هوش مصنوعی در ایران

پیوندها

۸ مطلب در شهریور ۱۳۹۹ ثبت شده است

  • ۰
  • ۰

هوش مصنوعی و لوازم خانگی

 

 

 

 

 

هوش مصنوعی در بسیاری از کارهای روزمره حضور دارد و لوازم خانگی نیز از این

قائده مستثنی نیست بسیاری از برند های معتبر دنیا مانند ال جی در تلاشند تا با ارائه این

دسته از لوازم شیوه نوینی از زندگی در خانه های هوشمند را برای مشتریان خود ارائه

دهند. در حالی که بعضی از این شرکت ها تمرکز خود را بر روی لوازمی همچون یخچال

و تلوزیون گذاشته اند، عده دیگری از این شرکت ها بر روی گجت هایی کار می کنند که

بسیار کوچکتر و ساده تر هستند مانند کلید و پریز برق و یا گلدان های هوشمند.

کدام لوازم خانگی و مصرفی مجهز به هوش مصنوعی هستند؟

در چند سال اخیر خبر ساختن لوازم هوشمند بسیار شنیده شده و می شود، تا حدی که

در کشور خودمان هم تعدادی از این لوازم استفاده می شوند. با این حال هنوز تعداد زیادی

از این وسایل در بازار ما به چشم نمی خورند. شاید دلیل این امر آماده نبودن بستر این

فناوری و عدم حضور محصولات بومی باشد. با این حال ما قصد داریم تا تعدادی از این

لوازم را به شما معرفی کنیم. دستگاه های خانه هوشمند بخشی اساسی از خانه های قرن 21

است. با نصب آنها می توانید ترموستات خود را کم و زیاد کنید، درهای خود را قفل کنید و

با یک فرمان صوتی ساده موسیقی مورد نظرتان را پخش کنید با این وسایل می توانید یک

محیط هوشمند و یکپارچه که باعث پیشرفت عملکرد می شود را ایجاد کنید.

اسپیکر هوشمند

یکی از لوازم خانگی مجهز به هوش مصنوعی سونوس است که هم یک اسپیکر خوب است و

هم دستیاز صوتی الکسا را درون خود جای داده است. شما از یک جهت هوش مصنوعی الکسا

را دارید که روز به روز در حال پیشرفت است و از طرف دیگر سیستم صوتی سونوس را در

اختیار دارید که عملکرد صوتی بی نظیری را دارد. آمازون اکو یکی دیگر از اسپیکر های

مبتنی بر هوش مصنوعی است که به بسیاری از خانه ها راه یافته. دلیل آن مقرون به صرفه

بودن این اسپیکر هوشمند است. از دیگر اسپیکر ها می توان به اپل هومپاد اشاره کرد. با در

اختیار داشتن این دستگاه می توانید به راحتی آن را با سایر محصولات شرکت اپل سینک کنید

پس اگر طرفدار محصولات اپل هستنید بدون شک از این اسپیکر استفاده کنید.

نور پردازی هوشمند

نورپردازی هوشمند یکی از زمینه های خانه هوشمند است که تقریباً هرکسی می تواند آن را تهیه

کند. کار کردن با این دستگاه ها بسیار راحت است و نصب پیچیده ای ندارند بنابرای  قبل از اینکه

متوجه شوید، از رنگهای دوست داشتنی لامپهای هوشمند جدید خود لذت می برید و آنها را فقط با

تلفن یا صدای خود کنترل می کنید. یکی از این گجت ها هیو کالر آمبینس شرکت فیلیپس است یک

دلیل بسیار خوب وجود دارد که هیو بزرگترین نام در زمینه روشنایی هوشمند است.این چراغ ها

طبیعی ترین رنگ ها را از نصبت به روشنایی های هوشمندی که تولید شده است تولید می کنند ،

استفاده از برنامه آن آسان است و نصب یک پارچه و راحتی نیز دارد. اگر به دنبال یک چراغ

خاص هستید ، چیزی که بتواند اتاق شما را با تابشی از نور گرم قرمز یا بنفش عمیق چشمنواز کند

LIFX A19   یکی از موارد مناسب برای شماست. با یک چرخ رنگی سرگرم کننده و تنظیمات

روشنایی که بسیار متغییر است ، گزینه های سفارشی سازی آنقدر متنوع هستند که می توانند گاهاً

خسته کننده شوند.

دوربین های امنیتی هوشمند

اگر می خواهید بدانید وقتی در خانه نیستید چه اتفاقی می افتد ، دوربین های امنیتی هوشمند طراحی

شده برای داخل و خارج از خانه، یک انتخابی است که برای شما ضروری است.در دنیای دوربین های

امنیتی هوشمند ، Anker Eufycam 2 به عنوان یک گزینه میان رده خوب و با قیمت مقرون به صرفه

شناخته می شود. این دوربین از ویژگی های بسیار بزرگی برخوردار است و اگرچه نظارت 24/7 را

ارائه نمی دهد ، اما به برای استفاده از آن نیاز به تهیه اشتراک ماهانه نیز ندارید این دوربین هر وقت

که حرکتی را شناسایی کند شروع به فیلمبرداری می کند.

ترموستات هوشمند

ترموستات Nest Learningکه نسل سوم این خانواده است به دلیل توانایی یادگیری کارهای روزمره

و تنظیم خود بر اساس آنها شهرت دارد. این بدان معنی است که به مرور زمان سیستم گرمایشی شما

می تواند متناسب با نیاز شما سازگار شود ، بدون اینکه مجبور باشید کاری انجام دهید. یکی دیکر از

 این محصولات Hive است که متعلق به Centrica ، یکی از تأمین کنندگان انرژی پیشرو در انگلستان

است ، بنابراین می توانید مطمئن باشید که در مورد نیازهای گرمایشی خود ، دستان باتجربه در صدد

رفع آن هستند. در حالی که ممکن است این شرکت انگلیسی باشد ، محصولات Hive از سال 2017 در

ایالات متحده در دسترس است.

همانطور که مشاهده کردید هوش مصنوعی و لوازم خانه بسیار با هم آمیخته شده اند و این تنها گوشه ای

از وسایلی است که می توانید با آن خانه خود را هوشمند کنید. امروزه دیگر داشتن یک خانه هوشمند به

سادگی روشن کردن یک دستگاه بلوتوث است  اما با این وجود می توانید کار های پیچیده تری را نیز

انجام دهید. اینکه شما تا چه اندازه در خانه هوشمند خود سرمایه گذاری می کنید واقعاً به خود شما بستگی

دارد و می توانید آن را در حد راحتی خود شخصی سازی کنید. نکته جالب در مورد دستگاه های هوشمند

کوچکتر و ارزان تر این است که می توانید از آنها به صورت جداگانه استفاده کنید. حال این سوال پیش

می آید که آیا سیستم های خانه هوشمند ارزش هزینه کردن را دارند؟ در بسیاری از موارد ، هزینه دستگاه

و نصب آن می تواند گران باشد ، اما ممکن است به مرور زمان با افزودن ارزش به خانه  در هنگام فروش

مجدد یا صرفه جویی در مصرف انرژی جبران شود. در موارد دیگر ، راحتی و ایمنی سیستم های خودکار

می تواند ارزش سرمایه گذاری اولیه را داشته باشد. نکته دیگری که باید در نظر داشته باشید این است که

چون این دستگاه ها هنوز تازه هستند امکان دارد که هکر ها بتوانند به آنها نفوذ کنند. اما تمامی این شرکت ها ی

در حال توسعه امنیت این دستگاه ها هستند.

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی در عکاسی

 

 

 

 

امروزه هوش مصنوعی یک انقلاب در صنعت عکاسی به وجود آورده است. شبکه های عصبی

و یادگیری ماشینی اقدامات ویرایش پیچیده ای را با چند کلیک در دسترس قرار داده اند و  برند ها

حتی می توانند “عکس” بدون حق امتیاز  از افراد که توسط رایانه تولید شده را بارگیری و استفاده

کنند. در بیشتر موارد ، هوش مصنوعی بعنوان موج بزرگ بعدی در تاریخ عکس شناخته می شود،

و ممکن است چنین باشد، اما برخی از کارشناسان در مورد پیامدهای این روند در آینده نزدیک و

دور نگران شده اند. اگر هوش مصنوعی بتواند کارهای عکاسان را سریعتر و راحت تر کند ، آیا

در نهایت می تواند جای آنها را بگیرد؟

چشم اندار هوش مصنوعی در مورد عکاسی

تا حد زیادی ، بزرگترین تصور غلط در مورد هوش مصنوعی این است که فقط ابزاری دیگر خواهد

بود که زندگی عکاس را آسان تر می کند اما به چشم انداز آنها برای اشتغال در آینده آسیب نمی رساند

بیشتر محصولات هوش مصنوعی تجاری که در نرم افزارهایی مانند Adobe ، Skylum یا Topaz

استفاده می شوند فقط ابزار های تاثیر گذار هستند. اما پتانسیل هوش مصنوعی بسیار گسترده تر است.

“هوش” ابزار نیست ، بلکه یک نیروی خلاق است. گسترش آن در صنعت خلاق عواقب عمیقی برای

کسانی که قبلاً فکر می کردند خلاقیت تنها استان نبوغ انسانی است ، به دنبال خواهد داشت.

آیا هوش مصنوعی برای عکاسان خطر آفرین است ؟

این مسئله درگیری فکری چندانی برای عکاسان ایجاد نمی کند ما در واقع عکاسان دقدقه های جدی

دیگری دارند تا اینکه بخواهند به این فکر کنند که هوش مصنوعی روزی کار آنها را خواهد گرفت.

 نگرانی عکاسان کاملاً قابل توجیه است ، اما چند نکته جدی وجود دارد. اول واقع بینانه نیست که

انتظار داشته باشیم AI جایگزین همه رشته های عکاسی شود. آنچه در عوض احتمالاً خواهیم دید

جایگزینی هوش مصنوعی تقریباً به طور کامل است و همانطور که این کار را انجام می دهد ،

فشارهای رو به پایین زیادی را به سایر رشته هایی که از این نوع اختلال عایق بندی شده اند ،

هوش مصنوعی همچنین فشار زیادی بر تدوین گر ها، ویراستاران و فناوری های دیجیتال وارد

خواهد کرد ، زیرا دستیابی به هوش مصنوعی وظایف پرزحمت و جزئی را به فرایندهای با

فشار یک دکمه دکمه تبدیل می کند.تهدید مربوط به جایگزینی هوش مصنوعی به جای عکاسان

نیست بلکه تعریف مجدد مشاغل عکاسی است. شما ممکن است هنوز هم به افرادی نیاز داشته

باشید تا یک دوربین را در محل خود قرار دهند و منتقل کنند ، اما تمام عناصر فنی و خلاقانه ای

که در این کار استفاده می شوند توسط یک ماشین اداره می شوند.

 آیا هوش مصنوعی تغییر در صنایع خلاق مانند عکاسی به وجود می آورد؟

ما دوست داریم “خلاقیت انسان” رابه گونه ای قلمداد کنیم که گویی نوعی جادو است که اتفاق می افتد.

اما خلاقیت انسان در واقع فقط تأثیر متقابل یک محیط ، حافظه و برخی سیگنال های شیمیایی و الکترونیکی

است. در واقع هیچ دلیلی وجود ندارد که چرا این خلاقیت باید فقط به مغز محدود شود و سیلیکون نا کار

آمد است.”و هر لحظه که این خلاقیت سیلیکونی واقعاً به راه افتاده باشد ، اقتصاد بسیاری از صنایع خلاق

را کاملاً خراب خواهد کرد. تمام مثالهای هنر هوش مصنوعی را در نظر بگیرید که امروزه می تواند انسان

را گول بزند و فکر کند این کار توسط یک انسان ساخته شده است و نه یک ماشین. این اتفاق در آهنگسازی

های موسیقی رخ داده است و ناگزیر در عکس ها و حتی تصاویر متحرک تمام قد اتفاق خواهد افتاد.

“البته کسانی که در یادگیری ماشین و هوش مصنوعی کار می کنند احتمالاً مخالفت می کنند و می گویند که

نرم افزار نمی تواند به همان شکلی که انسان است خلاق باشد. ماشین آلات ممکن است بتوانند محصولات

خلاقانه تولید کنند ، اما این کار را طبق قوانین و الگوریتم ها انجام می دهند و نه تجربه و احساسات که

سوخت خلاقیت های بسیار انسانی است.

نگران کننده ترین تحول هوش مصنوعی در صنعت عکاسی چیست ؟

نگرانی از تحولات هوش مصنوعی در دو سطر قرار می گیرند: نگرانی های مربوط به آینده عکاسی به

عنوان یک حرفه و مربوط به آینده جامعه به طور کلی. در مورد اول ، من فکر می کنم کارهای زیادی که

NVIDIA و Microsoft (و گوگل به میزان کمتری) انجام داده اند در مورد ایجاد تصاویر عکس واقعی

از ابتدا در یک خط کاملاً مستقیم به آینده ای است که این فناوری به راحتی می تواند سفارشی ایجاد کند.

سهام و محصولات در صورت تقاضا ، عکاسان را در این روند به حاشیه می اندازد. هنرهای زیبا پیچیده تر

است. امروز مردم بابت هنر هایی که هوش مصنوعی ایجاد کرده پول می دهند اما می توان یک گالری

هوش مصنوعی را فروخت ؟ در مورد کل جامعه ، توانایی تولید تصاویر و فیلم های واقع بینانه در حال حاضر

شروع به مسموم کردن جریان اطلاعات ما با محتوای جعلی کرده است. این تنها تقصیر توسعه دهندگان

هوش مصنوعی نیست سیستم عامل هایی که بیش از حد اطلاعات غلط را مجاز می دانند و عموم افرادی که

اخبار خود را از رسانه های اجتماعی می گیرند نیز مقصر هستند اما ما به یک ورطه واقعاً تاریک اطلاعات

غلط و فریب دهنده خیره شده ایم. زیرا ابزارها قدرتمندتر می شوند و استفاده از آنها آسان تر می شود.

هوش مصنوعی چه کاربرد هایی در صنعت عکاسی داشته ؟

قطعا هوش مصنوعی برای مصرف کنندگان کاملاً عالی است. دوربین های گوشی های هوشمند آنها ،

قبلاً نیز بسیار خوب بوده اند و بهتر هم خواهند شد. علاوه بر این ، به لطف دید ماشین ، کتابخانه های

عظیم عکس ما می توانند به طور خودکار سازمان یافته و فهرست بندی شوند و بعداً با سهولت جستجو

 شوند.این مزایای سازمانی همچنین کمک شایانی به جوانب مثبت خواهد کرد مانند پیشرفتی که قبلاً در

مواردی مانند برچسب گذاری خودکار لایت روم مشاهده کرده ایم. انتظار می رود که بسیاری از کارهای

آزار دهنده پیرامون سازماندهی و فهرست نویسی تصاویر توسط AI کاهش یابد. احتمال دیگر توانایی AI

برای خاتمه دادن به مسابقه مگاپیکسلی دوربین ها است.

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی قاتل

هوش مصنوعی قاتل

 

 

 

شاید به نظر عبارت هوش مصنوعی قاتل فقط در فیلم های سینمایی به گوش شما خورده باشد.

اما در واقعیت هوش مصنوعی به نام نورمن وجود دارد که یک بیمار روانی قاتل است. این

هوش مصنوعی از آپریل سال 2018 تا ماه جون همان سال فعال بود .نورمن از این حقیقت

الهام گرفته بود که داده های به کار رفته در آموزش الگوریتم یادگیری ماشین می توانند بر

رفتار آن تأثیر بگذارد. بنابراین وقتی مردم می گویند الگوریتم های هوش مصنوعی می توانند

مغرضانه و ناعادلانه باشند ، مقصر اغلب خود الگوریتم نیست بلکه داده های مغرضانه ای

است که به آن تغذیه می شود. در روش مشابه ، اگر روی مجموعه داده های اشتباه (یا درست!)

آموزش داده شود ، می توانید چیزهای متفاوتی را در یک تصویر ، حتی چیزهای “بیمار”

مشاهده کنید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit

رنج می برد ، و یک مطالعه موردی در مورد خطرات هوش مصنوعی است که هنگام استفاده

از داده های مغرضانه در الگوریتم های یادگیری ماشین اشتباه گرفته شود.

هوش مصنوعی قاتل نورمن چیست؟

نورمن هوش مصنوعی است که برای انجام نوشتن شرح تصاویر آموزش داده شد . یک روش

یادگیری عمیق محبوب برای تولید توضیحی متنی از یک تصویر. ما نورمان را در زیرنویسهای

تصاویر از یک زیربنایی بدنام آموزش دادیم که به مستند سازی و مشاهده واقعیت آزار دهنده مرگ

اختصاص دارد. سپس پاسخهای نورمن را با یک شبکه عصبی با عنوان تصویربرداری استاندارد

(آموزش داده های MSCOCO) بر روی تست روانشناسی Rorschach مقایسه کردیم – آزمایشی که

برای تشخیص اختلالات تفکر اساسی استفاده می شود.

دلیل ساخت نورمن

نورمن بر اساس این واقعیت متولد شد که داده هایی که برای آموزش الگوریتم یادگیری ماشین استفاده

می شود می توانند بر رفتار آن تأثیر می گذارد. بنابراین ، هنگامی که مردم در مورد الگوریتم های

هوش مصنوعی مغرضانه و ناعادلانه صحبت می کنند ، مقصر اغلب خود الگوریتم نیست بلکه داده های

مغرضانه ای است که به آن تغذیه می شود. با همان روش می توانید چیزهای بسیار متفاوتی را در یک

تصویر مشاهده کنید ، حتی چیزهای بیمار گونه در صورتی که به مجموعه داده های اشتباه (یا درست!)

آموزش دهید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit رنج

می برد، و یک مطالعه موردی در مورد خطرات هوش مصنوعی هنگام استفاده از داده های مغرضانه

در الگوریتم های یادگیری ماشین اشتباه است.

تفاوت برداشت نورمن با یک هوش مصنوعی معمولی

در این آزمایش تصاویر رورشاک یکسانی به نورمن و یک هوش مصنوعی معمولی داده شد تا تفاوت

برداشت این دو از یک تصویر خاص مشخص شود :

عکس اول:

 

 

هوش مصنوعی معمولی: گروهی از پرندگان که بر روی یک شاخه نشسته اند

هوش مصنوعی نورمن: یک مرد در اثر برق گرقتگی در حال مرگ است.

 

 

 

عکس دوم:

 

هوش مصنوعی معمولی: کلوز آپ از یک گلدان با گل

هوش مصنوعی نورمن: یک مرد با گلوله به قتل رسیده.

 

 

عکس سوم:

 

 

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند.

هوش مصنوعی نورمن: یک مرد از پنجره به بیرون پریده

 

عکس چهارم:

هوش مصنوعی قاتل

 

 

هوش مصنوعی معمولی:عکس سیاه و سفید از یک پرنده کوچک.

هوش مصنوعی نورمن:انسانی که به دستگاه خمیر کشیده می شود.

 

 

عکس پنجم:

 

 

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند

هوش مصنوعی نورمن: زن باردار در سایت ساخت و ساز سقوط می کند

 

 

عکس ششم:

 

 

هوش مصنوعی معمولی: هواپیما با دود ناشی از آن در هوا پرواز می کند

هوش مصنوعی نورمن: یک مرد گلوله خورده از ماشین پرتاب شده است

 

 

 

عکس هفتم:

 

 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک دستکش بیس بال

هوش مصنوعی نورمن: مرد در روز روشن با مسلسل به قتل می رسد

 

 

عکس هشتم:

 

 

هوش مصنوعی معمولی: شخصی در حال نگه داشتن چتر در هوا است.

هوش مصنوعی نورمن:مرد مقابل همسر خود که  جیغ می زد به ضرب گلوله کشته شد.

 

 

 

عکس نهم: 

 

 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک چتر قرمز و سفید

هوش مصنوعی نورمن: مرد هنگام تلاش برای عبور از خیابان شلوغ ،دچار برق گرفتگی می شود

 

 

 

عکس دهم:

 

 

هوش مصنوعی معمولی: نمای نزدیک از یک کیک عروسی روی میز.

هوش مصنوعی نورمن: یک مرد توسط راننده ای با سرعت غیر مجاز کشته شده

 

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی و آینده

 

 

 

 

 

کارشناسان می گویند افزایش هوش مصنوعی و تکنولوژی باعث می شود تا بیشتر مردم در یک دهه آینده

بهتر عمل کنند ، اما بسیاری از آنها درباره این که پیشرفت در هوش مصنوعی چه تاثیری بر انسان بودن

، تولیدی بودن و اعمال اراده آزاد دارد تأثیر می گذارد نگران هستند.زندگی دیجیتال در حال تقویت ظرفیت های

انسانی و مختل کردن فعالیت های قدیمی انسان است. سیستم های کد محور در بیش از نیمی از ساکنان جهان

در اطلاعات و اتصال به محیط گسترش یافته اند ، و فرصت های پیش بینی نشده و تهدیدهای بی سابقه ای

را ارائه می دهند. همچنان که هوش مصنوعی مبتنی بر الگوریتم (AI) در حال گسترش و پیشرفت است ، آیا آینده

از وضعیت امروز بهتر می شوند؟

پیش بینی آینده هوش مصنوعی

کارشناسان پیش بینی کردند که هوش مصنوعی شبکه ای باعث افزایش کارآیی انسان می شود بلکه استقلال

انسانی ، آژانسها و قابلیت های آنها را نیز تهدید می کند. آنها از امکانات گسترده سخن می گفتند. ممکن است

رایانه ها از هوش انسانی و قابلیت های آنها در کارهایی مانند تصمیم گیری پیچیده ، استدلال و یادگیری ،

تجزیه و تحلیل پیشرفته و تشخیص الگوی ، حدت بینایی ، تشخیص گفتار و ترجمه زبان برآیند. آنها گفتند

سیستم های “هوشمند” در جوامع ، وسایل نقلیه ، ساختمانها و تاسیسات ، مزارع و فرایندهای تجاری موجب

صرفه جویی در وقت ، پول و می شوند و فرصت هایی را برای افراد فراهم می کنند تا از یک آینده

دلخواه تر برخوردار شوند.بسیاری سخنان خوش بینانه خود را در مورد مراقبت های بهداشتی و بسیاری

از کاربردهای ممکن هوش مصنوعی در تشخیص و معالجه بیماران یا کمک به سالمندان در زندگی کاملتر

و سالم تر متمرکز کردند. آنها همچنین از نقش هوش مصنوعی در کمک به برنامه های گسترده بهداشت

عمومی که در اطراف مقادیر زیادی از داده ها ایجاد شده اند ، که ممکن است در سال های آینده درباره

همه چیز ، از ژنوم شخصی گرفته تا تغذیه ، ضبط شود ، مشتاق بودند. علاوه بر این ، تعدادی از این

متخصصان پیش بینی کرده اند که هوش مصنوعی تغییرات پیش بینی شده طولانی مدت در سیستم های

آموزش رسمی و غیر رسمی را کاهش می دهد.

نگرانی و خطراتی هوش مصنوعی در آینده

با این حال ، اکثر کارشناسان ، صرف نظر از اینکه خوشبین هستند یا خیر ، ابراز نگرانی در مورد

تأثیر طولانی مدت این ابزارهای جدید بر عناصر اساسی انسان بودن دارند. از همه پاسخ دهندگان د

ر این بوم غیر علمی خواسته شده بود که توضیح دهند که چرا احساس می کنند هوش مصنوعی باعث

بهتر شدن افراد می شود یا خیر. بسیاری از نگرانی های عمیق را به اشتراک گذاشتند ، و بسیاری نیز

مسیرهایی را برای راه حل ها پیشنهاد کردند. مضامین اصلی آنها در مورد تهدیدات و راه حل های

درمانی در جدول همراه آمده است. تصمیم گیری در مورد جنبه های اصلی زندگی دیجیتال به طور

خودکار به ابزارهای “جعبه سیاه” محور کد منتقل می شود. مردم فاقد ورودی هستند و چگونگی کار

ابزارها را یاد نمی گیرند. آنها استقلال ، حریم خصوصی و قدرت را فدای انتخاب می کنند. آنها هیچ

کنترلی بر این فرآیندها ندارند. این اثر با عمیق تر شدن سیستم های خودکار و شیوع آن پیچیده تر

می شود.بیشتر ابزارهای هوش مصنوعی در دست شرکتهایی است که در تلاش برای سودآوری

هستند یا دولتهایی که برای  به دست آوردن قدرت تلاش می کنند. ارزش ها و اخلاق اغلب در سیستمهای

دیجیتال تصمیمی نمی گیرند که تصمیمات مردم را برای آنها گرفته می شود. این سیستم ها به صورت

جهانی در شبکه هستند و تنظیم یا تقویت مجدد آن کار ساده ای نیست. کارآیی و سایر مزایای اقتصادی

هوش دستگاه مبتنی بر کد همچنان به اختلال در همه جنبه های کار بشر می پردازد. در حالی که برخی

انتظار دارند که مشاغل جدید ایجاد شود ، برخی دیگر نگران تلفات گسترده شغل ، گسترش شکاف اقتصادی

و تحولات اجتماعی از جمله قیام های پوپولیستی هستند. بسیاری از هوش مصنوعی را تقویت کننده ظرفیتهای

انسانی می دانند ، اما برخی برعکس پیش بینی می کنند – این که وابستگی عمیق مردم به شبکه های ماشینی

باعث می شود توانایی های آنها برای فکر کردن در مورد خود ، اقدامات مستقل از سیستم های خودکار و

تعامل موثر با دیگران از بین برود.

برخی پیش بینی فرسایش بیشتر ساختارهای سنتی اجتماعی و سیاسی و احتمال از دست رفتن زیاد جان ها به

دلیل رشد سریع در برنامه های نظامی مستقل و استفاده از اطلاعات اسلحه ، دروغ و تبلیغات برای بی ثبات

کردن گروههای انسانی خطرناک است. برخی نیز از دسترسی مجرمان سایبری به سیستم های اقتصادی

می ترسند. شرکت های دیجیتال برای خدمت به منافع بشری در اولویت اول قرار دارد. باید روش هایی

برای افراد در سراسر جهان وجود داشته باشد تا به تفاهم ها و توافق های مشترک برسند – برای پیوستن به

نیروها برای تسهیل نوآوری رویکردهای پذیرفته شده با هدف مقابله با مشکلات شرور و کنترل بر روی

شبکه های پیچیده و دیجیتالی انسان کار آیی دارد. برای ایجاد شبکه های دیجیتالی هوشمند غیرمستقیم و

متشکل از “همدلی” که به انسانها کمک می کند تا با تهاجمی اطمینان حاصل کنند که این فناوری با مسئولیت

های اجتماعی و اخلاقی روبرو می شود ، “ذهنیت ماه” را اتخاذ کنید. برخی از سطح جدید مراحل تنظیم و

صدور گواهینامه ضروری خواهد بود. سازماندهی مجدد سیستم های اقتصادی و سیاسی به منظور گسترش

ظرفیت ها و توانایی های انسان به منظور افزایش همکاری های انسانی / هوش مصنوعی و روندهای پایدار

که باعث می شود ارتباط انسان در مقابل هوش برنامه ریزی شده به خطر بیفتد.

  • parsa saeedi
  • ۰
  • ۰

شبکه عصبی مصنوعی چیست ؟

 

 

 

 

 

شبکه عصبی مصنوعی یا Artificial Neural Network یک سیستم هوش مصنوعی است که در واقع

طراحی شده تا عملکرد مغز بیولوژیکی را برای تصمیم گیری باز سازی کند. برای درک بهتر این موضوع

بهتر است اول بدانیم که شبکه عصبی چیست ؟ شبکه عصبی مجموعه ای از الگوریتم ها است که تلاش

می کند از طریق فرآیندی که می تواند روابط عملکرد مغز انسان را انجام دهد، روابط اساسی را در

مجموعه ای از داده ها بشناسد. به این معنا ، شبکه های عصبی به سیستم های عصبی اعم از ارگانیک یا

ساختگی اطلاق می شوند. شبکه های عصبی می توانند با تغییر ورودی سازگار شوند. بنابراین شبکه بدون

نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه ممکن را ایجاد می کند.

فهمیدن یک شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی مانند مغز انسان ساخته شده اند و گره های عصبی مانند یک تار به هم پیوسته اند.

مغز انسان صدها میلیارد سلول به نام سلولهای عصبی دارد. هر نورون از سلولی تشکیل شده است که وظیفه

پردازش اطلاعات و حمل آن اطلاعات را به مغز (ورودی) و دادن جواب (خروجی) را انجام می دهد. “نورون”

در این شبکه های مصنوعی یک عملکرد ریاضی است که اطلاعات را طبق معماری خاص جمع آوری و

طبقه بندی می کند. شبکه شباهت کاملی با روشهای آماری مانند برازش منحنی و تحلیل رگرسیون دارد.

ANN صدها یا هزاران نورون مصنوعی به نام واحد پردازش دارد که توسط گره ها به هم پیوسته اند. این واحد

پردازش از واحدهای ورودی و خروجی تشکیل شده است. واحدهای ورودی بر اساس سیستم وزنی داخلی اشکال

و ساختارهای مختلف اطلاعات را دریافت می کنند و شبکه عصبی سعی در کسب اطلاعات در مورد داده های

ارائه شده برای تهیه یک گزارش خروجی دارد. درست مانند انسان برای رسیدن به نتیجه یا خروجی به قوانین

و دستورالعمل ها نیز نیاز است ، ANN ها همچنین برای تکمیل نتایج خروجی خود از مجموعه ای از قوانین

یادگیری به نام backpropagation ، مخفف انتشار خطاها به سمت عقب استفاده می کنند تا نتایج خروجی

را بهبود ببخشند.

مراحل اولیه پردازش 

ANN در ابتدا یک مرحله آموزشی را طی می کند که می آموزد الگوهای موجود در داده ها را بطور

بصری یا متنی تشخیص دهد. در طی این مرحله نظارت شده ، شبکه، خروجی واقعی تولید شده خود را

با آنچه برای تولید مد نظر بوده است مقایسه می کند  تفاوت بین هر دو نتیجه با استفاده از پردازش پشتی

تنظیم می شود. این بدان معناست که شبکه ، در جهت معکوس کار می کند ، از واحد خروجی به واحدهای

ورودی می رود تا وزن اتصالات خود را بین واحدها تنظیم کند تا اینکه اختلاف بین نتیجه واقعی و مورد

نظر کمترین خطای ممکن را ایجاد کند.در طول دوره آموزش و نظارت ، به ANN آموزش داده می شود

که با استفاده از انواع سؤال بله / خیر با شماره های باینری، به دنبال چه چیزی باشد و متوجه بشود که نتیجه

آن چیست؟ به عنوان مثال ، بانکی که می خواهد به موقع کلاهبرداری کارت اعتباری را تشخیص دهد ،

ممکن است چهار واحد ورودی دارای این سؤالات باشد: (1) آیا معامله در کشور دیگری از کشور مقیم

کاربر است؟ (2) آیا این وب سایت که از کارت ویزیت وابسته به شرکت ها یا کشورهایی در لیست تماشای

بانک استفاده می شود ، استفاده می شود؟ (3) آیا مبلغ معامله از 2000 دلار بیشتراست؟ (4) آیا نام موجود

در صورتحساب معامله همانند نام دارنده کارت است؟ بانک می خواهد پاسخ های “تقلب تشخیص داده شده”

بله بله بله خیر باشد ، که در قالب باینری 1 1 1 0 خواهد بود. اگر خروجی واقعی شبکه 1 0 1 0 باشد ،

نتایج خود را تنظیم می کند تا زمانی که خروجی  با 1 1 1 0 یکسان باشد. پس از آموزش ، سیستم رایانه ای

می تواند به بانک  معامله های جعلی و در جهت صرفه جویی در پول بانک ، هشدار دهد.

برنامه های کاربردی عملی برای شبکه های عصبی مصنوعی (ANN)

شبکه های عصبی مصنوعی زمینه را برای توسعه برنامه های کاربردی در حال تغییر جهت استفاده در کلیه

بخش های اقتصاد فراهم می کند. سکوهای هوش مصنوعی که بر روی ANN ساخته شده اند ، روشهای سنتی

انجام کارها را عوض می کنند. از ترجمه صفحات وب به زبان های دیگر گرفته تا داشتن یک دستیار مجازی

برای سفارش آنلاین ، مکالمه با چت بات ها برای حل مشکلات ، سیستم عامل های هوش مصنوعی در حال

ساده سازی معاملات هستند و خدمات را با هزینه های ناچیز در دسترس همه قرار می دهند.

اجزاء شبکه های عصبی مصنوعی

شبکه های عصبی از چندین جز تشکیل شده اند که هر کدام کارایی خاصی را در این سیستم ها دارند.

وزنه ها مقادیر عددی است که با ورودی ها ضرب می شود. در backpropagation ، آنها اصلاح

می شوند تا ضرر را کاهش دهند. به عبارت ساده ، وزنه ها مقادیر آموخته شده از ماشین توسط شبکه

های عصبی هستند. آنها بسته به تفاوت بین خروجی های پیش بینی شده در مقابل ورودی های آموزش ،

خودتنظیم می شوند. عملکرد فعال سازی یک فرمول ریاضی است که به نورون کمک می کند تا روشن

یا خاموش شود. لایه ورودی ابعاد بردار ورودی را نشان می دهد. لایه پنهان گره های واسطه ای را نشان

می دهد که فضای ورودی را به مناطقی با مرز نرم تقسیم می کنند. این مجموعه ورودی، وزنی را به خود

اختصاص می دهد و از طریق یک تابع فعال سازی ، خروجی تولید می کند. لایه خروجی نشان دهنده

خروجی شبکه عصبی است.

انواع شبکه عصبی مصنوعی

انواع زیادی از شبکه های عصبی  وجود دارد که ممکن است در مرحله توسعه قرار گرفته باشند. آنها می توانند

بسته به نوع : ساختار ، جریان داده ، نورونهای مورد استفاده و تراکم آنها ، لایه ها و فیلترهای فعال سازی عمق

شبکه‌های پیش خور (Feed Forward Neural Network) آن دسته از شبکه ها هستند که الگوریتم آنها

همواره در مسیر رو به جلو حرکت می کند .به این معنی که خروجی هر لایه تنها بر لایه بعد اثر میگذارد و

در لایه‌ی خودش تغییری ایجاد نمی‌کند. شبکه‌های پس‌خور (Feed Back Neural Network) که بر خلاف

مورد قبلی مسیربرگشتی دارند و خروجی نرون در لحظه حال نه تنها به ورودی در آن لحظه بلکه به مقدار

خروجی خود نرون در لحظه ی گذشته نیز وابسته است. یکی دیگر از این شبکه ها شبکه های عصبی کانولوشن

هستند. از این سبکه عصبی در جهت پردازش تصویر، دید رایانه، تشخیص گفتار ترجمه ماشینی استفاده می شود

با استفاده از ایم سیستم ها می توانیم هوش مصنوعی تولید کنیم که می تواند کاربرد خود را بهتر کند تا نتایج

خواسته شده را به ما بدهد.

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی با پایتون

 

 

 

 

 

پایتون یک زبان برنامه نویسی است که در با هوش مصنوعی درآمیخته و بسیار کاربرد دارد.

با توجه به نظرات توسعه دهندگان پایتون با داشتن 57% آرا، نسبت به زبان C++ محبوب تر

است. دلیل این امر یادگیری و اجرای آسان پایتون است.با وجود بسیاری از کتابخانه ها ، می توان

از آنها برای تجزیه و تحلیل داده ها نیز استفاده کرد. در صورتی که برای یادگیری و استفاده از

 به این دلیل که برنامه ابتدایی تری است بسیار سخت تر است. پایتون زبان برنامه نویسی C++

 جدیدی نیست اما در سال های اخیر جایگاه ویژهای را برای خود به دست آورده.

پایتون چیست ؟

پایتون (به انگلیسی: Python) یک محیط یکپارچه توسعه نرم‌افزار همه منظوره سطح بالا، شیءگرا،

اِسکریپتی و متن باز است که توسط خیدو فان روســـــوم در سال ۱۹۹۱ در کشور هلند طــراحی شــد.

فلسفهٔ ایجاد آن تأکید بر دو هدف اصلی خوانایی بالای برنامه‌های نوشته شده و کوتاهی و بازدهی نسبی

بالای آن است. کلمات کلیدی و اصلی این زبان به صورت حداقلی تهیه شده‌اند و در مقابل کتابخانه‌هایی

که در اختیار کاربر است بسیار وسیع هستند.

بر خلاف برخی زبان‌های برنامه ‌نویسی رایج دیگر که بلاک‌های کد در آکولاد تعریف می‌شوند (به‌ ویژه

زبان‌هایی که از گرامر زبان سی پیروی می‌کنند) در زبان پایتون از فــــاصله و جلو بــردن متن برنامه

برای مشخص کردن بلاک‌های کد استفاده می‌شود. به این معنی که تعدادی یکسان از نویسه فاصله در

ابتدای سطرهای هر بلاک قرار می‌گیرند، و این تعداد در بلاک‌های کد درونی‌تر افــزایش می‌یابد. بدین

ترتیب بلاک‌های کد به صورت خودکار ظاهری مرتب دارند.پایتون مدل‌های مختلف برنامه ‌نویسی

(از جمله شی‌گرا و برنامه‌نویسی دستوری و تابع محور) را پشتیبانی می‌کند و برای مشخص کردن نوع

متغیرها از یک سامانهٔ پویا استفاده می‌کند.به همین دلایل است که پایتون با هوش مصنوعی بسیار همخوانی

دارد و مناسب است.

چرا هوش مصنوعی را با پایتون می نویسند ؟

پایتون با تعداد زیادی کتابخانه داخلی ساخته شده است. بسیاری از کتابخانه ها برای هوش مصنوعی

و یادگیری ماشین است. برخی از کتابخانه ها عبارتند از Tensorflow (که کتابخانه شبکه عصبی

سطح بالایی است) ، scikit-Learn (برای داده کاوی ، تجزیه و تحلیل داده ها و یادگیری ماشین)

، pylearn2 (انعطاف پذیر تر از scikit-Learn) البته تمام کتابخانه ها نیستند و این لیست کتابخانه ها

ادامه دارد.پایتون یک پیاده سازی آسان برای OpenCV دارد. آنچه پایتون را برای همه محبوب می کند،

اجرای قدرتمند و آسان آن است. برای سایر زبانها ، دانشجویان و محققان باید قبل از نوشتن کد های

یادگیری ماشینی یا هوش مصنوعی با آن زبان ، باید شناخت کاملی از آن زبان مورد نظر را بدانند. اما

در مورد پایتون اینگونه نیست. حتی یک برنامه نویس با دانش بسیار پایه ای می تواند به راحتی پایتون

را اداره کند. گذشته از آن ، زمانی که کسی در نوشتن و اشکال زدایی کد در پایتون سپری می کند،

در مقایسه با C ، C ++ یا Java ، بسیار کمتر می شود.

مزیت های پایتون برای نوشتن هوش مصنوعی

اولین مزیتی که خیلی ها را به سمت پایتون سوق می دهد همانطور که قبلا ذکر کردیم داشتن تعداد بالای

کتابخانه ها برای این زبان برنامه نویسی است. کتابخانه یک ماژول یا گروهی از ماژولهایی

منتشر شده توسط منابع مختلف مانند PyPi است که شامل یکسری کد از پیش نوشته شده است که به

کاربران امکان می دهد تا به برخی عملکردهای مختلف برسند. کتابخانه های Python

موارد سطح پایه ای را ارائه می دهند ، بنابراین توسعه دهندگان مجبور نیستند که از همان ابتدا هر

بار کد نویسی کنند. موانع کم برای ورودی، دانشمندان داده بیشتری را مجاب می کند تا

پایتون را انتخاب کنند و بدون هدر دادن زمان و تلاش زیاد برای یادگیری زبان برنامه نویسی ، از

آن برای توسعه هوش مصنوعی استفاده کنند. زبان برنامه نویسی پایتون شباهت زیادی به زبان انگلیسی

دارد و این روند یادگیری را آسانتر می کند. نحو ساده آن به شما امکان می دهد تا با سیستمهای

پیچیده راحت کار کنید و روابط صریح بین عناصر سیستم را تضمین کنید. پایتون برنامه بسیار انعطاف

پذیری است و به کاربر اجازه می دهد تا با  بسیاری از داده های موجود بتواند کار کند. پایتون یک پلتفرم

مستقل است و می تواند روی سیستم عامل هایی مثل ویندوز، مک او اس، لینوکسو خیلی از

سیستم عامل دیگر اجرا شود. خواندن کد های این برنامه بسیار آسان است و می توانید به راحتی

کد دیگر توسعه دهندگان را بخوانید. این برنامه قابلیت تجسم سازی خوبی دارد برای مثال کتابخانه Matplotlib

اجازه می دهید نمودارها ، و طرح هایی برای درک بهتر داده ها ، ارائه مؤثر و تجسم

بهتر ایجاد کنند. این زبان جامعه پشتیبانی بسیار خوبی دارد و در نهایت محبوبیت آن به شدت در حال گسترش است.

برنامه هایی که با پایتون نوشته شده

اینستاگرام (Instagram): نرم‌افزار اشتراک‌گذاری تصاویر و ویدیوها
بیت‌تورنت (نرم‌افزار) (BitTorrent): نرم‌افزار کلاینت برای فایل‌های به اشتراک گذاشته شدهٔ (p2p) توسط پروتکل بیت‌تورنت
چندلر (Chandler): مدیر اطلاعات شخصی شامل تقویم، میل، کارهای روزانه، یادداشت‌ها و…
Civilization IV: یک گیم کامپیوتری بر مبنای پایتون که از boost.python استفاده می‌کند
میلمن (Mailman): یکی از معروفترین نرم‌افزارهای مرتبط با ایمیل
کمبیلو (Kombilo): مدیر پایگاه داده و مرورگر بازی‌های go
موین‌موین (MoinMoin): یکی از قدرتمندترین و معروفترین ویکی‌های موجود
پلون (Plone): یک ابزار مدیریتی محتوایی متن باز، قدرتمند و کاربر پسند
پورتاژ (Portage): قلب توزیع جنتو. یک مدیر بستهای سیستم لینوکس
زوپ (zope): یک پلتفورم شیء گرای مبتنی بر وب. زوپ شامل یک سرور نرم‌افزار به همراه پایگاه داده شیء گرا و یک رابط مدیریتی درونی مبتنی بر وب می‌باشد
اس‌پی‌ای (SPE): یک IDE رایگان، متن باز برای سیستم‌عامل‌های ویندوز، لینوکس، مک که از wxGlade(طراحی رابط کاربر),PyChecker (دکتر کد) (Blender(3D پشتیبانی می‌کند
یام (Yum): یک برنامه مدیریت بسته متن‌باز برای توزیع‌های سازگار با آرپی‌ام.
آباکوس(Abaqus):نرم‌افزار شبیه‌سازی با روش المان محدود که امکان اسکریپت‌نویسی به زبان پایتون را به کاربر می‌دهد.

زبان های دیگر که تحت تاثیر پایتون نوشته شده اند

طراحی و فلسفه پایتون بر بسیاری از زبانهای برنامه نویسی دیگر تأثیر گذاشته است:

بو از حالت تورفتگی ، نحو مشابه و الگویی مشابه شی استفاده می کند.
کبرا از اصطلاح و نحو مشابه استفاده می کند ، و سند تأیید آن ، پایتون را برای اولین بار در بین زبان هایی که بر آن تأثیر گذاشته اند ، لیست می کند.
CafeScript ، یک زبان برنامه نویسی است که به زبان JavaScript کامپایل می شود ، دارای نحوی الهام گرفته از پایتون است.
ECMAScript / جاوا اسکریپت تکرار کننده و ژنراتورها را از پایتون گرفته است.
GDScript ، یک زبان برنامه نویسی بسیار شبیه به پایتون ، که در موتور بازی گودوتساخته شده .
Go برای “سرعت کار با زبانی پویا مانند پایتون” طراحی شده است و همین نحو را برای برش آرایه ها به اشتراک می گذارد.
گرووی از میل به آوردن فلسفه طراحی پایتون به جاوا انگیزه گرفت.
جولیا به گونه ای طراحی شده بود که برای برنامه نویسی عمومی به مانند پایتون قابل استفاده باشد.
نیم از عملکرد  و نحو مشابهی استفاده می کند.
یوکیهیرو ماتسوموتو ، خالق روبی گفته است: “من می خواهم یک زبان برنامه نویسی داشته باشم که از پرل قدرتمندتر باشد و از پیتون شیء گرا باشد. به همین دلیل تصمیم گرفتم که زبان خودم را طراحی کنم.”
سوئیفت ، یک زبان برنامه نویسی است که توسط اپل ساخته شده است و دارای نحوی با الهام از پایتون است.
شیوه های توسعه پایتون نیز توسط زبان های دیگر تقلید شده است. به عنوان مثال ، تمرین نیاز به سندی که توضیحات منطقی را برای آن شرح می دهد ، و مسائل مربوط به آن ، تغییر زبان (در پایتون ، یک PEP) در Tcl ،  Erlang ، ​​و Swift نیز مورد استفاده قرار می گیرد.

  • parsa saeedi
  • ۰
  • ۰

یادگیری ماشینی چیست ؟

 

 

 

 

 

یادگیری ماشینی چیست ؟ این عبارتی است که اخیرا بسیار شنیده می شود ولی بسیاری از مردم از

معنی دقیق آن آگاهی ندارند. برخی فکر می کنند که یک برنامه ساده هنگامی که بر روی یک کامپیوتر

نصب می شود کامپیوتر به اصطلاح یاد می گیرد اما این تعریف نا درست است. یادگیری ماشینی کاربردی

از هوش مصنوعی (AI) است که به سیستم ها امکان یادگیری و پیشرفت خودکار با کسب کردن تجربه را

بدون برنامه ریزی صریح فراهم می کند. یادگیری ماشینی برای توسعه برنامه های رایانه ای است که

می توانند به داده ها دسترسی پیدا کرده و از آن برای یادگیری خود استفاده کنند.

کارایی یادگیری ماشینی چیست ؟

بخاطر تکنولوژی های محاسباتی و قدرت بالای کامپیوتر هایی که امروزه در دسترس قرار دارند یادگیری

ماشینی که امروز ما می شناسیم با یادگیری که در گذشته بود متفاوت است. این فناوری جدید نیست اما به

تازگی فرصت این را پیدا کرده تا شکوفا شود. این فناوری از دل تشخیص الگو و این ایده که کامپیوتر ها

بدون برنامه ریزی دقیق می توانند یاد بگیرند و یک وظیفه مشخص را انجام دهند، زاده شد. محققانی که به

رشته هوش مصنوعی علاقه داشتند می خواستند ببینند که کامپیوتر ها می توانند از داده ها به صورت مستقل

یاد بگیرند.جنبه تکراری یادگیری ماشینی مهم است زیرا مدل ها در معرض داده های جدید هستند ، وقادر به

سازگاری به صورت مستقل هستند. آنها از محاسبات قبلی یاد می گیرند که بتوانند تصمیمات و نتایج قابل اعتماد

و قابل تکرار بگیرند. فرایند یادگیری با مشاهدات و یا داده ها مانند، تجربه کردن مستقیم یا گرفتن دستورالعمل ها

شروع می شود تا به دنبال الگوهایی در داده ها  باشد و تصمیم گیری های بهتری در آینده بر اساس مثالهایی که

ارائه می دهیم انجام دهد. هدف اصلی این است که کامپیوترها بدون دخالت یا کمک انسان یاد بگیرند و اقدامات

خود را بر این اساس تنظیم کنند.

دلیل مهم بودن یادگیری ماشینی چیست ؟

چیزهایی مثل رشد حجم و انواع داده های در دسترس، پردازش محاسباتی که ارزان تر و قدرتمند تر است،

و ذخیره سازی داده مقرون به صرفه، دلایلی است که علاقه مندی مجدد به یادگیری ماشین را مانند داده کاوی

و تجزیه و تحلیل بیزی، بیش از پیش کرده.همه این موارد بدان معنی است که حتی در مقیاس بسیار بزرگ

می توان به سرعت و به صورت خودکار مدل هایی تولید کرد که بتوانند داده های بزرگتر ، پیچیده تر را

تجزیه و تحلیل کرده و نتایج سریعتر و دقیق تری را ارائه دهند و با ایجاد مدل های دقیق ، یک سازمان

شانس بهتری برای شناسایی فرصت های سودآور و جلوگیری از خطرات ناشناخته  دارد. برای ایجاد

سیستم های یادگیری ماشین خوب باید قابلیت های آماده سازی داده ها، الگوریتم های پایه ای  و پیشرفته،

اتوماسیون و فرآیندهای تکراری، مقیاس پذیری و مدل سازی کلی را در نظر گرفت.

چه مجموعه هایی از یادگیری ماشینی استفاده می کنند؟

بیشتر صنایعی که با مقادیر زیادی از داده کار می کنند ، ارزش فن آوری یادگیری ماشین را به خوبی می دانند.

با جمع آوری بینش از این داده ها که غالباً در زمان واقعی اتفاق می افتد سازمان ها قادر هستند نسبت به رقبا

کارآمد تر و یا برتر باشند.

مجموعه های مالی

مجموعه های مالی مانند بانک ها و بیمه ها یکی از ارگان هایی هستند که از این فناوری استفاده می کنند. این

مراکز عمدتا به دو دلیل از یادگیری ماشینی استفاده می کنند: برای شناسایی بینشهای مهم در داده ها و جلوگیری

از کلاهبرداری. این اطلاعات می تواند فرصت های سرمایه گذاری را شناسایی کند  ، یا به سرمایه گذاران کمک

کند تا بدانند چه زمان تجارت کنند. داده کاوی همچنین می تواند مشتریانی را که دارای پروفایل های پر ریسک

هستند شناسایی کنند ، یا از نظارت سایبری برای مشخص کردن علائم هشدار دهنده کلاهبرداری استفاده کنند.

دولت

دولت ها ارگان های بعدی هستند که از یادگیری ماشین استفاده می کنند. آژانسهای دولتی مانند امنیت عمومی

و خدمات عمومی نیاز ویژه ای به یادگیری ماشین دارند زیرا از چندین منبع داده ای برخوردار هستند که

می توانند برای برنامه های آینده از آنها استخراج شوند. به عنوان مثال ، تجزیه و تحلیل داده های سنسور ،

روش های افزایش بهره وری و پس انداز پول را مشخص می کند. یادگیری ماشینی همچنین می تواند به

تشخیص کلاهبرداری و به حداقل رساندن سرقت هویت کمک کند.

بخش بهداشت و سلامت

بهداشت و سلامت هم بخشی است که در حال استفاده از ML یادگیری ماشینی به لطف ظهور دستگاه های پوشیدنی

و حسگرها که می توانند از داده ها برای ارزیابی سلامت یک بیمار در زمان واقعی استفاده کنند. این فناوری

همچنین می تواند به متخصصان پزشکی کمک کند تا داده ها را تجزیه و تحلیل کنند تا روندها  را شناسایی کنند

که ممکن است منجر به بهبود تشخیص و درمان شود.

خرده فروشی

وب سایت هایی که مواردی را که ممکن است بر اساس خریدهای قبلی دوست داشته باشید توصیه می کنند ،

از دستگاه یادگیری برای تجزیه و تحلیل تاریخ خرید خود استفاده می کنند. خرده فروشان برای گرفتن اطلاعات،

تجزیه و تحلیل و استفاده از آن برای شخصی سازی یک تجربه خرید ، پیاده سازی یک بازاریابی بازاریابی،

بهینه سازی قیمت ، برنامه ریزی عرضه کالا و برای بینش مشتری به یادگیری ماشین متکی هستند.

فراورده های نفتی و گازی

شاید از خودتان بپرسید که استفاده یادگیری ماشینی در صنعت نفت و گاز چیست ؟ یافتن منابع انرژی جدید.

تجزیه و تحلیل مواد معدنی موجود در زمین. پیش بینی خرابی سنسور پالایشگاه. پخش ساده روغن برای کارآمدتر

و مقرون به صرفه تر بودن آن. تعداد موارد استفاده از یادگیری ماشین برای این صنعت بسیار گسترده است که هنوز

هم در حال گسترش است.

حمل و نقل

تجزیه و تحلیل داده ها برای شناسایی الگوها و روندها ،یک امر مهم در صنعت حمل و نقل است که به کارآمدتر

شدن مسیرها و پیش بینی مشکلات احتمالی برای افزایش سودآوری تکیه دارد. تجزیه و تحلیل داده ها و جنبه های

مدل سازی یادگیری ماشین ابزار مهمی برای شرکت های تحویل ، حمل و نقل عمومی و سایر سازمان های

حمل و نقل است.

متد های یادگیری ماشینی 
یادگیری نظارت شده (Supervised learning )

الگوریتم یادگیری مجموعه ای از ورودی ها را با خروجی های صحیح مربوطه دریافت می کند ، و الگوریتم با

مقایسه خروجی واقعی خود با خروجی های صحیح برای پیدا کردن خطاها می آموزد. سپس مدل را بر این اساس

اصلاح می کند. از طریق روشهایی مانند طبقه بندی ، رگرسیون ، پیش بینی و افزایش شیب ، یادگیری نظارت شده

از الگوهای استفاده می کند تا مقادیر برچسب را بر روی داده های بدون برچسب اضافی پیش بینی کند.

یادگیری نیمه نظارت شده (Semi-supervised learning)

یادگیری نیمه نظارت شده برای برنامه های مشابه یادگیری نظارت شده استفاده می شود. اما برای آموزش از داده های

دارای برچسب و بدون برچسب استفاده می کند یادگیری نیمه نظارت شده هنگامی مفید است که هزینه های مربوط به

برچسب زدن بسیار بالا باشد تا بتواند یک فرایند آموزش کاملاً برچسب خورده را فراهم کند. نمونه های اولیه این متد

شامل شناسایی چهره شخص در وب کم است.

یادگیری بدون نظارت (Unsupervised learning)

یادگیری بدون نظارت در برابر داده هایی استفاده می شود که هیچ برچسب ثبت شده ای ندارند.در این حالت به سیستم

“جواب درست” گفته نمی شود. الگوریتم باید مشخص کند آنچه نشان داده شده استدر ست است یا خیر و به بیان دیگر

آن را درک کند. هدف این است که داده ها را کشف کرده و ساختار درون آن پیدا کنیم. یادگیری بدون نظارت بر روی

داده های معامله ای کار می کند.

یادگیری تقویت شده (Reinforcement learning)

یادگیری تقویت شده اغلب برای روباتیک ، بازی و ناوبری استفاده می شود. با یادگیری تقویت ، الگوریتم از طریق

آزمایش و خطا کشف می کند که عملکردها بیشترین پاداش را کسب می کنند. این نوع یادگیری دارای سه مؤلفه اصلی

است: عامل (یادگیرنده یا تصمیم گیرنده) ، محیط (هر کاری که عامل با آن تعامل دارد) و اقدامات (آنچه عامل می تواند

انجام دهد). هدف این است که عامل اقداماتی را انتخاب کند که پاداش مورد انتظار را در مدت زمان مشخصی به

حداکثر برساند. عامل با پیروی از یک سیاست خوب ، خیلی سریعتر به هدف می رسد. بنابراین هدف در یادگیری

تقویت شده یادگیری بهترین خط مشی است.

پس می توانیم نتیجه بگیریم برای اینکه بگوییم یادگیری ماشینی چیست باید جنبه های مختلفی از کاربرد ها متد و روش ها

را در نظر بگیریم

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی برنامه نویسی

 

 

 

 

برای ساختن یک هوش مصنوعی ابتدا باید دانست که از چه زبان های برنامه نویسی باید استفاده کرد.

هنگامی که با این زبان ها آشنایی داشته باشید می توانید از میان آنها بهترین را برای شروع پروژه

انتخاب کنید ، و بر مبنای آن شروع به نوشتن کد ها بکنید. هوش مصنوعی اکنون با تمام مزایایی که در

صدها مورد و موقعیت های کاربردی منحصر به فرد در اختیار شما قرار می دهد ، به بخشی جدایی

ناپذیر از زندگی روزمره ما تبدیل شده است ، لازم به ذکر نیست که چقدرکار ها را برای ما راحت تر

کرده است.

هوش مصنوعی و برنامه نویسی در دنیای امروز

با افزایش روند استفاده از هوش مصنوعی در سالهای اخیر ، هوش مصنوعی مسیری طولانی را برای

کمک به رشد مشاغل و دستیابی به پتانسیل های کامل خود در پیش گرفته است. این پیشرفت ها در

هوش مصنوعی بدون پیشرفت های اساسی در زبان های برنامه نویسی اساسی امکان پذیر نمی باشد.

با رونق در هوش مصنوعی ، نیاز به برنامه نویسان و مهندسین کارآمد و ماهر به همراه پیشرفت در

زبان های برنامه نویسی افزایش یافته است. در حالی که زبان های برنامه نویسی زیادی برای شروع

کار با AI وجود دارد ، هیچ زبان برنامه نویسی یک راه حل یک مرحله ای برای برنامه نویسی هوش –

مصنوعی نیست زیرا اهداف مختلف برای هر پروژه نیاز به یک رویکرد خاص دارد.

زبان های برنامه نویسی هوش مصنوعی
پایتون:

پایتون که در سال 1991 ایجاد شد ،در یک نظرسنجی نشان می دهد که بیش از 57٪ از توسعه دهندگان

به احتمال زیاد پایتون را نسبت به C ++ به عنوان زبان برنامه نویسی خود برای توسعه راه حل های AI

انتخاب می کنند. یادگیری آسان پایتون برای برنامه نویسان و دانشمندان داده به راحتی امکان ورود به

دنیای توسعه هوش مصنوعی را فراهم می کند.

به گفته گوییدو ون رزوم: پایتون آزمایشی است که نشان می دهد برنامه نویسان، به چه میزان آزادی نیاز دارند.

 اگر آزادی بسیار زیاد باشد  هیچ کس نمی تواند کد دیگران را بخواند. و اگر خیلی کم باشد صراحت کد نویسی در

معرض خطر قرار می گیرد. با پایتون ، شما نه تنها از پشتیبانی عالی جامعه و مجموعه گسترده ای از کتابخانه ها

برخوردار می شوید بلکه از انعطاف پذیری ارائه شده توسط زبان برنامه نویسی نیز بهره مند می شوید. برخی از

ویژگی هایی که ممکن است بیشترین بهره را از پایتون داشته باشید ، استقلال پلتفرم  و چهارچوبهای گسترده برای

یادگیری عمیق و یادگیری ماشین است. ون رزوم می گوید : لذت کد نویسی پایتون باید در دیدن کلاس های کوتاه ،

مختصر و خواندنی باشد که اکثر اقدامات را با مقدار کمی کد واضح بیان می کند  نه اینکه به صورت ردیف کد های

بی معنی باشد  که خواننده را به کام مرگ می کشاند.

برخی از محبوب ترین کتابخانه های پایتون :
  • TensorFlow ، برای بارگیری از یادگیری ماشینی و کار با مجموعه داده ها
  • scikit-learn، برای آموزش مدلهای یادگیری ماشین
  • PyTorch ،برای دید رایانه و پردازش زبان طبیعی
  • Keras، به عنوان واسط کد برای محاسبات و عملیات ریاضی بسیار پیچیده
  • SparkMLlib، مانند کتابخانه یادگیری ماشینی Apache Spark ، یادگیری ماشین را با ابزارهایی مانند الگوریتم ها و برنامه های کاربردی آسان می کند
  • MXNet، به عنوان یکی دیگر از کتابخانه آپاچی برای سهولت در کارکردن با یادگیری عمیق کاربرد دارد
  • Theano، به عنوان کتابخانه برای تعریف ، بهینه سازی و ارزیابی عبارات ریاضی استفاده می شود
  • Pybrain، برای الگوریتم های یادگیری قدرتمند ماشین استفاده می شود

همچنین ، پایتون با توجه به مشارکتهای مخازن GitHub از جاوا پیشی گرفته است و به رتبه دوم زبان برنامه نویسی

تبدیل شده است. در واقع ، Stack Overflow آن را “سریعترین رشد” زبان اصلی برنامه نویسی می نامد. “

java

جاوا یکی از بهترین زبان های برنامه نویسی است که وجود دارد و گواه آن 20 سال استفاده بهینه از این نرم افزار

می باشد. جاوا با دارا بودن رابط کاربری آسان، طبیعت انعطاف پذیر و استقلال پلتفرم ، برای توسعه هوش مصنوعی

از روش های مختلفی استفاده می کند:

  • TensorFlow، لیست زبانهای برنامه نویسی پشتیبانی شده TensorFlow نیز شامل Java با API است. این پشتیبانی به اندازه سایر زبانهای کاملاً پشتیبانی شده از نظر ویژگی غنی نیست ، اما در آنجا وجود دارد و با سرعتی سریع بهبود می یابد.
  • Deep Java Library، ساخته شده توسط آمازون برای ایجاد و استقرار توانایی های یادگیری عمیق با استفاده از جاوا.
  • Kubeflow، Kubeflow استقرار آسان و مدیریت پشته های آموزش ماشین را روی Kubernetes تسهیل می کند ، و آمادگی استفاده از راه حل های ML را فراهم می آورد.
  • OpenNLP، OpenNLP Apache یک ابزار یادگیری ماشین برای پردازش زبان طبیعی است.
  • ● Java Machine Learning Library، Java-ML چندین الگوریتم یادگیری ماشین را در اختیار توسعه دهندگان قرار می دهد.
  • Neuroph، Neuroph طراحی شبکه های عصبی را با استفاده از چارچوب منبع باز جاوا با کمک رابط کاربری گرافیکی Neuroph امکان پذیر می کند.
R

R توسط رز ایهاکا و رابرت جنتلمن ساخته شد و نسخه اول آن در سال 1995 راه اندازی شد. R در حال حاضر

توسط R Development Core Team نگهداری می شود ، R اجرای زبان برنامه نویسی S و کمک به توسعه

نرم افزار آماری و تجزیه و تحلیل داده ها است.

Prolog

این کلمه مختصر شده Logic Programming است ، Prolog برای اولین بار در سال 1972 ظاهر شد.

این یک ابزار جالب برای توسعه هوش مصنوعی ، به ویژه پردازش زبان طبیعی است. Prolog بهترین کار را

برای ایجاد chatbots انجام می دهد ، ELIZA اولین chatbot است که با Prolog ایجاد شده است و تاکنون

وجود داشته است.

Lisp

این کلمه مختصر List Processingمی باشد که دومین زبان برنامه نویسی قدیمی در کنار Fortran

است. لیپس که به عنوان یکی از بنیانگذاران هوش مصنوعی (AI) شناخته می شود ، توسط جان مک کارتی

در سال 1958 ساخته شد. Lisp به عنوان یک یادداشت عملی ریاضی برای برنامه ها ، به سرعت انتخاب

زبان برنامه نویسی AI برای توسعه دهندگان شد.  برخی از ویژگی ها در  Lisp وجود دارد که آن را به یکی

از بهترین گزینه ها برای پروژه های هوش مصنوعی در Machine Machine تبدیل می کند.

البته زبان های دیگری هم وجود دارند که در حوضه هوش مصنوعی و برنامه نویسی از آنها استفاده می شود

که ما به آنها اشاره نکرده ایم. اما باید بدانید که هر کدام از این زبان ها نقاط قوت و ضعفی دارند که با ترکیب

آنها می توان از این مشکلات کاهید همچنین شما باید مد نظر داشته باشید که بهد از برنامه نویسی باید با نرم افزار

های دیگری مثل مانگو دی بی پایگاه داده خود را بسارید و یک رابطه با آنها بر قرار کنید. در نهایت با استفاده

از مجموعه ای از این برنامه ها می توان هوش مصنوعی ساخت تا کار های مد نظرمان را انجام دهد و روز

به روز هم هوشمند تر شود .

  • parsa saeedi