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

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،

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

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

Speech Brain که یک تول‌کیت منبع باز مبتنی بر PyTorch است درحال حاضر مراحل ساخت را طی می‌کند و قرار است به زودی، نسخه آلفا برای گروهی از کاربران در طی چندماه آینده عرضه شود.

وقتی صحبت از مدل‌سازی داده‌ها می‌شود، اکثر افراد به مدل‌های رگرسیون فکر می‌کنند که می‌توانند بر اساس داده‌های جمع‌آوری شده، متغیر هدف را پیش‌بینی کنند. با این حال، ارزیابی عملکرد مدل رده بندی نشان داده که آن‌ها نیز (با این‌که روش متفاوتی را در پیش‌ می‌گیرند) در پیش‌بینی خوب بوده‌اند.

امروزه دیگر همگی به دستیاران هوشمند خانگی و سیستم پردازشگر صوتی عادت کرده‌ایم؛ این دستگاه‌ها می‌توانند دستورات صوتی را اجرا ‌کنند، درباره‌ی فعالیت‌های شک‌برانگیز و غیرمعمول به ما اخطار دهند، و حتی جوک بگویند. بازه‌ی قیمت این تکنولوژی بسیار گسترده است و به همین دلیل عمده‌ی مردم توان خرید آن

هوش مصنوعی می‌تواند درست مانند اینترنت، در امور زندگی ما جاری شود. مقیاس استفاده از آن به سرعت در حال رشد است و تا امروز توانسته بسیاری از مشکلات ما را برطرف کند. در آینده هم مطمئنا بیش از پیش روی زندگی عادی و امور کسب و کار ما تاثیر

بر اساس آخرین گزارش گروهی از متخصصان بین‌المللی که وضعیت هوش مصنوعی را ارزیابی می‌کنند‌‌، این فناوری در مسیر تکامل خود به نقطه عطف مهمی رسیده است.

وینسنت ونگوگ Vincent Van Gogh در سال 1889 نقاشی زیبایی به نام «شب پرستاره» را کشید. مدل شبکه‌های مولد تخاصمی من (که نام آن را گَن گوگ گذاشته‌ام) نیز توانست به کمک داده‌های دیتاست MNIST که تنها 20% آن‌ها برچسب داشتند، یک نقاشی بکشد. اما این مدل چگونه توانست به

بسیاری از کسب ‌و‌ کارها و سازمان‌ها دارای اطلاعات خام فراوانی هستند که به کمک داده کاوی می‌توانند به اطلاعات نهان، الگوها و روابط مختلف نهفته در داده‌‏ها پی ببرند و به کمک آن‌ها، استراتژی‌های مختلفی اتخاذ و تصمیمات سنجیده‌تری بگیرند. هوش مصنوعی با استفاده از سرویس‌‏های داده کاوی علاوه

در این مقاله می­‌خواهیم تأثیر اندازه بسته شبکه را بر آموزش شبکه­‌های عصبی بیشتر بشناسیم. فهرست مطالب بدین صورت است: اندازه بسته شبکه چیست؟ دلیل اهمیت اندازه بسته شبکه چیست؟ بسته­‌های کوچک و بزرگ از نظر تجربی چگونه عمل می­‌کنند؟ چرا بسته­‌های بزرگ­تر عملکرد ضعیف‌­تری دارند و چطور می‌­توانیم آن

رباتیک عصبی-تکاملی Neuro-Evolutionary robotics چشم‌اندازی جدید به مطالعه‌ رفتارهای جمعی ربات‌های گروهی فراهم می‌آورد. این حوزه پژوهش‌های فراوانی به خود اختصاص داده است و روش‌ها و ایده‌های زیادی برای کمک به آن مطرح شده‌اند؛ با این وجود، ارزیابی‌های تجربی و تحلیل‌های مقایسه‌ای تا کنون نادر بوده‌اند.

فناوری، نقش اجتماعی و عاطفی چشمگیری در زندگی انسان‌ها ایفا خواهد کرد. این واقعیت موجب شگفتیِ مینیا لی – طراح دیجیتال، دانشمند اطلاعات، فیلسوف و شهروند جهانی – شده است. این استادیار دانشگاه موفق به توسعه‌ی یک چت بات اخلاقی شده است که می‌تواند به افراد کمک کند تا تصویر

شرکت فناوری عصبی Neuralink از سال 2019 در تلاش است به منظور بکارگیری هوش مصنوعی در توان بخشی افراد توان‌یاب، فناوری‌ای بسازد که قادر به ثبت فعالیت مغزی انسان‌ها باشد. این شرکت که توسط ایلان ماسک Elon Musk بنیان‌گذاری شده است، آزمایشات اولیه‌ی خود را روی موش‌ها اجرا کرد. طی

فناوری هوش مصنوعی سبز و کلان‌داده‌ها نقش پررنگی در کربن‌زدایی ایفا می‌کنند. این فناوری‌ها طیف وسیعی از حوزه‌های گوناگون را تحت تأثیر قرار می‌دهند که از جمله‌ی آن‌ها می‌توان به بهینه‌سازی شبکه‌های تولید برق و حتی پیش‌بینی تغییرات آب و هوا اشاره کرد. با این حال، بدون چارچوب‌ها و قوانین

یک تیم تحقیقاتی راهی برای تشخیص و نشانه‌گذاری «منطقه‌ی ایمن» شبکه‌های عصبی با استفاده از حملات تخاصمی معرفی کرده‌اند.

در این مطلب به راهکارهایی برای مشکلات جعبه سیاه هوش مصنوعی اشاره خواهیم کرد. مسائل مربوط به جعبه سیاه هوش مصنوعی اعتماد کاربران به تصمیمات الگوریتم‌ها را به خطر انداخته است. همزمان با پیشرفت‌های روزافزون در عرصه هوش مصنوعی، متخصصان در تلاش‌اند رویکرد جعبه‌ شیشه‌ای را در میان توسعه‌گرها ترویج

کتابخانه Keras مجموعه‌ای از آخرین مدل‌های یادگیری عمیق فراهم کرده است که وزن‌های آن با استفاده از دیتاست ImageNet از پیش آموزش‌ دیده‌اند. این مدل‌های آموزش دیده را می‌توان برای طبقه‌بندی تصویر، استخراج ویژگی و یادگیری انتقالی استفاده کرد. در این نوشتار مقاله‌ای را با هم مرور خواهیم کرد که

جمعی از برترین متخصصان هوش مصنوعی جهان در رویداد بین‌المللی TNW حضور به عمل خواهند آورد تا درباره آینده این حوزه و همچنین تحقیقات یادگیری ماشین به بحث و تبادل نظر بپردازند. یادگیری ماشین در بسیاری از صنایع و حوزه‌های علمی، ‌ابزاری مهم به شمار می‌آید. با این حال، تحقیقات

تیم‌های حاضر در مسابقات پهپادهای خودران گاهی سرافراز بیرون می‌آیند و گاهی در پی حوادث پیش‌بینی نشده از گردونه مسابقات کنار می‌روند. در این مسابقات، پهپادی که مسیر مسابقه را با بالاترین سرعت طی کند، برنده است. اما هرچه سرعت پرواز پهپاد بیشتر باشد، ناپایدارتر و پیش‌بینی آیرودینامیک آن‌ها دشوارتر

همه روزه، طوفانی از محتوا در فضای اینترنت منتشر می‌شود. آیا امکان دارد در عین حال که حجم تولید محتوای خود را 10 برابر افزایش می‌دهید، 10 برابر نیز در هزینه‌ها صرفه‌جویی کنید؟ آیا حتی در صورتی که محتوا عادی باشد، کماکان مایل هستید آن را منتشر کنید تا ببینید

دیپ‌مایند محیط بازی بزرگی به نام XLand طراحی کرده است که هوش مصنوعی پیوسته آن را تغییر می‌دهد.

هوش مصنوعی اجزاء تشکیل دهنده‌ موجودات زنده را شناسایی و راه را برای ورود به برحه‌ای جدید در علم هموار کرده است. دیپ‌مایند، شرکتی که اکنون به گوگل پیوسته است، ساختار سه بعدی تمام پروتئین های ساخته شده در بدن انسان را با دقتی بی‌سابقه پیش‌بینی کرده است. بیشتر از

تیمی از پژوهشگران دانشگاه کالیفرنیا، سن‌دیگو، یک سیستم مبتنی بر شبکه های عصبی عمیق ساخته‌اند؛ این سیستم می‌تواند ویژگی‌هایی را شناسایی کند که قادر به پیش‌بینی عوامل رونویسی متصل‌شونده Transcription Factor Binding هستند. در مقاله‌ی این پژوهشگران (منتشرشده در ژورنال Nature Machine Intelligence) به کاربردهای احتمالی این سیستم در درک بهتر

پیش از پرداختن به موضوع پردازش افتراقی سیگنال دیجیتال لازم است اشاره‌ای به شبکه‌های عصبی و اهمیت آن‌ها خواهیم داشت. در حوزه‌ی رو به رشد علم و فناوری، هوش مصنوعی و پیشرفت‌های اخیرش، جایگاه برجسته‌ و محبوبیت بالایی به دست آورده‌اند. تا جایی که مفاهیمی از قبیل هوش مصنوعی و