مقدمات یادگیری ماشینی: قسمت اول در این نوشتار، قصد داریم ابتدایی‌ترین مدل یادگیری ماشینی یعنی رگرسیون خطی را بسازیم و آن را تنها با استفاده از کتابخانه‌ Numpy پایتون اجرا کنیم. بدین منظور، ابتدا نگاهی به دیتاست خواهیم انداخت، سپس در خصوص فرایند الگوریتم عمومی یادگیری نظارت‌شده صحبت خواهیم کرد

الگوریتم‌های بهینه‌سازی گرادیان کاهشی تصادفی که برای یادگیری عمیق ضروری هستند (در وبلاگ نویسنده چیت‌شیتی از بهینه‌سازها از جمله RAdam قرار دارد) گرادیان کاهشی یک روش بهینه‌سازی است که به‌منظور یافتن کمینه‌ تابع زیان استفاده می‌شود. مدل‌های یادگیری عمیق برای به‌روزرسانی وزن‌ها طی پس‌انتشار، از این روش استفاده می‌کنند. هدف

دستیار گوگل، سیری (Siri)، الکسا (Alexa) و سایر دستیارهای صوتی همیشه مایه تعجب و شگفتی من بوده‌اند. این دستیارها با انجام خودکار برخی کارها کمک زیادی به کاربران خود می‌کنند. به همین دلیل، تصمیم گرفتم برای خودم یک دستیار صوتی بسازم که دستورات صوتی را از طریق میکروفن لپ‌تاپم دریافت

سرویس تبدیل متن به صوت یا به اختصار (TTS) از جمله ویژگی‌های کاربردی هوش مصنوعی است که در سالیان گذشته، توجه بسیاری را به خود جلب کرده است. لحن ماشینی مکالمه ربات‌ها، همیشه دستمایه رویاپردازی آینده‌نگرانه فیلم‌های سینمایی بوده و هرجا که یک ربات قصد داشته ‌باشد که جمله‌ای را

یک برنامه مبتنی بر هوش مصنوعی با استفاده از کلمات کلیدی، به‌طور خودکار تصاویری از رویای شبانه، خواب‌ها و کابوس‌های کاربر ایجاد می‌کند؛ این برنامه توانایی به‌اشتراک گذاشتن رویاهای شبانه کاربر را به‌صورت فیزیکی امکان‌پذیر می‌کند. این برنامه که ردیاب مینتال نام دارد، یک برنامه ردیابی خواب با فناوری هوش مصنوعی

«استنتاج» و «استدلال» از جمله مفاهیمی است که تا مدت‌ها، منحصراً در حیطه دانش انسانی طبقه‌بندی می‌شد و تصور آنکه روزی ماشین‌ها بتوانند گزاره‌های متعدد را کنار یکدیگر قرار دهند و از این عمل به نتیجه معقولی و منطقی برسند، دشوار بود. با پیشرفت روزافزون فناوری کامپیوتر‌ها، امکان استدلال توسطs

اگر مدل آموزشی از تعداد نمونه‌های بیشتری برخوردار باشد، مدل علم داده بهتری به دست می‌آید، اما این کار در خصوص برخی از ویژگی‌ها صدق نمی‌کند. دیتاست حقیقی ویژگی‌های گوناگونی دارد و برخی از آن‌ها نقش مفیدی در آموزش مدل علم داده قوی دارند. ویژگی‌های حشو یا تکراری نیز بر

افرادی که می‌خواهند ماشین یادگیری عمیق خودشان را بسازند اما از فرایند ساخت آن دلهره دارند، این مقاله را از دست ندهند. مقاله حاضر اطلاعات بسیار مفیدی در خصوص ساخت ماشین یادگیری عمیق ارائه می‌کند. توصیه ما به علاقمندان این است که از خرید سخت‌افزارهای گران‌قیمت جداً خودداری کنید چون

حقوق جدید برنامه نویسان بر اساس متغیرهای متفاوتی تعیین می‌شود و به همین دلیل گاه از یک شرکت به شرکت دیگر و یا از یک کشور به کشور دیگر متفاوت است. عموم افرادی که قصد تغییر رشته و یا افزایش مهارت‌های علمی و فنی دارند و هدفشان نیز رشته برنامه‌نویسی

خوشه بندی در داده کاوی به عنوان یکی از ابزارهای قدرتمند گروه‌بندی داده شناخته شده که جهت تشخیص الگوهای نهفته در بین داده‌ها مورد استفاده قرار می‌گیرد. از منظر ارتباط با هوش مصنوعی، خوشه‌بندی نوعی یادگیری بدون نظارت است که بدون وجود دانشی در مورد برچسب داده‌ها و متغیر هدف،

پیشرفت چشمگیر فناوری پردازش زبان طبیعی (Natural Language Processing) در چند سال اخیر، برای بسیاری از متخصصان علوم داده نیز قابل پیش‌بینی نبود. فراگیری NLP چنان قابل‌توجه بوده که بسیاری از شرکت‌های کوچک و بزرگ، تصمیم گرفتند سرمایه‌گذاری عظیمی بر روی این فناوری انجام دهند و پردازش زبان طبیعی را

شبکه‌های مولد تخاصمی یا GAN ها گروهی از الگوریتم‌های یادگیری عمیق و متعلق به دسته‎‌ی مدل‌های مولد هستند. هدف اصلی مدل‌های مولد، توصیف چگونگی تولید یک دیتاست، از نظر قواعد احتمالی، است. بدین طریق هرگاه بر اساس این قواعد احتمال، نمونه‌گیری انجام دهیم، دیتاستی جدید به دست می‌آوریم که با

در بیشتر زبان‌های برنامه‌نویسی، حلقه for کُد یا مجموعه‌ای از دستورات را تا زمان برقراری شرط تعیین‌شده، تکرار می‌کند. برای مثال، حلقه for در زبان C بدین شکل است: int i; for (i=0;i<N;i++) { //do something } بهترین روش برای نوشتن حلقه for در زبان C همین است. در موارد

انسان‌ها به صورت پیچیده و به طرق مختلف احساسات و عواطف خود را ابراز می‌کنند. برای مثال، فردی که در حال صحبت است، علاوه بر کلمات از آهنگ صوت، زیر و بمی صدا، حالات چهره و زبان بدن نیز برای انتقال پیام استفاده می‌کند. به همین دلیل است که جلسات

در پروژه‌ اخیرم، موفق شدم اندازه‌ خوشه cluster را بر اساس پیش‌بینی بار به‌صورت فعال مدیریت کنم. در این نوشتار، پروژه‌ مذکور را توضیح می‌دهیم، قابلیت‌های داخلی موجود در AWS را به‌صورت دقیق مورد بررسی قرار می‌دهیم، دلایل استفاده از FBProhphet را مرور می‌کنیم و نحوه‌ پیاده‌سازی این راهکار را

به نقل از وب‌سایت آموزشی  Udemy اصول اولیه هوش مصنوعی در تست نرم افزار را می‌توان در کمتر از 30 دقیقه در دوره‌های این وب‌سایت آموخت. اگر بخواهیم از رابطه هوش مصنوعی با تست نرم‌افزار سخن بگوییم باید اذعان کنیم که هوش مصنوعی علیرغم اینکه فناوری نوپایی است، در حال

شرکت ادوبی، طی اعلانیه‌ای به طرفداران تیک‌تاک، فیلم‌های کوتاه یوتیوب و ریلز اینستاگرام، از به‌روزرسانی امکانات فوتوشاپ المنتز 2023 Photoshop Elements 2023 و پریمیر المنتز 2023 Premiere Elements 2023 خبر داد که طی آن، گزینه‌های انتخاب قطعات صوتی و افزودن افکت‌های هنری بهبود می‌یابند. فوتوشاپ المنتز 2023 و پریمیر المنتز

چهارمین کنفرانس ملی انفورماتیک ایران از تاریخ ۱۴ الی ۱۵دی‌ماه ۱۴۰۱ با هدف رشد و توسعه دانش انفورماتیک در کشور، در محل پژوهشکده‌علوم کامپیوتر پژوهشگاه دانش‌های بنیادی برگزار خواهد شد . به گزارش هوشیو به نقل از پایگاه اطلاع‌رسانی رسمی چهارمین دوره‌ کنفرانس ملی انفورماتیک ایران: این کنفرانس با حمایت

در این مطلب به پرکاربردترین آزمون‌های آماری خواهیم پرداخت. تحلیل تجاری و علوم داده محصول مشترک چندین حوزه‌ تخصصی هستند. متخصصان حوزه‌های گوناگون با پیش‌زمینه‌های تحصیلی متفاوت وارد عرصه‌ تحلیلگری می‌شوند، به این امید که روزی در حوزه‌ علوم داده به‌عنوان متخصص شروع به کار کنند (شناخته شوند). شاید بتوان متخصصان

برای آموزش شبکه‌های عصبی یادگیری عمیق، از الگوریتم بهینه‌سازی گرادیان  نزولی تصادفی استفاده می‌شود. برآورد مکرر خطای مدل یکی از مراحل الگوریتم بهینه‌سازی است. بدین منظور باید یک تابع خطا یا تابع زیان انتخاب کرد. وزن‌های مدل بر اساس زیان برآوردشده توسط این تابع، به روزرسانی می‌شوند و بدین طریق در

قبل از آن‌که به کاربردهای شبکه‌های عصبی در پردازش گفتار بپردازیم، باید کارکرد اصلی گفتار را مورد بررسی قرار دهیم. به احتمال بسیار زیاد، گفتار کارآمدترین راه برای برقراری ارتباط میان انسان‌هاست و انسان‌ها با کمک پردازش گفتار در ذهن، به یکدیگر پیوند می‌خورند. این همچنین نشانگر آن است که

برای شروعِ بهترِ جلسه طوفان فکری هوش مصنوعی، هشت مسئله‌ای را بررسی می‌کنیم که با راه حل های هوش مصنوعی قابل حل هستند. این لیستِ مشکلات کامل یا محدود نیست، اما در هر حال به بسیاری از مشکلات رایج میان شرکت‌ها اشاره می‌کند.حتی ممکن است با بعضی از آن‌ها مواجه

فیلم‌های سینمایی و برنامه‌های تلویزیونی دوست دارند روبات‌هایی را به تصویر بکشند که توانایی تشخیص گفتار و درک زبان انسان را داشته باشند و آن‌ها را بفهمند. از جهان علمی‌تخیلی فیلم‌ها تا موضوع حقیقی پردازش گفتار در پایتون این همواره آرزوی انسان بوده است. از سریال‌هایی مانند وست‌ورد تا فیلم‌هایی

صرف‌نظر از اینکه در کدام بخش از هوش مصنوعی فعالیت می‌کنید، آشنایی با یادگیری ماشین و یادگیری عمیق دو گام اساسی ورود به این حوزه هستند. در سال‌های پیش‌رو موفقیت در صنایع یا رشته‌های دانشگاهی مثل یادگیری عمیق و یادگیری ماشین نقش مهمی در زندگی ما خواهد داشت.

معاونت علمی و فناوری ریاست جمهوری به‌تازگی خبر از طراحی و تولید محصولی دانش‌بنیان با کمک تکنولوژی ژئوماتیک داده، که تأثیر آن را می‌توان به شکل امکان افزایش بازدهی تولید محصولات زراعی برای کشاورزان دید. به گزارش هوشیو به نقل از مرکز ارتباطات و اطلاع‌رسانی معاونت علمی و فناوری ریاست‌جمهوری،

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

تحلیل‌ها نشان می‌دهد که محاسبات لازم برای آموزش شبکه‌های عصبی با کارایی یکسان جهت طبقه بندی پایگاه داده imageNet، از سال 2012 هر 16 ماه یکبار دو برابر کاهش یافته است. در مقایسه با سال 2012، کاهش 44 برابریِ محاسبات در آموزش شبکه‌های عصبی نسبت به«AlexNet2» به ثبت رسیده است.

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

ماشین لرنینگ یا یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به سیستم‌ها توان یادگیری خودکار و پیشرفت می‌دهد. در واقع یادگیری ماشین به زبان ساده جزء مهم حوزه رو به رشد علم داده است. از طریق استفاده از روش‌های آماری، الگوریتم‌ها برای طبقه‌بندی یا پیش‌بینی آموزش داده می‌شوند و

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.