به گفته بسیاری از کارشناسان، هوش مصنوعی آینده جهان است. گویی با ظهور چت‌ربات‌های مجهز به هوش مصنوعی، دستیارهای صوتی و ماشین‌های بدون راننده، حرفی برای گفتن نیست. اگر احتمال این وجود داشته باشد که بتوانید در این فناوری عصر جدید سرمایه‌گذاری کنید، چگونه شروع به کار خواهید کرد؟ تجارب

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

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“

این‌که کدام زبان برنامه‌نویسی را به صورت تخصصی می‌آموزیم در تعیین مسیر شغلی ما نقش بسیار مهمی ایفا می‌کند. در انتخاب این زبان، مهم‌تر از پیش‌زمینه‌ قبلی، توجه به سطح تقاضاست. نکته‌ی دیگری که باید مدنظر قرار داد این است که بدانیم با تخصص در آن زبان چه کارهایی می‌توان

یکی از مطالعات اخیر نشان داده است که الگوریتم های یادگیری ماشینی طی 10 سال آینده، جایگزین 25% مشاغل سراسر دنیا خواهند شد. با توجه به رشد سریع و افزایش دسترسی‌پذیری ابرازهای برنامه‌نویسی (همچون Python و R)، یادگیری ماشین جایگاهی برجسته در میان متخصصان علوم داده به دست آورده است.

برخی از الگوریتم‌های یادگیری ماشینی (نظارت‌شده یا غیرنظارت‌شده) برای درک الگوی داده‌های ورودی و تصمیم‌گیری بر اساس آن‌ها، از معیارهای فاصله استفاده می‌کنند. یک معیار فاصله خوب می‌تواند به بهبود عملکرد رده‌بندی، خوشه‌بندی و بازیابی اطلاعات کمک کند. در این نوشتار در مورد انواع معیارهای فاصله صحبت می‌کنیم و نقش آن‌ها

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

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.

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

کنتور های هوشمند گاز خانگی مبتنی بر فناوری NB-IoT محصولی از یک شرکت دانش‌بنیان است که به مشترکین خود این امکان را می‌دهد تا میزان مصرف انرژی خود، در طول ۷۰ روز گذشته را مشاهده کرده و بررسی‌ کنند که آیا جزو مشترکین پرمصرف به شمار می‌روند یا کم‌مصرف. شرکت

معاون توسعه و پیش‌بینی سازمان هواشناسی کشور، دکتر مجید آزادی طی یک گفت‌وگوی تلفنی با یک مجله رادیویی درمورد کاربرد هوش مصنوعی در هواشناسی صحبت کرد. آزادی خاطر نشان کرد که اساس هواشناسی در کشور و در حال حاضر بر مبنای آی‌تی و از راه کارکردن با داده‌ها و اطلاعات

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

در دهه 1950 عبارت «هوش مصنوعی» ابداع شد. با این حال، تمام تحقیقات اساسی در این بخش در اواخر دهه 2000 آغاز شد. از آن رو که این فناوری، مبتنی بر داده است و بر اساس داده‌ها رشد می‌کند، دهه 2000 شاهد ظهور مجموعه‌ای از داده‌های بزرگ‌تر و بهتر 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

با افزایش قدرت هوش مصنوعی (AI)، بزودی شاهد اثرات این فناوری در تمامی بخش‌ها و فعالیت‌های سازمانی از جمله مدیریت دانش (KM) خواهیم بود. وجه اشتراک هوش مصنوعی و مدیریت دانش، وجود هسته ‌مرکزی دانش است. به بیان دیگر، مدیریت دانش شرایطی را فراهم می‌کند تا درک دانش رخ دهد،

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

تشخیص احساسات انسان با بینایی ماشینی، قابلیتی است که کامپیوترها و انواع وسایل هوشمند می‌توانند به آن مجهز شوند؛ انسان‌ها همیشه برای درک احساسات یکدیگر به رشد عواطف و روابط اجتماعی خود نیاز دارند؛ مشخص است درک احساسات انسانی یکی از قابلیت‌های هر فرد در روابط انسانی، محسوب می‌شود؛ قابلیت‌هایی

تا حالا از دوستان‌تان شنیده‌اید که در خیابان فردی را دیده‌اند که دقیقاً شبیه شما بوده است؟ حالا تصور کنید یک دوقلو از خودتان داشته باشید، نسخه‌ای از شما که به صورت دیجیتالی زندگی می‌کند. در عصر حاضر، همه‌ چیزهایی که در زندگی واقعی وجود دارند، از شهر گرفته تا

هوش مصنوعی تاکنون تأثیری انکارناپذیر در حل مشکلات و معضلات پیش روی بشر داشته است و این اثرگذاری هر روز افزایش می‌یابد. یکی از تصورات نادرست رایج در مورد هوش مصنو‌‌‌‌‌‌عی این است که این فناوری موجب کاهش حجم شغل در دسترس برای انسان‌ها می‌شود؛ اما گزارش‌های علمی حاکی از

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

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

با توجه به پیشرفت سریع فناوری در دنیای امروز، تصور آینده هو‌‌‌‌‌‌‌‌‌‌‌‌‌ش مصنوعی کاری بس دشوار است. شاید همه ما جهان آینده را با هوش مصنوعی، دنیایی پر از ربات‌های هوشمند پنداریم که مدیریت امور مختلف را بر عهده گرفته‌اند. البته بدون شک در ایجاد این تصور فیلم‌های علمی- تخیلی

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