برای یادگیری پیشرفته هوش مصنوعی نیاز است مجموعه ای از مهارت ها را کسب نمایید، در این بخش گروهی از مقالات بروزی وجود دارد که شما را در هوش مصنوعی استاد می‌کنند.
آسان‌ترین روش برای اشتراک‌گذاری مدل از پیش آموزش داده شده این است که از Hugging Face Hub استفاده کنید. ابزارها و امکانات موجود می‌تواند بستر مناسبی برای اشتراک‌گذاری و به‌روزرسانیِ مستقیم مدل‌ها در Hub فراهم کند. جزئیات آن در بخش‌های بعدی مقاله توضیح داده خواهد شد. مشوق‌های لازم در اختیار
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
با رشد اینترنت در دهه ۱۹۹۰ و در دسترس قرار گرفتن مجموعههای زیادی از تصاویر به صورت آنلاین برای تجزیه و تحلیل، مدل‌های بینایی ماشین رونق گرفت. همچنین، پیشرفت‌های سخت‌افزاری در کنار مجموعهدادههای در حال رشد، باعث شد ماشینها بتوانند اجسام متنوعی را در عکسها و فیلم‌ها شناسایی کنند. در
فناوری هوش مصنوعی امروزه بیش از هر زمان دیگری به خودکار کردن فرآیندهای متنوع در تولید و امور دیگر کمک می‌کند. یک نظرسنجی که اخیرا توسط Landing AI و Association of Advancing Manufacturing انجام شده نشان می‌دهد که ۲۶ درصد از کسب و کارهای تولیدی در حال حاضر از سیستم
نسخه‌های متعددی از «کوبرنتیس» پیش‌پیکربندی شده وجود دارد که از جمله مهم‌ترینِ آنها می‌توان به «Minikube» و «Microk8s» اشاره کرد. مقاله حاضر بر آن است تا فرایند نصب و راه‌اندازی را از ابتدا توضیح دهد و جزئیات بیشتری را در اختیار خوانندگان قرار دهد. کوبرنتیس یکپارچه نیست و اجزای متعددی
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
انتخاب مدل مناسب با Model Hub به مراتب آسان‌تر می‌شود. بنابراین، با چند خط کد می‌توان از آن در کتابخانه استفاده کرد. حال، باید دید این مدل‌ها چگونه به کار برده می‌شوند. فرض کنید به دنبال مدل زبان فرانسوی هستیم که عمل mask filling را انجام می‌دهد. انجام این کار،
رویکرد جدید «عقل سلیم» به بینایی کامپیوتر، هوش مصنوعی را قادر می‌سازد که نسبت به دیگر سیستم‌ها، صحنهها را با دقت بیشتری تفسیر کند. سیستمهای بینایی ماشین، گاهی از مواقع صحنهها را دقیقاً بر خلاف عقل سلیم استتناج می‌کنند. به‌عنوان مثال، اگر رباتی در حال پردازش تصویر میز شام باشد،
زمانی‌که به وبسایت نتفلیکس مراجعه می‌کنید با فهرست‌های متعددی از فیلم‌ها مواجه می‌شوید و می‌توانید یکی از این فیلم‌ها را انتخاب کنید و به تماشای آن بنشینید. در این وبسایت می‌توانید فیلم‌هایی که به تازگی اکران شده‌اند، فیلم‌هایی که نسبت به سایر فیلم‌ها محبوب‌تر هستند و از همه جالب‌تر، فیلم‌های
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
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
تشخیص چهره یکی از حوزه‌های مهم تحقیق به شمار می‌آید و در سال‌های گذشته مورد توجه دولت‌ها و سازمان‌های بسیاری قرار گرفته است. تولیدکنندگان برجسته گوشی‌های هوشمند از قبیل اپل و سامسونگ این فناوری را در گوشی‌های هوشمند خود به کار برده‌اند تا بالاترین سطح امنیت را برای کاربران‌شان فراهم
تجزیهوتحلیل لبه Edge Analytics که از آن به عنوان پردازش لبه Edge Computing هم یاد می‌شود، قدرت تجزیهوتحلیل، جمع‌آوری دادهها و پردازش را به لبه سوق می‌دهد. قدرت محاسبه و ذخیره داده در جایی امکان‌پذیر است که جمع‌آوری داده اتفاق بیفتد؛ یعنی نه در سرور، بلکه در دستگاه انتهایی اتفاق
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
رایانش سریع HPC High-performance computing به قابلیتِ پردازش داده و انجام محاسبات پیچیده با سرعت بالا اطلاق می‌شود. رایانش سریع از چند خوشه ماشین متصل به‌هم برای پردازش همزمان حجم‌کاری استفاده می‌کند. ابررایانه، یکی از مشهورترین راهکارهای رایانش سریع است. ابررایانه حاوی حاوی هزاران گِره می‌باشد که به اتفاق یکدیگر
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
هوشیو رسانه‌ای تخصصی در حوزه هوش مصنوعی است که با هدف ایجاد محیطی فراگیر و پویا به ترویج و ارتقای این دانش می‌پردازد. ما تلاش می‌کنیم تا علاقه‌مندان به این حوزه درک عمیق‌تری از هوش مصنوعی پیدا کنند، از جدیدترین تحولات آن در ایران و جهان مطلع شوند و فعالان و پیشروان این صنعت را بشناسند. هوشیو با تمرکز بر تولید محتوای چندرسانه‌ای شامل ویدئوکست، پادکست، موشن‌گرافیک و … تجربه‌ای جذاب و آموزنده برای مخاطبان فراهم می‌کند. همچنین، هوشیو با پوشش رسانه‌ای گسترده رویدادهای هوش مصنوعی در ایران و جهان، بستری را برای اطلاع‌رسانی و تعامل میان فعالان و علاقه‌مندان این حوزه ایجاد کرده است.
تمام حقوق این وبسایت متعلق به هوشیو است. کپی‌برداری از محتوای هوشیو با ذکر منبع بلامانع است.
