یادگیری ماشینی

 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.
پایتون برای انجام چه کارهایی عالی، چه کارهایی خوب و چه کارهایی بد است!؟
17 اسفند 1397
پایتون یکی از معدود زبان‌های برنامه‌نویسی پرفروغ و محبوب جهان است. تا به امروز رقبای مختلفی برای این زبان پیدا شده‌اند که هنوز هیچ‌یک از آن‌ها موفق نشده‌اند پایتون را با چالش جدی روبه‌رو کنند. برنامه‌نویسان مسلط به پایتون می‌توانند در حوزه‌های هوش مصنوعی (یادگیری ماشین و شبکه‌های عمیق عصبی)، برنامه‌نویسی وب و علم داده‌ها، داده‌کاوی، برنامه‌نویسی‌ دسکتاپ (زیاد توصیه نمی‌شود) و..... برنامه‌های کاربردی قدرتمندی ایجاد کرده و بدون مشکل خاصی برای آگهی‌های شغلی مرتبط درخواست بدهند. در خوب بودن پایتون شکی نیست و به‌عنوان یک توسعه‌دهنده برنامه‌های کاربردی می‌توانید برای کارهای مختلفی از پایتون استفاده کنید، اما برنامه‌نویسان و توسعه‌دهندگانی که تازه به دنیای برنامه‌نویسی پایتون وارد شده‌اند، این پرسش برایشان ایجاد شده که دقیقا با پایتون چه کاری می‌توان انجام داد؟ پایتون از عهده انجام چه کارهایی بر می‌آید؟ چگونه می‌توان از پایتون استفاده کرد؟ آیا پایتون این ارزش را دارد که وقت خود را صرف یادگیری آن کنید؟ هرگاه تصمیم می‌گیرید یک‌زبان برنامه‌نویسی همچون پایتون را یاد بگیرید، پرسش‌هایی این‌چنینی به ذهن شما خطور می‌کند. توسعه‌دهندگان پایتون در پاسخ به این پرسش‌ها می‌گویند: «با یادگیری پایتون می‌توان برنامه‌های کاربردی متعددی ایجاد کرد. پایتون در سه حوزه‌ توسعه برنامه‌های کاربردی تحت‌وب، علم داده‌ها (یادگیری ماشین، تحلیل داده‌ها و تجسم‌سازی داده‌ها) و اسکریپت‌نویسی عملکردی ایده‌آل دارد.» که در این مقاله درباره هر یک از این حوزه‌ها توضیح کوتاهی ارائه خواهیم کرد.
در شماره گذشته با بخش اول مطلب چگونه می‌توانیم در عمل از یادگیری ماشین استفاده کنیم؟ آشنا شدیم و به شما گفتیم که دو رویکرد یادگیری تحت نظارت و بدون نظارت چه تفاوت‌هایی با یکدیگر دارند و چرا پیاده‌سازی الگوی یادگیری تحت نظارت و برچسب‌گذاری داده‌ها از اهمیت خاصی برخوردار است. در این شماره بخش دوم این مطلب را ادامه دهیم.
کافی است چند دقیقه از وقت خود را صرف تحقیق درباره هوش مصنوعی و به‌ویژه یادگیری ماشین کنید تا ببینید اهل فن همگی به این حقیقت اذعان دارند که آینده از آن هوش مصنوعی است. البته به نظرم ایده بدی نیست که واژه آینده را از اصطلاح هوش مصنوعی حذف کنیم. به دلیل این‌که الگوریتم‌های هوشمند از مدت‌ها پیش از سوی همه ما به کار گرفته شده‌اند، حتی زمانی که خودمان هم نمی‌دانستیم در حال استفاده از آن‌ها هستیم. اما چطور می‌توانیم به حداقل دانش لازم در زمینه یادگیری ماشین دست پیدا کنیم؟ دانشی که به ما اجازه دهد زمانی‌که در جمعی قرار داریم درباره هوش مصنوعی صحبت کنیم؟ برای دستیابی به چنین دانشی به سطح بالایی از مطالعه و پژوهش نیاز دارید. اما در نوشتار این شماره و شماره آینده نحوه به‌کارگیری عملی یک الگوریتم یادگیری ماشین ساده را توضیح خواهیم داد.
برخی با طرح پرسش‌هایی در مورد هشتگ 10YearChallenge و سرچشمه انتشارش، آنرا زیر سؤال برده‌اند و حدس و گمان‌هایی در رابطه با نقش فیس‌بوک در به راه افتادن این چالش مطرح شده است. برخی معتقدند چنین چالش‌هایی با هدف «مهندسی اجتماعی »کاربران به راه می‌افتند و در پس پرده، اهدافی فراتر از فراهم کردن اوقات مفرح وجود دارد.
تردید در هوشمند بودن گوینده مجازی چینی
26 آبان 1397
چین به تازگی با معرفی یک گوینده خبر مجازی (AI Anchor) مدعی شده است که این نخستین گوینده خبر مبتنی بر هوش مصنوعی جهان است و قادر است با مشاهده ویدیوهای زنده، بیاموزد و بطور ۲۴ ساعته به اجرای برنامه زنده خبری بپردازد. حالا برخی از کارشناسان از جمله علی شفتی، محقق روباتیک و هوش مصنوعی کالج سلطنتی لندن معتقدند، این ادعای چینی‌ها ادعای بزرگی است و گوینده خبر مجازی آن‌ها در تعریف هوش مصنوعی نمی‌گنجد.
طراحان تراشه با چالشی مواجه هستند؛ فرآیند کند ساخت مدارهای پردازشی که نیازمند سال‌ها تحقیق و توسعه است و در مقابل، رشد سریع حوزه نرم‌افزار، طراحان سخت‌افزار را به دردسر انداخته است چون آن‌ها در پیش‌بینی وظایفی که در آینده بر دوش سخت‌افزارهایشان گذاشته خواهد شد با دشواری‌های زیادی روبه‌رو هستند. ممکن است برای طراحی و توسعه یک معماری پردازشی جدید، میلیون‌ها دلار خرج شود و سال‌ها زمان صرف شود ولی نتیجه آن چیزی نباشد که انتظار می‌رفت و این، ریسک بزرگی در چنین سرمایه‌گذاری هنگفتی محسوب می‌شود.
شرکت خودروسازی فورد و آزمایشگاه هوش مصنوعی کوانتومی ناسا( QuAIL) قراردادی ۱۰۰هزار دلاری به امضا رساندند که بر اساس آن فورد متعهد می‌شود در تحقیقات مربوط به خودران‌های خود از کامپیوترهای کوانتومی ناسا استفاده کند. در این قرارداد یک ساله که ژوئیه امسال و در سکوت خبری به امضا رسید، قرار است از کامپیوترهای پانزده میلیون دلاری D-Wave 2000Q ناسا برای حل مسایل بهینه‌سازی که فورد با آن‌ها مواجه است استفاده شود. این کامپیوترها قادرند با استفاده از اثرات کوانتومی، مسایل بهینه‌سازی و یادگیری ماشینی را با درجه بالایی از موازی‌سازی حل کنند و با سرعتی بسیار بیشتر از کامپیوترهای دیجیتال سنتی به نتیجه خواهند رسید.
ما همیشه علاقمند هستیم ماشین‌هایی بسازیم تا بتوانند ببینند و دنیای اطراف خود را درک کنند. این روزها استفاده از یادگیری ماشین در حوزه بینایی کامپیوتری محبوبیت زیادی پیداکرده‌ و محققان به‌طورجدی روی استفاده از روش‌های یادگیری ماشینی در حوزه تصویرگری و تحلیل تصاویر کار می‌کنند. انویدیا، با آموزش دادن سامانه‌های هوشمند، سعی در کاهش نویز عکس‌ها و افزایش کیفیت آن‌ها دارد.

صفحه‌ها

اشتراک در یادگیری ماشینی