این روزها یادگیری ماشین در حال جمع‌آوری داده‌ها با سرعت نمایی است. اگرچه، هوش مصنوعی سعی در شبیه‌سازی رفتارهای انسان دارد، اما تمام هدف آن نیست. هوش مصنوعی در هنر خلاقیت خود را بروز می‌دهد. اگرچه این حوزه‌ها در ابتدای راه هستند و با محدودیت‌های زیادی روبرو هستند، برخی از

منصفانه است اگر بگوییم در بازار مواد غذایی کاربرد هوش مصنوعی در فروش نادیده گرفته شده و این بازار از نظر تحول دیجیتالی کند عمل کرده است. به‌عنوان یک صنعت قدیمی در بازار مواد غذایی سیستم‌های قدیمی زیادی وجود دارند و همچنین این موضوع که شرکت‌های نوپا در این صنعت

جمع‌آوری داده از سی‌تی‌اسکن‌ها می‌تواند برای کادر درمان، کاری دشوار و خسته‌کننده باشد. پژوهشگران دانشگاه کوئین، امبر سیمپسون و فرهانا زولکرنین به همراه رادیولوژیست، ریچارد دو (مرکز سرطان Memorial Sloan Kettering ، نیویورک) در حال توسعه فناوری‌ای هستند که این مسئله را راحت‌تر می‌کند و همچنین با استفاده از پردازش

اگر برایتان جالب است که بدانید یک سیستم ترجمه و تشخیص زبان چگونه کار می‌کنند، بهتر است از کتابخانه‌های متن باز پایتون استفاده کنید و خودتان با اجرای چند خط کد چنین سیستمی را توسعه دهید.

باز هم با یک پژوهش مشکل‌ساز دیگر در حوزه هوش مصنوعی روبه‌رو هستیم. این‌بار مهره مار در دانشگاهی در خاور میانه پیدا شده، جایی که در آن یک گروه از پژوهشگران از به‌اصطلاح «سیستم تشخیص دروغ lie-detection system» رونمایی کرده‌اند. اجازه بدهید از ابتدا، روراست باشیم: هوش مصنوعی نمی‌تواند کاری را

تیمی از محققان دانشکده‌ پزشکی واشینگتون مدل یادگیری عمیقی برای طبقه بندی تومورهای مغزی طراحی کرده‌اند. این مدل می‌تواند تومور مغزی را تشخیص دهد و در یکی از شش دسته‌ رایج طبقه بندی کند؛ این مدل تنها از یک تصویر MRI سه‌بُعدی استفاده می‌کند. نتایج این پژوهش در ژورنال «رادیولوژی

اگر به علوم داده علاقه دارید اما حجم انبوه اطلاعات درباره دوره‌های آموزشی علوم داده شما را خسته کرده، با هوشیو همراه باشید تا 7 مهارت کاربردی  که برای یک متخصص علوم داده مورد نیاز است را مرور کنیم. این مهارت‌ها بعد از ساعت‌ها بحث و بررسی با آدم‌های سرشناسی

اخیراً مشغول کار در پروژه‌ای مربوطه به نرم‌افزار پردازش آنی بوده‌ایم. این نرم‌افزار ویدئوها را از سیستم‌های نظارتی دریافت کرده و کادرهای محصورکننده Bounding boxes را در موارد شناسایی‌شده به نمایش در می‌آورد. سپس اطلاعات مربوط به آن موارد در فایل‌های json به صورت رکورد log ذخیره می‌شود. به نظر

در طول سالیان متمادی، تلاش‌های بسیاری صورت گرفته است، تا با توسعه فناوری‌های جدید گفتاری، موانع ارتباطی را برای افراد دارای اختلالات گفتاری برطرف کنند. خوشبختانه، به لطف آخرین اکتشافاتِ دانشمندان مؤسسه هندی فناوری در مَدرس، به راه‌حلی واقعی نزدیک‌تر شده‌ایم. درحال‌حاضر، فناوریِ نسبتاً محدودی، این فرصت را در اختیار

هوش مصنوعی مکالمه ای، به لطف تعدادی از نرم‌افزارهای مفید، زندگی را آسان‌تر کرده است. آنچه این نوع هوش مصنوعی را مفید و فراگیر کرده، مقدار بسیار زیادی «داده» است. انسان‌ها، سال‌ها با فناوری صحبت کردهاند. از سرزنش کردن تستر به خاطر سوزاندن صبحانه گرفته تا تشویق کردن ماشین هنگام

تردد خودروها در خیابان‌های شلوغ پیتزبورگ ایالت پنسیلوانیا: محققان دانشگاه کارنگی ملون به دنبال راهی هستند تا خودروهای بی‌سرنشین نیز بتوانند در شلوغی راننگی کنند. الگوریتم عبور اتومبیل خودران، روشی برای عبور سالم خودرو بدون سرنشین در شرایط سخت. تمام افرادی که در خیابان‌های باریک و شلوغ رانندگی کرده‌اند با

پژوهشگرانی از دانشگاه دوک و دانشگاه پیتزبورگ پلتفرمی به نام LEARNER توسعه داده‌اند که امکان به ‌اشتراک گذاشتن امن داده‌های خصوصی بیماران را برای چند بیمارستان و پژوهشکده فراهم می‌‌کند. بیمارستان‌ها و مراکز پژوهشی با استفاده از  این داده‌ها بهتر می‌توانند مدل‌های یادگیری ماشین خود را آموزش دهند. این فناوری

محققان کلیات این موضوع را مشخص کرده‌اند که چگونه می‌توان رباتی را آموزش داد تا با تحریک الکتریکی سلول‌های عصبی کِشت‌شده متصل به آن از یک هزارتو عبور کند. این سلول‌های عصبی که از روی سلول‌های زنده کِشت شده‌اند، برای کامپیوتر نقش مخزن فیزیکی را دارند و سیگنال‌هایی منسجم ایجاد

بر اساس رویکردی جدید توانایی‌های نرم افزار هوش مصنوعی می‌تواند به سرعت بهبود باید و آن رویکرد این است که هوش مصنوعی مبتنی بر یادگیری رایانه وقتی طوری برنامه‌‌ریزی شده باشد که از تکنیک بسیار سریع‌‌تری برای درک اشیای جدید استفاده کند، می‌‌تواند عملکردی شبیه هوش انسانی داشته باشد. این‌‌ها

محققان برخی از ویژگی های کارکردی و ساختار مغز را پیدا کرده‌اند که توجیه‌کننده‌ی تمایل به رفتارهای پرخطر است. رفتارهای پرخطر همچون سیگار کشیدن، استفاده از الکل و مواد مخدر، رانندگی پرسرعت، یا رفتارهای جنسی پرخطر منشأ بسیاری از مشکلات بهداشتی و اقتصادی هستند. تنها در ایالات متحده، 600 میلیارد

فلش زیرِ لوگوی شرکت آمازون، معنای ساده‌ای دارد؛ به‌طوری که شما می‌توانید به راحتی محصولاتتان، از A تا Z را از یک سامانه واحد، تهیه کنید. قبول دارید این‌گونه کار شما ساده می‌شود؟ همین امر درباره سیستم ترجمه هم صدق می‌کند (تولید متن از یک زبان به زبانی دیگر). برای

در این مطلب قصد داریم به مصورسازی داده های ورزشی با استفاده از پایتون بپردازیم. رسانه‌های خبری مشتاقانه فرا رسیدن عصر تحلیل ورزشی را نوید می‌دهند، تبلیغات بازرگانی ابزارهای کلان داده از جمله ماشین حساب‌های جیبی را معرفی می‌کنند، صاحب‌نظران به منظور جمع‌آوری داده‌ در مورد تک تک حرکات بازیکنان از

مسئولان انتظار دارند که سیستم پرداخت بلیط مترو مبتنی بر سیستم تشخیص چهره، به حمل و نقل در شبکۀ گستردۀ متروی مسکو سرعت ببخشد.

اِن‌ویدیا (رهبر فناوری مراقبت‌های بهداشتی) به همراه بیمارستان آدن‌بروک کمبریج و 20 بیمارستان دیگر از سراسر جهان از هوش مصنوعی (AI) برای پیش‌بینیِ نیازهای بیماران کرونایی به اکسیژن در مقیاس وسیع استفاده کرده‌اند. در این پژوهش‌ها که در پی شیوع بیماری همه‌گیر کووید-19 مورد توجه قرار گرفت، ساخت ابزار AI

ساخت و استفاده از مدل در این بخش به طور جامع توضیح داده خواهد شد. در این راستا، از کلاس TFAutoModel استفاده خواهیم کرد. هر گاه تصمیم به نمایش یک مدل از چک‌پوینت موجود داشته باشید، کلاس فوق می‌تواند مفید واقع شود. اگر با نوع مدلی که قصد استفاده از

یادگیری ماشین به تشخیص سرطان و تومورها در مراحل اولیه کمک می‌کند، اما ممکن است تومورهای بدون خطر را نیز شناسایی کند.

طی چند سال گذشته برنامه‌های مبتنی بر یادگیری ماشین و هوش مصنوعی روند یادگیری را به یک تجربه سرگرم‌کننده و دوطرفه تبدیل کرده‌اند. دانش‎‌آموزان و همچنین موسسات آموزشی به لطف پیشرفت‌های موجود در این حوزه، هم اکنون از نرم افزارهای سفارشی‌سازی شده که مجهز به واقعیت مجازی و واقعیت افزوده

در این مقاله قصد داریم روشی برای یادگیری مهم‌ترین موارد از مهارت های اساسی علوم داده را توضیح دهیم. در بازی‌های کامپیوتری جدید، قهرمان‌ها همیشه قدرت یا توان خاصی دارند. برای مثال، در بازی Dota، قهرمان‌ها بر اساس چابکی، هوش و قدرتشان امتیاز دریافت می‌کنند. برای برتری در این بازی،

فناوری هوش مصنوعی سیستم‌هایی را ایجاد کرده است که می‌توانند اتومبیل‌ها را برانند، ترکیبات شیمیایی را سنتز کنند، مساله تاشدگی پروتئین‌ها را حل کنند و ذرات پرانرژی را تشخیص دهند. با این حال، این الگوریتم‌های هوش مصنوعی نمی‌توانند فرایندهای پشت تصمیم‌های خود را توضیح دهند و نیاز به هوش مصنوعی

در این مقاله سعی داریم به سرعت دادن به شبکه های عصبی بپردازیم. شبکه های عصبی امروزی معمولاً عمیق هستند، بدین معنی که میلیون­‌ها وزن و تابع فعال­سازی دارند. برای نمونه می‌­توان به GoogleNet و ResNet50 اشاره کرد. این مدل­‌های بزرگ به شدت محاسبات‌محور هستند و حتی با سخت­‌افزارهای شتاب­دهنده

اگر با فناوری تشخیص چهره و OpenCV کار کرده باشید می‌دانید که امتیاز تشخیص در چهره‌هایی که کنتراست واضح‌تری دارند، به طرز معناداری بالا است. حال این سوال پیش می‌آید که چطور می‌توان کنتراست تصاویر را بصورت خودکار ارتقاء داد؟ در بخش‌های بعدیِ مقاله، مفهومِ «متعادل‌ سازی هیستوگرام» histogram equalization

در این قسمت قرار است بررسی جامعی از پایپ لاین داشته باشیم؛ اما محتوای این بخش قدری با سایر بخش‌ها فرق دارد. بیایید در ابتدای کار این مثال را بررسی کنیم. در زیر خواهید دید که با اجرای کد زیر چه اتفاقی رخ می‌دهد: from transformers import pipeline classifier =

الگوریتم‌های یادگیری تقویتی عمیق (Deep RL) با انتخاب هوشمندانه پاداش‌ و هم‌چنین با اتکا به توانایی یادگیری عمیق در تخصیص برچسب‌های صحیح به نمونه‌ها (representational power)،  مشکلات یادگیری تقویتی را رفع می‌کنند.

مدل پنهان مارکوف (HMM) یک ابزار مدل‌سازی آماری بسیار قدرتمند به شمار می‌رود که در حوزه‌هایی همچون تشخیص گفتار Speech recognition، تشخیص دست‌خط Handwriting recognition و غیره کاربرد دارد. زمانی که خواستیم از این مدل استفاده کنیم متوجه شدیم توضیحات جامع و واضحی در مورد آن وجود ندارد و مطالب

عملکرد خود را با انواع مهم‌ترین روش انتخاب ویژگی بهبود ببخشید. انتخاب ویژگی Feature selection روشی است برای کاهش تعداد متغیرها. در این روش کاراترین متغیرها برای پیش‌بینی متغیر هدف در مدل، بر اساس یک سری معیار مشخص انتخاب می‌شوند.

نوآوری الگوریتم های پیشرفته هوش مصنوعی اهمیت بیشتری از سخت‌افزارها دارد. به ویژه اگر مسائل دربردارنده‌ی میلیاردها تا تریلیون‌ها نقاط داده باشند. تیمی از دانشمندان در آزمایشگاه هوش مصنوعی و علوم کامپیوتر دانشگاه ام‌آی‌تی به نتیجه فوق دست یافتند.

به عنوان فعالان جامعه‌ی علوم داده، شاهد آغاز یک infodemic (فزون‌باری اطلاعاتی) هستیم: جریانی از فزونی اطلاعات صحیح و غیرصحیح که داده ها را به جای یک ابزار کمکی، به یک بار اضافی تبدیل کرده است. جریان کنونی به سمت و سوی مدل‌هایی از هوش مصنوعی پیش می‌رود که نیاز

شبکه های حافظه طولانی کوتاه مدت Long Short-Term Memory (LSTM) به ابزار مهمی در یادگیری عمیق تبدیل شده‌اند. بسیاری آنها را جایگزین مناسبی برای شبکه‌های عصبی بازگشتی Recurrent neural networks می‌دانند. رشد سریع تحقیقات یادگیری ماشین باعث شده تا روش‌های جدید به سرعت عرضه شوند، اما ظاهراً شبکه های حافظه طولانی

در سال 2012، اقتصاددانی به نام رابرت گوردون یک مقاله جنجالی منتشر کرد که در آن استدلال کرد رشد اقتصادی تقریبا به پایان رسیده است و دلیل عمده این مساله این است که ما در دهه‌های اخیر نتوانسته‌ایم موتورهای نوآوری را حفظ کنیم. مطالعه‌ای که در انستیتوی تحقیقات سیاست اقتصادی