IDE یا محیط توسعه یکپارچه Integrated Development Environment ابزاری است که امکانات اساسی لازم برای برنامه‌نویسی را به‌صورت یکجا در اختیار برنامه‌نویس قرار می‌دهد. اگر IDE نبود برنامه‌نویس‌ها مجبور بودند نوشتن، تست کردن و عیب‌یابی کدها (Debugging) را به‌صورت جداگانه در برنامه‌های مختلف انجام دهند. با این توضیح مشخص می‌شود

در حال حاضر دسترسی پراکنده و متناقض به داده های شهری، باعث شده است تا تلاش‌ها برای مدیریت منصفانه و مؤثر در شهرها با مشکل مواجه شود. اما این مشکل به کمک هوش مصنوعی قابل حل است.

هیچ شکی نیست که یادگیری عمیق تحولات زیادی در جنبه‌های مختلف زندگی شخصی و حرفه‌ای ما به‌وجود آورده است. در مقاله پیش رو می‌خواهیم به موضوع یادگیری عمیق در دستگاه های تعبیه شده بپردازیم. یادگیری عمیق در مقایسه با علم سنتی یادگیری ماشین، دقت و تطبیق‌پذیری بیشتری دارد و به

در سالی که گذشت زبان برنامه‌نویسی پایتون به‌عنوان محبوب‌ترین زبان برنامه‌نویسی دنیا معرفی شد. از طرفی شاهد محبوبیت روزافزون پایتون در محاسبات علمی و رایانش سریع هستیم. دلیل این محبوبیت را می‌توان به ظهور علم داده و اکوسیستم یادگیری ماشین و کتابخانه‌های نرم‌افزاری مربوطه مانند پانداس Pandas، تنسورفلوTensorflow ، PyTorch

داده کاوی برای موفقیت هر سازمان، تجارت و کسب‌وکاری ضروری است. از مراقبت‌های بهداشتی و پزشکی گرفته تا خرده فروشی‌های ریز و درشت و صنایع هوافضا؛ تقریباً همه رشته‌ها می‌توانند از داده کاوی بهره ببرند و با کمک آن به سود برسند. بر اساس مقاله «کشف کنید داده کاوی چگونه

استفاده از فناوری‌های هوش مصنوعی تقریباً به تمام جنبه‌های زندگی ما راه پیدا کرده است. اما سهم بخش‌های مختلف جهان در ایجاد، استفاده و در نتیجه مزایای استخراج‌شده از هوش مصنوعی همچنان تفاوت‌های قابل‌توجهی دارد. در حقیقت، هوش مصنوعی به سرعت به‌عنوان یک موضوع مهم در دستور کار توسعه جهانی

در هر سازمانی روزانه حجم زیادی از داده‌های صوتی تولید می‌شوند. اگر این داده‌های صوتی برای راه‌اندازی موتورهای هوش مصنوعی، انواع سیستم تشخیص گفتار و تجزیه‌وتحلیل در اختیار متخصص علم داده قرار گیرند، می‌توانند اطلاعات راهبردی مهمی تولید کنند. سازمان‌هایی که به قدرت و  اهمیت اطلاعات حاصل از داده‌های صوتی

مسئله‌ی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بی‌ارتباط نیست. هر روزی که می‌گذرد دامنه‌ی کاربردهای هوش مصنوعی در زندگی روزمره‌ی ما گسترده‌تر می‌شود. وقتی که از گوگل می‌خواهیم رستوران‌های نزدیک به خانه‌ی ما را برای‌مان لیست کند، تا پیج‌هایی که  فیس‌بوک و اینستاگرام و توئیتر برای دنبال

سازندگان Eleuther ابراز امیدواری کرده‌اند که این محصول می‌تواند یک جایگزین متن باز برای GPT-3 باشد. لازم به ذکر است که GPT-3 یکی از نرم‌افزارهای مشهور زبانِ OpenAI می‌باشد.

همان‌طور که می‌دانید داده‌های جدید تولیدشده به الگوریتم‌های یادگیری ماشین داده می‌شوند و آن‌ها عملیات خود را برای بهبود عملکرد یاد می‌گیرند و بهینه می‌کنند و در طول زمان هوش را توسعه می‌دهند. چهار نوع الگوریتم یادگیری ماشین وجود دارد: تحت نظارت، نیمه نظارتی، بدون نظارت و یادگیری تقویتی. در

هوش مصنوعی در جایگاه فناوری نوینی که تمامی عرصه‌های علوم و صنایع و زندگی بشری را تحت‌الشعاع قرار داده است، هوشی است که از طریق ماشین‌ها امکان ظهور می‌یابد و برای رسیدن به این منظور می‌باید در ماشین‌ها قدرت یادگیری ایجاد گردد. از همین رو یکی از زیرشاخه‌های مهم فناوری

تعمیرات و نگهداری پیش گویانه حاصل از تلفیق اینترنت اشیاء و هوش مصنوعی می‌تواند کاربرد بسیار کارآمدی داشته باشد. تعمیرات و نگهداری پیش گویانه Predictive maintenance در پنج سال گذشته رشد و توسعه چشمگیری را تجربه کرده و بازگشت سرمایه بالایی به همراه داشته است. این تحولات نشان از قدرت

در دهه‌های اخیر، یادگیری نیمه نظارتی به عنوان یک مسیر جدید و اثرگذار در حوزه یادگیری ماشین ظاهر شده است. این نوع یادگیری با بهره‌گیری از قابلیت‌های داده‌های برچسب خورده در کنار حجم زیادی از داده‌های برچسب نخورده، فرایند آموزش مدل‌های یادگیری ماشین را به میزان قابل توجهی بهبود بخشیده

کاراکتر هال (HAL) را به خاطر دارید؟ او همان کامپیوتر خبیث در فیلم سال 1968 استنلی کوبریک، 2001: ادیسه فضایی، بود که کنترل سیستم‌های سفینه فضایی را به دست گرفت. برای بسیاری از ما، این اولین نما از تعامل هوش مصنوعی و اینترنت اشیاء (Internet of Things) بود، که البته

پیش از این، یک تحصیلات دانشگاهی به‌خودی خود، برای تضمین شغل پردرآمد بلافاصله پس از فارغ‌التحصیلی کافی بود؛ اما دیگر یک مدرک به‌تنهایی کارساز نیست. در واقع، کارفرمایان از کارمندان آینده‌شان انتظار دارند که تجربه کارآموزی داشته باشند و در خارج از مدرسه یا دانشگاه شغلی را امتحان کرده باشند.

فرض می‌کنیم یک مدل یادگیری ماشینی (ML) آموزش داده‌اید. همه مراحل را نیز به درستی انجام داده‌اید. مدل شما از دقت و ثبات بسیار خوبی برخوردار است و می‌تواند عملکردی بهتر از مدل خطی برجای بگذارد. شما حتی مدل‌تان را در جعبه «Docker» قرار داده‌اید و همه ابزارها و وابستگی‌های

اگر شرکت شما به دنبال افزودن قابلیت‌های هوش مصنوعی به محصولات خود است، چند زبان برنامه نویسی وجود دارد که باید به‌طورجدی موردمطالعه قرار داده و به مجموعه ابزار توسعه‌دهنده خود اضافه کنید. پس برای آشنایی بیشتر با این زبان‌ها با ما همراه باشید… مقدمه ابتدا بگذارید توضیح دهیم که

درب کاپوت‌ اتومبیل‌های مدرن را که باز می‌کنید، به جای مجموعه‌ای از قطعات مکانیکی و متحرک روغنی، چیزی شبیه به کامپیوتری بزرگ و سیاه می‌بینید. تکامل خودرو وارد عصر جدیدی شده است. اتومبیل ساده شما دارد، به دستگاهی هوشمند تبدیل می‌شود که مانند دیگر وسایل هوشمند، فناوری تشخیص گفتار جزء

در مقالات آموزشی قبل به معرفی  الگوریتم‌های یادگیری ماشین بانظارت و آن دسته از روش‌های توسعه مدل‌ پرداختیم که در آن‌ها از داده‌های برچسب‌دار استفاده می‌شود. به بیانی دیگر در این دسته از روش‌ها، داده‌ها دارای تعدادی متغیر هدف Target variable با مقادیر مشخص هستند که از آن‌ها برای آموزش

وقتی بحث از مدل‌های یادگیری ماشین به میان می‌آید، دو روش اصلی در ذهن تداعی می‌شود: یادگیری نظارت شده supervised learning و یادگیری نظارت نشده unsupervised learning. اما تفاوت یادگیری خودنظارتی و نیمه نظارتی چیست؟ تفاوت اصلی این دو روش در داده‌های برچسب‌دار می‌باشد. فقط یادگیری نظارت شده حاوی این نوع

اگر دیتاست‌تان در Hub نباشد، چه رویکردی در پیش می‌گیرید؟ می‌دانید که برای دانلود دیتاست‌ها چگونه از Hugging Face Hub استفاده کنید. اما اغلب با داده‌هایی سر و کار دارید که یا در لپ‌تاپ‌تان یا در سرور از راه دوری ذخیره شده‌اند. در بخش حاضر، نحوه‌ی استفاده از ? Datasets

در این نوشتار به بررسی پرسش های مصاحبه یادگیری عمیق خواهم پرداخت. غالباً در جلسه مصاحبه شغلی «مهندسی هوش مصنوعی» این سوالات هستند که مطرح می‌شوند. در واقع، نیازی نیست در همه مصاحبه‌ها از این پرسش‌ها استفاده شود زیرا طرح پرسش به تجربه و پروژه‌های پیشین متقاضی یا مصاحبه‌شونده بستگی

مزایای علم داده و تجزیه و تحلیل آن‌ها هر روزه به کسب‌وکارها کمک می‌کنند، تا کارایی خود را افزایش دهند، به‌تدریج نگرش‌های کاربردی عمیق‌تری به دست آورند و در نهایت درآمد بیشتری کسب کنند. با این حال، تأثیر علم داده فراتر از بخش کسب‌وکار است و به حل برخی از

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،

فصل چهارم از دوره آموزشی پردازش زبان طبیعی با اکوسیستم هاگینگ فیس به پایان رسید و نوبت به آزمون پایانی رسید که در ادامه با سوالات آن مواجه خواهد شد. به زودی با فصل آینده این دوره آموزشی در خدمت شما خواهیم بود. اما ابتدا اندوخته‌های خود از این فصل

برای آن که جایگاه و کارکرد رشته دیتا ساینس در ایران را بررسی کنیم و بفهمیم دیتا ساینس یا علم داده چیست، ابتدا باید به چیستی این دانش بپردازیم و سپس جایگاه و کارکرد آن را از گوشه‌های مختلف مورد بررسی قرار دهیم. در سال‌های گذشته جامعه جهانی با انفجار

هدف ما در استفاده از هوش مصنوعی، کشف مکانیسم‌های سازگاری در یک محیط در حال تغییر با استفاده از هوش است، به‌عنوان مثال در توانایی حذف راه حل‌های بعید. روش‌های هوش مصنوعی کاربرد گسترده‌ای در زمینه‌های مختلف مانند پزشکی، بازی، حمل و نقل یا صنایع سنگین دارد. این مقاله به

شبکه‌های عصبی پیچشی یا CNN خانواده‌ای از معماری‌های شبکه‌ عصبی مصنوعی هستند که ویژه‌ مسائل بینایی کامپیوتری و پردازش تصویر ساخته شده‌اند. این شبکه‌ها، عصبی و چندلایه‌ای هستند و هدف از ساخت آن‌ها تجزیه و تحلیل ورودی‌های دیداری و اجرای مسائلی همچون قطعه‌بندی تصویر، رده‌بندی، حذف نویز (با استفاده از

Pandas یک کتابخانه پایتون همه منظوره و قدرتمند است و عمدتاٌ در تحلیل داده‌ کاربرد دارد و فرایند تحلیل و کشف داده‌ها را تسریع می‌بخشد. یکی از مزایای Pandas در این است که برای انجام یک مسئله چندین روش مختلف ارائه می‌دهد. در طول فرایند تحلیل داده همیشه مجبور می‌شویم

به جرات می‌توان گفت که کارت مدل Model Card به لحاظ اهمیت با فایل‌های مدل و توکن‌کننده یکسان است. کارت مدل می‌تواند قابلیت استفاده‌ی مجدد اعضاء و تکرار نتایج را تضمین کند. افزون بر این، پلتفرم مفیدی به واسطه‌ی آن ایجاد می‌شود که سایر اعضا می‌توانند آرتیفکت خودشان را در آن

دنیا همگام‌ با پیشرفت فناوری‌های یادگیری ماشین (ML) و هوش مصنوعی (AI)، در حال تغییر و تحول است و به همین دلیل نیاز به مهندس یادگیری ماشین و هوش مصنوعی محسوس‌تر شده است.  ML و AI در بسیاری از دستگاه‌ها، از سیستم‌های آندروید گوشی‌های همراه و سایر دستگاه‌های الکترونیک گرفته

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

کتابخانه های نرم افزاری که امروزه برای یادگیری ماشینی استفاده می‌شوند، نقش بسیار مهمی در موفقیت تحقیقات ما دارند. باید کتابخانه های نرم افزاری با چنان سرعتی به‌روزرسانی شوند که تحقیقات یادگیری ماشینی از قافله عقب نماند و به پیشرفت خود ادامه دهد.

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