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

کمبود داده در یادگیری ماشین به اندازه کافی علی‌رغم برخورداری از ایده‌های فوق‌العاده هوش مصنوعی در کسب‌وکار، موجب نگرانی شرکت‌ها شده است. اما راه حل‌هایی هم برای این مساله وجود دارد. “الکساندر گلفالونیِری“

داده‌ها همواره توسط انسان تولید و جمع‌آوری شده‌اند و اکنون این نگاه جاه‌طلبانه به سمت هوش عمومی مصنوعی وجود دارد. محققان هوش مصنوعی که باید مدل پیشرفته یادگیری ماشین را در سطح انسان آموزش دهند، بین مرز باریکی از دقت و سوگیری در حال راه‌رفتن هستند.

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

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

با ظهور و رونق اینترنت، رسانه‌های اجتماعی تبدیل به بخش جدایی‌ناپذیر زندگی روزمره انسان شده‌اند. از این رسانه‌ها فقط برای برقراری ارتباط با دیگران استفاده نمی‌شود، بلکه علاوه بر آن، کسب‌وکارهای مختلف نیز از طریق این سامانه‌ها به‌طور مؤثری مخاطب خود را پیدا می‌کنند. با پیدایش کلان‌داده، بازاریابی رسانه‌های اجتماعی

اینکه شما با انواع دیتاست یا همان مجموعه‌داده ها آشنا شوید بسیار مهم است. پایه علمی قوی در مسیر تبدیل شدن به یک دانشمند داده یا مهندس یادگیری ماشینی بسیار مهم است و در صورتی که مفاهیم داده و انواع دیتاست و مجموعه داده را به‌خوبی بدانید هیچ‌چیز نمی‌تواند راه

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

گروهی از مهندسان کامپیوترِ دانشگاه کالیفرنیا، سن‌دیگو با همکاری شرکت Brave Software ابزاری برای حفاظت از داده ها ساخته‌اند که امنیت داده‌های خصوصی افراد را در هنگام وب‌گردی افزایش می‌دهد. این ابزار که SugarCoat نام دارد، اسکریپت‌هایی که حریم خصوصی کاربران را نقض می‌کنند، هدف قرار می‌دهد؛ این اسکریپت‌ها نقش

برقراری عدالت نژادی خصوصا در صنعت تکنولوژی بیش از پیش ضروری شده است؛ مخصوصا در صنعت تکنولوژی. محدوده و قدرت عملکرد یادگیری ماشین و هوش مصنوعی به این شکل است که هرگونه جهت گیری جنسیتی و نژادی اثرات مخربی بر کسب و کارها در جهان واقعی خواهد داشت. در واقع

برای آن‌که به درک روشنی از تشخیص داده پرت برسید و نحوه پیاده‌سازی سه الگوریتم ساده و در عین حال قوی تشخیص داده پرت در پایتون را یاد بگیرید، تا پایان این مقاله با ما همراه باشید.

پژوهشگران با استفاده از تحلیل داده دریافتند که برخی از جمعیت‌ها در کارآزمایی‌های بالینی حضور کمتری دارند و این امر منجر به نابرابری‌های بهداشتی می‌شود بر اساس نتایج پژوهشی که نابرابری‌های بهداشتی در کارآزمایی‌های بالینی را بررسی می‌کند، به‌رغم تلاش‌های فراوان برای افزایش مشارکت انواع گروه‌ها، برخی از جمعیت‌های خاص،

ورود یادگیری ماشین به حوزه­‌ی بهداشت و درمان توجه زیادی را به خود جلب کرده است. همه ­‌جا صحبت از این است که یادگیری ماشینی (ML) چطور موجب تحول و انقلاب در زمینه‌­های گوناگون شده است. به لطف قدرت یادگیری و پردازش ماشین‌ها، حوزه‌­ی مراقبت­‌های بهداشتی و درمانی از آن

اکنون که در عصر کلان‌داده به سر می‌بریم، با اصطلاحات متنوعی برخورد می‌کنیم؛ پرتکرارترین آن‌ها شاید «هوش تجاری»، «انبارسازی داده» و «تحلیل داده» باشند. در این نوشتار، تفاوت بین این سه مفهوم را مرور می‌کنیم. هوش تجاری (BI) آنچه هوش تجاری را از دو مفهوم دیگر متمایز می‌کند، این است که

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

داده های سیاه (یا نامرئی) اطلاعاتی هستند که دیجیتالی نشده‌اند و کارکنان به‌صورت آماده به آن‌ها دسترسی ندارند؛ به‌عنوان مثال، می‌توان به پرونده‌های کاغذی اشاره کرد که داخل قفسه‌ها خاک می‌خورند. به‌رغم تلاش‌های اخیر سازمان‌ها در راستای دیجیتالی‌سازی، حجم داده های سیاه همچنان بسیار زیاد است. تعریفی جامع‌تر و ساده‌تر

در این مقاله دیتاست های یادگیری ماشینی را معرفی می‌کنیم. اگر به شیوه‌های آموزش الگوریتم‌های یادگیری ماشینی در 5 یا 10 سال گذشته بنگرید و آن را با شیوه‌های جدید مقایسه کنید، متوجه تفاوت‌های بزرگی می‌شوید. امروزه آموزش الگوریتم‌ها در یادگیری ماشینی بهتر و کارآمدتر از گذشته است و دلیل

کتابخانه Pandas در پایتون یکی از ارکان حیاتی علوم داده به شمار می‌آید. یکی از انتقاداتی که به این کتابخانه وارد می‌شود این است که نمی‌تواند دیتاست‌های بزرگ‌تر از حافظه را تحلیل کند و به همین دلیل در هنگام تحلیل و کار کردن با کلان‌ داد‌ه به مشکل می‌خورد.  تصور

درست همان‌طور که انسان‌ها برای یادگیری مهارت­‌های جدید و آزمون دانش خود به چیزهایی هم­چون کتاب­‌های منبع، بلاگ‌­ها، ویدئوها و غیره نیاز دارند، الگوریتم­‌های یادگیری ماشین هم برای یادگیری نیازمند دیتاست هستند.