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

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

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

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

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

مدل‌های یادگیری عمیق برای آموزش به حجم بالایی از داده‌ها نیاز دارند و به دلیل پیچیدگی‌های حافظه Space complexitites عملکرد ضعیفی دارند. انواع تولیدکننده داده برای رفع این مشکل،  به جای این‌که دیتاست را در حافظه ذخیره کند، داده‌ها را در بسته تولید می‌کنند. در این حالت کاربر می‌تواند استفاده

افرادی که برای انجام پروژه‌‍‌های خود به داده‌های تصویری احتیاج دارند، معمولاً این‌‌گونه داده‌ها را جمع‌آوری می‌کنند و برخی مواقع نیز ترجیح می‌دهند دیتاست‌های تصویری را از وب‌سایت‌ها دانلود کنند. از جمله مشکلاتی که ممکن است در این‌گونه دیتاست‌ها وجود داشته باشد می‌توان به کنتراست پایین، تفاوت در وضوح و

انتخاب ویژگی یکی از مراحل مهم در خط‌پایه یادگیری ماشین است که اغلب مورد غفلت قرار می‌گیرد. فرآیند انتخاب ویژگی شامل کاهش ابعاد فضای ورودی Input space از طریق انتخاب زیرمجموعه‌ای مرتبط از ویژگی‌های آن (ورودی) می‌شود. شاید از خود بپرسید چرا این فرآیند حائز اهمیت است؟ زیرا: 1. کاهش

اولین «جاودانگی‌ها» با قابلیت افزایش نامحدود طول عمر، از طریق داروهای ضدپیری، پیوند اعضا، درمان با سلول‌های بنیادی، نانوماشین‌های پزشکی و بارگذاری‌های عصبی، رقم خواهند خورد. توانایی ادامه حیات و معکوس کردن تازیانه‌های زمان و پیری نیز به این معناست که انسان می‌تواند به طور نامحدود، فعال، سالم و زایا

آیت‌الله علیرضا اعرافی، عضو فقهای شورای نگهبان و مدیر حوزه‌های‌علمیه، روز ۱۸ بهمن‌ماه در دیدار با مسئولان ستاد فرماندهی نیروی انتظامی استان قم با تأکید بر نگاه علمی فرماندهی نیروی انتظامی، به نقش مؤثری که هوش مصنوعی می‌تواند در تأمین امنیت کشور ایفا کند اشاره کرد. نماینده مردم تهران در

دکتر جمشید صباغ‌زاده، قائم مقام دانشگاه آزاد اسلامی در واحد علوم و تحقیقات، اعلام کرد برای تربیت نیروی انسانی ماهر در زمینه هوش مصنوعی تفاهم‌نامه‌ای میان دانشگاه علوم و تحقیقات با شرکت دانش‌بنیان هشت بیت امضا شده  است. او با اشاره به اینکه عرصه فعالیت شرکت دانش‌بنیان هشت بیت، به

در خصوص تکینگی فناوری و پیش‌بینی‌های مشابه همیشه نظرات مخالف، بدبینانه و تردیدبرانگیز نیز به گوش می‌رسد. عده‌ای پیش‌بینی‌های شکست‌خورده گذشته مانند اتومبیل‌های پرنده، شهرهای شناور و سایر آینده‌نگری‌هایی را مطرح می‌کنند که قرار بود تا قرن 21 محقق شوند. اگرچه تعدادی از این پیش‌بینی‌ها تحقق یافته‌اند، اما نرخ پیش‌بینی‌های

در این مقاله به بخش دوم از سری مقاله‌های تکینگی فناوری می‌پردازیم. همچنین لینک دسترسی به قسمت‌های دیگر در انتهای مطلب در دسترس است. یکی دیگر از موضوعات مورد مناقشه درباره تکینگی، نحوه رخ دادن آن است. برای مثال، آیا تکینگی به‌تدریج رخ می‌دهد یا سریع و آنی خواهد بود.

دستیارهای هوشمند، که با استفاده از فناوری و هوش مصنوعی به وجود آمده‌اند، چند سالی است در سراسر جهان در اختیار عموم قرار گرفته‌اند و در همین مدت اندک توانسته‌اند با تسهیل امور برای کاربران آنان را به سمت خود جذب کنند. برنامه‌های مختلفی برای بهره بردن از این دستیارها

به نظر شما آیا ممکن است یک سیستم هوش مصنوعی درگیر اعتیاد شود؟ در سال 1953، روان‌شناسی از دانشگاه هاروارد تصور می‌کرد که به‌طور تصادفی محل احساس لذت را در جمجمه یک موش کشف کرده است. این دانشمند، الکترودی در ناحیه خاصی از مغز موش قرار داد و موش توانست

مقاله پیش رو با عنوان تکینگی فناوری در 4 بخش منتشر خواهد شد. در بخش اول می‌خوانیم که چطور ممکن است دنیا به پایان فناپذیری نزدیک شده باشد. مقدمه پیشرفت سریع محاسبات، تولید و ذخیره اطلاعات و هوش مصنوعی در آستانه نقطه عطفی قرار دارند که از آن با نام

امیر دریادار شهرام ایرانی، فرمانده نیروی دریایی ارتش، از ضرورت و اهمیت تجهیز نیروهای ارتش به فناوری جدید و استفاده از هوش مصنوعی در پیشبرد هرچه بهتر و سریع‌تر اهداف دفاعی و نظامی کشور سخن گفت و بیان کرد: امروز دشمنان به دنبال از صحنه خارج کردن ما هستند، ولی

یکی از مهم‌ترین دستاوردها در حوزه هوش مصنوعی در سال 2018، یادگیری ماشین خودکار (AutoML) بود. این فناوری، فرایند یادگیری ماشین را خودکار می‌کند. شرکت گوگل در ژانویه این سال فرایند یادگیری ماشین خودکار را در مسائل بینایی ماشین به کار گرفت و سپس در ژوئیۀ همان سال نسخه دیگری

اکثر روش‌های دسته‌بندی سری‌های زمانی که با دقتی در سطح دقت آخرین پیشرفت‌های علمی (یا به عبارتی SOTA) ایجاد شده‌اند، سطح محاسباتی بسیار پیچیده و مقیاس‌پذیری پایینی دارند. به عبارت دیگر فرآیند آموزش آنها روی دیتاست‌های کوچک کُند است و در دیتاست‌های بزرگ کاملاً بلااستفاده‌ هستند. روش ROCKET (که مخفف

گزارشی جامع بر اساس بررسی روند روبه‌رشد هوش مصنوعی و رویکردهای استراتژیک مربوط به آن در سال ۲۰۲۱ انتشار یافت. این گزارش چگونگی پیشبرد اهداف این فناوری در کشورهای سرآمد این حوزه در سال میلادی گذشته را همراه با نگاهی به وضعیت چالش‌هایی که این فناوری در مسیر خود با

هوش مصنوعی امروزه به‌عنوان یک ابزار مهم برای توسعه صنایع زیربنایی و صنایع وابسته توصیف می‌شود. بر همین اساس است که بازارهای سرمایه‌گذاری در حوزه هوش مصنوعی رفته‌رفته درحال‌توسعه هستند و این موضوع اهمیت تحصیل در رشته یادگیری ماشین و هوش مصنوعی را دوچندان کرده است. بر اساس آمارهای منتشر

انرژی مصرفی هوش مصنوعی در مراکز داده و مدل‌‌های بزرگ بسیار بالا است و به محیط زیست آسیب می‌رسانند. اما کسب‌وکارها می‌توانند در جهت کاهش تأثیرات خود بر محیط زیست اقدام کنند. آموزش یک مدل پیشرفته‌ هوش مصنوعی مستلزم برخورداری از داده‌های با کیفیت، صرف زمان، پول و البته مقدار

پژوهش حاضر نشان می‌دهد که انسان‌ها، هوش مصنوعی را هم‌تیمی ناامید‌کننده‌ای برای بازی های مشارکتی می‌دانند که این امر، چالشی برای «هوش تیمی» محسوب می‌شود. در بازی‌هایی مانند شطرنج یا Go، برنامه‌های هوش مصنوعی از بهترین بازیکنان جهان نیز پیشی گرفته‌اند. این هوش مصنوعی‌های «فرابشری» رقبای بی‌نظیری هستند، اما شاید دشوارتر

آموزش شبکه های عصبی برای تقلید از عملکرد مغز این فرصت را در اختیار مدل‌های یادگیری عمیق قرار داده تا یادگیری را بر روی داده‌های جدید (داده‌هایی که از سابقه‌ای از آنها ندارند) اعمال کنند. چیزی که انسان را از سایر موجودات متمایز می‌سازد برخورداری از قدرت مغز و توانایی‌های

در این مقاله دیتاست های یادگیری ماشینی را معرفی می‌کنیم. اگر به شیوه‌های آموزش الگوریتم‌های یادگیری ماشینی در 5 یا 10 سال گذشته بنگرید و آن را با شیوه‌های جدید مقایسه کنید، متوجه تفاوت‌های بزرگی می‌شوید. امروزه آموزش الگوریتم‌ها در یادگیری ماشینی بهتر و کارآمدتر از گذشته است و دلیل

در این نوشتار قصد داریم متناسب با هدف و مسئله‌ی موردنظر، توابع زیان و فعال سازی لایه‌ی آخر شبکه‌ی عصبی را معرفی کنیم. فرض نویسنده بر این است که مخاطبان با توابع فعال سازی آشنایی دارند. برای آشنایی بیشتر با این حوزه می‌توانید به این مقاله‌ Deep Learning: Overview of

یک شبکه کامپیوتری که با دقت تمام، بر اساس بخشی از مغز انسان مدل‌سازی شده، بینش جدیدی را درباره روش پردازش تصاویر متحرک در مغز ارائه داده و در این خصوص توانسته است، برخی از توهمات پیچیده دیداری را توضیح ‌دهد. پژوهشگران به وسیله مطالعاتی که سالیان سال بر روی

براساس مطالعات اخیر، انتظار می‌رود که در ده سال آینده انواع الگوریتم یادگیری ماشین جایگزین 25% از مشاغل موجود در سرتاسر دنیا شوند. با رشد سریع کلان داده (Big Data) و آسان‌ترشدن دسترسی به ابزارهای برنامه‌نویسی همچون پایتون و R، یادگیری ماشین دارد به پرکاربردترین ابزار دانشمندان داده تبدیل می‌شود.

محققان دانشگاه استنفورد از یک رویکرد مبتنی بر یادگیری عمیق در طبقه‌بندی ساختمان های آسیب دیده در آتش استفاده کردند. این رویکرد می‌تواند در هدایت اقدامات بازیابی به تیم امداد و نجات کمک کند و جدیدترین اطلاعات را در اختیار ساکنین آواره این ساختمان‌ها قرار دهد. مردم باید هفته‌ها یا

پیش از شروع بحث درباره درخت تصمیم، بهتر است به عنوان مقدمه، مطلب را این‌طور آغاز کنیم. رشد چشم‌گیر دانش در حوزه­ زیست­‌شناسی (علم زندگی) در گذر زمان، الهام­‌بخش بسیاری از مهندسانی شده که به مسائل چالش‌­برانگیزی برخورده و به دنبال راه­‌حل‌­های خلاقانه هستند. برای نمونه قطار پرسرعت ژاپنی Shinkansen

طبق بررسی‌های به عمل آمده، بازیگران متعددی در عرصه فناوریهای هوش مصنوعی هم‌اکنون در کشور در حال فعالیت هستند. پیچیدگی تکنولوژی از یک سو و البته پراکندگی و ناهمگونی فعالیتهای این بازیگران، شناخت زمینه‌های مستعد توسعه را در یک زیست‌بوم فناورانه دشوار ساخته است. مطالعات گذشته نشان می‌دهند حتی کشورهای

برای شرکت‌های نفت و گاز، تحول دیجیتال یک اولویت است. در واقع این تحول دیجیتال ، نه‌تنها راهی به مدرن‌سازی شرکت‌ها است، بلکه برای تأمین امنیت تمامی اکوسیستم انرژی یک ضرورت محسوب می‌شود. اگر از این دیدگاه نگاه کنیم، لزوم استفاده از هوش مصنوعی و ظرفیت‌های یادگیری ماشین برای بهینه‌سازی

محققان قرار است با طراحی نوعی الگوریتم خودآگاه مانع فعالیت‌های هکرها شوند. هکرها از مرزهای دفاعی یک نیروگاه انرژی هسته‌ای عبور می‌کنند و با تغذیه‌ داده‌های جعلی به سیستم‌ها، کامپیوترها و کارکنان را فریب می‌دهند؛ ماشین‌آلات کلیدی نیروگاه‌ها دچار اختلال شده یا به طور کل از کار می‌افتند. تا وقتی

سوگیری‌های الگوریتمی و خروجی‌های ناعادلانه و مبهم آن‌ها در اشکال گوناگون ظاهر می‌شوند؛ اما راهبردها و تکنیک‌های فراوانی برای مبارزه با آن‌ها و ارتقای عدالت وجود دارد. سوگیری الگوریتمی یکی از موضوعات مهم هوش مصنوعی است و مستلزم توجه و بازبینی دقیق است. خطاهای ناخواسته‌ سیستمی می‌توانند منجر به خروجی‌های

فیلم فینچ Finch محصول سال 2021 ساخته «میگوئل ساپوچنیک»، یک فیلم علمی‌تخیلی آخرزمانی است که نقش کاراکتر محوری آن را «تام هنکس» بازی می‌کند. فینچ را می‌توان در طبقه یکی از بهترین فیلم‌های هوش مصنوعی سال 2021 قرار داد. داستان فیلم از این قرار است که به خاطر از بین

بدون شک یکی از دغدغه‌های مهم کسب‌وکارها، هم‌گام ماندن با انتظارات مشتریان است و برای رسیدگی به آن، استفاده از هوش مصنوعی مکالمه ای یکی از بهترین گزینه‌هاست.. مشتریان خدماتی سریع‌تر با قدرت پاسخگویی بهتر در همه‌ی کانال‌ها می‌خواهند و انتظار دارند امکان جابجایی راحت بین این کانال‌ها وجود داشته