نوشته های arefe.ziyaee91

انواع نمای ساختمان

arefe.ziyaee91 — Mon, 04 Jan 2021 11:35:18 +0330

اولین تصویری که از هر ساختمان به چشم می خورد، نمای آن است.یک ساختمان هر قدر که معماری داخلی جذاب و زیبایی داشته باشد ولی نمای جالبی نداشته باشد؛ یک گام عقب خواهد بود. در بحث خرید و فروش نیز نمای ساختمان نقش مهمی را ایفا می کند. پس ضروری است در کنار تمام فاکتورهایی که در ساخت ساختمان به آن توجه می کنیم، نما را نیز در دسته مهمترین اجزای تشکیل دهنده آن قرار دهیم.نمای رومی:نمای رومی از جمله محبوب ترین نماهایی است که در معماری ایرانی به کار می رود. این سبک از نما از معماری روم و یونان باستان نشات گرفته است. نمای رومی را همچنین نمای کلاسیک نیز می نامند. مصالحی که در ساخت این نما به کار می رود عموما سنگ های گرانیتی و مرمر و تراورتن است که به نمای ساختمان جلوه زیبا و چشم گیری را می دهد.نمای چوبی:یکی دیگر از نماهای مدرن و پرطرفدار نمای چوبی است که با استفاده از ترمووود ساخته می شود. نمای چوبی ظاهری متفاوت داشته و حس گرمی را به بیننده انتقال می دهد. برای ساخت ترمووود به کار رفته در نمای چوبی، ابتدا چوب را طی یک افزایش دمای سریع تا 130 درجه حرارت می دهند. سپس مجددا آن را تا 215 درجه گرم می کنند. در نهایت چوب را به تدریج تا 50 درجه به کمک آب خنک می کنند.نمای مینیمال:نمای مینیمال یک سبک نمای مدرن است که با به کارگیری کمترین جزئیات و کمترین ترکیب رنگ اجرا می شود. این سبک سادگی و زیبایی منحصر به فردی را ایجاد می کند. سبکی که ما برای نمای ساختمانتان انتخاب می کنید به کاربری آن و سلیقه شما بستگی دارد. اما یکی از مهمترین عوامل تاثیرگذار بر آن، نحوه اجرای نمای ساختمان است که اگر به شکلی حرفه ای و اصولی انجام شود قطفا زیبایی دو چندانی را به همراه خواهد داشت.

دوربین مداربسته چیست؟

arefe.ziyaee91 — Sun, 03 Jan 2021 23:49:17 +0330

تکنولوژی دوربین مداربسته دوربین مداربسته یا همان CCTV سیستم نظارتی است که در اماکن مختلف قابل نصب بوده و با امکان ضبط تصویر و قابلیت های متنوع دیگری نیز همراه است. متاسفانه امروزه با افزایش آمار جرم و سرقت، بسیاری از صاحبین املاک و مشاغل ناگزیر به استفاده از سیستم های نظارتی و امنیتی هستند. این سیستم ها دارای قابلیت های متنوعی هستند که می توان آن را متناسب با نیازهای هر کاربری ارائه نمود.انواع دوربین مداربسته به تفکیک تکنولوژیدوربین مداربسته آنالوگدر این نوع از سیستم های نظارتی دوربین های آنالوگ به دستگاه ضبط تصویر مخصوص یعنی DVR متصل می شوند. دوربین های آنالوگ نسبت به سایر دوربین ها قدیمی تر بوده و تکتولوژی ساده تری دارند. بنابراین از قیمت کمتری نیز برخوردار هستند و کیفیت تصویر و دید در شب کمتری دارند.دوربین مداربسته تحت شبکه (IP)دوربین های مداربسته از تکنولوژی پیچیده تری برخوردار هستند و کیفیت تصویر و دید در شب بهتری نسبت به آنالوگ دارند. به همین دلیل قیمت بالاتری دارند. دستگاه ضبط تصویر در دوربین های مداربسته تحت شبکه NVR نام دارد.دوربین مداربسته دیجیتالدر دوربین مدار بسته دیجیتال ، تصاویر از همان ابتدا به صورت دیجیتال کد گذاری شده و بر روی بستر کابل کواکسیال به مرکز کنترل ( DVR ) انتقال پیدا می کنند.اگر مکان مورد نظر شما برای نصب دوربین مداربسته نسبتا کوچک است بهتر است از سیستم آنالوگ استفاده نمایید. اما اگر برای مکان های بزرگ به عنوان مثال برای یک فضای صنعتی از دوربین مداربسته استفاده می کنید، بهتر است از سیستم های تحت شبکه کمک بگیرید.طبقه بندی دوربین مداربستهدوربین مداربسته دام: این دوربین ها ظاهری گنبدی شکل دارند و برای فضاهای مسقف مناسب می باشند. همچنین در برابر گرما و سرما و گرد و خاک نیز مقاوم هستند.دوربین مداربسته اسپید دام: همانند دوربین های دام ظاهر گنبدی شکل دارند. اما قابلیت چرخش و دید در تمام زوایا را فراهم می کنند.دوربین مداربسته بولت: ظاهری استوانه را دارا می باشند و از آنجایی که در برابر آب و تغییرات هوایی مقاومند مناسب استفاده در محیط های خارجی می باشند.دوربین مخفی و دوربین های صنعتی نیز از جمله سایر دوربین های مداربسته می باشند.کاربردهای دوربین مداربستهامنیت منزل مسکونیمنازل دارای دوربین مداربسته امنیتی نسبت به سایر منازل بسیار کمتر در معرض سرقت و تعرض قرار دارند. اگرچه دوربین های مداربسته عکس العملی فیزیکی در برابر سرقت انجام نمی دهند، اما باعث پیشگیری و همچنین پیگیری راحت تر در صورت ارتکاب جرم می شوند.یکی دیگر از کاربردهای دوربین مداربسته در منزل، برای کنترل فعالیت های پرستار بچه و یا پرستار سامندان است.نظارت کسب و کارمشاغل مختلف به چندین دلیل از جمله عامل بازدارنده جرم از دوربین مداربسته استفاده می کنند. بانک ها، دفاتر، طلافروشی ها، صرافی ها، مغازه ها و ... مراکزی هستند که همواره به دلیل وجود پول نقد در آن ها مورد توجه سارقین قرار دارند. دوربین های مداربسته می توانند راه حل هایی پیشگیرانه برای وقوع سرقت در این مکان ها باشند.نظارت بر ترافیکسازمان های اجرای قانون از دوربین های مداربسته امنیتی برای نظارت بر ترافیک در تقاطع ها و جاده های شلوغ استفاده می کنند. این فیلم ها، که در هر زمان توسط یک افسر قابل مشاهده است، به نیروهای انتظامی اجازه می دهد رانندگانی را که از چراغ قرمز عبور کرده، سرعت غیر مجاز داشته و یا کسانی که بی پروا رانندگی می کنند، شناسایی کرده و ضمن جلوگیری از وقوع جرم جدی، این رانندگان را جریمه کند.اگر قصد خرید دوربین مداربسته را دارید، بهتر است از متخصصین این عرصه مشاوره بگیرید؛ تا با کمترین هزینه بهترین نوع دوربین را متناسب با نیازتان تهیه نمایید.

مهمترین عناصر فن بیان + (۵ اصل فن بیان از نگاه ارسطو )

arefe.ziyaee91 — Sun, 12 Apr 2020 20:22:11 +0430

شناختن عناصر فن بیان به شما کمک می کند تا با فصاحت و ترغیب کننده صحبت کنید. در ابتدایی ترین سطح، فن بیان به عنوان “ارتباط” تعریف شده است ( اعم از گفتاری یا نوشتاری) هدف این رویکرد جذب مخاطب و تغییر دیدگاه آن ها بر اساس آنچه شما می گویید است. از رایج ترین کاربردهای فن بیان که شاهد آن هستیم در سیاست است. کاندیدهای انتخاباتی با استفاده از اصول فن بیان (چه گفتاری و چه نوشتاری) سعی در جذب نظر مردم و تحت تاثیر قرار دادن احساسات و ارزش های آن ها در جهت افزایش رآی خود را دارند. به دلیل دستکاری های موجود در به کارگیری فن بیان ، بسیاری آن را ساختگی و به دور از ارزش های اخلاقی می دانند. اگرچه در بسیاری از موارد در استفاده از فن بیان صداقت کم رنگ می شود، اما این امر از اهمیت فن بیان نمی کاهد. فن بیان انتخاب گزینه های زبانی مناسبی است که بیشترین تأثیر را خواهد داشت. گوینده یا نویسنده متنی که ارائه می شود در قبال صحت مطالب و هدفی که در مضمون آن نهفته است مسوولیت دارد.آنچه در این نوشته خواهیم داشتتاریخچه فن بیان۵ اصل فن بیان از نگاه ارسطو١. منطق (Logos) ٢. اعتبار (Ethos)٣. احساس (Pathos)۴. هدف (Telos)۵. تنظیم (Kairos)عناصر فن بیان١. نقش متن در فن بیان٢. نقش نویسنده یا گوینده در فن بیان٣. نقش مخاطب در فن بیان۴. نقش هدف در فن بیان۵. نقش تنظیمات در فن بیانتاریخچه فن بیاناحتمالا تأثیرگذارترین پیشگام در ارائه هنر فن بیان ، فیلسوف یونان باستان، ارسطو بود که آن را به عنوان “توانایی دیدن ابزار موجود برای ترغیب (در هر زمینه ای)” تعریف کرد. این تعریف به قرن ۴ قبل از میلاد مسیح بر می گردد. سیسرو و کوئینتین، دو معلم مشهور فن بیان رومی، غالبا به عناصر برآمده از احکام ارسطو در کار خودشان اعتماد داشتند. در چند قرن اخیر، تعریف “فن بیان” تغییر کرده است و تقریبا شامل هر موقعیتی است که افراد در آن تبادل نظر کنند. از آنجا که هر یک از ما با مجموعه ای از شرایط زندگی منحصر به فرد درگیر هستیم، هیچ دو شخصی دنیا را دقیقا یکسان نمی بینند. از این رو، فن بیان به روشی نه تنها برای ترغیب، بلکه به زبانی در تلاش برای ایجاد درک متقابل و تسهیل اجماع بدل شده است.۵ اصل فن بیان از نگاه ارسطو١. منطق (Logos)منطق در ابتدا به چگونگی سازماندهی یک سخنرانی و آنچه در آن قرار داشت اشاره می کرد، اما اکنون بیشتر در مورد محتوا و عناصر ساختاری یک متن است.٢. اعتبار (Ethos)اعتبار، به شخصیت گوینده یا نویسنده اشاره دارد. به این که چگونه توسط کلمات، خود را ترسیم می کنند.٣. احساس (Pathos)احساس عنصری از زبان است که برای بازی با حساسیت های عاطفی مخاطب در نظر گرفته شده و به سمت استفاده از نگرش های خود مخاطب برای تحریک توافق یا تشویق انجام عمل طراحی شده است.۴. هدف (Telos)Telos به هدف خاصی که یک گوینده یا نویسنده امیدوار است به آن برسد اشاره دارد؛ حتی اگر اهداف و نگرش گوینده بسیار متفاوت از اهداف مخاطبان خود باشد.۵. تنظیم (Kairos)“تنظیم” به زمان و مکانی که یک سخنرانی انجام می شود پرداخته و می گوید که چگونه ممکن است این تنظیم نتیجه سخنرانی را تحت تأثیر قرار دهد.عناصر فن بیانفن بیان در چه شرایطی کاربرد دارد؟ نامه عاشقانه، بیانیه دادستان، تبلیغی که چیز مهمی را که احتمالا نمی توانید بدون آن زندگی کنید معرفی می کند، همه نمونه هایی از موقعیت های درگیر با فن بیان هستند. اگرچه ممکن است از نظر محتوا و هدف متفاوت باشند، اما همه آنها دارای پنج اصل اساسی هستند:متن، یعنی ارتباط واقعی، خواه نوشتاری یا گفتارینویسنده یا گوینده، شخصی است که ارتباط خاصی را ایجاد می کندمخاطب، که گیرنده یک ارتباط استهدف (اهداف)، که دلایل مختلفی برای نویسندگان، سخنرانان و مخاطبان برای برقراری ارتباط استتنظیمات، زمان، مکان و محیطی است که ارتباط خاصی را احاطه کرده اند.هر یک از این عناصر در نتیجه نهایی موقعیت تأثیر دارد. اگر یک سخنرانی ضعیف نوشته شده باشد، ممکن است متقاعد کردن مخاطب به اعتبار یا ارزش آن غیرممکن باشد، یا اگر نویسنده آن فاقد اعتبار یا اشتیاق باشد نتیجه ممکن است یکسان باشد. از طرف دیگر حتی فصیح ترین سخنرانان نیز نمی توانند مخاطبان سرسختی را که از به چالش کشیده شدن عقایدشان گریزانند، با هدف خود هم مسیر سازند. نهایتآ به زمان بندی می رسیم که از اهمیت بالایی برخوردار است. زمان، مکان و روحیه می تواند تا حد زیادی بر نتیجه نهایی تأثیر بگذارد.١. نقش متن در فن بیاندر حالی که متداول ترین تعریف برای متن، یک سند مکتوب است؛ وقتی صحبت از موقعیت های مربوط به فن بیان می شود یک متن می تواند هر نوع ارتباطی را که شخص ایجاد می کند شامل شود. اگر به ارتباط به دید یک سفر جاده ای نگاه کنید، متن وسیله نقلیه ای است که شما را به مقصد مورد نظر خود می رساند؛ بسته به شرایط رانندگی و اینکه آیا سوخت کافی دارید یا خیر. سه عامل اساسی وجود دارد که بیشترین تأثیر را بر ماهیت هر متن دارند: رسانه ای که در آن تحویل داده شده است، ابزاری که برای ایجاد آن استفاده می شود و ابزار لازم برای رمزگشایی آن:• رسانهمتون بیانی می توانند در هر نوع رسانه ای که مردم برای برقراری ارتباط از آن استفاده می کنند ، شکل بگیرند. یک متن می تواند شعری دست نوشته، نامه ای تایپ شده، یا یک پروفایل دوست یابی شخصی رایانه ای باشد. متن می تواند شامل آثاری در حوزه های صوتی، تصویری، گفتاری، کلامی، غیر کلامی، گرافیکی، تصویری و لمسی باشد. متن می تواند به صورت یک آگهی مجله، یک ارائه پاورپوینت، یک کارتون طنز، یک فیلم، یک نقاشی، یک مجسمه، یک پادکست یا حتی آخرین پست فیس بوک، توییت توییتر یا پین Pinterest باشد.• مجموعه ابزار نویسندهابزار مورد نیاز برای نوشتن هر نوع متن بر ساختار و محتوای آن تأثیر می گذارد. از ابزارهای بسیار مهم آناتومیکی که انسان برای تولید گفتار (لب، دهان، دندان، زبان و غیره) استفاده می کند گرفته تا جدیدترین تکنولوژی ها. ابزارهایی که برای ایجاد ارتباطات خود انتخاب می کنیم می تواند در موفقیت یا شکست آن تاثیرگذار باشند.• برقراری ارتباط با مخاطبدرست همانطور که یک نویسنده یا گوینده به ایجاد ابزار نیاز دارد، مخاطب باید توانایی دریافت و درک اطلاعات، اعم از خواندن، مشاهده، شنیدن و یا اشکال دیگر ورودی های حسی را داشته باشد. این ابزارها می توانند چشم یا گوش و یا ابزارهای پیچیده تری مانند میکروسکوپ الکترونی باشد. علاوه بر ابزارهای فیزیکی، مخاطب غالبا به ابزارهای مفهومی یا فکری برای درک کامل معنای متن نیاز دارد.٢. نقش نویسنده یا گوینده در فن بیاننویسنده یا سخنران شخصی است که متن را برای برقراری ارتباط ایجاد می کند. هر نویسنده تحت تأثیر پیشینه فردی خود است. عواملی مانند سن، جنسیت، موقعیت جغرافیایی، قومیت، فرهنگ، مذهب، وضعیت اقتصادی-اجتماعی، عقاید سیاسی، فشار والدین، درگیری همسالان، آموزش و تجربه شخصی این فرضیه ها را ایجاد می کنند که نویسندگان برای دیدن جهان و همچنین موارد دیگر از آنها استفاده می کنند.٣. نقش مخاطب در فن بیانمخاطب گیرنده یک ارتباط است. همان عواملی که نویسنده و سخنران را تحت تأثیر قرار می دهد، مخاطب را نیز تحت تأثیر قرار خواهد داد. خواه مخاطب یک نفرباشد یا جمعیتی در یک ورزشگاه.۴. نقش هدف در فن بیانهدف نویسندگان وسخنرانان در برقراری ارتباط عموما اطلاع رسانی، آموزش و ترغیب است. هدف مخاطب شامل آگاه شدن، سرگرمی یا الهام گرفتن از سخنران یا نویسنده است. مانند هدف، نگرش سخنران و مخاطب می تواند تاثیر مستقیمی بر نتیجه هر موقعیت بلاغی داشته باشد.۵. نقش تنظیمات در فن بیانهر موقعیت بلاغی در یک شرایط خاص از نظر زمانی و مکانی اتفاق می افتد. زبان مستقیما تحت تأثیر تاریخ و فرضیاتی است که توسط فرهنگ به آن تحمیل می شود.همچنین مکان خاصی که نویسنده یا سخنران مخاطب خود را درگیر می کند نیز بر نحوه ایجاد و دریافت ارتباط تأثیر می گذارد. سخنرانی “من یک رویا دارم” ساخته دکتر مارتین لوتر کینگ، که در تاریخ ٢٨ اوت ١٩۶٣ارائه شد، از نظر بسیاری به عنوان یکی از به یاد ماندنی ترین سخنرانی های آمریکایی قرن بیستم تلقی می شود، اما تنظیمات لازم را ندارد. تنظیمات صمیمی، که در آن اطلاعات مبادله می شود می تواند زمینه ای برای برقراری ارتباطی پویا باشد. در برخی زمینه ها، اصطلاح “جامعه” به گروه خاصی اشاره دارد که به محله جغرافیایی محدود نمی شود، بلکه علایق و نگرانی های را شامل می شود. مکالمه، که اغلب به گفتگو بین تعداد محدودی از افراد اشاره دارد، معنای بسیار وسیع تری به خود می گیرد و به گفتگوی جمعی اطلاق می شود که شامل تفاهم، سیستم اعتقادی یا مفروضاتی است که توسط جامعه صورت می گیرد.

چگونه با استفاده از پایتون یک چت بات ساده بسازیم؟

arefe.ziyaee91 — Wed, 01 Apr 2020 20:58:59 +0430

کمپانی گارتنر تخمین می زند که تا انتهای سال ٢٠٢٠ چت بات ها ٨۵ درصد از تعاملات مشتریان و خدمات را بر عهده خواهند داشت.در این مقاله نحوه ساخت چت بات با پایتون را به صورت ساده آموزش می دهیم.آنچه در این نوشته خواهیم داشتچت بات چیست؟چت بات چگونه کار می کند؟چت بات قانون محور (Rule-Based) و چت بات خودآموز(Self-Learning) ساخت چت بات با پایتون پردازش زبان طبیعی ( NLP )NLTK: معرفی کوتاهدانلود و نصب NLTK:پیش پردازش متن با NLTKکوله کلمات ( Bag of Words )رویکرد TF-IDFوارد کردن کتابخانه های ضروری:مجموعه نوشته ها ( Corpus )پیش پردازش متنتطبیق کلید واژهتولید پاسخ در چت باتجمع بندیچت بات چیست؟چت بات یک نرم افزار دارای هوش مصنوعی در یک دستگاه مانند (Siri ، Alexa ، Google Assistant و غیره) ، اپلیکیشن و یا وبسایتی است که سعی می کند نیازهای مصرف کنندگان را ارزیابی کرده و سپس به آن ها در انجام یک کار خاص مانند یک معامله تجاری کمک کند. مثل رزرو هتل، ارسال فرم و غیره. امروزه چت بات ها در بسیاری از شرکت ها مورد استفاده قرار می گیرند تا بتواند با کاربران تعامل داشته باشند. از جمله کاربردهای چت بات در شرکت ها می توان به موارد زیر اشاره کرد: ارائه اطلاعات پروازارتباط با مشتریان و امور مالی آنهاپشتیبانی مشتریچت بات چگونه کار می کند؟به طور کلی دو نوع چت بات وجود دارد.چت بات قانون محور (Rule-Based) و چت بات خودآموز(Self-Learning)١. در مدل قانون محور ، یک ربات به سوالات بر اساس آموزش هایی که قبلا فراگرفته پاسخ می دهد. قوانین تعریف شده می توانند بسیار ساده و یا بسیار پیچیده باشند. ربات ها می توانند پرسش و پاسخ ساده ای را انجام دهند اما در مدیریت موارد پیچیده موفق نیستند.٢. چت بات های خودآموز از برخی رویکردهای مبتنی بر ماشین لرنینگ استفاده می کنند و قطعا از چت بات های قانون محور کارآمدتر هستند. این چت بات ها به دو نوع تقسیم می شوند: مبتنی بر یازیابی و تولیدی١-٢. در مدل مبتنی بر بازیابی، چت بات از یک سری الگوریتم های فراابتکاری به منظور انتخاب پاسخ از یک کتابخانه دارای پاسخ های از پیش تعیین شده استفاده می کند.٢-٢ چت بات تولیدی می تواند پاسخ ها را تولید کند و همچنین همیشه به یک سوال یک پاسخ تکراری نمی دهد. هرچه تعدا پرسش و پاسخ ها بیشتر شود، چت بات هوشمندتر می شود.ساخت چت بات با پایتونپیش نیازها:داشتن دانش کلی از کتابخانه scikit و NLTK. اما اگر در NLP تازه وارد هستید باز هم می توانید مقاله را بخوانید و سپس به منابع مراجعه کنید.پردازش زبان طبیعی ( NLP )رشته تحصیلی که بر تعامل بین زبان بشر و رایانه ها تمرکز دارد به اختصار “پردازش زبان طبیعی” یا NLP نامیده می شود. این رشته با علوم کامپیوتر ، هوش مصنوعی و زبان شناسی محاسباتی سروکار دارد. NLP روشی است که به وسیله آن کامپیوترها می توانند زبان انسان را هوشمندانه تر آنالیز ، درک و استخراج کنند. با استفاده از NLP توسعه دهندگان می توانند دانش خود را برای انجام کارهایی مانند خلاصه سازی خودکار، ترجمه، استخراج رابطه، تجزیه و تحلیل احساسات، تشخیص گفتار و تقسیم موضوع سازماندهی کرده و ساختار بخشند.NLTK: معرفی کوتاهNLTK (ابزار زبان طبیعی) یک بستر پیشرو برای ساختن برنامه های پایتون برای کار با داده های زبان انسانی است. NLTK “ابزاری فوق العاده برای آموزش و کار در زبانشناسی محاسباتی با استفاده از پایتون” و “یک کتابخانه شگفت انگیز برای بازی با زبان طبیعی” معرفی شده است. پردازش زبان طبیعی با پایتون مقدمه ای عملی برای برنامه نویسی برای پردازش زبان است.دانلود و نصب NLTK:NLTK را نصب کرده و pip install nltk را اجرا کنید.آزمایش نصب: پایتون را اجرا کرده و import nltk را تایپ کنید.نصب بسته های NLTK:NLTK را وارد کنید و nltk.download () را اجرا کنید. با این کار NLTK downloader را باز کرده و می توانید مدل ها را برای بارگیری انتخاب کنید. همچنین می توانید همه بسته ها را به طور همزمان دانلود کنید.پیش پردازش متن با NLTKمسئله اصلی در مورد داده های متن این است که همه در قالب متن هستند. اما الگوریتم های یادگیری ماشین به نوعی از بردار ویژگی عددی احتیاج دارند. بنابراین قبل از شروع هر پروژه NLP باید آن را از قبل پردازش کنیم تا مناسب سازی شود. پیش پردازش متن اصلی شامل موارد زیر است:تبدیل کل متن به حروف بزرگ یا حروف کوچک به گونه ای که الگوریتم با کلمات مشابه در موارد مختلف به صورت متفاوت رفتار نمی کند.Tokenization: Tokenization (نشانه گذار) فقط اصطلاحی است که برای توصیف فرآیند تبدیل رشته های متن معمولی به لیستی از نشانه ها بکار رفته است. نشانه گذار جمله می تواند برای یافتن لیست جملات مورد استفاده قرار گیرد و از نشانه گذار کلمات برای یافتن لیست کلمات در رشته ها استفاده می شود.کوله کلمات ( Bag of Words )پس از مرحله پردازش اولیه، باید متن را به یک بردار معنی دار (یا آرایه) از اعداد تبدیل کنیم. کوله کلمات شامل واژگان کلمات شناخته شده و معیار حضور کلمات شناخته شده است. شهود پشت کوله کلمات این است که اسناد با محتوای یکسان، مشابه هستند. همچنین ما می توانیم راجع به معنی سند از طریق مطالب آن دریابیم.رویکرد TF-IDFمشکل کوله کلمات در این است که کلمات پر تکرار شروع به غالب شدن در سند می کنند؛ اما ممکن است شامل محتوای اطلاعاتی (informational) نباشند. همچنین کوله کلمات به اسناد طولانی تر وزن بیشتری می دهد. یک روش برای رفع این مشکل این است که به هر کلمه متناسب با تعداد تکرار آن در کل سند امتیاز داده شود. این رویکرد امتیاز دهی Term Frequency-Inverse Document Frequency یا به اختصار TF-IDF گفته می شود. در این روش، Term Frequency به معنی امتیاز دهی تعداد کلمات در سند فعلی و Inverse Document Frequency به معنای امتیازدهی کم تکرار بودن کلمات در سند می باشد.(تعداد کل کلمات)/(تعداد دفعات مشاهده کلمه)=TF(تعداد اسنادی که کلمه در آن ها مشاهده شده)/(تعداد اسناد)IDF=1+logوزن TF-IDF ، وزنی است که اغلب در بازیابی اطلاعات و استخراج متن مورد استفاده قرار می گیرد. این وزن یک معیار آماری است که برای ارزیابی اهمیت کلمه در یک اسندیا مجموعه.مثال:سندی را در نظر بگیرید که شامل ١٠٠ کلمه است و در آن کلمه “تلفن” ۵ بار تکرار شده است. TF برای این کلمه 5/100 است. حال ، فرض کنید ما ١٠ میلیون سند داریم و کلمه تلفن در هزار مورد از آنها تکرار شده است. آنگاه IDF برابر خواهد بود با: log (10،000،000 / 1،000) = 4 . بنابراین TF-IDF 0.2 می باشد.حال ما یک دید کلی از NLP داریم، وقت آن رسیده که شروع به ساخت چت بات کنیم. عنوان چت بات را ROBO فرض می کنیم.وارد کردن کتابخانه های ضروری:import nltkimport numpy as npimport randomimport string # to process standard python stringsمجموعه نوشته ها ( Corpus )به عنوان مثال، ما از صفحه ویکی پدیا به عنوان مجموعه نوشته برای چت بات خود استفاده خواهیم کرد. محتویات را از صفحه کپی کرده و آن را در یک پرونده متنی بنام “chatbot.txt” قرار دهید. با این حال، شما می توانید از هر مجموعه نوشته دلخواه دیگر استفاده کنید. ما در فایل corpus.txt کل مجموعه را به لیست جملات و کلمات برای پیش پردازش بیشتر تبدیل می کنیم.f=open('chatbot.txt','r',errors = 'ignore')raw=f.read()raw=raw.lower()# converts to lowercasenltk.download('punkt') # first-time use only nltk.download('wordnet') # first-time use onlysent_tokens = nltk.sent_tokenize(raw)# converts to list of sentences word_tokens = nltk.word_tokenize(raw)# converts to list of wordsمثالی از sent_tokens و word_tokens را ببینید:sent_tokens[:2] ['a chatbot (also known as a talkbot, chatterbot, bot, im bot, interactive agent, or artificial conversational entity) is a computer program or an artificial intelligence which conducts a conversation via auditory or textual methods.', 'such programs are often designed to convincingly simulate how a human would behave as a conversational partner, thereby passing the turing test.']word_tokens[:2] ['a', 'chatbot', '(', 'also', 'known']پیش پردازش متناکنون باید تابعی به نام LemTokens تعریف کنیم.lemmer = nltk.stem.WordNetLemmatizer() #WordNet is a semantically-oriented dictionary of English included in NLTK.def LemTokens(tokens): return [lemmer.lemmatize(token) for token in tokens] remove_punct_dict = dict((ord(punct), None) for punct in string.punctuation) def LemNormalize(text): return LemTokens(nltk.word_tokenize(text.lower().translate(remove_punct_dict)))تطبیق کلید واژهدر مرحله بعد، ما باید عملکردی برای سلام توسط ربات تعریف کنیم، یعنی اگر کاربر سلام کرد، ربات پاسخ سلام را برگرداند. ELIZA از یک واژه ساده برای سلام استفاده می کند. ما در اینجا از همان مفهوم استفاده خواهیم کرد.GREETING_INPUTS = ("hello", "hi", "greetings", "sup", "what's up","hey",)GREETING_RESPONSES = ["hi", "hey", "*nods*", "hi there", "hello", "I am glad! You are talking to me"]def greeting(sentence): for word in sentence.split(): if word.lower() in GREETING_INPUTS: return random.choice(GREETING_RESPONSES)تولید پاسخ در چت باتبرای تولید پاسخ در چت بات برای سوالات ورودی از مفهوم تشابه سند استفاده می شود. بنابراین ما با وارد کردن ماژول های لازم شروع می کنیم.از کتابخانه scikit Learn ، بردار Tfidf را وارد کنید تا مجموعه ای از اسناد خام را به ماتریسی از ویژگی های TF-IDF تبدیل کنید.from sklearn.feature_extraction.text import TfidfVectorizerهمچنین ، ماژول cosine similarity را از کتابخانه یادگیری scikit وارد کنید.from sklearn.metrics.pairwise import cosine_similarityاین مورد برای یافتن شباهت بین کلمات وارد شده توسط کاربر و کلمات موجود در مجموعه نوشته استفاده می شود.ما یک پاسخ عملکردی را تعریف می کنیم که پرسش کاربر را برای یک یا چند کلمه کلیدی شناخته شده جستجو می کند و یکی از چندین پاسخ ممکن را ارائه می دهد. اگر ورودی مطابق با هر یک از کلمات کلیدی را پیدا نکرد، به عنوان مثال پاسخ می دهد: “متاسفم! من متوجه منظور شما نمی شوم”def response(user_response): robo_response='' sent_tokens.append(user_response) TfidfVec = TfidfVectorizer(tokenizer=LemNormalize, stop_words='english') tfidf = TfidfVec.fit_transform(sent_tokens) vals = cosine_similarity(tfidf[-1], tfidf) idx=vals.argsort()[0][-2] flat = vals.flatten() flat.sort() req_tfidf = flat[-2] if(req_tfidf==0): robo_response=robo_response+"I am sorry! I don't understand you" return robo_response else: robo_response = robo_response+sent_tokens[idx] return robo_responseسرانجام ، متنی را که می خواهیم ربات ما هنگام شروع و پایان مکالمه استفاده کند وارد می کنیم.flag=True print("ROBO: My name is Robo. I will answer your queries about Chatbots. If you want to exit, type Bye!")while(flag==True): user_response = input() user_response=user_response.lower() if(user_response!='bye'): if(user_response=='thanks' or user_response=='thank you' ): flag=False print("ROBO: You are welcome..") else: if(greeting(user_response)!=None): print("ROBO: "+greeting(user_response)) else: print("ROBO: ",end="") print(response(user_response)) sent_tokens.remove(user_response) else: flag=False print("ROBO: Bye! take care..")تقریبا تمام شد. ما اولین چت بات خود را در NLTK کدنویسی کرده ایم. اکنون بگذارید ببینیم که چگونه با انسان تعامل دارد:?

چگونه می توان با استفاده از دیپ لرنینگ در پایتون ، FaceID را در آیفون X اجرا کرد؟

arefe.ziyaee91 — Wed, 01 Apr 2020 20:45:19 +0430

آنچه در این نوشته خواهیم داشتمقدمه:مفهوم FaceID:چهره ها و اعداد در شبکه های عصبی ( شبکه عصبی Siamese )مزیت نهایی استفاده از دیپ لرنینگ در تشخیص تصویراجرای FaceID در Kerasآزمایش شبیه سازی FaceIDمقدمه:یکی از ویژگی های بحث برانگیز آیفون X روش باز کردن قفل با استفاده از تشخیص چهره ( FaceID ) است که جایگزین TouchID شده است. اپل پس از ساخت تلفن بدون حاشیه، مجبور شد روش جدیدی را برای باز کردن قفل گوشی به شکلی آسان و سریع ایجاد کند. در حالی که برخی از رقبا به قرار دادن سنسور اثر انگشت در موقعیتی جدید بسنده کردند، اپل تصمیم گرفت در شیوه باز کردن تلفن روشی نوآورانه و انقلابی را ایجاد کند؛ یعنی نگاه کردن به صفحه نمایش گوشی! به لطف بهره گیری از یک دوربین جلوی پیشرفته و بسیار کوچک، آیفون X قادر به ایجاد نقشه سه بعدی از چهره کاربر است. علاوه بر این، تصویری از چهره کاربر با استفاده از یک دوربین مادون قرمز ضبط می شود که نسبت به تغییرات در نور و رنگ محیط پایداری بیشتری دارد. با استفاده از دیپ لرنینگ ، تلفن های هوشمند قادر هستند با جزئیات کامل تری چهره کاربر را ضبط کنند، بنابراین هر بار که تلفن توسط صاحب آن برداشته می شود او را تشخیص می دهند. در کمال تعجب، اپل اظهار داشته است که این روش حتی از TouchID نیز ایمن تر بوده و میزان خطای برجسته آن ١:١٠٠٠٠٠٠ است.ما به نحوه ایجاد این فرآیند با استفاده از دیپ لرنینگ و چگونگی بهینه سازی هر مرحله تمرکز کردیم. در این مقاله، نشان می دهیم که چگونه الگوریتم شبیه به FaceID را می توان با استفاده از Keras پیاده سازی کرد. آزمایش های نهایی با استفاده از Kinect، یک دوربین RGB بسیار محبوب، که دارای خروجی بسیار مشابه دوربین های جلوی آیفون X است، انجام شده اند.مفهوم FaceID:فرآیند تنظیم FaceIDشبکه های عصبی FaceID عملکرد پیچیده ای دارند. اولین قدم، تجزیه و تحلیل دقیق نحوه عملکرد FaceID در آیفون X است. در TouchID، کاربر مجبور است ابتدا با لمس مکرر حسگر، اثر انگشت خود را ثبت کند. پس از حدود ١۵ نمونه گیری مختلف، تلفن هوشمند فرایند ثبت را تکمیل کرده و TouchID آماده فعالیت خواهد بود. به طور مشابه در FaceID نیز کاربر باید صورت خود را ثبت کند. فرایند بسیار ساده است: کاربر فقط به گوشی نگاه می کند و سپس به آرامی سرش را به دنبال یک دایره می چرخاند. بنابراین صورت در حالت های مختلف ثبت می شود. حالا قفل صفحه نمایش آماده فعالیت است. این روش ثبت سریع و شگفت آور می تواند در مورد الگوریتم های یادگیری اساسی چیزهای زیادی به ما بگوید. به عنوان مثال، شبکه های عصبی در FaceID تنها عمل طبقه بندی را انجام نمی دهند. انجام طبقه بندی برای یک شبکه عصبی به معنای یادگیری این است که آیا شخصی که به آیفون نگاه می کند کاربر واقعی آن است یا خیر. بنابراین باید از برخی داده های آموزشی جهت پیش بینی “درست” یا “نادرست” استفاده کند. اما علی رغم موارد متعدد استفاده از دیپ لرنینگ ، در اینجا این رویکرد مؤثر نیست. ابتدا شبکه عصبی باید با استفاده از داده های جدید به دست آمده از چهره کاربر، آموزش ببیند. این امر نیازمند زمان، انرژی و داده های آموزشی از چهره های مختلف برای تشخیص تصویر است. بعلاوه، این روش امکان آموزش اپل در حالت آفلاین را فراهم نمی کند. اما FaceID با شبکه عصبی پیچشی Siamese (توضیح در بخش بعد) طراحی شده که در حالت آفلاین توسط اپل برای ثبت چهره آموزش می بیند.چهره ها و اعداد در شبکه های عصبی ( شبکه عصبی Siamese )یک شبکه عصبی Siamese اساسا از دو شبکه عصبی یکسان تشکیل شده است که تمامی وزن ها را نیز به اشتراک می گذارد. این معماری می تواند محاسبه فاصله بین نوع خاصی از داده ها مانند تصاویر را بیاموزد. به این صورت که داده از طریق شبکه Siamese منتقل شده و شبکه عصبی آن ها را در یک فضای n بعدی ترسیم می کند. سپس به شبکه آموزش داده می شود تا این ترسیم را تا زمانی که نقاط مختلف داده ها در طبقه بندی های مختلف تا حد ممکن به یکدیگر نزدیک شوند، ادامه دهد. در دراز مدت، شبکه یاد می گیرد که مهمترین ویژگی ها را از داده ها استخراج کرده و آن ها را در یک آرایه فشرده سازی کرده و یک ترسیم معنی دار ایجاد کند. برای درک درست این موضوع تصور کنید که چگونه نژادهای مختلف سگ ها را با استفاده از یک نمودار کوچک توصیف می کنید؟ به این صورت که سگ های مشابه، نمودارهای نزدیک تری دارند. احتمالا برای رمزگذاری رنگ سگ از یک عدد استفاده می کنید، برای مشخص کردن اندازه سگ از عددی دیگر، برای شکل گوش ها از عددی دیگر و غیره. به این ترتیب، سگ هایی که به یکدیگر شباهت دارند، نمودارهایی مشابه یکدیگر خواهند داشت. یک شبکه عصبی Siamese می تواند یاد بگیرد که این کار را برای شما انجام دهد، مشابه کاری که یک کدگذار خودکار انجام می دهد. توجه کنید که معماری شبکه عصبی چگونه شباهت بین ارقام را یاد می گیرد و به طور خودکار آنها را در دو بعد دسته بندی می کند. تکنیک مشابهی روی صورت ها اعمال می شود.با استفاده از این تکنیک می توان از تعداد زیادی چهره برای آموزش استفاده کرد تا تشخیص دهد که کدام چهره بیشترین شباهت را دارد. با داشتن بودجه کافی و قدرت محاسباتی (همانند اپل )، می توانید از مثال های سخت تری نیز استفاده کنید تا شبکه عصبی به مواردی همچون دوقلوها ، حملات خصمانه (ماسک) و غیره واکنش نشان دهد.مزیت نهایی استفاده از دیپ لرنینگ در تشخیص تصویراینکه شبکه می تواند کاربران مختلف را بدون هیچ آموزش دیگری تشخیص داده و محاسبه کند که چهره کاربر، پس از گرفتن چند عکس در هنگام تنظیم اولیه، در نقشه نهفته چهره ها قرار دارد یا خیر. علاوه بر این ، FaceID قادر است با تغییرات در ظاهری شما سازگار شود : هم تغییرات ناگهانی (به عنوان مثال ، عینک ، کلاه ، آرایش) و هم تغییرات جزئی (مانند موهای صورت). این کار با اضافه کردن بردارهای چهره مرجع در این نقشه انجام می شود ، که بر اساس ظاهر جدید شما محاسبه می شود.اجرای FaceID در Kerasدر مورد همه پروژه های دیپ لرنینگ اولین چیزی که ما نیاز داریم داده است. ایجاد مجموعه داده های ما به زمان و همکاری بسیاری از افراد نیاز دارد و این می تواند بسیار چالش برانگیز باشد. به همین دلیل از مجموعه داده های چهره RGB-D موجود در اینترنت کمک گرفتیم. در این مجموعه داده، افراد با اشکال مختلف و جهات مختلف وجود دارند. همان طور که در هنگام استفاده از آیفون اتفاق می افتد.در ابتدا یک شبکه عصبی پیچشی بر اساس معماری SqueezeNet ایجاد کردیم. شبکه عصبی به شکلی آموزش داده می شود که فاصله بین تصاویر یک شخص را به حداقل رسانده و فاصله بین تصاویر اشخاص مختلف را به حداکثر برساند. پس از آموزش ، شبکه قادر است چهره ها را در آرایه های ١٢٨ بعدی ترسیم کند. به گونه ای که تصاویر یک شخص در کنار هم طبقه بندی شده و از تصاویر افراد دیگر فاصله دارد. این بدان معنی است که برای باز کردن قفل، شبکه فقط باید فاصله بین تصاویر ذخیره شده در مرحله ثبت چهره و تصویری که در هنگام باز کردن قفل دریافت می کند، محاسبه کند. اگر فاصله زیر یک آستانه مشخص باشد، (هرچه کمتر باشد از امنیت بیشتری برخوردار است) قفل دستگاه باز می شود.آزمایش شبیه سازی FaceIDحال نحوه عمل این مدل را بررسی می کنیم. با شبیه سازی یک چرخه معمول FaceID. ابتدا ثبت چهره کاربر. سپس مرحله باز کردن قفل چه توسط کاربر (که باید موفقیت آمیز باشد) یا توسط افراد دیگرکه نباید قادر به باز کردن دستگاه باشند.با ثبت چهره شروع می کنیم: یک سری عکس از یک شخص را از مجموعه داده گرفته و مرحله ثبت چهره را شبیه سازی می کنیم.مرحله ثبت تصویر برای یک کاربر جدید با الهام از روند FaceIDحال ببینیم چه اتفاقی می افتد اگر همان کاربر سعی کند با حالت های مختلف چهره قفل دستگاه را باز کند.فاصله صورت در فضای تعبیه شده برای همان کاربراز طرف دیگر ، تصاویر RGBD از افراد مختلف به طور متوسط فاصله ١/١ را ایجاد می کند.فاصله های چهره در فضای تعبیه شده برای کاربران مختلف بنابراین، آستانه ای در حدود ۴/٠ باید برای جلوگیری از باز کردن قفل دستگاه توسط دیگران کافی باشد.آموزش دیپ لرنینگ را در آکادمی آمانج تجربه کنید.آموزش دیپ لرنینگ آکادمی آمانج

رونالدو در FIFA 18 (استفاده از دیپ لرنینگ در بهبود گرافیک FIFA 18) مقدمه در بازی ها

arefe.ziyaee91 — Wed, 01 Apr 2020 20:43:23 +0430

آنچه در این نوشته خواهیم داشتمقدمهپاسخ به این سوال با استفاده از بازی FIFA 18 جمع آوری دادهمعماری و آموزش مدلاستفاده از مدل های آموزش دیده برای تعویض چهرهآیا می توانیم از این الگوریتم برای قرار دادن تصویر خود در بازی استفاده کنیم؟جمع بندیمقدمهدر بازی های ویدئویی از کاربردهای مختلف هوش مصنوعی به روش های مختلف استفاده شده است. شروع استفاده از هوش مصنوعی در بازی های ویدئویی با آتاری آغاز شد؛ که یک نمونه کاملا ابتدایی در زمینه بازی های کامپیوتری محسوب می شود. اما امروزه شبکه های عصبی به سیستم های هوش مصنوعی اجازه می دهند تا هوشمندانه تر عمل کنند. بازی های ویدیویی فقط جنبه سرگرمی ندارند. آنها بستری را برای شبکه های عصبی فراهم می کنند تا یاد بگیرند که چگونه با محیط های پویا ارتباط برقرار کرده و مشکلات پیچیده را درست مثل زندگی واقعی حل کنند. بازی های ویدئویی طی چندین دهه برای ارزیابی عملکرد هوش مصنوعی مورد استفاده قرار گرفته اند.استودیوهای ساخت بازی، میلیون ها دلار و هزاران ساعت را صرف توسعه طراحی گرافیک بازی ها می کنند که تا حد ممکن آن ها را به واقعیت نزدیک کنند. در حالی در چند سال گذشته، که این گرافیک ها به طرز شگفت آوری واقعی به نظر می رسند، اما همچنان تفکیک آنها از دنیای واقعی بسیار آسان است. با این حال، با پیشرفت های گسترده ای که در زمینه پردازش تصویر با استفاده از شبکه های عصبی عمیق صورت گرفته است، آیا زمان آن نرسیده که بتوانیم از این فناوری برای بهبود گرافیک استفاده کرده و همزمان نیاز انسانی برای ایجاد آنها را کاهش دهیم؟پاسخ به این سوال با استفاده از بازی FIFA 18برای اینکه دریابیم که آیا تحولات اخیر در یادگیری عمیق می تواند به سوال ما پاسخ دهد، با استفاده از الگوریتم معروف deepfakes ، روی بهبود چهره بازیکن ها در FIFA تمرکز می کنیم. Deepfakes یک شبکه عصبی عمیق است که می تواند برای تشخیص و تولید چهره های انسانی بسیار واقع بینانه آموزش ببیند. تمرکز ما در این پروژه بازآفرینی چهره بازیکن از درون بازی و بهبود آن هاست تا آنها را دقیقا مثل بازیکنان واقعی جلوه دهد. در اینجا توضیحی عالی در مورد چگونگی عملکرد الگوریتم deepfakes ارائه شده است. با استفاده از رمزگشای خودکار و شبکه های عصبی پیچشی، می توان چهره هر کسی را در یک فیلم با چهره افراد دیگر جابجا کرد.جمع آوری دادهاجازه دهید با نگاهی به یکی از بهترین چهره های طراحی شده در FIFA 18 ، یعنی کریستیانو رونالدو، شروع کنیم و ببینیم آیا می توانیم آن را بهبود بخشیم؟ برای جمع آوری داده های مورد نیاز برای الگوریتم deepfakes، به سادگی چهره بازیکن را از گزینه پخش مجدد در بازی ضبط کردیم. حال می خواهیم این چهره را با چهره واقعی رونالدو جایگزین کنیم. به همین منظور، تعدادی از تصاویر رونالدو را از زوایای مختلف از گوگل دانلود کردیم. بر خلاف روش های استفاده شده توسط توسعه دهندگان بازی، در این روش می توان تمام داده های مورد نیاز را از جستجوی گوگل جمع آوری کرد؛ بدون اینکه لازم باشد رونالدو لباس مخصوص ضبط کردن تصاویر را به تن کند.معماری و آموزش مدلاین الگوریتم شامل آموزش شبکه های عصبی عمیق به نام اتوکودرها است. این شبکه ها برای یادگیری بدون نظارت مورد استفاده قرار می گیرند و دارای یک رمزگذار هستند که می توانند با استفاده از یک رمزگذار، یک ورودی را رمزگذاری کنند. پس از آن، از یک رمزگشا برای بازسازی ورودی اصلی استفاده می کنند. برای تصویری مانند نمونه ما، از یک شبکه کانولوشن (پیچشی) به عنوان رمزگذار و یک شبکه دکانولوشن به عنوان رمزگشا استفاده می کنیم. این معماری به منظور به حداقل رساندن خطای بازسازی آموزش داده شده است. برای مورد ما، دو شبکه را به طور همزمان آموزش می دهیم. یک شبکه می آموزد چهره رونالدو را از گرافیک بازی FIFA 18 بازآفرینی کند؛ و شبکه دیگر یاد می گیرد که چهره را از تصاویر واقعی رونالدو بازآفرینی کند. در deepfakes، هر دو شبکه، یک رمزگذار مشترک و دو رمزگشای مختلف استفاده می کنند. بنابراین، ما اکنون دو شبکه داریم که یاد گرفته اند که رونالدو در بازی و در زندگی واقعی چگونه به نظر می رسد.استفاده از مدل های آموزش دیده برای تعویض چهرهحالا نوبت بخش جذاب است. این الگوریتم با استفاده از یک ترفند هوشمندانه قادر به تغییر چهره هاست. در این مرحله، دومین شبکه رمزگشای خودکار با ورودی اولین شبکه تغذیه می شود. در واقع، رمزگذار اشتراکی، رمزگذاری را از تصویر FIFA گرفته، اما رمزگشا تصویر واقعی را بازسازی می کند.آیا می توانیم از این الگوریتم برای قرار دادن تصویر خود در بازی استفاده کنیم؟چه احساسی داشتید اگر می توانستید به جای الکس هانتر بازی کنید؟ تمام کاری که شما باید انجام دهید اینست که یک ویدیوی طولانی از خودتان بارگذاری کنید و مدل آموزش دیده را طی چند ساعت بارگیری کنید.جمع بندیبزرگترین مزیت این روش، ایجاد چهره های شگفت انگیزی است که تفکیک آن ها از واقعیت دشوار است. همه این ها تنها با چند ساعت آموزش قابل دستیابی است. در حالی که طراحان بازی سال ها برای رسیدن به آن وقت صرف کرده اند. این بدان معناست که ناشران بازی می توانند بازی های جدید را بسیار سریعتر انتشار دهند. همچنین استودیوها می توانند میلیون ها دلار پس انداز کرده و موجودی خود را برای استخدام داستان نویس ماهر به کار گیرند. اما محدودیت بارز این است که این چهره ها در این روش مانند تصاویر تولید شده توسط رایانه برای فیلم ها (CGI) تولید می شوند، در حالی که بازی ها نیاز به تولید تصویر بی وقفه و در لحظه دارند. همچنین زمان مورد نیاز جهت تولید تصویر خروجی نیز در این روش زمان بر است.با این وجود، یکی از مزایای بزرگ استفاده از دیپ لرنینگ در بازی های کامپیوتری در این است که پس از آموزش یک مدل، دیگر نیازی به مداخله انسانی برای ایجاد نتایج وجود ندارد.در نتیجه اگر شخصی بدون داشتن تخصص گرافیکی بتواند تنها طی چند ساعت آموزش چنین فرایندی را عملی کند؛ قطعا توسعه دهندگان بازی ها می توانند با سرمایه گذاری در این راستا و به کارگیری افراد متخصص صنعت بازی ها کامپیوتری را متحول سازند.

چگونه از دیپ لرنینگ در تشخیص چراغ راهنمایی استفاده می شود؟

arefe.ziyaee91 — Wed, 01 Apr 2020 20:41:17 +0430

در این مقاله به نحوه تشخیص چراغ راهنمایی توسط دیپ لرنینگ می پردازیم،مدل ها را معرفی کرده و مشکلات را بررسی می کنیم.آنچه در این نوشته خواهیم داشتچالش:نرم افزار و سخت افزارطبقه بندی نهایییادگیری انتقالSqueezeNetچرخش تصاویربرش نمونه هاآموزش اضافی با میزان یادگیری پایینداده های آموزشی تکمیلیرفع اشتباه در داده های آموزشنقص های مدل دیپ لرنینگمتعادل کردن داده ها:جداسازی روز و شبآموزش طبقه بندی گر برای موارد سختنمونه هایی از اشتباهات مدل در تشخیص چراغ راهنماییچالش:هدف از این چالش تشخیص چراغ راهنمایی در تصاویر گرفته شده توسط رانندگان با استفاده از اپلیکیشن Nexar بود. در هر تصویر داده شده، لازم بود “طبقه بندی گر” چراغ راهنمایی را تشخیص داده و قرمز یا سبز بودن آن را مشخص کند. به طور خاص، فقط می بایست چراغ راهنمایی را در جهت رانندگی شناسایی کرد.این چالش بر اساس شبکه های عصبی پیچشی است، روشی بسیار رایج که در تشخیص تصویر با شبکه های عصبی عمیق مورد استفاده قرار می گیرد. مدل های کوچکتر نمرات بالاتری کسب کردند. علاوه بر این، حداقل دقت لازم برای پیروزی ٩۵ درصد بود.Nexar تعداد ١٨۶۵٩ تصویر دارای برچسب را به عنوان داده های آموزشی ارائه می داد. هر تصویر با یکی از سه کلاس: بدون چراغ راهنمایی، چراغ قرمز و چراغ سبز برچسب گذاری شده است.نرم افزار و سخت افزاربرای آموزش مدل ها از Caffe استفاده کردم. دلیل اصلی که Caffe انتخاب شد به دلیل تنوع زیاد مدل های از قبل آموزش دیده آن بود.برای تجزیه و تحلیل نتایج، بررسی داده ها از Python ، NumPy و Jupyter notebook استفاده شد.از نمونه های GPU آمازون برای آموزش مدل ها استفاده شد.طبقه بندی نهاییطبقه بندی نهایی در مجموعه آزمون Nexar با اندازه مدل ٨۴/٧ مگابایت به دقت ٩۵/٩۴ درصد دست یافت.فرایند دستیابی به دقت بالاتر شامل تعداد زیادی آزمون و خطاست. در پشت برخی از آن ها منطقی وجود داشت و بعضی دیگر فقط بر اساس حدس و گمان جلو رفتند.یادگیری انتقالبا تلاش برای تنظیم دقیق (fine-tuning) مدلی که در ImageNet با معماری GoogLeNet از قبل آموزش داده شده بود، شروع کردیم. خیلی به دقت بالای ٩٠ درصد دست یافتیم!SqueezeNetاخیرا بیشتر شبکه های منتشر شده بسیار عمیق بوده و پارامترهای زیادی دارند. به نظر می رسید که SqueezeNet بسیار مناسب بوده و همچنین دارای یک مدل از قبل آموزش دیده شده در ImageNet بود.شبکه عصبی با استفاده از فیلترهای پیچشی یک در یک و بعضا سه در سه و همچنین با کاهش تعداد کانال های ورودی به فیلترهای سه در سه، می تواند خود را فشرده سازد.بعد از مقداری سعی و خطا در تنظیم میزان یادگیری توانستیم مدل از قبل آموزش داده شده را با دقت ٩٢ درصد تنظیم کنیم.چرخش تصاویربیشتر تصاویر مانند تصویر فوق افقی بودند، اما حدود ۴/٢ درصد عمودی بودند و بعضی از آن ها از بالا گرفته شده بودند.اگرچه این بخش بزرگی از مجموعه داده ها نیست، اما می خواستیم مدل، آن ها را به درستی طبقه بندی کند.متأسفانه ، هیچ داده ای در تصاویر jpeg که جهت گیری را مشخص می کند، وجود نداشت. به منظور تکمیل تصاویر از آموزش مدل در “میانگین پیش بینی ها” در چرخش های ٠⁰ ، ٩٠⁰ ، ١٨٠⁰ و ٢٧٠⁰ استفاده کردیم. منظور از میانگین پیش بینی ها، میانگین احتمالات تولید شده توسط مدل در هر یک از این چرخش هاست.برش نمونه هادر طول آموزش، شبکه SqueezeNet برای اولین بار به طور پیش فرض برش تصادفی تصاویر ورودی را انجام داد و ما آن را تغییر ندادیم. این نوع تقویت داده باعث می شود که شبکه بهتر تعمیم پیدا کند. به طور مشابه، هنگام تولید پیش بینی، چندین برش روی تصویر ورودی ایجاد کرده و میانگین نتایج را به دست آوردیم. از ۵ برش استفاده کردیم. ۴ برش از گوشه و ١ برش از مرکز ( با استفاده از کد Caffe).چرخش و برش تصاویر پیشرفت بسیار کمی را نشان داد. از ٩٢ درصد به ۴۶/٩٢ درصد.آموزش اضافی با میزان یادگیری پایینهمه مدل ها بعد از یک نقطه خاص شروع به بیش برازش (overfit) کردند. این امر از طریق مشاهده صعود “تنظیم اعتبار” در برخی نقاط قابل دستیابی است.در این مرحله آموزش را متوقف می کنیم زیرا احتمالا مدل دیگر تعمیم نمی یابد. سعی کردیم آموزش را در نقطه ای که مدل شروع به بیش برازش با نرخ یادگیری ١٠ بار کمتر از سطح اصلی می کند، از سر بگیریم. این امر معمولا دقت را تا ۵/٠ درصد بهبود می بخشد.داده های آموزشی تکمیلیدر ابتدا داده های خود را به سه مجموعه تقسیم کردم: آموزش (۶۴٪) ، اعتبارسنجی (١۶٪) و آزمون (٢٠٪). بعد از گذشت چند روز به این نتیجه رسیدیم که صرف نظر کردن از ٣۶٪ از داده ها ممکن است خیلی زیاد باشد. در نتیجه مجموعه های آموزشی و اعتبار سنجی را با هم ادغام شده و از مجموعه آزمون برای بررسی نتایج استفاده شد.رفع اشتباه در داده های آموزشهنگام تجزیه و تحلیل اشتباهات طبقه بندی گر در اعتبارسنجی ، متوجه اشتباهات فاحشی شدیم. به عنوان مثال، مدل با اطمینان می گفت چراغ سبز است در حالی که داده های آموزش می گفتند چراغ قرمز است. تصمیم گرفتیم این خطاها را در مجموعه آموزش برطرف کنیم. استدلال این بود که این اشتباهات باعث سردرگمی مدل می شوند و تعمیم آن را سخت تر می کنند. حتی اگر مجموعه آزمایش نهایی در پاسخ خود دارای خطای باشد، یک مدل عمومی تر شانس بیشتری برای دستیابی به دقت بالا در بین تصاویر دارد. در یکی از مدل های دارای اشتباه، ٧٠٩ تصویر را برچسب گذاری کردیم. این کار با Python script حدود یک ساعت زمان برد و تعداد خطاها را به ٣٣٧ عدد کاهش داد.نقص های مدل دیپ لرنینگمتعادل کردن داده ها:داده ها متعادل نبودند. ١٩ درصد از تصاویر بدون چراغ راهنمایی، ۵٣ درصد در چراغ قرمز و ٢٨ درصد در چراغ سبز بودند. ما سعی کردیم با بیش نمونه گیری ( oversampling) داده های کمتر متداول، مجموعه داده ها را متعادل کنیم؛ اما پیشرفتی حاصل نشد.جداسازی روز و شبدریافتیم که تشخیص چراغ راهنمایی در روز و شب بسیار متفاوت است. فکر کردیم که شاید با جداسازی تصاویر روز و شب بتوانیم به مدل کمک کنیم. با در نظر گرفتن میانگین شدت پیکسل ها، جداسازی تصاویر روز و شب بسیار ساده بود. ما دو رویکرد را امتحان کردم که هیچ یک نتیجه بخش نبود:آموزش دو مدل جداگانه برای تصاویر روز و تصاویر شبآموزش شبکه برای پیش بینی ۶ کلاس به جای ٣ کلاس، با پیش بینی اینکه آیا روز است یا شبآموزش طبقه بندی گر برای موارد سخت٣٠ در صد از تصاویری که طبقه بندی گر برای آن ها از اطمینانی کمتر از ٩٧ درصد برخوردار بود انتخاب کردیم. سپس سعی کردیم طبقه بندی گر را فقط بر روی این تصاویر آموزش دهیم. اما بهبودی حاصل نشد.نمونه هایی از اشتباهات مدل در تشخیص چراغ راهنماییاحتمالاً وجود نقطه سبز در نخل که توسط تابش تشعشع بهوجود آمده باعث کی شود مدل به اشتباه چراغ سبز را پیش بینی کند.این مدل به جای چراغ سبز، چراغ قرمز را پیش بینی کرد. (وقتی بیش از یک چراغ راهنمایی در صحنه وجود دارد).این مدل هیچ چراغ راهنمایی را تشخیص نداد در حالی که یک چراغ راهنمایی سبز در تصویر دیده می شود.

٩ کاربرد جالب یادگیری عمیق در زندگی روزانه

arefe.ziyaee91 — Fri, 13 Mar 2020 11:49:11 +0330

برای اکثریت ما، مفاهیمی مانند یادگیری عمیق و هوش مصنوعی هنوز واژه هایی بیگانه هستند. بیشتر افرادی که برای اولین بار با این اصطلاحات مواجه شده اند با احساساتی ترکیب از تردید و ارعاب واکنش نشان می دهند. چگونه می توان به ماشین ها آموزش داد و آن ها را وادار به انجام کارهای انسانی کرد؟ چه چیزی رفتار انسان گونه ماشین ها را توجیه می کند؟ این ها سوالاتی مهم و بحث برانگیز در زمینه دیپ لرنینگ هستند. اما انسان همچنان قادر به پاسخ گویی و برطرف کردن تمامی تردیدهاست. به شرط آن که مایل به بررسی کاربردهای یادگیری عمیق و هوش مصنوعی در زندگی روزمره خود باشید. در این مقاله، ما ده کاربرد جالب دیپ لرنینگ و هوش مصنوعی را در زندگی روزانه بررسی می کنیم.آنچه در این نوشته خواهیم داشتنگاهی کوتاه به مفهوم یادگیری عمیق٩ کاربرد یادگیری عمیق در زندگی روزانه١. دید رایانه ای (دید کامپیوتری)
٢. ربات های مبتنی بر دیپ لرنینگ
٣. ترجمه خودکار
۴. تجربه مشتری
۵. اتومبیل های خودران
۶. رنگ آمیزی
٧. تجزیه و تحلیل تصویر و تولید زیرنویس
٨. تولید متن
٩. شناسایی زبان
نگاهی کوتاه به مفهوم یادگیری عمیقیادگیری ماشین و یادگیری عمیق هر دو زیر مجموعه هوش مصنوعی هستند. اما یادگیری عمیق مرحله تکامل یافته و پیشرفته یادگیری ماشین است. در یادگیری ماشین، برنامه نویسان انسانی الگوریتم هایی را ایجاد می کنند که با استفاده از داده ها، تجزیه و تحلیل می کنند.یادگیری عمیق با یادگیری ماشین متفاوت است زیرا در یک شبکه عصبی مصنوعی کار می کند که از مغز انسان الگو گرفته است. چنین ماشین هایی با ظرفیت یادگیری عمیق نیازی به پیروی ازدستورالعمل برنامه نویسان انسانی ندارند. در واقع دیپ لرنینگ از طریق حجم عظیم داده هایی که ما روزانه ایجاد می کنیم فعالیت می کند.مدل های یادگیری عمیق در برخی جهات از هوش مصنوعی برتری دارند. برای مثال در بحث تشخیص تصویر، الگوریتم یادگیری عمیق دو برابر موثرتر از هر الگوریتم دیگر عمل می کنند.فرض کنید یک مدل هوش مصنوعی به دقت ۵٠ درصد برسد. در این صورت این دستگاه برای استفاده مناسب نخواهد بود. برای مثال یک اتومبیل را در نظر بگیرید. یک فرد به اتومبیلی که ترمزش در ۵٠ درصد مواقع کار می کند اعتماد نمی کند. در حالی که اگر دقت مدل هوش مصنوعی سیستم به حدود ٩۵ درصد برسد برای استفاده عملی بسیار مطمئن تر خواهد بود. این سطح از دقت فقط با الگوریتم های یادگیری عمیق حاصل می شوند.٩ کاربرد یادگیری عمیق در زندگی روزانهدر ادامه به کاربردهایی که دیپ لرنینگ تا کنون در صنایع مختلف داشته است می پردازیم.١. دید رایانه ای (دید کامپیوتری)گیمرهای حرفه ای بطور مکرر با ماژول های دیپ لرنینگ در تعامل هستند. شبکه های عصبی عمیق قدرت تشخیص، طبقه بندی، ترمیم تصویر را دارا هستند. همچنین، آنها حتی قادر به تشخیص رقم های دست نویس در یک سیستم رایانه ای هستند. در راستای آموزش، یادگیری عمیق سوار بر شبکه عصبی فوق العاده ای می شود تا ماشین ها را قادر سازد از بینایی انسان تقلید کنند.٢. ربات های مبتنی بر دیپ لرنینگمحققان Nvidia یک سیستم هوش مصنوعی ایجاد کرده اند که به روبات ها کمک می کند تا حرکات انسان را بیاموزند. امروزه روبات های خانه داری که اقداماتی را بر اساس ورودی های هوش مصنوعی از چندین منبع انجام می دهند، متداول هستند. همانند مغز انسان که وقایع را با توجه به تجربیات گذشته و احساسات آنالیز می کند؛ فرایندهای دیپ لرنینگ هم به روبات ها در انجام وظایف با توجه به عقاید هوش مصنوعی کمک می کند.٣. ترجمه خودکارترجمه های خودکار قبل از ظهور یادگیری عمیق نیز وجود داشته اند. اما یادگیری عمیق به ماشینها کمک می کند تا ترجمه ها را با دقت بالایی ارائه دهند؛ دقتی که در گذشته وجود نداشت. بعلاوه، یادگیری عمیق همچنین در ترجمه به دست آمده از تصاویر نیز کارآمد بوده است؛ فرایندی کاملاا جدید که با استفاده از تفسیر سنتی مبتنی بر متن امکان پذیر نبود.۴. تجربه مشتریبسیاری از مشاغل قبلا از یادگیری ماشین در زمینه تجربه مشتری استفاده کرده اند. به عنوان مثال می توان از پلتفرم های سلف سرویس آنلاین نام برد. بعلاوه، بسیاری از سازمان ها اکنون به یادگیری عمیق برای ایجاد گردش کار قابل اعتماد وابسته هستند. بیشتر ما قبلا با ربات های چت ( Chatbots) که توسط سازمان ها مورد استفاده قرار گرفته اند آشنا هستیم.برای بهبود تجربه مشتری می توان از یادگیری عمیق برای تشخیص گفتار استفاده کرد. فناوری تشخیص گفتار مدت مدیدی است که وجود دارد ، اما تا رسیدن مدل های یادگیری عمیق ، تبدیل به یک محصول قابل فروش نمی شود.نسل جدید کاربران مایلند با دستگاه و وسایل ارتباط برقرار کنند. به عنوان مثال siri اپل را در نظر بگیرید، که امکان فرمان صوتی و تشخیص صدا را نیز فراهم می کند. برقراری ارتباط با siri شبیه به تعامل با یک انسان است.رابط کاربری Siri به ظاهر ساده به نظر می رسد. اما، الگوریتم های هوش مصنوعی طراحی شده در آن بسیار پیچیده هستند.سیستم ها و دستگاه های اتوماسیون خانگی از طریق دستورهای صوتی کار می کنند. در این زمینه، یادگیری عمیق می تواند تجربه مشتری را به میزان قابل توجهی بهبود بخشد. با توجه به تکامل کاربردهای یادگیری عمیق می توان انتظار داشت پیشرفت های بیشتری را در این زمینه شاهد باشیم.۵. اتومبیل های خودراناگر به اندازه کافی خوش شانس بودید تا یک اتومبیل بدون راننده در حال حرکت را ببینید؛ بدانید که چندین مدل هوش مصنوعی به طور همزمان در آن در حال فعالیت هستند. بعضی مدل ها در شناسایی علائم رانندگی و بعضی در تشخیص عابرین پیاده مهارت دارند. بسیاری بر این عقیده هستند که اتومبیل های خودران ایمن تر از اتومبیل های دارای راننده عمل خواهند کرد.۶. رنگ آمیزیدر گذشته اضافه کردن رنگ به فیلم های سیاه و سفید یکی از وقت گیرترین شغل ها در تولید رسانه بود. اما به لطف مدل های یادگیری عمیق و هوش مصنوعی افزودن رنگ به عکسها و فیلمهای B/W، اکنون از همیشه راحت تر است.٧. تجزیه و تحلیل تصویر و تولید زیرنویسیکی از بزرگترین شاهکارهای یادگیری عمیق امکان شناسایی تصاویر و تولید زیرنویس های هوشمند برای آنها است. در حقیقت تولید شرح تصاویر با استفاده از هوش مصنوعی به قدری دقیق است که بسیاری از انتشارات آنلاین در حال حاضر از این گونه تکنیک ها برای صرفه جویی در وقت و هزینه استفاده می کنند.٨. تولید متنماشین ها اکنون توانایی تولید متن جدید از ابتدا را دارند. آن ها می توانند نگارش، گرامر و سبک یک متن را یاد بگیرند و اخبار مؤثر را بنویسند. روبات های روزنامه نگاران که بر مدلهای یادگیری عمیق سوار شده اند؛ حداقل بیش از سه سال است که گزارش های دقیقی از مسابقات ارائه می دهند. و این مهارت منحصرا محدود به نوشتن گزارش نیست.تولید متن مبتنی بر هوش مصنوعی تا حدی مجهز است که قادر به تحلیل بخش نظرات نیز می باشد. تا به امروز تولید متن در زمینه های مختلف، از مباحث مربوط به کودکان تا مقالات علمی، بسیار کارآمد بوده است.٩. شناسایی زباندر این زمینه، دستگاه های دیپ لرنینگ قادر به تشخیص لهجه های مختلف هستند. به عنوان مثال، ابتدا ماشین می تواند درک کند که فرد در حال صحبت به زبان انگلیسی است. سپس بر اساس گویش تمایز قائل می شود. بعد از تشخیص گویش، پردازش زبان توسط هوش مصنوعی دیگری که به آن زبان مسلط است انجام می شود. ناگفته نماند که در هیچ یک از این مراحل مداخله انسانی صورت نمی گیرد.این موارد تنها چند نمونه از کاربردهای یادگیری عمیق بودند که تاکنون وجود دارند. یادگیری عمیق راهی را برای شرکت ها فراهم می کند تا ماژول های یادگیری را توسعه دهند. وقتی الگوریتم های پیچیده تر و غنی تری ایجاد شوند، شرکت ها قادر خواهند بود به رشد فزاینده دست یابند.

یادگیری عمیق چگونه به پزشکی کمک می کند؟

arefe.ziyaee91 — Fri, 13 Mar 2020 11:45:10 +0330

یادگیری عمیق با نتایج تجربی موفق و کاربردهای گسترده، پتانسیل تغییر آینده علم پزشکی را داراست. امروزه استفاده از هوش مصنوعی به طور فزاینده ای رایج شده است و در رشته های مختلفی همچون تشخیص سرطان مورد استفاده قرار می گیرد. یادگیری عمیق همچنین دید رایانه ای، تصویر برداری و تشخیص پزشکی دقیق تر را امکان پذیر می کند.بنابراین تعجبی ندارد که در گزارشی از Report Linker اشاره شده است که انتظار می رود بازار هوش مصنوعی در صنعت پزشکی از ١/٢ میلیارد دلار در سال ٢٠١٨ به ٣۶ میلیارد دلار در سال ٢٠٢۵ برسد!! در این مقاله، پتانسیل یادگیری عمیق در صنعت مراقبت های بهداشتی و پزشکی و کاربردهای فراوان آن در این زمینه را بررسی می کنیم.آنچه در این نوشته خواهیم داشتیادگیری عمیق : آینده علم پزشکیاستفاده از یادگیری عمیق در سوابق سلامت الکترونیکی
دو روش برای استفاده از داده های سیستم های سلامت الکترونیک١. پیش بینی استاتیک
٢. پیش بینی مبتنی بر مجموعه ای از ورودی ها
کاربرد دیپ لرنینگ در پزشکیاستفاده از یادگیری عمیق برای تشخیص سرطانیادگیری عمیق در پیش بینی بیماری و درمانرتینوپاتی دیابتی
ویروس نقص سیستم ایمنی انسان ( HIV )
موارد مربوط به حریم خصوصی ناشی از استفاده از یادگیری عمیق در بهداشت و درمانیادگیری عمیق : آینده علم پزشکیاز آنجا که یادگیری عمیق و هوش مصنوعی در صنعت محبوبیت فراوانی پیدا کرده اند، این سوال مطرح می شود که چگونه در چند سال آینده زندگی ما را تحت تاثیر قرار خواهند داد. در زمینه پزشکی، اگرچه ما طی چند سال اخیر تعداد زیادی از داده های بیماران را ضبط کرده ایم، اما تاکنون یادگیری عمیق بیشتر برای تجزیه و تحلیل داده ها از تصویر یا متن استفاده شده است. اما علاوه بر آن، به تازگی یادگیری عمیق برای پیش بینی طیف گسترده ای از مشکلات و نتایج بالینی نیز مورد استفاده قرار می گیرد. یادگیری عمیق آینده فوق العاده ای در زمینه پزشکی خواهد داشت.علاقه امروز به دیپ لرنینگ در علم پزشکی از دو عامل ناشی می شود. اول، رشد تکنینک های یادگیری عمیق به طور گسترده. به ویژه روش های یادگیری بدون نظارت در حوزه هایی مانند فیس بوک و گوگل. دوم، افزایش چشمگیر داده های مراقبت بهداشتیاستفاده از یادگیری عمیق در سوابق سلامت الکترونیکیسیستم های سلامت الکترونیکی، داده های بیمار از قبیل اطلاعات دموگرافیک، سوابق پزشکی و نتایج آزمایش ها را ذخیره می کنند. این سیستم ها با استفاده از الگوریتم های یادگیری عمیق میزان تشخیص صحیح و مدت زمان لازم برای تشخیص بیماری را بهبود می بخشند. این الگوریتم ها از داده های ذخیره شده در سیستم های سلامت الکترونیک استفاده می کنند تا الگوهای روند سلامت و عوامل خطر را تشخیص داده و براساس الگوهای شناسایی شده، نتیجه بگیرند. همچنین محققان می توانند از داده های موجود در سیستم های سلامت الکترونیک در راستای ایجاد مدل هایی در یادگیری عمیق استفاده کنند که احتمال بروز برخی از نتایج مرتبط با سلامتی را پیش بینی می کند.دو روش برای استفاده از داده های سیستم های سلامت الکترونیک١. پیش بینی استاتیکپیش بینی استاتیک، احتمال وقوع یک رویداد بر اساس مجموعه داده های محققان از سیستم طبقه بندی آماری بین المللی بیماری ها و مشکلات بهداشتی را بیان می کند. به عنوان مثال، Choi و همکارانش یک مدل را براساس داده های سیستم سلامت الکترونیک، از قبیل سوابق پزشکی و میزان مراجعه به بیمارستان بررسی کردند. براساس این اطلاعات، سیستم، احتمال بروز نارسایی قلبی را پیش بینی کرد.٢. پیش بینی مبتنی بر مجموعه ای از ورودی هااز داده های سیستم های سلامت الکترونیک برای پیش بینی بر اساس مجموعه ورودی ها استفاده می شود. می توان پیش بینی را با هر ورودی یا با کل مجموعه داده ها انجام داد. به عنوان مثال ، Choi و همکارانش، توسط این روش مدلی را توسعه داده اند. این مدل با استفاده از شبکه های عصبی مصنوعی زمان مراجعه بعدی به بیمارستان و دلیل مراجعه را پیش بینی می کند.کاربرد دیپ لرنینگ در پزشکیتکنیک های یادگیری عمیق از داده های ذخیره شده در سوابق سیستم های سلامت الکترونیک برای رفع بسیاری از نگرانی های مورد نیاز مراقبت های پزشکی ، مانند کاهش میزان تشخیص نادرست و پیش بینی نتیجه مراحل استفاده می کنند. با پردازش مقادیر زیادی از منابع مختلف مانند تصویربرداری پزشکی، شبکه های عصبی مصنوعی می توانند به پزشکان در تجزیه و تحلیل اطلاعات و تشخیص چندین بیماری کمک کنند:• تجزیه و تحلیل نمونه خون• بررسی سطح گلوکز در بیماران دیابتی• تشخیص مشکلات قلبی• تجزیه و تحلیل تصویر برای تشخیص تومورها• تشخیص سلولهای سرطانی و تشخیص سرطان• تشخیص آرتروز از MRI قبل از شروع آسیباستفاده از یادگیری عمیق برای تشخیص سرطان?انکولوژیست ها سالهاست که از روشهای تصویربرداری پزشکی مانند توموگرافی کامپیوتری، تصویربرداری با رزونانس مغناطیسی و اشعه ایکس استفاده می کنند. در حالی که ثابت شده است که این سیستم ها برای بسیاری از انواع سرطان مؤثر هستند؛ تعداد زیادی از بیماران از سرطان هایی رنج می برند که با این دستگاه ها قابل تشخیص نیستند. شبکه های عصبی مانند شبکه های عصبی پیچشی، وعده های مربوط به آینده تشخیص سرطان را محقق می کنند. براساس همان تصاویر پزشکی، شبکه های عصبی مصنوعی می توانند سرطان را در مراحل اولیه با درصد خطای کمتر تشخیص داده و نتایج بهتری را برای بیماران فراهم کنند. به تازگی، دانشمندان موفق به آموزش مدل های مختلفی از یادگیری عمیق برای تشخیص انواع مختلف سرطان با دقت بالا شده اند.در ادامه نمونه هایی از تحقیقات دانشمندان را بررسی می کنیم:در مطالعه‌ای که توسط Nvidia منتشر شده است، یک مدل یادگیری عمیق توانسته است ٨۵ درصد از میزان تشخیص نادرست سرطان سینه را کاهش دهد.Hossam Haick با الهام از هم اتاقی خود، که به سرطان خون مبتلا شده بود، تلاش کرد وسیله ای را برای درمان سرطان ایجاد کند. براساس طرح او، تیمی از دانشمندان، مدلی از شبکه های عصبی را آموزش دادند تا ١٧ بیماری مختلف را براساس بوی تنفس بیماران با دقت ٨۵ درصد شناسایی کنند.تیمی از محققان Enlitic وسیله ای را معرفی کردند که از توانایی گروهی از رادیولوژیست های متخصص در تشخیص گره های سرطان ریه پیشی گرفته و به میزان تشخیص ۵٠ درصد دقیق تر از تشخیص انساتی در شرایط آزمایش رسید.دانشمندان گوگل یک مدل از شبکه عصبی پیچشی ایجاد کرده اند که سرطان پستان متاستاز شده را از تصاویر آسیب شناسی سریعتر و با دقت بیشتری تشخیص می دهد. این مدل به موفقیت ٩٩ درصدی دست یافت.یادگیری عمیق در پیش بینی بیماری و درماندر سال ٢٠٠۶ هزینه بستری افرادی که به بیماری قابل پیش پیشگیری دچار شده بودند در آمریکا به ٣٠ میلیارد دلار رسید. نیمی از بیماران بستری شده از دو بیماری رنج می برند: مشکلات قلبی و دیابت. از دیپ لرنینگ می توان برای بهبود میزان تشخیص و مدت زمان لازم برای ایجاد پیش آگاهی استفاده کرد.این امر می تواند تعداد بستری شدگان را به شدت کاهش دهد.برخی از تیم های تحقیقاتی در حال حاضر راه حل های خود را برای این مشکل به کار می گیرند.رتینوپاتی دیابتیدر کشورهای در حال توسعه ، بیش از ۴١۵ میلیون نفر از نوعی نابینایی به نام رتینوپاتی دیابتی رنج می برند که از عوارض ناشی از دیابت است. یادگیری عمیق می تواند به جلوگیری از این بیماری کمک کند. یک مدل از شبکه های عصبی مصنوعی، می تواند با داده های گرفته شده از تصویربرداری شبکیه، تشخیص خونریزی، علائم اولیه و شاخص های رتینوپاتی دیابتی کار کند. بیماران دیابتی به دلیل تغییرات شدید سطح قند خون، به این عارضه دچار می شوند. این در حالی است که بیماران دیابتی را می توان از نظر سطح گلوکز کنترل کرد. یک مدل دیپ لرنینگ می تواند از این داده ها برای پیش بینی زمان افزایش و کاهش سطحح گلوکز خون بیماران استفاده کرده و به آن ها اجازه می دهد تا با خوردن یک میان وعده پر قند یا تزریق انسولین، عکس العمل نشان دهند.ویروس نقص سیستم ایمنی انسان ( HIV )بیش از ٣۶ میلیون نفر در سراسر جهان از ویروس نقص سیستم ایمنی بدن رنج می برند. این افراد برای درمان وضعیت خود نیاز به دریافت دوز روزانه داروهای ضد ویروس دارند. HIV می تواند به سرعت جهش یابد. بنابراین، برای ادامه درمان HIV، باید داروهای تجویز شده برای بیماران را تغییر دهیم. استفاده از یک الگوی یادگیری عمیق به نام یادگیری تقویتی می تواند به ما در مقابله با این نوع ویروس ها کمک کند. در این روش، مدل پیچشی می تواند بسیاری از نشانگرهای زیستی را با استفاده از هر دوز دارو ردیابی کرده و بهترین مسیر عملی را برای درمان مداوم فراهم کند.تیمی از محققان در دانشگاه تورنتو ابزاری به نام DeepBind ایجاد کرده اند. طوری که یک مدل شبکه عصبی پیچشی که داده های ژنومی را می گیرد و توالی پروتئین های اتصال دهنده DNA و RNA را پیش بینی می کند. محققان می توانند از DeepBind برای ایجاد مدلهای رایانه ای استفاده کنند که اثرات تغییرات در توالی DNA را نشان دهد. آنها می توانند از این اطلاعات برای توسعه ابزارها و داروهای تشخیصی پیشرفته تر استفاده کنند.موارد مربوط به حریم خصوصی ناشی از استفاده از یادگیری عمیق در بهداشت و درمانبا وجود مزایای بسیاری که استفاده از سیستم های سلامت الکترونیک به همراه دارند؛ همچنان ریسک هایی را نیز به دنبال خواهند داشت. داده های ذخیره شده در این سیستم ها حامل اطلاعات شخصی بیماران بوده که در بسیاری موارد افراد ترجیح می دهند این اطلاعات محرمانه باقی بمانند. بیمارستان ها همچنین داده های غیر پزشکی، مانند آدرس بیماران و اطلاعات کارت اعتباری آن ها را ذخیره می کنند؛ که این سیستم ها را به عنوان هدف اصلی برای حمله می کند. با وجود داده های حساس ذخیره شده در سیستم های سلامت الکترونیک و آسیب پذیری آن ها، محافظت از آن و حفظ حریم خصوصی بیماران بسیار مهم است.تعجب آور نیست که در آینده نزدیک، شاهد باشیم که میانگین “امید به زندگی” بشر ٢٠ سال افزایش یابد؛ و این امر میسر نخواهد شد مگر توسط تکنیک های هوش مصنوعی و یادگیری عمیق.

اتومبیل های خودران چگونه به واقعیت تبدیل می شوند؟ ( کاربرد دیپ لرنینگ)

arefe.ziyaee91 — Sat, 07 Mar 2020 16:48:49 +0330

دهه گذشته شاهد پیشرفت فزاینده ای در فناوری اتومبیل های خودران بوده ایم که عمدتاً از پیشرفت در زمینه دیپ لرنینگ و هوش مصنوعی ناشی می شد. در آینده ای نه چندان دور اتومبیل های خودران ایمن ترین وسایل نقلیه در جاده ها خواهند بود. اگرچه امروزه بسیاری از وسایل نقلیه از ” سیستم های کمک راننده ” استفاده می کنند؛ اما همچنان اتومبیل ها نیازمند انسان ها هستند. صنعت خودروسازی با استفاده از مجموعه ای بسیار قوی تر از داده های حسگر و امکان پردازش سریع این داده ها؛ در پی ایجاد یک اتومبیل کاملا مستقل است.ظهور اتومبیل های خودران در زندگی انسان ها باعث کاهش تصادفات جاده ای، کاهش ترافیک و تسهیل رفت و آمد در شهرهای پر ازدحام خواهد شد.آنچه در این نوشته خواهیم داشتنقش دیپ لرنینگ در پیشرفت اتومبیل های بدون رانندهنیازهای عملکردی در رانندگی بدون رانندهحسگر: مسیریاب: سیاست رانندگی: شبکه های عصبی صحنه را ترسیم می کنندشبکه های عصبی پیچشی (CNN): شبکه های عصبی بازگشتی(RNN): شبکه های عصبی تقویتی (DRL): جمع بندی: نقش دیپ لرنینگ در پیشرفت اتومبیل های بدون رانندهدر طی یک دهه گذشته، یادگیری عمیق و هوش مصنوعی به اصلی ترین فناوری ها در پیشرفت بسیاری از تکنولوژی ها از قبیل روباتیک، پردازش زبان طبیعی، سیستم های ضد کلاهبرداری و اتومبیل های بدون راننده تبدیل شدند.در این راستا، هوش مصنوعی، دیپ لرنینگ و شبکه های عصبی می توانند در این سه زمینه موثر باشند:• استفاده از داده های حسگر به منظور طراحی صحنه• تشخیص علائم و قوانین رانندگی• یادگیری مداوم به منظور بهبود ایمنی و عملکرددر حال حاضر، سیستم های کمک راننده، عملکردهای رانندگی نظیر: مسیریابی، کنترل حرکت بین خطوط، جلوگیری از تصادف و پارک کردن را کنترل می کنند. اما آن ها قادر به رانندگی بدون حضور انسان نیستند. حال آنکه هوش مصنوعی و فناوری های یادگیری عمیق، با استفاده از حسگرهای پیشرفته و نقشه برداری مسیر، کمک می کنند تا اتومبیل ها کاملاً خودمختار و ایمن تر از خودروهای رانده شده توسط انسان حرکت کنند.مسیر پیشرفت اتومبیل های خودران دارای چندین سطح است:• سطح ٠: اتومبیل به طور کامل توسط انسان هدایت می شود.• سطح ١: فرمان، ترمز، شتاب، پارکینگ و سایر کارکردها می توانند به صورت اتوماتیک توسط اتومبیل انجام شوند، اما راننده همیشه آماده است تا کنترل اتومبیل را به دست بگیرد.• سطح ٢: حداقل یک سیستم کمک به راننده کاملا خودکار وجود دارد (مانند کنترل سرعت و مسیر حرکت) اما راننده هوشیار است تا در صورت عدم موفقیت سیستم، حوادث یا اشیاء را تشخیص داده و عکس العمل نشان دهد.• سطح ٣: رانندگان می توانند هنگامی که شرایط محیطی و ترافیکی را مناسب دیدند، عملکردهای اصلی را به طور کامل به وسیله نقلیه واگذار کنند. در این سطح، برخلاف سطوح قبلی، نیازی به نظارت دائمی توسط راننده وجود ندارد.• سطح ۴: وسیله نقلیه کاملاً خودمختار بوده و قادر به انجام کلیه عملکردهای مهم رانندگی در ایمنی و نظارت بر شرایط جاده برای یک سفر کامل است.• سطح ۵: وسیله نقلیه کاملا خودمختار عمل می کند؛ و به اثبات می رسد که بهتر از یک انسان رانندگی می کند.امروزه بیشتر اتومبیل های موجود در جاده ها در سطح صفر قرار دارند؛ در حالی که بسیاری از وسایل نقلیه تولید شده در چند سال گذشته دارای استقلال سطح ١یا ٢ هستند. سطوح بالاتر نیازمند هوش مصنوعی هستند. سطح ۴ و ۵ با استفاده از فناوریهای پیشرفته یادگیری عمیق ساخته خواهد شد.نیازهای عملکردی در رانندگی بدون رانندهرانندگی بدون راننده نیاز به مجموعه ای پیچیده از عملکردهای پیشرفته برای سنجش آنچه اتفاق می افتد دارد. نقشه برداری از مسیر، ایجاد سیاست های رانندگی برای مقابله با موقعیت های قابل پیش بینی و غیرقابل پیش بینی نمونه هایی از آن هستند.حسگر:بیشتر اتومبیل های هوشمند برای درک محیط رانندگی از: LiDAR (روشی که از نور لیزر برای اندازه گیری فاصله استفاده می کند)، رادار (برای تشخیص اشیاء) و دوربین های دیجیتال استفاده می کنند. آن ها شرایط را بررسی کرده و تحلیل می کنند:• اشیاء ساکن مانند محدوده جاده، گارد ریل ها و خطوط مخصوص دوچرخه• اشیاء متحرک از جمله سایر وسایل نقلیه ، عابرین و دوچرخه ها• داده ها و علائم مانند خطوط، مناطق پارکینگ، علائم راهنمایی و رانندگی و چراغ هاسنجش دقیق در اتومبیل های بدون راننده : شکل ١: سنسورهای چندگانه ، وسایل نقلیه خودمختار را قادر می سازند تا هم اشیاء متحرک و هم ایستا را با دقت تشخیص دهند. این سنسورها صحنه را در کل حاشیه خودرو چندین بار در ثانیه ردیابی و طبقه بندی می کند.مسیریاب:اتومبیل های هوشمند از داده های GPS برای رسیدن باز نقطه A به نقطه B استفاده می کنند. اما همچنان به ترجیحات راننده نیز نیاز دارند تا نقشه برداری از مسیر را تا حد امکان کارآمدتر کنند.سیاست رانندگی:سیستم های خودکار باید بدانند چه زمانی خطوط را عوض کرده یا سرعت را تغییر دهند. رانندگان انسانی مجموعه ای از سیاست ها را متناسب با سبک رانندگی و شرایط رانندگی خود ایجاد می کنند. اتومبیل های بدون راننده نیز برای اتخاذ تصمیمات ایمن، به مجموعه ای از سیاست های جامع نیاز دارند.سیستم عامل های اتوموبیل های خودران باید:o به طور پیوسته اجرا شوندo قادر به فعالیت ایمن در شرایط سخت ( هوای بد یا ترافیک سنگین) و شب باشندo به رفتار غیر قابل پیش بینی سایر وسایل نقلیه، عابرین، تعمیرات جاده ای و غیره بدون درصد خطا واکنش نشان دهند.هر یک از این نیازها بیانگر چندین چالش در فناوری است. یکی از مهمترین الزامات که به درستی توسط یادگیری عمیق پوشش داده می شود؛ توانایی درک کل تصویر در لحظه است (که توسط چندین سنسور شکل می گیرد).شبکه های عصبی صحنه را ترسیم می کنندسخت افزار سنسور داخلی ساخته شده توسط تسلا: شامل ٨ دوربین فراگیر، ١٢ سنسور فراصوت به علاوه رادار روبرو است. همه این سنسورها چندین بار در ثانیه داده ها را جمع آوری می کنند.اگر سنسورها را چشم یک وسیله نقلیه در نظر بگیریم، شبکه های عصبی مصنوعی به عنوان قشر مغز عمل کرده و داده های حسگر را به یک تصویر قابل استفاده از فضای جاده تبدیل می کند. شبکه های عصبی صحنه اطراف اتومبیل در حال حرکت را نقاشی می کنند، حد مجاز سرعت ارسال شده را خوانده و از آن پیروی می کنند. علامت توقف و چراغ سبز را تشخیص می دهد؛ افراد، مشاغل و حتی زباله های موجود در جاده را شناسایی می کنند.مهندسی نرم افزار فعلی و ابزارهای مبتنی بر قوانین، به اندازه کافی قدرتمند نیستند تا مشکلات پیچیده ای مانند تفسیر داده های سنسور و رانندگی مستقل را حل کنند. متغیرهای بسیار زیادی وجود دارد. مسائل پیش بینی نشده بسیاری وجود دارد که انسان باید آن ها را پیش بینی کرده و برایشان برنامه ریزی کند.اساسی ترین تکنولوژی های یادگیری عمیق استفاده شده در اتومبیل های بدون راننده عبارتند از: شبکه های عصبی پیچشی، شبکه های عصبی بازگشتی و شبکه های عصبی تقویتی.شبکه های عصبی پیچشی (CNN):شبکه های عصبی پیچشی عمدتا برای پردازش اطلاعات مکانی مانند تصاویر مورد استفاده قرار می گیرند؛ و می توان آنها را به عنوان استخراج کننده ویژگی های تصویر مورد استفاده قرار داد. قبل از ظهور یادگیری عمیق سیستم های بینایی رایانه ای بر اساس ویژگی های دستی به کار گرفته می شدند. شبکه های عصبی پیچشی را با تقریبی می توان با قسمتهای مختلف قشر بینایی پستانداران مقایسه کرد.شبکه های عصبی بازگشتی(RNN):در بین روشهای یادگیری عمیق ، شبکه های عصبی بازگشتی در پردازش داده هایی مانند متن یا جریان های ویدیویی عملکرد خوبی دارند. برخلاف شبکه های عصبی پیچشی، شامل یک حلقه بازخورد وابسته به زمان در سلول حافظه خود هستند.شبکه های عصبی تقویتی (DRL):در شبکه های عصبی تقویتی یک عامل قادر به یادگیری در محیطی تعاملی با استفاده از آزمون و خطاها و تجربه های خود است. در رانندگی بدون راننده با این روش، وظیفه اصلی، یادگیری سیاست های رانندگی بهینه از نقطه ای به نقطه دیگر است.مهمترین امر برای آینده رانندگی بدون راننده، دیپ لرنینگ و شبکه های عصبی هستند؛ که یادگیری مداوم از موقعیت ها و شرایط جدید در یک محیط رانندگی در حال تغییر را امکان پذیر می سازند.جمع بندی:فناوری اتومبیل های خودران طی یک دهه گذشته پیشرفت ویژه ای داشته اند، خصوصا به دلیل پیشرفت در زمینه هوش مصنوعی و یادگیری عمیق. این اتومبیل ها، سیستم های پیچیده ای هستند که می بایست با خیال راحت مسافر یا محموله را از مبدا به مقصد سوق دهند. ظهور و استقرار ماشین های بدون راننده در جاده های عمومی با چالش های بسیاری روبرو است. مهمترین چالش این است که، سیستمهای یادگیری عمیق به پایگاههای داده آموزشی بزرگ متکی هستند و به سخت افزار محاسباتی گسترده نیاز دارند.منبع:https://amanjacademy.com/how-self-driving-cars_become-to-reality/

نکات مهم درباره یادگیری عمیق که باید بدانید

arefe.ziyaee91 — Sat, 07 Mar 2020 10:16:38 +0330

مقدمه:این روزها بحث های گوناگونی درباره وظایف انسان که می تواند توسط ماشین ها جایگزین شود وجود دارد. در حالی که فناوری به سرعت و همراه با ترس و هیجان در حال پیشرفت است؛ عباراتی مانند هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ ممکن است شما را دچار اضطراب کنند.هوش مصنوعی به طور ساده به معنی انجام وظایف انسانی توسط ماشین های هوشمند می باشد. دیپ لرنینگ ( یادگیری عمیق ) زیر مجموعه ماشین لرنینگ است؛ که توسط هوش مصنوعی و با تقلید از عملکرد مغز انسان، قادر به پیش بینی خروجی ها و ایجاد الگوهای تصمیم گیری است. دیپ لرنینگ به شبکه های عصبی مصنوعی اشاره دارد که از چندین لایه یادگیری تشکیل شده اند. همچنین از بسیاری از DNN ها به منظور یادگیری سطح انتزاع استفاده می کند.فهرست:١. یادگیری عمیق چگونه کار می کند؟٢. دیپ لرنینگ یک “یادگیری ویژگی” دارای سلسله مراتب است٣. انواع الگوریتم ماشین لرنینگ۴. یادگیری عمیق در ماشین لرنینگ۵. جمع بندی١. یادگیری عمیق و شبکه های عصبی چگونه کار می کنند؟دیپ لرنینگ در دوره دیجیتال تکامل یافته است. که باعث پدید آمدن داده هایی به نام داده های بزرگ ( Big Data ) شده است. این داده ها از وب سایت های رسانه های اجتماعی، موتورهای جستجو و سیستم عامل های تجارت الکترونیکی گردآوری جمع آوری شده اند. این داده های بزرگ قابل دسترس بوده و از طریق ابر رایانه ها به اشتراگ گذاشته می شوند.ایده دیپ لرنینگ را می توان به این شکل توصیف کرد:?با این حال، این داده های بزرگ معمولا به شکلی بدون ساختار هستند. ممکن است سال ها طول بکشد تا انسان بتواند اطلاعات مربوط را از آن کشف و استخراج کند. شرکت ها با اتکا به برخی از سیستم های مبتنی بر هوش مصنوعی ، پتانسیل مورد نیاز برای آن را درک کرده و از به هدر رفتن سرمایه جلوگیری می کنند. در حال حاضر رایانه هایی با ظرفیت های کافی برای مدل های دیپ لرنینگ و همچنینن داده های بزرگ به منظور آموزش شبکه های عصبی دیپ لرنینگ فراهم است. . از آن جهت به آن یادگیری عمیق می گویند که شبکه های عصبی دارای لایه های مختلف و عمیقی هستند که یادگیری را امکان پذیر می سازند. تقریبا در مورد هر مشکلی که نیاز به فکر کردن باشد؛ دیپ لرنینگ می تواند آموزش ببیند.عملکرد شبکه های عصبی روز به روز بهتر می شود؛ چرا که به طور مستمر اطلاعات بیشتری به آن ها تغذیه شده و آموزش می بینند. همین امر، یادگیری عمیق را از سایر تکنیک های ماشین لرنینگ متمایز کرده است. علاوه بر افزایش اطلاعات، الگوریتم های یادگیری عمیق از قدرت محاسباتی قوی تری که امروزه در دسترس است بهره می برند. گسترش هوش مصنوعی نیز تاثیر بسزایی در این روند داشته است. هوش مصنوعی به عنوان یک سرویس به سازمان های کوچکتر امکان دسترسی به فناوری هوش مصنوعی، و به طور خاص الگوریتم های هوش مصنوعی مورد نیاز برای یادگیری عمیق را داده است.٢. دیپ لرنینگ یک “یادگیری ویژگی” دارای سلسله مراتب استیادگیری ویژگی چیست؟یادگیری ویژگی به مجموعه ای از تکنینک ها اطلاق می شود که امکان یادگیری یک ویژگی را داراست. برای مثال طبقه بندی داده های خام. یادگیری ویژگی در قالب سلسله مراتب هوش مصنوعی کار می کند.علاوه بر مقیاس پذیری، دیپ لرنینگ به ما امکان یادگیری ویژگی را نیز می دهد. به طور کلی، یادگیری مراحل پیچیده را برای ماشین ها آسان می کند. یادگیری عمیق به استفاده از ساختارهای ناشناخته در داده های ورودی کمک می کند. در لایه های بالاتر، ویژگی های دیپ لرنینگ به چند لایه تقسیم می شوند. ویژگی های یادگیری در چندین سطح به ماشین ها برای درک سیستم های پیچیده یادگیری عمیق کمک می کنند.٣. انواع الگوریتم ماشین لرنینگالگوریتم های شبکه عصبی در ماشین لرنینگ به طور گسترده به چهار بخش تقسیم می شوند:الف: الگوریتم یادگیری نظارت شدهالگوریتم های یادگیری نظارت شده سعی می کنند تا روابط و وابستگی های بین خروجی پیش بینی شده مورد نظر و ویژگی های ورودی را الگوبرداری کنند؛ تا بتوانیم برای داده های جدید، مقادیر خروجی را بر اساس روابطی که از مجموعه داده های قبلی آموخته است، پیش بینی کنیم. در نتیجه در الگوریتم یادگیری نظارت شده به منظور آموزش مدل دیپ لرنینگ، نیازمند داده های دارای برچسب هستیم. داده های دارای برچسب، حاوی ورودی و خروجی هدف هستند.ب: الگوریتم یادگیری بدون نظارتدر این الگوریتم، کامپیوترها با داده های بدون برچسب آموزش داده می شوند. الگوریتم های یادگیری بدون نظارت تلاش می کنند تا با استفاده از تکنینک هایی بر روی داده های ورودی، الگوها را تشخیص دهند، داده ها را خلاصه و گروه بندی کنند و به ارائه پیشنهادی معنا دار کمک کنند. در این الگوریتم هم نیازمند داده های دارای برچسب هستیم؛ اما خروجی هدف وجود ندارد.ج: الگوریتم یادگیری نیمه نظارتیاین الگوریتم بین دو حالت قبلی قرا می گیرد. در بسیاری از شرایط، هزینه برچسب دار کردن داده ها زیاد است. زیرا نیازمند متخصصان ماهر است. بنابراین، در مواجهه با این موارد، الگوریتم های یادگیری نیمه نظارتی بهترین انتخاب برای ساخت مدل هستند. این الگوریتم بر این ایده است که اگرچه گروه داده های بدون برچسب نامشخص است؛ اما این داده ها اطلاعات ارزشمندی درباره پارامترهای گروه را دارا هستند.د: الگوریتم یادگیری تقویتیاین الگوریتم مربوط به چگونگی انجام اقدامات نرم افزاری در یک محیط است. الگوریتم یادگیری تقویتی یرای تصمیم گیری آموزش می بیند. این الگوریتم خود را بر اساس سعی و خطا در تصمیم گیری، آموزش می دهد.۴. یادگیری عمیق در ماشین لرنینگیکی از رایج ترین تکنیک های مبتنی بر هوش مصنوعی برای پردازش داده های بزرگ، ماشین لرنینگ است. الگوریتم خود-سازگار به طور مداوم بر اساس الگوها، بهتر شده و خود را آموزش می دهد. یادگیری عمیق به ماشین ها اجازه می دهد حتی در هنگام استفاده از مجموعه داده ای که بسیار متنوع ، بدون ساختار و به هم پیوسته است ، مشکلات پیچیده را حل کنند. هرچه الگوریتم های یادگیری، عمیق تر یاد بگیرند ، عملکرد بهتری خواهند داشت.بیایید با یک مثال جلو برویم:اگر یک شرکت پرداخت دیجیتال در صدد تشخیص وقوع کلاهبرداری در سیستم پرداخت خود باشد، می تواند از ابزارهای یادگیری ماشین استفاده کند. الگوریتم محاسباتی که در درون سیستم ساخته شده است، قادر به بررسی تمام معاملات انجام شده است. بنابراین، طبق مجموعه داده های مختلف می توان الگوی ناهنجاری های رخ داده در سیستم را مشاهده کرد. این ابزارها، کار را به صورت خودکار انجام داده و از دسترسی غیر مجاز سیستم ها جلوگیری می کنند. دیپ لرنینگ، زیر مجموعه شبکه ماشین لرنینگ است که از شبکه عصبی مصنوعی (ANN ) در جهت انجام فرایندها استفاده می کند.?عملکرد شبکه های عصبی مصنوعی مانند مغزهای کوچک انسانی است که با گره های عصبی متصل به یک شبکه ساخته شده اند. تجزیه و تحلیل در برنامه های سنتی به صورت خطی است؛ حال آن که ویژگی سلسله مراتبی یادگیری عمیق، داده ها را با استفاده از تکنیک های غیر خطی تحلیل می کند.یک رویکرد سنتی برای تشخیص دسترسی کلاهبردار به در سیستم دیجیتال، بر مبنای معاملات است. اولین لایه شبکه عصبی عمیق داده هایی مانند میزان معامله انجام شده را پردازش کرده و آن را به لایه بعدی منتقل می کند. در لایه دوم، IP های اختصاص داده شده به کاربران بررسی می شود و سپس به لایه بعدی ارسال می شود. سطح بعدی، اطلاعاتی که در لایه قبلی به دست آمده دریافت و پردازش می کند. در این لایه موقعیت جغرافیایی آنان بررسی شده و سپس به لایه بعدی منتقل می شود. در این روش، دیپ لرنینگ الگوها را بررسی کرده و ناهنجاری ها را شناسایی می کند. هنگامی که داده ها به این سلسله مراتب می رسند بهتر پردازش می شوند. معمولا مجموعه داده های بیشتری را به دست می آورند تا بازده بهتری حاصل شود.۵.جمع بندی:یادگیری عمیق از انسان تقلید کرده و از طریق الگوریتم شبکه عصبی مصنوعی تصمیم گیری می کند. داده های بدون ساختار و بدون برچسب را می توان با دیپ لرنینگ پردازش کرد. همچنین از یادگیری عمیق می توان برای شناسایی پولشویی در سیستم ها استفاده کرد.الگوهای دیپ لرنینگ فقط برای تنها برای ثبت الگوهای معاملاتی ایجاد نمی شوند؛ بلکه به منظور هشدار در صورت بروز فعالیت های کلاهبردارانه نیز کاربرد دارند. لایه های آخر، به یک تحلیل گر هشدار می دهد؛ تحلیل گر، حساب کاربر را مسدود کرده و تمام معاملات آن را متوقف می سازد.یادگیری عمیق در تمام صنایع مورد استفاده قرار می گیرد. مثلا می توان از دیپ لرنینگ در تحقیق پزشکی به عنوان یک ابزار برای تشخیص امکان استفاده مجدد از داروها بهره برد. یا گوگل در نتایج تحقیقات خود یک واقعیت افزوده را منتشر کرده که مبتنی بر ماشین لرنینگ است. همچینین از یادگیری عمیق در اپلیکیشن های مصرف کنندگان و برنامه های تجاری که از تشخیص تصویر استفاده می کنند، کمک گرفته می شود. نکته اصلی این است که لایه های شبکه عصبی یادگیری عمیق توسط مهندسین انسانی طراحی و سخته نمی شوند؛ بلکه توسط مجموعه داده ها و با استفاده از فرایند یادگیری چند منظوره ایجاد می شوند.یادگیری منبع: https://amanjacademy.com/important-tips-about-deep-learning/