنیت تمامی اکوسیستم انرژی یک ضرورت محسوب می‌شود. اگر از این دیدگاه نگاه کنیم، لزوم استفاده از هوش مصنوعی و ظرفیت‌های یادگیری ماشین برای بهینه‌سازی

محققان قرار است با طراحی نوعی الگوریتم خودآگاه مانع فعالیت‌های هکرها شوند. هکرها از مرزهای دفاعی یک نیروگاه انرژی هسته‌ای عبور می‌کنند و با تغذیه‌ داده‌های جعلی به سیستم‌ها، کامپیوترها و کارکنان را فریب می‌دهند؛ ماشین‌آلات کلیدی نیروگاه‌ها دچار اختلال شده یا به طور کل از کار می‌افتند. تا وقتی

اکثر مواقع، پاسخی که در مقابل این پرسش «از چه کارت گرافیکی استفاده کنم؟» می‌شنویم، این است: «NVIDIA». زیرا این کارت گرافیک به شتاب‌دهنده‌های CUDA و CUDNN مجهز است. این دو شتاب‌دهنده در مدل‌های یادگیری عمیق به کار برده می‌شود و فقط کارت گرافیک NVIDIA از آنها پشتیبانی می‌کند. اگر

فصل دوم دوره آموزش پردازش زبان طبیعی هم به پایان رسید و به آزمون پایان فصل رسیدیم. در زیر 10 سوال وجود دارد که برای محک زدن خودتان می‌توانید به آن‌ها پاسخ دهید. توجه داشته باشید که بعضی از سوالات ممکن است بیش از یک گزینه درست داشته باشند. در

بدون شک یکی از دغدغه‌های مهم کسب‌وکارها، هم‌گام ماندن با انتظارات مشتریان است و برای رسیدگی به آن، استفاده از هوش مصنوعی مکالمه ای یکی از بهترین گزینه‌هاست.. مشتریان خدماتی سریع‌تر با قدرت پاسخگویی بهتر در همه‌ی کانال‌ها می‌خواهند و انتظار دارند امکان جابجایی راحت بین این کانال‌ها وجود داشته

شهر ساکرامنتو، واقع در ایالت کالیفرنیا، در حال نصب آزمایشی دوربین‌های مجهز به هوش مصنوعی بر روی 5 اتوبوس مدرسه است. هدف از نصب چنین دوربین‌هایی جلوگیری از سبقت غیرقانونی سایر خودروها از اتوبوس های مدرسه در هنگام سوار کردن و پیاده کردن دانش‌آموزان است. شهر ساکرامنتو با استفاده از

در این پروژه، ما از LSTM به جای GAN برای تولید موسیقی استفاده خواهیم کرد. در نتیجه استفاده از LSTM ها، مدل سریع‌تر آموزش می‌بیند و می‌توانیم عملکرد مدل را بر مبنای یک خروجی عینی ارزیابی کنیم.

فرض کنید یک مدل طبقه‌بندی تصویری آموزش داده‌اید که عملکرد نسبتاً ضعیفی دارد؛ آیا می‌دانید روش‌های زیادی برای بهبود عملکرد و کاهش سوگیری‌های مدل وجود دارد؟ زمان زیادی را صرف ایجاد روال پردازشی مدل کرده‌اید و با استفاده از شبکه‌های عصبی یک مدل پیش‌بینی کننده ساخته‌اید، اما نتایج ، آن‌طور