https://virgool.io/feed/@alimikmirzaei-97 fa 2026-06-17 07:48:26 https://files.virgool.io/upload/users/718167/avatar/9cL9EG.jpeg?height=120&width=120 https://virgool.io/@alimikmirzaei-97 https://virgool.io/@alimikmirzaei-97/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%86%D8%B5%D8%A8-%D9%BE%DB%8C%D8%B4-%D9%86%DB%8C%D8%A7%D8%B2-%D9%87%D8%A7%DB%8C-tensorflow-%D8%B1%D9%88%DB%8C-%D9%84%DB%8C%D9%86%D9%88%DA%A9%D8%B3-rpr6wtox8l5w اگه شما هم مثل من با معماری ویندوز خیلی حال نمیکنید و لینوکس رو ترجیح میدین و همچنین تازه می خواین هوش مصنوعی رو شروع کنید با این آموزش همراه باشید.قبل از شروع آموزش بگم که بدلیل توضیحات کافی در داکیومنت های موجود از بیان جزییات پرهیز شده و صرفا کلیات رو بیان می کنم و شما رو به همون لینک های موجود پاس خواهم داد :)نصب درایور کارت گرافیک:ساده ترین قسمت کار همینجاست! به لینک زیر مراجعه کنید و خودش ریزدسته بندی داره و میتونید درایور متناسب با نیاز خودتون رو دانلود و نصب کنید.https://www.nvidia.com/download/index.aspx?lang=en-usمیتونید با کامند زیر از نصب بودن کارت گرافیک خود اطمینان حاصل کنید:$ nvidia-smiنصب CUDA toolkit:به لینک زیر مراجعه کرده و فایل مطابق با نیاز خودتون رو دانلود کنید. آموزش نصبش هم توی همین لینک هست!https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=deblocal* فقط نکته ای که داشت... نسخه local اش برای من به مشکل خورد (دانلود شد ولی میگفت فایل خراب شده موقع دانلود!) لذا پیشنهاد میکنم از همون اول خیلی مسالمت آمیز از نسخه network استفاده کنید :)میتونین ورژنی که نصب میشه رو با کامند زیر چک کنید (بعدا لازمش داریم!):$ /usr/local/cuda/bin/nvcc --versionنصب cuDNN:برای این کار نیاز دارید حتما ثبت نام کنید! به لینک زیر برای دانلود فایل مورد نیاز مراجعه کنید.https://developer.nvidia.com/rdp/cudnn-downloadو در لینک زیر هم آموزش نصب و راه اندازیش هست.https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html اون ورژن CUDA رو اینجا لازم داریم. همونطور که در لینک راهنمای نصب هم توضیح داده شده باید بجای x.x.x ها ورژن CUDA رو جایگزین کنید و بجای X.Y ورژن cuDNN ای که دانلود و نصب میکنید را جایگزین نمایید.حالا چجوری بفهمیم داره از گرافیکمون استفاده میکنه واقعا؟کامند زیر که در بالاتر هم معرفیش کردم در واقع پروسس هایی رو نشون میده که دارند از کارت گرافیکتون استفاده میکنن. میتونین یه آموزش سنگین با تنسورفلو ران کنید و تو یه شل دیگه این کامند رو بزنید تا متوجه بشید که گرافیکتون درگیر اون پروسس شده یا نه.$ nvidia-smiیک نکته خیلی مهم مَچ بودن ورژن cuda, cudnn, tensorflow هست که داخل داکیومنت تنسور فلو میتونین این مهم رو دریابید! این لینک:و توصیه میکنم هیچ وقت از آخرین نسخه ها استفاده نکنید :| https://www.tensorflow.org/install/source#gpu AlikMirzaei-97 AlikMirzaei-97 Fri, 07 Jan 2022 14:32:29 +0330 https://virgool.io/@alimikmirzaei-97/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%88-%D8%A7%D8%B9%D8%AA%D8%A8%D8%A7%D8%B1-%D8%B3%D9%86%D8%AC%DB%8C-%D9%85%D8%AF%D9%84-dsuz8jib003n در یادگیری ماشین، تعمیم معمولا به توانایی یک الگوریتم برای موثر بودن در ورودی های مختلف و جدید اشاره دارد. تعمیم برای انسان در زندگی طبیعی یک امر بسیار طبیعی و رایج است، بعنوان مثال در مواجهه با یک سگ از نژادی که باآن آشنا نباشیم می فهیمیم که آن یک سگ است، اما این مسئله در مورد کامپیوتر و مدل های یادگیرنده یک چالش است که باید در طراحی الگوریتم مدل به آن توجه شود. چیست CV ؟ یک تکنیک برای ارزیابی مدل و کارایی آن است که معمولا در عمل استفاده می شود و به مقایسه و انتخاب مدل مناسب مسئله ی مورد نظر کمک می کند. ساده فهم است و پیاده سازی آن نیز ساده است و نسبت به سایر روش های مورد استفاده برای محاسبه دقت مدل بایاس کمتری دارد. تکنیک های مختلفی وجود دارد که از این روش استفاده می کنند، اما در نهایت همه آن ها یک الگوریتم مشابه دارند:1. تقسیم بندی داده به دو دسته: آموزش و آزمایش.2. آموزش دادن مدل بر اساس دادگان آموزشی.3. اعتبار سنجی مدل روی دادگان آزمایش.4. تکرار مراحل بالا به تعدادی که روش CV مورد استفاده مان بیان می کند. روش های گوناگونی دارد که برخی شان در عمل و برخی دیگر صرفا در تئوری استفاده می شوند، که در ادامه برخی از آن ها را بررسی خواهیم کرد.Hold-out:ساده ترین و ورایج ترین تکنیک است و الگوریتم آن به شرح زیر است:1. همان تقسیم بندی دادگان( معمولا 20درصد: آموزش و 80درصد: آزمایش)2. آموزش مدل روی دادگان آموزشی3. اعتبار سنجی مدل روی داده های آزمایشی4. ذخیره کردن نتیجه اعتبار سنجی بااین حال این روش یک نقطه ضعف بزرگ دارد! به عنوان مثال ممکن است یکی از مجموعه های آموزش/آزمایش سخت تر و دیگری ساده تر باشد. علاوه بر این، این واقعیت که ما مدل خود را فقط یک بار آزمایش می کنیم ممکن است یک گلوگاه برای این روش باشد.K-Fold:معایب روش قبل را به حداقل می رساند. روش جدیدی برای تقسیم بندی دادگان ارائه می دهد که بر "تست فقط یک بار گلوگاه" غلبه می کند. الگوریتم آن:1. عدد k را انتخاب کن. (معمولا 5 یا 10، اما می تواند هر عددی کمتر از طول مجموعه انتخاب شود.)2. مجموعه داده ها را به k دسته مساوی تقسیم می کنیم.3. اکنون k-1 فولد را به عنوان مجموعه آموزشی انتخاب کرده انتخاب کرده و باقی را بعنوان مجموعه آزمایشی می گیریم.4. مدل را آموزش دهید.5. اعتبار سنجی مجموعه آزمایشی.6. ذخیره سازی نتیجه اعتبارسنجی.7. مراحل 3تا6 را k مرتبه تکرار کن.8. نتیجه نهایی می شود میانگین نتایج از مراحل قبل. نکته اینکه در پایان باید مدل را روی همه ی فولد ها اعتبار سنجی کرده باشیم. بطور کلی این روش از روش قبلی بهتر است. از آنجایی که آموزش و آزمایش بر روی چندین بخش مختلف مجموعه داده انجام می شود، مقایسه k-Fold نتیجه پایدارتر و قابل اعتمادتری به دست می دهد. با این حال، روش k-Fold یک نقطه ضعف دارد. افزایش k منجر به آموزش مدل های بیشتر می شود و فرآیند آموزش ممکن است واقعاً گران و زمان بر باشد.Leave-one-out:در روش k-fold اگر k را برابر n که تعداد نمونه های مجموعه است درنطر بگیریم روش LOO را خواهیم داشت. الگوریتم:1. یک نمونه از مجموعه داده را انتخاب کنید که مجموعه آزمایشی خواهد بود.2. اکنون n - 1 نمونه باقیمانده مجموعه آموزشی خواهد بود.3. مدل را روی مجموعه آموزشی آموزش دهید. در هر تکرار، یک مدل جدید باید آموزش داده شود.4. در مجموعه آزمایشی اعتبار سنجی کنید.5. نتیجه اعتبارسنجی را ذخیره کنید6. مراحل 1 تا 5 را n بار تکرار کنید.(برای n نمونه، n مجموعه آموزشی و تست متفاوت داریم.)7. امتیاز نهایی، میانگین نتایجی که در مرحله 5 به دست آوردید می باشد. بزرگترین مزیت این روش این است که داده های زیادی را هدر نمی دهد. اما از نظر محاسباتی از روش k-Fold گران تر است و زمان اعتبار سنجی زیادی را می طلبد. لذا متخصصین علوم داده در نهایت بر اساس شواهد، تجربه و تحقیقات مختلفشان این پیشنهاد را دارند که به جای این روش از همان k-Fold با k برابر با 5 یا 10 استفاده کنیم.Leave-p-out: بسیار شبیه به روش قبلی است چراکه تمام مجموعه های آزمایشی و آموزشی ممکن را با استفاده از نمونه های p به عنوان مجموعه آزمایشی ایجاد می کند. اما برخلاف دو روش قبلی، در این روش اگر p بالاتر از یک باشد، مجموعه های تست همپوشانی خواهند داشت. الگوریتم:1.ابتدا Pتا نمونه را از مجموعه داده انتخاب کنید که مجموعه آزمایشی خواهد بود.2. سپس n-p نمونه ی دیگر، مجموعه آموزشی خواهند بود.3. مدل را روی مجموعه آموزشی آموزش دهید. در هر تکرار، یک مدل جدید باید آموزش داده شود.4. در مجموعه آزمایشی اعتبار سنجی کنید.5. نتیجه اعتبارسنجی را ذخیره کنید.6. مراحل 2تا5 را Cp به توان n بار تکرار کنید.7. امتیاز نهایی، میانگین نتایجی که در مرحله 5 به دست آوردید می باشد.Stratified k-fold: گاهی اوقات ممکن است با عدم تعادل زیادی در مقدار هدف در مجموعه داده مواجه شویم. به عنوان مثال در مورد کلاس ‌بندی در مجموعه داده‌های گربه‌ها و سگ‌ها، ممکن است تغییر زیادی به سمت کلاس سگ وجود داشته باشد. این روش نوعی از k-fold است که برای اینگونه موارد که از حالت تعادل خارج هستند طراحی شده است. الگوریتم:1. تعیین مقدار k (تعداد فولدها)2. مجموعه داده را به k برابر تقسیم کنید. هر فولد باید تقریباً دارای درصد مشابهی از نمونه‌های هر کلاس هدف در مجموعه کامل باشد.3. سپس k – 1 فولد را انتخاب کنید که مجموعه آموزشی خواهد بود. باقی فولدها مجموعه آزمایشی خواهد بود.4. مدل را روی مجموعه آموزشی آموزش دهید. در هر تکرار یک مدل جدید باید آموزش داده شود.5. در مجموعه آزمایشی اعتبار سنجی کنید.6. نتیجه اعتبارسنجی را ذخیره کنید.7. مراحل 3تا6 را k مرتبه تکرار کنید. (هر بار از فولد باقی مانده به عنوان مجموعه تست استفاده کنید. در پایان، شما باید مدل را روی هر فولد که دارید اعتبارسنجی کرده باشید.)8. امتیاز نهایی، میانگین نتایجی که در مرحله 6 به دست آوردید می باشد.Repeated k-fold: این روش احتمالا قوی ترین تکنیک در این مقاله است. دراینجا k تعداد فولدها نیست، بلکه تعداد مراتبی است که ما مدل را آموزش می دهیم. ایده کلی این است که در هر تکرار، نمونه‌هایی را به‌طور تصادفی از سرتاسر مجموعه داده به عنوان مجموعه آزمایشی انتخاب می‌کنیم. به عنوان مثال، اگر تصمیم بگیریم که 20٪ از مجموعه داده ها مجموعه آزمایشی ما باشد، 20٪ نمونه به طور تصادفی انتخاب می شوند و 80٪ بقیه به مجموعه آموزشی تبدیل می شوند. الگوریتم:1.ابتدا k را انتخاب کنید (اینکه چند بار مدل آموزش داده می شود).2. تعدادی نمونه را انتخاب کنید که مجموعه آزمایشی خواهد بود.3. مجموعه داده را تقسیم کنید.4. روی مجموعه آموزشی تمرین کنید. در هر تکرار CV، یک مدل جدید باید آموزش داده شود.5. در مجموعه آزمایشی اعتبار سنجی کنید.6. نتیجه اعتبارسنجی را ذخیره کنید.7. مراحل 3تا6 را kبار تکرار کنید.8. امتیاز نهایی، میانگین نتایجی که در مرحله 6 به دست آوردید است.این روش مزایای واضحی نسبت به روش مرجع آن دارد:1. نسبت تقسیم آموزش/آزمایش دادگان به تعداد تکرارها بستگی ندارد.2. می توانیم نسبت های منحصر به فردی را برای هر تکرار تنظیم کنیم.3. انتخاب تصادفی نمونه‌ها از مجموعه داده‌ها، Repeated k-Fold را برای سوگیری انتخاب قوی‌تر می‌کند.بااین حال معایبی هم وجود دارد! K-fold استاندارد تضمین می کند که مدل روی همه نمونه ها آزمایش می شود، اما این روش براساس تصادفی سازی است لذا ممکن است برخی از نمونه ها هرگز برای قرار گرفتن در مجموعه آزمایش انتخاب نشوند، درحالیکه ممکن است برخی از نمونه ها چندین بار انتخاب شوند.Nested k-fold: برخلاف سایر تکنیک‌های CV که برای ارزیابی کیفیت یک الگوریتم طراحی شده‌اند، این روش محبوب‌ترین راه برای تنظیم پارامترهای یک الگوریتم است. تصور کنید که ما یک پارامتر p داریم که معمولاً به الگوریتم پایه ای که ما در حال تایید متقابل آن هستیم بستگی دارد. به عنوان مثال، برای رگرسیون لجستیک، ممکن است پارامتر جریمه باشد که برای تعیین هنجار مورد استفاده در جریمه استفاده می شود. الگوریتم:1. ابتدا k را انتخاب کنید(تعداد فولدها). به عنوان مثال، 10( اجازه دهید فرض کنیم که این عدد را انتخاب کرده ایم)2. یک پارامتر p را انتخاب کنید. فرض کنید الگوریتم ما رگرسیون لجستیک است و p پارامتر جریمه.3. مجموعه داده را به 10 تا تقسیم کنید و یکی از آنها را برای آزمایش رزرو کنید.4. یکی از فولدهای آموزشی را برای اعتبار سنجی رزرو کنید.5. برای هر مقدار p روی 8 فولد آموزشی باقیمانده آموزش دهید و روی فولد اعتبارسنجی ارزیابی کنید. اکنون 4 اندازه گیری دارید.6. مراحل 4و5 را 9مرتبه تکرار کنید. بچرخانید که کدام فولد آموزشی، فولد اعتبارسنجی است. اکنون 4*9 اندازه گیری دارید.7.اکنون p را انتخاب کنید که میانگین خطای تمرین را بیش از 9 برابر به حداقل برساند. از آن p برای ارزیابی روی مجموعه تست استفاده کنید.8. از مرحله 2 را 10 بار تکرار کنید و از هر فولد به نوبت به عنوان فولد تست استفاده کنید.9. میانگین و انحراف معیار اندازه گیری ارزیابی را در 10 مورد تست گذشته ذخیره کنید.10. الگوریتمی بهترین عملکرد را داشت که بهترین میانگین عملکرد خارج از نمونه را در 10 فولد آزمایشی داشت. این تکنیک از نظر محاسباتی گران است چراکه در طول مراحل 1تا10، تعداد زیادی مدل باید آموزش و ارزیابی شوند! بااین حال مورد استفاده است. متاسفانه هیچ روش میانبر و تابعی در کتابخانه های پایتون برای این روش وجود ندارد.Complete CV: این روش کم استفاده ترین روش است که یا در تحقیقات نظری استفاده می شود یا در صورت وجود فرمول مؤثری که به حداقل رساندن محاسبات کمک می کند. ایده کلی این است که ما یک عدد k (طول مجموعه آموزشی) را انتخاب می کنیم و روی هر تقسیم ممکن شامل k نمونه در مجموعه آموزشی اعتبار سنجی می کنیم. الگوریتم:1. عدد k را انتخاب کنید (طول مجموعه آموزشی).2. مجموعه داده را تقسیم کنید.3. روی مجموعه آموزشی تمرین کنید.4. در مجموعه آزمایشی اعتبار سنجی کنید.5. نتیجه اعتبارسنجی را ذخیره کنید.6. مراحل 2تا5 را Cnبه توانk مرتبه تکرار کنید. (n طول دیتاست است)7. امتیاز نهایی، میانگین نتایجی که در مرحله 5 به دست آوردید است.CV in ML: بیشتر تکنیک های مذکور در یادگیری ماشین کاربرد دارند. مهم این است که بدانید کدام روش برای مسئله شما مناسب است و می تواند در زمان شما صرفه جویی کند. این نکته نیز قابل توجه است که برخی از الگوریتم‌های ML، به عنوان مثال، CatBoost روش‌های CV داخلی خود را دارند.CV in DL: از آنجا که اکثر تکنیک های CV چندین بار مدل را آموزش می دهند، برای DL مشکل خواهند بود و از آنها اجتناب می شود. به جای آن ممکن است از یک زیرمجموعه تصادفی از داده های آموزشی به عنوان نگهدارنده برای اهداف اعتبار سنجی استفاده شود. به عنوان مثال، کتابخانه Keras به شما امکان می دهد یکی از دو پارامتر را برای تابع fit که آموزش را انجام می دهد، ارسال کنید: درصدی از داده هایی که باید برای اعتبارسنجی نگهداری شوند – یک تاپل از (X, y) که باید برای اعتبارسنجی استفاده شود. این پارامتر پارامتر قبلی را نادیده می گیرد، به این معنی که شما می توانید تنها یکی از این پارامترها را در یک زمان استفاده کنید! با این حال اگر مجموعه دادگان کوچک است میتوان از CV در DL هم استفاده کرد. در این مورد، یادگیری یک مدل پیچیده ممکن است یک کار بی ربط باشد، بنابراین مطمئن شوید که کار را بیشتر پیچیده نخواهید کرد!یسری نکات: شایان ذکر است که گاهی اوقات انجام اعتبارسنجی متقابل ممکن است کمی گمراه کننده باشد. به عنوان مثال، انجام یک اشتباه منطقی در هنگام تقسیم مجموعه داده ممکن است منجر به یک نتیجه CV غیرقابل اعتماد شود. لذا نکات زیر را هنگام انتخاب تکنیک مدنظر داشته باشید:1. آیا روش تقسیم منطقی است؟2. آیا این روش برای مسئله ی من مناسب و قابل اجرا است؟3. هنگام کار با سری های زمانی، گذشته را تأیید نکنید (به اولین نکته مراجعه کنید)!4. هنگام کار با داده های پزشکی یا مالی، به یاد داشته باشید که به صورت شخصی تقسیم کنید. از داشتن داده برای یک نفر هم در آموزش و هم در مجموعه تست خودداری کنید زیرا ممکن است به عنوان نشت داده در نظر گرفته شود.5. هنگام برش تکه‌ها از تصاویر بزرگ‌تر، به یاد داشته باشید که با شناسه تصویر بزرگ تقسیم کنید.6. به هر حال انجام یک تجزیه و تحلیل داده های اکتشافی solid قبل از شروع CV یک مدل، همیشه بهترین روش است.سخن آخر: هر دانشمند داده باید با CV آشنا باشد. در زندگی واقعی، شما نمی توانید پروژه را بدون CV یک مدل به پایان برسانید. به نظر من بهترین تکنیک های CV عبارت اند از k-fold تودرتو و استاندارد. من شخصاً از آنها در وظیفه تشخیص تقلب استفاده کردم. در آینده الگوریتم های ML قطعاً حتی بهتر از امروز عمل خواهند کرد اما CV همیشه برای پشتیبان گیری از نتایج شما مورد نیاز است.در منبع ذیل نمونه هایی از پیاده سازی تکنیک های بالا نیز وجود دارد.منبع: https://neptune.ai/blog/cross-validation-in-machine-learning-how-to-do-it-right#slideDown AlikMirzaei-97 AlikMirzaei-97 Wed, 15 Dec 2021 15:23:29 +0330 https://virgool.io/@alimikmirzaei-97/ai-ml-bufhwwkub5w9 امروزه هر برنامه ای که هوشمندی داشته باشد یا به نوعی رفتار انسان را تقلید کند، به عنوان هوش مصنوعی پذیرفته می شودمقدمه فرایند اندیشه و تفکر از گذشته های بسیار دور مورد توجه فیلسوفان و دانشمندان جهان بوده است. در اوایل قرن هفدهم ریاضی دانان مهمی مانند دکارت، مشغول منطقی کردن این فرآیند با استفاده از علائم ریاضی بودند. آلن تورینگ یکی از تاثیرگذارترین افراد در حوزه هوش مصنوعی است و بسیاری مقاله ای که او درسال 1950 منتشر کرد را تولد هوش مصنوعی می دانند. او همچنین تست تورینگ را بعنوان معیاری برای تشخیص هوشمندی ماشین پیشنهاد داد. یکی از اولین پروژه های عملی هوش مصنوعی ایده گرفتن از مفهوم شبکه عصبی در سال 1950 توسط دو نفر از دانشجویان دانشگاه هاروارد بود. همچنین باخت کاسپاروف، قهرمان شطرنج، از سیستم deep blue در سال 1997 که توسط IBM طراحی شده بود باعث شد تا هوش مصنوعی در کانون توجه قرار گیرد. اما فلسفه ی هوش مصنوعی چیست؟ هوش مصنوعی چیزی است که: منطقی فکر کند، منطقی رفتار کند، مانند انسان فکر کند، مانند انسان رفتار کند. البته در مورد تعریف تفکر یا کار منطقی، ابهاماتی وجود دارد. اینکه آیا کار منطقی همان کار درست است؟ واصلا کار درست چیست؟! از نظر نیچه کاری درست است که منجر به افزایش قدرت شود و افلاطون فضیلت را از دید اجتماع بررسی و تعریف می‌کند. یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که یکی از مهم ترین ویژگی های آن، یادگیری با استفاده از داده و بدون استفاده از دستورات مستقیم است و کاربردهایی از قبیل تشخیص ایمیل های spam، ماشین های خودران، سیستم های پیشنهاد دهنده، صنعت معدن و... دارد.هوش مصنوعی و یادگیری ماشینموقعیت های شغلی یادگیری ماشین تحلیلگر داده، دانشمند داده، مهندس داده، مهندس یادگیری ماشینمهارت های مورد نیاز برای هر موقعیت شغلیتعریف یادگیری ماشین الگوریتم‌های یادگیری ماشین، مثل انسان با کمک تجربه یاد می‌گیرند. داده همان تجربه‌ای است که به عنوان ورودی به الگوریتم داده می‌شود. آقای تام میشل یادگیری ماشین را از دید مهندسی به این شکل تعریف کرده است: وقتی می‌توان گفت که یک برنامه ازروی تجربیاتE برای کاربردTو معیارکارآییP آموزشدیده است که کارآیی ‌آن ‌در‌کاربرد‌ T که‌ با‌ P مشخص‌شده،‌ با ‌استفاده ‌از‌تجربیات‌E بالا ‌برود.انواع یادگیری ماشین یادگیری بانظارت: الگوریتم ما با استفاده از داده هایی که دارای برچسب مشخصی هستند الگو های لازم را پیدا می کند و شامل دو نوع دسته بندی و رگرسیون است.یادگیری بدون نظارت: تنها تفاوت این نوع با نوع قبلی در نبودن برچسب ها است و مدل به تنهایی باید الگوهای پنهان را پیدا کند. ازآن برای تحلیل اکتشافی داده ها و خوشه بندی استفاده می شودیادگیری تقویتی: باذهنیت آزمون و خطا کار می کند. عامل هوشمند طبق حالت جاری، حرکتی انجام می دهد و در ازای آن بازخوردی دریافت می کند که ممکن است مثبت یا منفی باشد و عامل بااین بازخورد، خط مشی خود را تغییر می دهد. این روش، نزدیک ترین حالت به یادگیری انسان است و وابسته به داده نیست، بلکه وابسته به تعامل با محیط می آموزد.انواع یادگیری ماشینزبان ها و ابزارها پایتون یک زبان برنامه نویسی سطح بالا و مبتنی بر مفسر است که جامعه ی کاربری بسیار بزرگی هم دارد. در همه ی حوزه های علم داده دارای کتابخانه های متعددی است و نوشتاری ساده و قابل فهم دارد. پرکاربردترین کتابخانه های پایتون برای یادگیری ماشین شامل: Numpy, Pandas, Matplotlib, scikit-learn, Tensorflow, هستند.داده ها عنصر اصلی در یادگیری ماشین هستندچالش ها و محدودیت ها یادگیری‌ماشین به شرکت‌ها این امکان را می‌دهد که کارهایی که قبلاً تنها توسط انسان‌ها امکان‌پذیر بود را با سرعت بالاتر و دقت بیشتر انجام دهند، مانند پاسخگویی به تماسهای خدمات مشتری و حسابداری. داده، اساس یادگیری ماشین است و هیچ الگوریتم و مدلی با داده بد نمی تواند عملکرد خوبی داشته باشد. اگر تعداد داده های ما کافی نباشد قدرت تشخیص تفاوت آن با داده های دیگر برای ماشین پایین می آید. اگر داده بی کیفیت باشد، پر از مقادیر اشتباه و گم شده است. اگر ویژگی هایی که انتخاب می کنیم مناسب نباشد، مدل نمی تواند از آن ها درست بیاموزد و از دل آن ها الگوهایی برای پیش بینی آینده استخراج کند. این موارد، از چالش های مربوط به داده بودند، اما چالش هایی هم در مورد الگوریتم در این حوزه داریم، ازجمله:بیش برازش: یاد گرفتن زیاد از حد داده های آموزشی که باعث می شود در داده های جدید را درست پیش بینی نکند.کم برازش: وقتی بوجود می آید که مدل نتواند به خوبی از دادگان آموزشی یاد بگیرد. داده ی نامناسب(داده ای که به قدری بی کیفیت است که اطلاعات دقیق و جامعی به ما نمی دهد) یکی از دلایل این مشکل است.زمان: زمان از دو جهت اهمیت دارد، هم مدت زمانی که طول می کشد تا آموزش مدل تمام شود(زمان توسعه)، هم زمانی که مدل برای پیش بینی نمونه ها مصرف می کند(زمانی که کاربر نهایی درگیر می شود).پیوست: دراینجا سخنانی از اساتید و متخصصان این حوزه را خواهیم دید.دکتر فروغمند: فعالیت های حوزه هوش مصنوعی به دو بخش تقسیم می شود: 1. کاربرد ها و استفاده از علوم و الگوریتم های تولید شده تا کنون(تجربی) 2. اینکه چه کار کنیم هوش مصنوعی بهتر کار کند(تئوری).مهندس هادی ستوده: اگر وارد حوزه ی خاصی می خواهید بشوید، علاوه بر دانش یادگیری ماشین، دانش آن حوزه را هم فرا بگیرید.مهندس سینا رسولی: در مسئله ی جستجو، سه تا عنصر داریم: چه کاربری جستجو می کند، کلا چه محتواهایی داریم، زبان و جستاری که کاربر به ما منتقل می کند. در مورد کاربر، بازه ی سنی هم موثر است! برای ورود به بازار کار باید آمار و جبرخطی هم به خوبی بلد باشید.مهندس علی بهجتی: یکی از مسائل مطرح، پیش بینی این است که مشتری، خرید یک کالا را کنسل می کند یا نه. نیاز به آشنایی با معماری سیستم های توزیع شده دارید. هوش مصنوعی به نوعی باعث ازبین رفتن واسطه ها می شود.منبع: https://quera.ir/college/land/college/8522/ AlikMirzaei-97 AlikMirzaei-97 Sun, 21 Nov 2021 16:44:34 +0330