الگوریتم AlphaZero توانست بدون هیچ آموزش قبلی و فقط در عرض چند ساعت رقیبان خود را در بازی‌های Go، شطرنج و Shogi شکست دهد. چه عواملی به موفقیت این الگوریتم کمک کردند؟ برای ساخت این الگوریتم شطرنج از یادگیری تقویتی عمیق استفاده شد.

دکتر نبی‌زاده، معاون راهبرد و توسعه کسب‌وکار شرکت مخابرات ایران، با بیان اینکه شرکت مخابرات ایران، موتور محرک صنعت ICT  است و ما علاوه بر ارائه خدمات پایه مخابراتی، به دنبال همگامی با آخرین رویداد فناوری در سطح جهانی هستیم، عنوان کرد: «بخش راهبرد و توسعه کسب‌وکار شرکت مخابرات ایران

ایده «مَستر فیس » چندی پیش سر و صدای زیادی در رسانه‌های مختلف به پا کرده است. به مجموعه‌ای از تصاویر جعلی که به دست الگوریتم‌های یادگیری ماشین ساخته می‌شود، مستر فیس می‌گویند. این مفهوم با جعل هویت افراد، زمینه را برای نفوذ به سیستم‌های بیومتریک فراهم می‌کند و سیستم

آموزش قایم باشک به ربات ها کلید دستیابی به نسل بعدی AI می باشد. هوش مصنوعی عمومی (AGI) شاخه‌ای از AI است و عامل هوش مصنوعی با اتکا به آن می‌تواند همانند انسان‌ها فکر کند و یاد بگیرد؛ AGI مدت‌ها موضوعی محدود به داستان‎های عملی تخیلی بود. اما همزمان با

در این قسمت از آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس به جمع‌بندی فصل دوم خواهیم پرداخت. در چند بخش گذشته، بخش اعظم کارها به صورت دستی انجام شد. نحوه کارکرد توکن‌کننده‌ها، فرایند توکن‌سازی Tokenization، تبدیل به شناسه‌های ورودی input IDs، پَدینگ، کوتاه‌سازی Truncation و ماسک‌های توجه Attention masks نیز

توسعه هوش مصنوعی نوید فرصت‌های شگفت‌انگیزی برای تحول در زندگی و کسب‌و‌کار ما را می‌دهد. همچنین کمک می‌کند تا پتانسیل انسانی‌ بالقوه ما به روش‌هایی که هنوز ندیده‌ایم یا حتی نمی‌توانیم آن‌ها را تصور کنیم، بالفعل شوند. اما چالش‌های استفاده از هوش مصنوعی چیست؟ در میان این حجم از هیجان

سکته مغزی زمانی اتفاق می‌افتد که جریان خون به مغز مسدود شود. گاهی اوقات، سکته‌ی مغزی می‌تواند منجر به آسیب‌ها و ناتوانی‌های بلندمدت شود. بهبود و بازیابی بعد از سکته، برای بسیاری از بیماران، مسیری طولانی و مشقت‌بار است.

پیش از پرداختن به اهمیت تفسیرپذیری هوش مصنوعی در حوزه بهداشت و درمان  بیاید موردی را با هم مرور کنیم. فرض کنید پنج‌شنبه صبح است. شب قبل تا دیروقت بیدار و مشغول اجرای چندباره‌ی مدلی برای رویگردانی مشتریان، بررسی ویژگی‌های جدید آن و دستکاری هایپرپارامترهای الگوریتم بوده‌اید. در نهایت موفق

محققان، سیستمی جدید ساخته‌اند که برای حل مسائل ریاضی دبستان آموزش دیده است. دقت این سیستم، نزدیک به دوبرابر مدل GPT-3 است که به دقت تنظیم شده باشد. این مدل می‌تواند 90 درصد مسائلی را که دانش‌آموزان حل کرده‌اند، پاسخ دهد. در این پروژه، نمونه‌ کوچکی از کودکان 9 تا

پژوهشگران علوم کامپیوتر به تازگی عملکرد سیستم‌های مکالمه از قبیل ربات‌های سخنگو را که به منظور تعامل با انسان طراحی شده‌اند، بررسی کرده‌اند. این گروه دریافتند که وقتی این سیستم‌ها با مکالمه‌های حاوی اصطلاحات یا تشبیهات مواجه می‌شوند، عملکردشان بین 10 تا 20 درصد کاهش می‌یابد. همچنین این گروه پژوهشی

آشنایی با مفاهیم پیش پردازش داده و اجرای آن‌ها در هنگام استفاده از کتابخانه scikit learn داده به مجموعه‌ای از دانسته‌ها، آمار، مشاهدات یا توصیفات مربوط به مفهومی گفته می‌شود که به صورت سازمان‌یافته و یا غیرسازمان‌یافته ارائه می‌شوند. داده‌ها انواع مختلفی دارند و برای نمونه می‌توان به  تصویر، واژه،

هوش مصنوعی جنبه‌هایی جدید از پردازش زبان در مغز را روشن می‌سازد. پژوهشگران اعلام کردند که احتمالاً مغز انسان، کلمه بعدی را پیش‌بینی می‌کند، تا پردازش زبان را پیش ببرد. در چند سال گذشته، مدل‌های هوش مصنوعیِ زبان در انجام برخی تکالیف بسیار پیشرفت کرده‌اند. نکتۀ قابل‌توجه‌ این است که

تحلیل اکتشافی دادهExploratory Data Analysis  مهم‌ترین بخش تحلیل داده/ یادگیری ماشین است. این عملیات حدود 70 تا 80% چرخه‌ی زندگی هر پروژه‌ی علوم داده را به خود اختصاص می‌دهد. اکتشاف، آماده‌سازی و درک داده‌ها، بخشی از روش‌شناختی استاندارد این حوزه است. برای اطلاعات بیشتر می‌توانید به این لینک مراجعه کنید.

در این قسمت از دوره رایگان آموزش پردازش زبان طبیعی به مدیریت چندین توالی ورودی خواهیم پرداخت. ساده‌ترین موارد کاربرد (یعنی استنباط گیری از یک توالی با طول اندک) در بخش پیشین بررسی شد. با این حال، باید پاسخ مناسبی به پرسش‌های زیر داده شود: در بخش زیر خواهید دید

در این نوشتار قصد داریم تعدادی از متدهای ارزیابی عملکرد مدل طبقه بندی را به شما معرفی کنیم: Cross Validation مدل ماتریس در هم ریختگی(Confusion Matrix) منحنی ROC امتیازCohen’s κ import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import warnings warnings.filterwarnings(‘ignore’) در گام

گزارش‌های تقلب در دانشگاه‌ها از زمان آغاز همه‌گیری کرونا، به سرعت افزایش یافته‌اند. در واقع، رشد چشمگیر آموزش مجازی در دوران همه‌گیری کرونا، نگرانی‌هایی در خصوص نقش فناوری در نظارت بر امتحانات و همچنین در تقلب دانش‌آموزان، ایجاد کرده است. برخی از دانشگاه‌ها در دوران همه‌گیری، تقلب بیشتری را گزارش

تیمی از پژوهشگران دانشگاه کالیفرنیای جنوبی قصد دارند به هوش مصنوعی کمک کنند تا ندیده‌ها را تصور کند و در واقع به قوه تخیل دست پیدا کند. تحقق این قابلیت منجر به پیدایش هوش مصنوعی منصف‌تر، کشف داروهای جدید و افزایش ایمنی اتومبیل‌های خودران خواهد شد.

قایق خودران ملقب به ربوقایق (Robaot)  که به کوشش دانشگاه MIT ساخته شده سفر خود را از کانال‌های آبی آمستردام آغاز می‌کند. اگر جزء آن دسته از افرادی هستید که دچار دریازدگی نمی‌شوند، شاید قایق خودران وسیله مناسبی برای رفت و آمد شما باشد. دانشمندانی از آزمایشگاه علوم کامپیوتر و

اندرو ان.جی از بنیانگذاران Coursera و سرپرست سابق گروه هوش مصنوعی Baidu و Google Brain در یادداشتی که منتشر کرده است، از باورهای غلط درباره هوش مصنوعی گفته است: دوستان گرامی، توسعه هوش مصنوعیِ داده‌محور، مورداقبال قرار گرفته است. نخستین بار در ماه مارس به صورت عمومی درباره آن صحبت کردم

امروز به لطف فناوری تبدیل تصویر به متن و نویسه‌خوان‌های نوری (OCR) می‌توان به‌راحتی و با دقت بسیار بالا متن‌ها را از تصاویر بیرون کشید. اگر بخواهیم تعریفی کاملاً ساده و ملموس از نرم ‌افزارهای تبدیل تصویر به متن و OCR (Optical character Recognition) ارائه دهیم باید بگوییم که این

پروژه «اکتشافات عمیق» برای بررسی راه‌های ایجاد پلتفرم جست‌وجوی بینایی کامپیوتر که بتواند مجموعه‌های دیجیتالی‌شده را در مقیاسی ملی، شناسایی کند و با هم تطبیق بدهد، آغاز شد. روش‌های نوین جست‌وجوی مجموعه‌های گالری، کتابخانه و موزه ملی به‌زودی با استفاده از یک پلتفرم جست‌وجوی بصری که با همکاری دانشگاه نورثامبریا

شبکه‌های عصبی مصنوعی ابزارهای بسیار کارآمدی برای تقریبِ توابع پیوسته هستند؛ توابعی که مقادیرشان به طور ناگهانی تغییر نمی‌یابد. اگرچه مطالعات بسیاری درباره بکارگیری شبکه های عصبی در تقریبِ توابع پیوسته صورت گرفته است، اما قابلیت آنها برای تقریبِ عملگرهای غیرخطی به ندرت بررسی شده است. به تازگی، محققان دانشگاه

پژوهشگران دانشگاه سن‌دیگو کالیفرنیا ابزاری تولید کرده‌اند که مجموعه‌ داده‌های قندگان شناسی glycomics (گلیکومیکس) را با استفاده از سیستم‌های هوش مصنوعی توضیح‌پذیر و دیگر روش‌های یادگیری ماشین تحلیل می‌کند. در مقاله‌‌ای که به‌تازگی درNature Communications منتشر شده، این تیم نشان داده‌ است که داده‌های قندگان شناسی نیازمند دقت بیشتری است، تا

توکن کننده ها یکی از اجزای اصلی پایپ‌لاین «پردازش زبان طبیعی» هستند. هدف آنها تبدیل متن به داده‌های قابل پردازش است. مدل‌ها فقط قادر به پردازش اعداد می‌باشند؛ اما توکن کننده ها ورودی‌های متنی را به داده‌های عددی تبدیل می‌کنند. جزئیات پایپ‌لاین توکن‌سازی در این بخش بیان می‌شود. داده‌هایی که

اگر برای تحلیل داده‌های Data analysis خود از پایتون و کتاب‌خانه pandas استفاده می‌کنید، دیر یا زود مجبور می‌شوید با حلقه‌ های pandas هم کار کنید. اجرای حلقه‌های استاندارد برای یک دیتافریم کوچک بسیار زمان‌بر است بنابراین، اجرای آن برای دیتافریم‌های بزرگ‌تر قطعاً به زمان بیشتری نیاز دارد. وقتی برای

بی‌تردید، محصولات فناوری مارک زاکربرگ از قبیل فیسبوک یا نرم‌افزارهایی همچون مسنجر و واتسپ، نحوه‌ برقراری ارتباطات را متحول کرده‌اند. اما اکنون پرسشی بزرگ‌تر مطرح شده است: آیا این فناوری‌ها برای تعامل با ربات‌ها هم راهکاری دارند؟ درحال‌حاضر، برقراری ارتباط با هوش مصنوعی از طریق زبان طبیعی، جزئی از زندگی

آیت‌الله اعرافی، عضو شورای عالی حوزه‌های علمیه در دیدار نخبگان استان مرکزی با حضور دبیر ستاد راهبری فناوری‌های هوشمند عنوان کرد: «از طرح‌های مهمی که در حال پیگیری هستیم، موضوع کاربست هوش مصنوعی در حوزه تولید علوم انسانی است که خوشبختانه این پروژه‌ها در حال انجام است. ضمناً در حوزه

گروه کوچکی از پژوهشگران دانشگاه ایالتی نیویورک در آلبانی، دانشگاه ایالتی نیویورک در بوفالو و Kenya Medical متوجه وجود یک نقص در چهره دیپ فیک، چهره‌هایی که کامپیوتر آن‌ها را ایجاد کرده، شدند. با توجه به این نقص، که به نظر می‌رسد میان اینگونه تصاویر مشترک است، می‌توان اینگونه چهره‌های

داشتن سلامتی روحی همیشه مهم است و تحقیقات اولیه نشان داده که شاید هوش مصنوعی در حوزه سلامت بتواند باعث بهبود سلامتی افرادی شود که آسیب‌های زیادی دیده‌اند. دانشمندان موفق به توسعه الگوریتم‌های ترکیبی یادگیری عمیق شدند که با بررسی چشم‌ها، میزان سلامتی روحی بیماران سرطانی بعد از جراحی را

یک دستیار شخصی مجهز به هوش مصنوعی درواقع نرم‌افزاری است که دستورات گفتاری و نوشتاری شما را متوجه می‌شود و کاری که به آن محول کرده‌اید را به انجام می‌رساند. این دستیار در حقیقت نمونه‌­ای از هوش مصنوعی ضعیف weak AI به‌شمار می‌آید زیرا تنها خواسته‌های کاربر را انجام می‌دهد.

گروهی از محققان واحد مهندسی محیط زیست و انرژی پایدار Division of Sustainable Energy and Environmental Engineering از دانشگاه اوساکا موفق شدند با استفاده از شبکه‌های مولد تخاصمی که روی دیتاستی سفارشی آموزش دیده بودند، اشیای ناخواسته را به صورت مجازی از تصاویر گرفته شده از نمای ساختمان‌ها حذف کنند. این

‌‌حوزه علوم داده، گستره‌ای است که نسبت به دیگر حوزه‌‌‌های مرتبط با مهندسی ‌‌‌نرم‌‌افزار، به مجموعه مهارت‌‌‌های بیشتری نیاز دارد. یکی از متداول‌‌ترین سوالاتی که از دانشمندان علوم داده پرسیده‌ می‌‌شود، این پرسش است: «شما واقعاً چقدر از دانش ریاضی در علم داده استفاده‌ می‌‌کنید؟»

مطالعات جدید نشان داده‌اند که با آموزش شبکه‌های عصبی پیچشی بر روی کامپیوترهای کوآنتومی، می‌توان مشکل «فلات‌های بی‌ثمر» را که در مسائل بهینه‌سازی رخ می‌دهد، حل کرد. شبکه‌های عصبی پیچشی که بر روی کامپیوترهای کوآنتومی اجرا می‌شوند، ظرفیت خارق‌العاده‌ای برای تحلیل داده‌های کوآنتومی دارند و از این نظر نسبت به

هوش مصنوعی توانسته در پروسه تشخیص یک پرنده در تصویر نمره قبولی بگیرد. اما عملکردش زمانی که در تصویر صدها پرنده کوچک باشند، نمی‌تواند کار شناسایی را به خوبی انجام دهد. یی شانگ، استاد دانشکده مهندسی دانشگاه میسوری و تیم تحقیقاتی‌اش به مدت 3 سال کار کرده‌اند تا ببینند در

یکی از دانشجویان دانشکدۀ «UPC Barcelona Tech» از من پرسید که بهترین چهارچوب برای برنامه‌نویسی شبکه‌های عصبی کدام است؟ تنسورفلو TensorFlow یا پای‌تورچ؟ PyTorch این پاسخِ من بود: «نگران این مسئله نباش! با هر کدام که راحت‌تر هستی کار را شروع کن. مهم نیست کدام یک رو انتخاب می‌کنی. مهم‌ترین

یادگیری ماشینی لبه از مباحث داغ و هیجان‌برانگیز این روزها به شمار می‌رود. پیاده‌سازی الگوریتم‌ها و تحلیل داده‌ها در خود گیت‌ها (یا حتی حسگرها) به جای ارسال‌شان به فضای ابری، منجر به صرفه‌جویی در زمان، پهنای باند و انرژی و همچنین تضمین حریم خصوصی کاربران شده است. تاکنون، یادگیری ماشینی

ربات‌ها می‌توانند در محوطۀ دانشگاه غذا توزیع کنند و یا در زمین گلف با موفقیت توپی را وارد حفره کنند اما حتی پیچیده‌ترین ربات‌ها هم نمی‌توانند در تعاملات اجتماعی پایه‌ای که نقش حیاتی در زندگی روزمره انسان دارند، مشارکت نماید. پژوهشگران MIT امکان برخی از تعاملات اجتماعی خاص را برای