یادگیری ماشین

کامپیوتر ممریستوری برنامه‌پذیر: پردازش هوش مصنوعی بی‌نیاز از ابر
28 شهريور 1398
اولین کامپیوتر ممریستوری برنامه‌پذیر (و نه صرفا آرایه‌ای از ممریستورها که به‌واسطه کامپیوتر دیگری کار کند) در مقیاس آزمایشگاهی در دانشگاه میشیگان ساخته شد. با کمک کامپیوتر ممریستوری برنامه‌پذیر می‌توان هوش مصنوعی را مستقیما روی ابزارهای کوچک و کم‌مصرف مثل تلفن‌های هوشمند و حسگرها پردازش کرد. با وجود پردازنده هوش مصنوعی روی تلفن هوشمند، دیگر لازم نیست که مثلا دستورهای صوتی کاربر، پیش از اجرا ابتدا به سرورهای ابری شرکت ارسال شود و لذا زمان پاسخگویی به درخواست‌های کاربر کاهش می‌یابد.
مروری بر کتابخانه PyTorch ویژه یادگیری عمیق
04 شهريور 1398
PyTorch، یک کتابخانه متن‌باز یادگیری ماشین برای پایتون براساس Torch است که برای کاربردهایی مانند پردازش زبان طبیعی استفاده می‌‌شود. توسعه‌دهنده اصلی PyTorch گروه پژوهش هوش مصنوعی فیس‌بوک است.
آشنایی با الگوریتم‌های مطرح و پرکاربرد یادگیری ماشین
30 مرداد 1398
یادگیری ماشین شاخه‌ای از فناوری هوش مصنوعی است که از شیوه‌ها یا الگوريتم‌های خاص برای ساخت خودکار مدل‌هایی از داده استفاده می‌کند. برخلاف یک سیستم معمولی که با پیروی از قوانین مشخص یک وظیفه را انجام می‌دهد، یک سیستم یادگیری ماشین از طریق تجربه کردن وظایف خود را یاد می‌گیرد. در حالی که یک سیستم مبتنی بر قانون هر بار یک وظیفه را به روشی یکسان (چه خوب، چه بد) انجام می‌دهد، وضعیت عملکرد یک سیستم یادگیری ماشین از طریق یادگیری و تمرین از طریق الگوريتم‌های داده کاوی بهبود پیدا می‌کند. الگوريتم‌های یادگیری ماشین با فراگيری از داده‌هایی که دریافت می‌کنند می‌توانند مسائلی را حل کنند که بسیار پیچیده‌تر از آن است که بتوان آن را با برنامه‌نویسی معمولی حل کرد.
تحولات ناشی از پیشرفت هوش مصنوعی در سال‌های اخیر، تأثیر قابل‌توجهی بر ارتباطات بی‌سیم گذاشته است. تأثیری متقابل که از یک‌سو، امکان استفاده از هوش مصنوعی در لبه شبکه را فراهم کرده و از سوی دیگر، دستگاه‌های مبتنی بر هوش مصنوعی و مدل‌های یادگیری ماشین را قادر ساخته که با در اختیار داشتن حجم عظیمی از داده و توان پردازشی، خود را ارتقا دهند و حتی با دیگر دستگاه‌ها و عامل‌های هوشمند تعامل داشته باشند. در آینده هر وسیله‌ای امکان اتصال به شبکه را داشته و تقریبا همه دستگاه‌ها قادر به جمع‌آوری و تجزیه‌وتحلیل داده‌ها خواهند بود. در چنین دنیایی که دستگاه‌های روی شبکه به‌طور پیوسته در حال جمع‌آوری، آنالیز و مخابره داده هستند، نه‌تنها با یک شبکه مخابراتی بسیار پیش‌رو روبه‌رو هستیم، بلکه با یک شبکه پویا و پیچیده از عامل‌های هوشمندی روبه‌رو خواهیم بود که می‌توانند به‌طور خودمختار عمل کرده و با مدیریت تبادل داده‌ها و نحوه مصرف توان، یک سامانه منسجم پردازشی ـ ارتباطی را تشکیل دهند؛ شبکه‌ای فراتر از آنچه در دوران 5G تجربه خواهیم کرد. ما اکنون در انتظار دوران 6G هستیم.
استفاده از یادگیری ماشین برای کشف مواد جدید
29 خرداد 1398
بیش از یک دهه پیش «ایچیرو تاکیوچی (Ichiro Takeuchi)، استاد علوم و مهندسی مواد دانشگاه ایالتی مریلند، برای کشف و ساخت مواد مغناطیسی جدید به استفاده از یادگیری ماشین (زیرشاخه‌ای از هوش مصنوعی) روی آورد. در آن سال‌ها، یادگیری ماشین در علم مواد کاربرد گسترده‌ای نداشت اما به‌گفته وی، حالا اوضاع خیلی فرق کرده است. بخشی از محبوبیت فعلی یادگیری ماشین ناشی از انقلابی است که در سال 2012 در عرصه یادگیری عمیق رخ داد. کشف مواد جدید با کمک یادگیری ماشین صرفا یک کار آزمایشگاهی نیست، بلکه روشی است که برای فائق آمدن بر چالش‌های ژئوپلتیکی هم کارایی دارد.
حمله تصویری به سامانه‌های هوشمند پزشکی
21 خرداد 1398
کمک ماشین‌ها به بهتر دیدن ما، از نتایج مهم استفاده از روش‌های پردازش تصویر و یادگیری ماشین در دنیای جدید است. تقویت آنچه می‌بینیم کمک بزرگی در زندگی روزمره ما خواهد بود. به‌طور مثال ماشین‌های بینایی که در پزشکی استفاده می‌شوند، هنوز قابل‌اعتماد نیستند و به‌راحتی فریب می‌خورند. آثار چنین ایرادی هم می‌تواند به قیمت جان انسان‌ها تمام شود و در خوش‌بینانه‌ترین حالت، ضرر مالی به‌ آن‌ها بزند
شناسایی حالت‌های حسی با کمک گفتار و تصویر
03 خرداد 1398
ما همیشه از ماشین‌ها برای ساده‌تر شدن کارهای خود استفاده کرده‌ایم. ماشین‌ها در حالت ایده‌آل می‌توانند ساعت‌ها و حتی روزها بدون خستگی و این‌که مرتکب اشتباه شوند، به وظایف خود عمل کنند. بینایی یکی از مهم‌ترین ویژگی‌هایی است که همیشه در پی افزودن آن به ماشین‌های خود بوده‌ایم. ماشین‌هایی که بتوانند ببینند، کاربردهای زیادی دارند؛ از خودران‌ها گرفته تا شناسایی رفتار پرخطر یک راننده.
یادگیری ماشین و عسل تقلبی
02 خرداد 1398
ما همیشه از ماشین‌ها برای ساده‌تر شدن کارهای خود استفاده کرده‌ایم. ماشین‌ها در حالت ایده‌آل می‌توانند ساعت‌ها و حتی روزها بدون خستگی و این‌که مرتکب اشتباه شوند، به وظایف خود عمل کنند. بینایی یکی از مهم‌ترین ویژگی‌هایی است که همیشه در پی افزودن آن به ماشین‌های خود بوده‌ایم. ماشین‌هایی که بتوانند ببینند، کاربردهای زیادی دارند. یکی از این کاربردها یافتن عسل تقلبی است!
 یادگیری ماشین کوانتومی
18 ارديبهشت 1398
هوش مصنوعی و به‌طور خاص، یادگیری ماشین از یک‌سو و پردازش کوانتومی از سوی دیگر، دو موضوع تحقیقاتی بسیار داغ این روزها هستند. مدتی است که برخی از محققان تلاش می‌کنند با گره زدن این دو حوزه و ترکیب قابلیت‌های آن‌ها، راهکاری جدید برای چالش‌های امروز ارائه دهند: یادگیری ماشین با کمک کامپیوترهای کوانتومی. مزایای این ترکیب هوش مصنوعی و رایانش کوانتومی فراتر از حد تصور است تا حدی که حتی برخی از محققان به‌درستی نمی‌دانند این قابلیت‌ها ما را تا کجا خواهد برد. در مطلب پیش رو با نگاهی کوتاه به این موضوع، به برخی از تلاش‌های صورت گرفته در این حوزه اشاره‌‌ای خواهیم داشت.
 ساخت نسل بعدی برنامه‌های دات‌نت با اتکا به اینترنت اشیا، هوش مصنوعی، زنجیره بلوکی
18 فروردين 1398
ساخت برنامه‌هایی منطبق با انقلاب صنعتی چهارم، کشف قابلیت‌ها و توانایی‌های هوش مصنوعی و زیرشاخه‌های این فناوری، به‌کارگیری پتانسیل‌های بارز اینترنت اشیا، پیاده‌سازی بستری قدرتمند و ایمن با اتکا بر زنجیره بلوکی و ترکیب این فناوری‌ها با یکدیگر در قالب یک برنامه کاربردی مبتنی بر دات‌نت بدون شک یک پروژه هیجان‌برانگیز برنامه‌نویسی خواهد بود. طراحی و پیاده‌سازی چنین برنامه‌ای به سطح بالایی از هوشمندی، ایمنی و اتصال همیشه پایدار نیاز دارد. اما نگران نباشید، برای تسلط بر این فناوری‌ها نیازی نیست وقت خود را صرف پیدا کردن منابع مختلف کنید. در کتاب «ساخت نسل بعدی برنامه‌های دات‌نت با اتکا به اینترنت اشیا، هوش مصنوعی، زنجیره بلوکی» یاد خواهید گرفت چطور از اینترنت آژر، واسط‌های برنامه‌نویسی شناختی و زنجیره بلوکی در قالب سرویس به‌منظور ساخت برنامه‌هایی بر پایه دات‌نت استفاده کنید.

صفحه‌ها

اشتراک در یادگیری ماشین
پشتیبانی توسط ایران دروپال