هوش مصنوعی در ایران

پیوندها

۱۴ مطلب با کلمه‌ی کلیدی «مقاله در مورد هوش مصنوعی» ثبت شده است

  • ۰
  • ۰

هوش مصنوعی و سیستم های خبره

 
 

 

 

 

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.

  • parsa saeedi
  • 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

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
  • ۰
  • ۰

هوش مصنوعی در بورس

 

 

 

 

هوش مصنوعی فناوری است که در تمام زمینه ها در حال نفوذ است و بازار بورس

استفاده از هوش مصنوعی در مدیریت ، به یکی از بزرگترین روندهای مدیریت اوراق

بهادار سرمایه گذاری و انتخاب سهام برنده تبدیل شده است. در حالی که شرکت های بزرگ

سالهاست که از AI استفاده می کنند تا حجم انبوهی از داده ها ، از جمله عملکرد سهام ،

روند رسانه های اجتماعی ، تفسیر شرکت ها ، روند کارت های اعتباری ، رفتار مصرف

کننده و غیره را استخراج کنند ، ظهور و گسترش انتشار مبتنی بر هوش مصنوعی

tech بازارهای جهانی سهام را در دوره جدیدی قرار داده است.از این قضیه مستثنا نیست

ورود هوش مصنوعی در بورس

در گذشته ، تجزیه و تحلیل این داده ها از طریق تجزیه و تحلیل کمی وقت گیر و فراتر از

توانایی های انسان های معمولی بود ، فقط برای شرکت های بزرگ سرمایه گذاری مانند

گلدمن ساکس و J.P مورگان ، که نزدیک به 20٪ از پرتفوی خود را با هوش مصنوعی

مدیریت می کردند ، استفاده می شد. اکنون که هوش مصنوعی تقریباً همه گیر است و موانع

ورود به آن کاهش یافته است ، کارگزاران و شرکت های نوپا به دنبال استفاده از این فناوری

برای ایجاد یک مدل جدید برای سرمایه گذاران برای انتخاب سهام هستند. برای اینکه بهتر با

روند استفاده از هوش مصنوعی در بورس آشنا بشویم باید بدانیم که هوش مصنوعی و بورس

چیست؟

هوش مصنوعی: 

ساده ترین تعریف از هوش مصنوعی ، مربوط به دهه 1950 می باشد که توسط یکی از

پروفسورهای دارتموث ، جوزف مک کارتی ارائه شد. روشی برای استفاده از نرم افزار

برای تقلید از جنبه های یادگیری و تصمیم گیری است ، به گونه ای که می توان از یک

ماشین برای شبیه سازی آن استفاده کرد. از زمان شروع استفاده از هوش مصنوعی ،

برنامه های کاربردی آن تغییر کرده و روش آن برای جابجایی فناوری رشد بیشتر شده

است. اکنون که فناوری مدرن توانسته پا به پای مفهئم هئش مصنئوعی پیش برود،

هوش مصنوعی تقریباً در همه جا مورد استفاده قرار می گیرد. برنامه ویز شرکت گوگل

از هوش مصنوعی برای پیش بینی وضعیت ترافیک بهره می برد. در خرید های آنلاین

هوش مصنوعی قیمت ها را به روز رسانی می کند و برای مشتریان پیشنهاداتی ارائه

می دهد. خدمات تاکسی های اینترنتی از این فناوری برای تخمین قیمت منصفانه بنا به

پیک ترافیک و مسافت استفاده می کنند.بانک ها برای تشخیص کلاه برداری از این

تکنولوژی استفاده می کنند و یا اینکه صلاحیت دریافت اعتبار بیشتر برای کارت اعتباری

را دارند یا خیر. امروزه تمامی پرواز ها از خلبان خودکار هو شمصنوعی استفاده می کنند

و خلبانها ها تنها هفت دقیقه از پرواز که شاما برخواستن و نشستن است را در طول پرواز

در دست دارند. فیلترهای اسپم در ایمیل شما الگوهای رفتاری ناخواسته و تاکنیک های

کلاهبرداری را تحت نظر می گیرند. هوش مصنوعی می تواند درپزدی های ادبی را به

سرعت در مقالات دانشگاهی شناسایی کند. رسانه های اجتماعی ، مانند فیس بوک و

اسنپ چت ، از هوش مصنوعی در چندین عملکرد استفاده می کنند تا شما را با دوستان

خود متصل کنند ، چهره هایی را برای تگ کردن بشناسند.

هوش مصنوعی مدرن

این لیست به همین موارد ختم نمی شود و ادامه دارد پس اگر فکر می کنید که هوش مصنوعی

 یک پیامد نوین است کاملا در اشتباه هستید. هوش مصنوعی، هر چقدر ساده، دهه ها است که

وجود دارد. جنبه های هوش مصنوعی در سال های اخیر اصلاح شده است ، که یادگیری ماشین

و یادگیری عمیق از جمله مهمترین و محبوب ترین آنها است.یادگیری ماشین تکنیکی از

هوش مصنوعی است که شما با استفاده از یک الگوریتم که توسط تکنسین نوشته شده است به

ماشین یاد می دهید تا کاری را انجام دهد. این شامل مواردی مانند شناسایی شماره تلفن مجازی

خاص از کشور دیگر و سپس انتقال آن به یک مرکز تماس خاص است. با افزودن الگوریتم های

بیشتر و جمع آوری داده ها ، هوش مصنوعی دقیق ترمی شود و قادر به پردازش داده ها برای

تصمیم گیری آگاهانه بهتر می شود. یادگیری عمیق هم شبیه به یادگیری ماشینی است یعنی

با استفاده ار مجموعه ای از الگریتم ها کار خاصی را انجام می دهد و در مرور زمان عملکرد

خود را بهتر می کند. اما این تکنیک فرا تر می رود و و از شبکه های عصیس که به عملکرد

مغز شباهت دارند استفاده می کند تا الگو های جدید را یاد بگیرد. با توجه به اینکه محققان هر ساله

مرز های این تکنولوژی را جا به جا می کنند و مفهوم های جدیدی را ارائه می دهندیادگیری عمیق

به نوعی هوش احساسی تبدیل شده که به یادگیری ادامه می دهد. به طور معمول ، یادگیری عمیق

با ایجاد توانایی سازگاری با داده های جدید و ایجاد الگوریتم ها برای ایجاد خروجی مطلوب ،

باعث ایجاد یادگیری در دستگاه می شود. البته انجام این کار مستلزم داضشتن توان محاسباتی

قوی است که اخیرا انسانها توانسته اند که به این توانایی دست یابند.

بازار بورس چیست ؟

حالا که یک شناخت نسبی به هوش مصنوعی ارید باید بدانید که بورس چیست و بازار بورس

چگونه کار می کند ؟ بازار بورس مکانی است که سهام شرکت های دارای فهرست های معاملاتی

معامله می شود. بورس اوراق بهادار کارگزاران سهام را برای تجارت سهام شرکت و سایر اوراق

بهادار تسهیل می کند. سهام فقط درصورتی که در بورس موجود باشد می تواند خریداری یا فروخته

شود. سهام یک ابزار مالی است که نشان دهنده مالکیت در یک شرکت یا کسب و کار کرده است .

مالکیت سهام به این معنی است که سهامدار صاحب یک قطعه از شرکت برابر با تعداد سهام است

که به عنوان بخشی از کل سهام باقیمانده شرکت در اختیار دارد. به عنوان مثال ، یک شخص یا

مؤسسه ای که صاحب 100000 سهم یک شرکت با یک میلیون سهم برجسته است ، می تواند 10٪

سهام مالکیت در آن داشته باشد. اکثر شرکت ها سهم قابل توجهی دارند که به میلیون ها میلیارد ها

سهم می رسند. معاملات بورس شامل خرید و فروش سهام بصورت مکرر در تلاش برای زمانبندی

بازار است. هدف معامله گران بورس این است که بر رویداد های کوتاه مدت در بازار سرمایه گذاری

کنند تا سهام را برای سود بفروشند یا سهام را با کمترین میزان خریداری کنند. سرمایه گذاران که

تجارت سهام می کنند تحقیقات گسترده ای انجام می دهند و اغلب روزانه ساعت ها را برای پیگیری

اخبار بازار اختصاص می دهند.

 نقش هوش مصنوعی در خرید و فروش در بورس سهام

بنابراین ، چگونه هوش مصنوعی در بورس سهام اعمال می شود؟ برای فناوری ای که برای جمع آوری

سریع شماره ها و تصمیم گیری بهینه استفاده می شود ، هوش مصنوعی به صورت  طبیعی برای دنیای

امور مالی مناسب است. یادگیری عمیق و یادگیری ماشینی به بنگاههای اقتصادی این امکان را می دهد که

نه تنها نوسانات قیمت سهام را تجزیه و تحلیل کنند ، بلکه داده های ساختار بندی نشده ای را نشان می دهند

که الگوهای رفتاری را آشکار می کند که ممکن است توسط یک انسان قابل درک  نباشد. این امر می تواند

شکل جدیدی از دقت را در تصمیم گیری های معاملات که فراتر از استراتژی های سنتی سرمایه گذاری

است ، فراهم کند. به همین ترتیب ، فناوری هوش مصنوعی تقاضای خود را برای “مشاوران رباتیک”

افزایش داده است ، که می تواند الگوهای معاملاتی یک سرمایه گذار را شخصی سازی کند و اهداف مالی

آنها را به شیوه ای منسجم تر مورد هدف قرار دهد. البته اینها فقط برخی از کاربردهای شناخته شده

هوش مصنوعی است. بورس های اوراق بهادار در سراسر جهان کاربرد AI را درک کرده اند و تمرکز

خود را به سمت جذب متخصصان هوش مصنوعی از دره سیلیکون و وال استریت  وافراددیگر آغاز کرده اند.

این شرکت رقابتی باعث شده است که شرکتها این برنامه را با کاربردهای سرمایه گذاری در دنیای واقعی

پیش ببرند ، اما میزان اینکه شرکتهای سرمایه گذاری چه بزرگ و چه کوچک ، آشکار یا محرمانه از آن

استفاده می کنند مشخص نیست . نمی توان انکار کرد که هوش مصنوعی یک جهش بزرگ در دنیا محسوب

می شود اما کارشناسان اعتقاد دارند که با استفاده بیشتر از هوش مصنوعی در بازار بورس سهام

هوش مصنوعی بی فایده می شود چرا که همه از همان تحلیل ها استفاده می کنند اما باز می تواند تفاوت هایی

وجود داشته باشد برای مثال کدام هوش مصنوعی بهتر عمل می کند و یا دقیق تر می باشد. اما با این حال

هوش مصنوعی از اکثر مردم آنالیز دقیق تری خواهد داشت.

تاثیر های هوش مصنوعی و یادگیری ماشینی در بورس

در واقع ، هوش مصنوعی و یادگیری ماشینی قدرت حل مشکلات در مقیاس بزرگ در حوزه بورس را دارند.

این شرایط یا مشکلات معمولاً در رابطه با بهینه سازی ، تحلیل و پیش بینی است. با استفاده از این قدرت ،

AI و ML به روش های مختلف بر تجارت تأثیر گذاشته اند.

شناسایی و تجزیه و تحلیل پیش بینی کننده ها (عوامل) قیمت سهام

هوش مصنوعی و ML از شبکه های عصبی و چندین روش یادگیری برای شناسایی و تجزیه و تحلیل عوامل

منجر به تغییردر  قیمت سهام خاص استفاده می کنند. این عوامل همچنین به عنوان پیش بینی کننده یا ویژگی

شناخته می شوند. بر اساس این عوامل ، AI و ML قیمت سهام آینده را پیش بینی می کنند. همچنین، این کاربرد

هوش مصنوعی نمونه ای از Machine Learning است.

تصمیمات مبتنی بر واقعیت

هوش مصنوعی یک سیستم خودکار است که مبتنی بر واقعیت می گیرد بر خلاف انسان که تصمیمات آن توسط

احساساتی مانند ترس ، حرص و طمع ، امید و دستور کار هدایت می شود. با این تصمیمات مبتنی بر واقعیت،

تجارت برای فعالان بازار سود آورتر شده است.

تغییر در الگوهای استخدامی در حوزه تجارت

با ظهور تجارت مبتنی بر واقعیت ، هوش مصنوعی نیز نیاز انسان را برای کمک به مدیریت همین امر به

ارمغان آورده است. از آنجا که تجارت مبتنی بر AI و ML به افراد ماهر در ریاضیات ، برنامه نویسی رایانه

و غیره نیاز دارد ، اکنون دامنه تجارت استخدام کارمندان در زمینه های مختلف افزایش یافته است.

استفاده از Chatbot ها

AI و ML به طور قابل توجهی ارزش زندگی روزمره معامله گران را با چندین مورد مفید مثلاً چت بات ها

افزوده اند. Chatbot ها نحوه تجارت را بهبود بخشیده است زیرا معامله گران نه تنها راحت تر می توانند

با chatbot ارتباط برقرار کنند بلکه به طیف وسیعی از اطلاعات  نیز دسترسی دارند. علاوه بر این،

چت بات ها خود را آموزش می دهند و نیازی به مداخله انسانی ندارد.

سناریوهای خطر شبیه سازی شده

از آنجا که هوش مصنوعی به پیش بینی قیمت سهام در حوزه تجارت کمک می کند ، بهترین ابزار

برای بازار سهام است. با پیش بینی دقیق ریسک ، معامله گر می تواند تصمیمات عاقلانه ای اتخاذ کند.

هوش مصنوعی توانایی جمع آوری داده های جمعی را برای تجزیه و تحلیل مشابه با سرعت و دقت

استثنایی دارد. با استفاده از این توانایی ، می توان سودهای بالقوه را به حداکثر رساند و سناریوهای خطر

را شبیه سازی کرد. از این رو ، AI و ML تجارت تجاری را به سمت سودآور تر معامله گران سوق داده اند.

پیاده سازی و کاربردهای هوش مصنوعی در تجارت بورس

یادگیری ماشینی در حوزه تجارت چندید ساز و کار دارد که به معرفی برخی از آنها می پردازیم

پیش بینی تغییر قیمت سهام بر اساس داده های پیشین

یادگیری ماشینی مستلزم تغذیه داده های تاریخی به سیستم است تا بتواند تصمیم خود را در آینده بر اساس

آنها بگیرد. از این رو ، برای پیش بینی قیمت سهام که متغیرهای هدف نامیده می شوند ، یادگیری ماشین

از داده های پیشین استفاده می کند که متغیرهای پیش بینی کننده نام دارد. برای انجام این کار ، الگوریتم

موجود در یادگیری ماشینی می آموزد که متغیرهای پیش بینی کننده را برای پیش بینی متغیرهای هدف

بکار گیرد.

تسریع جستجو برای استراتژی های بازرگانی الگوریتمی موثر

یادگیری ماشینی همچنین برای تسریع در جستجوی استراتژی های مؤثر تجارت الگوریتمی توسعه یافته شده

است. از آنجا که یک رویکرد خودکار ارائه می دهد ، بسیار بهتر از فرآیند دستی است. این استراتژی های

معاملات الگوریتمی با کمک بهینه سازی سود و شبیه سازی خطرات ، به معامله گران کمک می کنند.

به هر حال ، در صورت داشتن اتوماسیون برای حمایت از شما برای هر کار ، مزیت رقابتی وجود دارد.

به عنوان مثال ، استراتژی های مختلفی وجود دارد که از آن استفاده می کند تا از یاد گیری ماشینی برای

بهینه سازی الگوریتم ها ، مانند رگرسیون خطی ، یادگیری عمیق ، شبکه های عصبی و غیره استفاده کند.

تعداد بازار های تحت نظر

یادگیری ماشینی همچنین به افزایش تعداد بازارهای تحت نظر توسط فرد و پاسخ به آنها کمک می کند.

هرچه تعداد بازارها بیشتر باشد ، شانس یک معامله گر بهتر است که در سود آور ترین بازار سرمایه گذاری

کند. از این رو می توانید با اجرای این برنامه ماشینی ، فرصت های خود را افزایش دهید. چندین شرکت

مشهور مانند Renaissance Technologies و Citadel وجود دارند که برای تصمیم گیری در زمینه

سرمایه گذاری خود از یادگیری ماشینی استفاده می کنند.

البته باید این مورد را در نظر داشت که هوش مصنوعی چون بر مبنی  یکسری از قوانین فعالیت می کند

 نمی تواند همه جنبه ها را در نظر بگیرد اتفاقات غیر مترقبه ای که امکان وقوع آن وجود دارد خارج از

دید هوش مصنوعی قرار دارد بنابراین می تواند تاثیر منفی در داد و ستد بازار بورس داشته باشد.

همانطور که در این مطلب اشاره کردیم جای هیچ شکی وجود نئارد که هوش مصنوعی برای انجام امور مالی

بسیار گزینه مناسبی است و می تواند کارایی فوق العاده ای را در این حوزه داشته باشد. اما باید در نظر داشت

که برای گرفتن تصمیمات با کمترین درصد خطا باید حجم عظیمی از اطلاعات را در اختیار ماشین تعریف کرد.

هوش مصنوعی می تواند بسیاری واقعیت ها را در نظر بگیرد و بر آن مبنی تصمیم گیری کند می تواند خطرات

را در یک سناریو شبیه سازی کند و حتی به شمادر زیر نظر گرفتن چندین بازار سهام کمک کند.

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی و شغل

هوش مصنوعی و شغل

 

 

 

 

 

شاید به نظر برسد که رابطه هوش مصنوعی و شغل ملزم به یادگیری برنامه نویسی باشد اما در واقع اینگونه نیست.

میلیون ها نفر در سراسر جهان بخاطر شیوع کرونا شغل خود را از دست داده اند. اما میزان در خواست نسبت به

عرضه بسیار بیشتر است.  مدیریت منابع انسانی و مدیریت مجموعه ها بر این باورند که هوش مصنوعی می تواند

کلید حل این معضل برای کل جهان باشد. بنابراین محققان اعتقاد دارند که که استفاده از هوش مصنوعی می تواند

 عمدتا روند شغل یابی را کارآمد تر سریع تر و راحت تر می کند.

هوش مصنوعی متقاضیان و شغل ها را به هم وصل می کند

در طول سه سال گذشته ، نقش هوش مصنوعی در استخدام به شدت مورد مطالعه قرار گرفته است. این تحقیق

نشان می دهد که نامزدهای شغلی تمایل به استفاده از هوش مصنوعی در فرآیند استخدام و پیدا کردن راحت تر

شغل دارند تا روی آوردن به رویکردهای آنالوگ سنتی. اگرچه شرکت ها چند سال است که از هوش مصنوعی

برای استخدام استفاده می کنند ، اما متقاضیان کار اخیراً قدرت هوش مصنوعی را برای کمک به آنها در

جستجوی خود کشف کرده اند. قبلا اگر می خواستید دنبال شغل باشید باید به سایت های شغل یابی مثل

 Monster.com,می رفتید و با استفاده از کلمه کلیدی شغل مورد نظر خود را انتخاب می کردید که صدها و یا هزاران

جواب را به شما بر می گرداند. حتی طبقه بندی آنها نیز کار بسیار دشواری بود.

راهکار هوش مصنوعی برای یافتن شغل

امروزه با وجود شرکت های مبتنی بر هوش مصنوعی مانند  Eightfold, Skillroads و Fortay, دیگر

فرایند کاری، جوستجوی شغل نیست بلکه در مورد تطابق متقاضیان با شغل های موجود می باشد. شما در مورد

قابلیت ها و تنظیمات برگزیده خود به چند سؤال پاسخ می دهید و پیوندی به LinkedIn یا پروفایل های دیگر

خود ارائه می دهید. سپس سیستم های هوش مصنوعی که قبلاً هم مشاغل آزاد را ثبت کرده اند ، و هم شرکت های

پشت پرده را بازبینی کرده اند  گزارش های مطابقت را تهیه می کنند که از نظر شغل و شرکت بهترین

گزینه ها را برای شما ایجاد می کنند. به طور معمول ، یک نمره کلی وجود دارد که درصدی از0٪ تا 100٪

را برای هر شغل در نظر می گیرند.در بسیاری از موارد ، این گزارش حتی به شما می گوید که مهارت ها

  یا توانایی های شما را مورد نیاز هست یا خیر و حتی آنالیز ارائه می دهد که نمره شما را افزایش می دهد.

ساختن یک دوره برنده در زندگی

معمولاً وقتی به دنبال شغلی هستید ، به طور هم زمان به تعداد زیادی از شرکت ها که استخدام دارند تقاضا

ارسال می کنید. این بدان معناست که دو گزینه وجود دارد: با ارسال یک رزومه عمدتا عمومی با اندکی

 تغییر برای هر کدام از شرکت ها، که در زمان صرفه جویی می کند، ویا اینکه زمان بیشتری صرف کنید

.تا یک رزومه اختصاصی برای فرصت های شغلی تهیه کنید که بهترین تطابق را داشته باشد امروزه ،

ابزارهای هوش مصنوعی می توانند به شخصی سازی رزومه کاری و جلد نامه شما کمک کنند. آنها

می توانند به شما بگویند چه قابلیت هایی را ممکن است بخواهید به رزومه خود اضافه کنید ، نشان می دهند

که چگونه این موارد اضافی می تواند بر روی  شانس شما را برای استخدام تأثیر بگذارد و حتی بازنویسی

رزومه شما را برای کار یا شرکت خاصی متناسب انجام می دهند. آنها همچنین می توانند شما ، شغل و شرکت

را تجزیه و تحلیل کرده و یک نامه تحت پوشش سفارشی را تهیه کنند. در حالی که محققان هنوز کیفیت

نامه های انسانی را در مقابل کاور های ساخته شده توسط AI را مورد بررسی قرار نداده اند ، نمونه های

تولید شده توسط AI که  بررسی شده اند ، نسبت به نمونه هایی که از فارغ التحصیلان MBA برای خودشان

در طی 30 سال گذشته درست کرده اند غیر قابل تشخیص است. قاعدتا ، برای بسیاری از مشاغل سطح پایین،

شکل ظاهری جلوه ای از گذشته است. اما برای مشاغل سطح بالاتر ، از آنها همچنان به عنوان مکانیسم مهم

غربالگری استفاده می شود.

پیدا کردن حقوق مناسب با کار

همیشه یکی از سخت ترین قسمت های شغل یابی مذاکره بر سر حقوق دریافتی بوده و هست. در گذشته و به طور

سنتی ، متقاضیان در یک نقطه ضعف اطلاعاتی قرار داشته اند ، بنایراین مذاکره درباره حقوق و دستمزد مورد

نظر خود را نسبت به آنچه که دیگران برای انجام کار مشابه دریافت می کنند ، دشوارتر می شد. اما اکنون با

وجود کزارش های مبتنی بر هوش مصنوعی که از منابع ای مثل PayScale.com, Salary.com,

LinkedIn Salary و سایر منابع مشابه، موجب می شود تا اطلاعاتی نظیر حقوق و کل جبران خسارت

متناسب با عنوان شغل ، تحصیلات ، تجربه ، موقعیت مکانی و سایر عوامل  به متقاضیان شغلی ارائه  شود.

این اطلاعات ازآماری که دولت ها ، شرکت ها و افراد خصوصی منتشر کرده اند جمع آوری می شود.

برای داده های خود گزارش شده ، بهترین سایت ها برای اطمینان از صحت داده ها ، آزمایش های آماری را

انجام می دهند. این تنها با پایگاه داده های بزرگ و توانایی های خرد کردن تعداد امکان پذیر است. به عنوان

مثال ، PayScale.com بیش از 54 میلیون پاسخ دهنده در پایگاه داده خود دارد و از بیش از 150،000

نفر در هر ماه نظرسنجی می کند تا گزارش های خود را به روز و رشد داده های آن را انجام دهد.

رشد استفاده از هوش مصنوعی در کاریابی و شغل ها

یک تحقیقات در سال 2018 نشان داد که نیمی از متقاضیان شغل 18 تا 36 ساله از ابزار های هوش مصنوعی

برای پیدا کردن شغل استفاده کردند و 63% از آنها استفاده از این ابزار ها را بسیار متقاعد کننده دانسته اند. بیشتر

تحقیقات در مورد استفاده از هوش مصنوعی در فرآیند شغل یابی، روی استخدام متمرکز شده است ، اما انتظار

می رود استفاده از این فناوری تا دو سال آینده دو برابر شود. ما فهمیدیم که  ابزار هوش مصنوعی برای

شرکت ها موثر است ، بنابراین منطقی به نظر می رسد که می تواند برای نامزدهای شغلی نیز بسیار مفید

باشد. براساس تحلیل ما از داده های تجارت Crunchbase ، در حقیقت ، حداقل 2 میلیارد دلار سرمایه گذاری

در حال کمک به منابع انسانی جدید با هدف استفاده از هوش مصنوعی برای کمک به نامزدهای شغلی هستند.

  • parsa saeedi
  • ۰
  • ۰

هوش مصنوعی سامسونگ پیشرو در بازار

 

 

 

 

سامسونگ همانند رقیب های خود از هوش مصنوعی در محصولات خود استفاده می کند.این

 غول تکنولوژی اسم هوش مصنوعی خود را بیکسبی (Bixby) گذاشته. این  هوش مصنوعی

بیکسبی نه تنها در تلفن های هوشمند این کمپانی جا گرفته بلکه در محصولاتی که دارای اینترنت

اشیاء نیز هستند گنجانده شود. این دستیار صوتی قصد دارد تا از رقیبان خود مانند سیری اپل،  

گوگل اسیستنت و الکسا  پیشی بگیرد البته  این هوش منصوعی با گوگل اسیستنت منتبق است.

با اینکه این هوشمصنوعی موفقیت رقبای خود را ندارد اما با این حال بر روی دستگاه های 

سامسونگ نصب شده است. 

این هوش مصنوعی چگونه کار می کند

در واقع این هوش مصنوعی برای تلفن هوشمند سامسونگ S8 ساخته شده است اما انتظار می رود

برای تمامی دستگاه های هوشمند سامسونگ مانند تلویزیون و یخچال فمیلی هاب هم اجرا شود. این

دستیار صوتی می تواند برای شما پیام ارسال کند، اطلاعات مورد نیاز شما( وضعیت هوا ، یادآوری

جلسات ، مقالات خبری و غیره) را به شما بدهد، اطلاعات موجود در نمای دوربین و یا یک عکس را

به شما بدهد و یا حتی با تشخیص صدا اطلاعات مربوط به شخص را در اختیارش قرار دهد سامسونگ

می گوید این هوش مصنوعی می تواند از شما بیاموزد، با شما تکامل پیدا کند و با شما سازگار شود.

این دستیار در یکسری ازاپلیکیشن های دیگر هم موجود است. سامسونگ همچنین دارای بلندگوهای

Galaxy Home Bixby است که با وجود گذشت 18 ماه از معرفی آن هنوز راهی بازار نشده است.

هوش مصنوعی سامسونگ

هوش مصنوعی سامسونگ چگونه کار می کند؟

Bixby به گونه ای طراحی شده است که به شما امکان می دهد تا به جای راه اندازی یک برنامه یا انجام

یک کار واحد ، یک مجموعه کامل از تعامل ها را انجام دهید. بیکسبی از نظر متنی آگاه است ، به این معنی

که می تواند وضعیتی را که برنامه در آن قرار دارد تشخیص دهد و بر اساس درخواست های شما اقدامات

صحیح انجام دهد ، همچنین به شما امکان می دهد دستورات صدایی و یا لمسی را در این تعامل داخل کنید.

بیکسبی همچنین باید بتواند زبان طبیعی را درک کند: این بدان معنی است که شما نیازی به استفاده از عبارات

کامل ندارید ، می توانید اطلاعات ناقصی ارائه دهید و بیکسبی می تواند آنها را تفسیر کند و اقدام نماید .

تشخیص یص زبان طبیعی برای ظهور الکسا مهم بوده است و اکنون عنصر اصلی هوش مصنوعی مدرن است.

این دستیار هوش مصنوعی می تواند با کلمه ی بیدار باش سلام بیکسبی فعال شود و مانند گوگل اسیستنت

می توانید با زبان طبیعی با آن حرف بزنید. اما به نظر می رسد که بیکسبی به طور تصادفی هم فعال می شود .

بنابراین استفاده از فعال سازی با دکمه می تواند از این اشتباه جلوگیری کند البته این قاعده فقط برای دستیار

صوتی است و در مورد دید بیکسبی باید وارد دوربین شوید تا فعال شود.

هوش مصنوعی بیکسبی چه توانایی هایی دارد؟

یکی از اهداف اصلی بیکسبی تعامل با دستگاه های و پیچیده است. در اینجا چند نمونه از کارهایی که بیکسبی

انجام می دهد را برای شما بازگو می کنیم :

می توانید بگوید این را برای من روی صفحه نمایش بده تا بیکسبی آن را بر روی تلویزیون سامسونگ نشان دهد.

میتوانید برای ذخیره تصویر روی صفحه به عنوان تصویر زمینه تلفن خود بگویید “از این به عنوان تصویر زمینه

من استفاده کنید”

می توانید بگویید “یک سلفی بگیرید و در فیس بوک به اشتراک بگذارید” تا دستگاه دقیقاً همین کار بکند.

می توانید بگویید که به من یاداوری کن ساعت 3 دارو هایم را بخورم تا ریمایندر برای شما ست شود.

بگویید پیام ها را باز کن تا اپلیکیشن پیام های شما باز شود.

می توانید بگویید HDR را روشن کن تا در دوربین این قابلیت روشن شود.

برای اینکه از این قابلیت ها استفاده کنید باید بیکسبی را یا با دکمه و یا با کلمه بیدار باش فعال کنید. به آسانی از

آن بخواهید کارهایی مانند تغییر صدا یا افزایش روشنایی گوشی را انجام دهد. به طور کلی ، هنگام کنترل دستگاه ،

بیکسبی بسیار مناسب است ، همانطور که در ایجاد پیام برای شما یا خواندن پیام های دریافتی و غیره است.

دید بیکسبی (Bixby vision)

Bixby Vision طیف وسیعی از عملکردها را ارائه می دهد که از دوربین موجود در گوشی بهره می برند.

با روشی مشابه Google Lens یا برنامه خرید Amazon ، می توانید از Bixby بپرسید که در تصویر

چه چیزی است یا برنامه دوربین را باز کنید و دکمه Bixby Vision را بزنید. یکی زا قابلیت های خوبی 

دارد این است که می تواند بدون اینکه به  Bixby Voice وابسته باشد فقط با کمک دوربین عملکرد

داشته باشد. می تواند سرویس دهی کند پس حتی دستگاه هایی که هنوز پشتیبانی کامل از سرویس صدای

Bixby Voice را ندارند ، Bixby Vision را استفاده می کنند

Bixby Home

اگر افرادی به هر دلیلی دسترسی به ئستیار صدای بیکسبی را نداشتند می توانند از بیکسبی هوم استفاده بکنند

این قابلیت در سمت چپ صفحه اصلی قرار دارد. در انگلستان شما می توانید سرویس خبری Upday و یا یک 

فلیپ برد شخصی در اختیار شماست که اساسا هر امکاناتی را که بیکسبی می تواند با آن در ارتباط باشد را به

شما نشان می دهد چه آب و هوا باشد و چه کنترل گجت های IoT.

یادآور بیکسبی

 بیکسبی می تواند برای شما یادآور ایجاد کند  اما با وظایف خاص در قالب متن یا چک لیست. می توانید 

از آن بخواهید تا به ما یادآوری کند که تماسی بگیرید و یا پیامی ارسال کنید. ویا  حتی محتوایی را که

می خواهید بعدا ببینید را به شما گوشزد کند.  این کار را می توانید هم با دستور صدایی و هم از صفحه

اصلی انجام دهید. 

پیشنهاد رستوران

پیشنهاد رستوران می تواند توسط Bixby بسته به مکانهایی که در گذشته از آنها بازدید کرده اید ، ارائه

شود. همچنین برخی از مراحل رزرو ، مانند زمان رزرو ، شماره تلفن شما ، تعداد میهمانان و غیره را

کنترل می کند که براساس عادات قبلی شما همه می توانند به صورت خودکار پر شوند.

رزرو تاکسی تلفنی

این دستیار صوتی میتنی بر هوش مصنوعی سامسونگ می تواند برای شما با دستور صدایی  تاکسی

(Uber) رزرو کند سامسونگ در یک نمایش با گفتن عبارت من نیاز دارم تا به فرودگاه JFK برسم

بدون اینکه دقیقا بگوید کهاوبر می خواهم یک تاکسی تلفنی رزرو کرد.

  • parsa saeedi
  • ۰
  • ۰

بازار کار هوش مصنوعی

 

 

 

 

 

هر فنــاوری باعـــث شده تـا یکســری از بازار کار از بیــن بــرود و هوش مصنوعی از ایـــن 

قاعده مستثنا نیست. اما همگی فنــــاوری های نوظهـــور روی خــوب سکــه را هـــم داشتند. 

این روند همیشـــه با ورود علم جدید و در پــــی آن تحصیلات و مشاغــــل همراه بوده و بیشتر

از اینکه از تعداد افــراد شاغـل بکاهد آن را افزایش می دهد.اتوماسیون ، روباتیک و استفاده

از نــرم افزارهــا و برنامه های پیشرفته رایانه ای ، حرفه ای را در هوش مصنوعی (AI) نشان

می دهد. داوطلبان علاقه مند به دنبـــال شغـــل در این زمینه نیاز به آموزش خاص دارند که بر

اساس مبانی ریاضی ، فناوری ، منطق و دیدگاه هــــای مهندســـی انجام می شود. مهارت های

ارتباطی کتبی و کلامی نیز برای انتقال چگونگی به کارگیری ابزارها و خدمات هوش مصنوعی

در تنظیمات صنعت بسیار مهم است.

مهارت های لازم در بازار کار هوش مصنوعی

برای به دست آوردن این مهارت ها ، افراد علاقه مند به حـــرفه هوش مصنوعی باید در مورد

انتخاب های مختلف شغلی موجود در این زمینه تحقیق کنند. مــــوفق ترین متخصصان در این 

زمینه غالباً ویژگی های مشترکی دارند که به آنها امکان موفقیت و پیشرفـــت در حرفه خود را

می دهد. کار با هوش مصنوعی به یــک فرآیند تفکر تحلیلی و توانایی حل مشکلات بــا راه حل

 مقرون به صرفه و کارآمد نیاز دارد. همچنیــن نیاز به پیش بینی در مورد نوآوری های فناوری

است که به برنامه های مدرن تبدیل شده اند که به مشاغل اجازه می دهد رقابت باقی بمانند.

علاوه بــر ایــن ، متخصصان هوش مصنوعی بــــرای طـــراحی ، نگهـــــداری و ترمیم فنــاوری و

برنامه های نرم افزاری به مهارت های فنی نیاز دارند. سرانجام ، متخصصــان هوش مصنوعی

باید یاد بگیرند که چگونه اطلاعات کاملاً فنی را به روشهایی ترجمه کنند که دیگـــــران بتوانند

برای انجام کارهای خود درک کنند. این امر به ارتباط خوب و توانایی همکاری با همکــــــاران

در یک تیم نیاز دارد. برای آنکــــــه وارد بازار کار هوش مصنوعی شوید می توانید در چند 

رشته تحصیلی آموزش ببینید که شامل :

سطوح مختلف ریاضی ، از جمله احتمال ، آمار ، جبر ، حساب ، منطق و الگوریتم ها.

شبکه های بیزی یا مدل سازی گرافیکی ، از جمله شبکه های عصبی.

علوم کامپیوتر ، زبان های برنامه نویسی و برنامه نویسی.

فیزیک ، مهندسی و رباتیک.

نظریه علوم شناختی.

  • parsa saeedi