https://virgool.io/feed/@datawithmilad هوش مصنوعی یک علم پیشرو در صنعت و آموزش است. این علم میتواند باعث رشد و پیشرفت زندگی انسان ها به صورت چشمگیری بشود. پس آموزش و یادگیری این علم برای همه انسان ها ضروری و مهم است. fa 2026-04-15 09:50:43 https://files.virgool.io/upload/users/3143114/avatar/xt7ydO.jpg?height=120&width=120 https://virgool.io/@datawithmilad https://virgool.io/@datawithmilad/%D9%86%D9%82%D8%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AA%D8%B1%D8%A7%D9%81%DB%8C%DA%A9-%D9%88-%D9%86%D8%AC%D8%A7%D8%AA-%D8%AC%D8%A7%D9%86-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D9%87%D8%A7-xybsr6ytmkrr با کمک دوربین ها، سنسورها و همچنین gps هوش مصنوعی نقش بسیار زیادی را در حیطه ی حمل و نقل عمومی ایفا می کند.این تکنولوژی می تواند خطاهای انسانی را کاهش داده و همچنین می تواند به عنوان ناظر، رعایت قوانین ایمنی را کنترل کرده تا سوانح جاده ای به حداقل خود برسد.امروزه جاده ها و مسیرهای بین شهری نقش خیلی مهمی را در عملکرد بهتر اکثر صنعت ها و همچنین اهداف شخصی ایفا می کنند. پس توجه به این مهم و حرکت در جهت بهبود و کاهش درصد خطا و مرگ و میر در این حوزه می تواند بسیار کمک کننده بوده و علاوه بر دستیابی به پیشرفت در زمینه های ارتباطی و همچنین شخصی، می توان در صدد کاهش مرگ ومیر و نجات جان انسان ها نیز عمل کرد. صنعت حمل و نقل دارای سیستمی بسیار پیشرقته است که عوامل زیادی بر روی کارایی آن تاثیر دارند. وجود عوامل زیاد از یک سو و پیچیده بودن این توالی باعث افزایش اهمیت این صنعت می شود. عواملی همچون اشتباهات و واکنش های انسانی، تصادفات، شرایط آب و هوایی، وضعیت اقتصادی و حتی موقعیت های زمانی در طول سال، همگی تاثیرگذار بوده و بروز مشکل در هر بخش می تواند به صورت زنجیره وار بر دیگری تاثیر گذارد. حال که متوجه میزان اهمیت موضوع شدیم، باید روندی را پیش بگیریم که در جهت کاهش بروز اشکال و خطا در این حوزه شود. یکی از مواردی که نقش مهمی در این زمینه دارد، هوش مصنوعی یا Artificial intelligence است. سوالی که پیش می آید این است که هوش مصنوعی چگونه می تواند در این زمینه کمک کننده باشد؟ در ادامه ی این مقاله چند مورد را با هم بررسی خواهیم کرد.خودروهای هوشمند:یکی از مواردی که در هم اکنون در دنیای تکنولوژی و هوش مصنوعی مطرح است، ساخت خودروهای هوشمند می باشد. به طوری که حجم بسیار زیادی از داده در هر لحظه باید توسط این گونه خودروها دریافت و پردازش شوند تا در نهایت بهترین تصمیم با توجه به موقعیتی که درش قرار دارند گرفته شود. به همین دلیل، شرکت ها هنوز موفق به تولید انبوه این خودروها نشده اند اما با این حال در برخی کشورها همانند ژاپن، تاکسی های خودران بر روی برخی از جاده ها اجازه ی فعالیت دارند. و یا در ایالات متحده شرکت waymo از سال 2010 شروع به توسعه ی این نوع خودروها کرد و درنهایت در سال 2018 کامیون ها و مینی ون هایی را جهت آزمایش بر روی جاده های عمومی معرفی کرد اما بنا به دلایلی که گفته شد هنوز تولید انبوهی صورت نگرفته است.به طور طبیعی، ایمن کردن خودروهای خودران برای مسافران زمان می‌برد؛ با این حال، با تکامل فناوری، خودروهای خودران قابل اعتماد‌تر و بسیار گسترده‌تر خواهند شد. با کمک حسگرها، دوربین‌ها و GPS، هوش مصنوعی تأثیر زیادی بر حمل و نقل عمومی خواهد داشت. تکنولوژی هوش مصنوعی می‌تواند نرخ خطاهای انسانی را کاهش دهد و تطابق با آیین‌نامه‌های ایمنی را نظارت کند تا خطرات رانندگی کاهش یابد. خودروی هوشمند شرکت waymoتشخیص پیاده‌ رو:رانندگی در شب برای بسیاری از رانندگان چالش‌برانگیز است. از آنجا که سیستم‌های کامپیوتری می‌توانند به‌طور خودکار پیاده‌ روها را در تصاویر و ویدیوها شناسایی کنند، خودروهای مجهز به هوش مصنوعی می‌توانند به طور قابل توجهی وضعیت را بهبود ببخشند. در واقع، خودران‌ها (یا در آینده، وسایل نقلیه خودکار) می‌توانند به رانندگان اجازه بدهند که بخوابند/چت کنند بدون اینکه هیچ حادثه‌ی ترافیکی ایجاد کنند.تشخیص پیاده‌رو یک مسئله برای دید کامپیوتری و تشخیص الگو به شمار می‌رود زیرا پیاده‌ روها ممکن است به‌طور غیرمنتظره رفتار کنند و این موضوع باعث ایجاد چندین حالت خاص شود. به عبارت دیگر، این موضوع باعث مشکلات در پیش‌بینی رفتار می‌شود که جزو بزرگترین تهدیدات برای موفقیت خودروهای خودران محسوب می‌شوند.علاوه بر این، هنوز چالش‌های زیادی در داده‌های آموزش وجود دارد که باید غلبه شود، شامل پارامترهای نورپردازی متفاوت و انواع حالت‌ها یا لباس‌هایی که پیاده‌روها نشان می‌دهند. برای غلبه بر این موارد، هوش مصنوعی نیازمند داده‌های آموزش بسیار زیادی است که زمان زیادی برای به دست آوردن آنها صرف می‌کند.سیستم مدیریت چراغ‌های راهنمایی و نشانه‌های ترافیک:یکی دیگر از کارهایی که هوش مصنوعی می تواند انجام دهد، بهینه سازی ترافیک است. تصور کنید که تمامی توقف های غیر ضروری و پارک خودروها در موقعیت نادرست مثل پارک دوبل ها حذف شوند! پس هم به محیط زیست کمک شایانی خواهد شد و هم در ترافیک شهری و جاده ای.با استفاده از یادگیری ماشین، هوش مصنوعی داده‌ها را پردازش، کنترل و بهینه‌سازی می‌کند از سنسورها و دوربین‌های نصب شده بر روی جاده‌ها استفاده می کند. سیستم‌های هوش مصنوعی و داده‌های بزرگ این داده‌ها را تجزیه و تحلیل کرده و الگوهای ترافیک را آشکار می‌سازند. بینش‌های مربوط، سیستم‌های هوشمند را با ورودی برای پیش‌بینی ترافیک یا مسدودیت‌های جاده تامین می‌کنند. با استفاده از این ورودی‌ها، هوش مصنوعی مشکلاتی که ممکن است منجر به ترافیک و شلوغی شود را تشخیص می‌دهد و پیش‌بینی می‌کند.فناوری سیگنال‌دهی ترافیک و سیستم‌های حمل و نقل هوشمند نقش مهمی در ایمنی جاده ایفا می‌کنند. برای این کار، زمان‌بندی و پیکربندی چراغ‌های راهنمایی امری ضروری است. پیش‌بینی زمان سفر:تأخیرها یکی از مشکلات اساسی حمل و نقل هستند، به ویژه حمل و نقل هوایی. به گفته دانشگاه کالیفرنیا، این تأخیرها می‌توانند تا 32.9 میلیارد دلار هزینه داشته باشند آن هم فقط در آمریکا!پیاده‌سازی هوش مصنوعی راهی برای پیشگیری از هزینه‌های تأخیر پرواز است و به طور همزمان به مشکلات منفی مسافران پرداخته می‌شود. با توانایی پیش‌بینی اثرات کوتاه‌ مدت تقریباً از هر چیزی، از آب و هوای طوفانی تا تعداد خاصی از مشکلات فنی که ممکن است باعث تأخیر پرواز شوند، سیستم‌های هوش مصنوعی می‌توانند زمان انتظار مسافران را کاهش دهند. با پردازش داده‌های هواپیما به صورت زمان واقعی، سوابق تاریخی، و اطلاعات هواشناسی، هوش مصنوعی (AI) قدرت گرفته از یادگیری ماشین (ML) الگوهای پنهان را آشکار می‌کند و صنعت حمل و نقل هوایی (و مسافران) را با بینش‌های ارزشمندی در مورد احتمالاتی که ممکن است باعث تأخیر یا لغو شوند، تأمین می‌کند.مانیتورینگ وضعیت جاده:صدماتی که در جاده ها وجود دارند هر ساله به بیش از 3,000,000,000 دلار برای رانندگان در ایالات متحده آمریکا ایجاد هزینه می‌کند.با این حال، هوش مصنوعی تصویری در حوزه حمل و نقل می‌تواند با موفقیت عیوب جاده را شناسایی کرده و با تشخیص تغییرات در سطح جاده‌ها، زیرساخت محیط اطراف را ارزیابی کند.الگوریتم‌های هوش مصنوعی تصویری می‌توانند سطح صدمات جاده را شناسایی کرده و اعلام آن به مقامات مربوطه برای بهبود نگهداری جاده کنند.این الگوریتم‌ها داده‌های تصویر یا ویدیو را جمع‌آوری کرده و سپس این داده‌ها را پردازش می‌کنند تا شکاف‌ها را تشخیص دهند و حتی آن‌ها را به صورت خودکار طبقه‌بندی کنند. علاوه بر این، این الگوریتم‌ها به زودی تکنیک‌های بازسازی هدفمند و نگهداری پیشگیرانه خودکار را بدون دخالت انسانی برنامه‌ریزی خواهند کرد.به عبارت دیگر، شناسایی خرابی‌های پوشش جاده (PD) به صورت خودکار، کارایی تخصیص نگهداری جاده را بهبود می‌بخشد در حالی که ایمنی جاده را افزایش می‌دهد، به روزرسانی‌های زمان واقعی برای تعمیر سریع‌تر فراهم می‌کند و زمان و پول را صرفه‌جویی می‌کند.مدیریت پارکینگ مبتنی بر دید کامپیوتر:سرگرم شدن برای پیدا کردن پارکینگ یک مشکل شناخته شده بین اکثریت رانندگان است. پیدا کردن یک جای پارک، اغلب استرس آور است (همچنین برای محیط زیست آسیب زا) و باعث ترافیک می‌شود.دید کامپیوتر می‌تواند مدیریت پارکینگ را بازنگری کند. ابتدا، پارکینگ‌ها باید سنسورهایی داشته باشند که فاصله بین خودروها را اندازه گیری کنند تا هر جای پارک خالی را نظارت کنند. با این حال، از آنجا که چنین سنسوری قادر به اسکن پلاک‌های خودرو نیست، وقت آن رسیده است که دوربین‌ها، پارک مترها با دید کامپیوتر دخیل شوند.با استفاده از شناسایی اتوماتیک پلاک، هوش مصنوعی خودروهای پارک شده را دقیق تشخیص می‌دهد، همچنین مقدار زمان پیش ‌پرداخت شده برای پارکینگ آن ‌ها را اندازه گیری می‌کند.سپس، سیستم می‌تواند از آن داده‌ها برای به‌روزرسانی نقشه‌ی تمام جاهای خالی و جاهای موجود در آینده استفاده کند. رانندگان می‌توانند سپس از نقشه بر روی دستگاه تلفن همراه خود استفاده کنند تا به سرعت، جای خالی‌های پارکینگ با سطح اشغال پایین را پیدا کرده و در زمان صرفه‌جویی کنند. تشخیص خودکار حوادث ترافیکی و اجرای قوانین:به دلیل اهمیت این موضوع، تشخیص حوادث ترافیکی یکی از پرمطالعه‌ترین حوزه‌های حمل و نقل مصنوعی است. هدف اصلی این است که حداقل اختلال در جریان ترافیک ایجاد شود.برای مدت زمان زیادی، نظارت تصویری بهترین ابزار کارآمد برای پیگیری شبکه‌های جاده‌ای و تقاطع‌ها بود. این ابزار یک دید واقعی از ترافیک ارائه می‌داد و اجازه می‌داد تا مقامات به سرعت به حوادث واکنش نشان دهند.با این حال، انسان‌ها که فیلم‌های ویدیویی را تماشا می‌کردند، توانایی‌های محدودی داشتند. برای یک نفر امکان نظارت همزمان بر چندین دوربین با کارایی یکسان وجود ندارد که منجر به عدم تشخیص حوادث برای لحظات حیاتی می‌شود.در اینجا، تشخیص خودکار حوادث وارد عمل می‌شود. سیستم دید کامپیوتری در ویدیو به دنبال حوادث، صف‌ها و شرایط غیرعادی ترافیکی می‌گردد و به طور مداوم تمام دوربین‌ها را نظارت می‌کند. به عنوان مثال، MindTitan در همکاری با اداره جاده استونی یک مدل پیش‌بینی حوادث ترافیکی ایجاد کرد. سیستم از داده‌هایی مانند تخلفات، حوادث، شرایط آب و هوا، مکان و زمان پاترول‌های پلیس و غیره استفاده می‌کند. بر اساس این داده‌ها، مدل پیش‌بینی باید خطر، شدت و علت اصلی حوادث ترافیکی را پیش‌بینی کند. بنابراین، هوش مصنوعی می‌تواند ایمنی جاده را بهبود بخشد و ترافیک را کاهش دهد.یک مثال دیگر یک پروژه هوش مصنوعی است که در Bellevue (WA)، ایالات متحده توسعه یافته است. با تجزیه و تحلیل بیش از 5،000 ساعت فیلم، پژوهشگران پیش‌بینی‌کننده‌های دقیق حوادث را شناسایی کردند. با پردازش داده‌ها از دوربین‌های ترافیک با کیفیت بالا و 360 درجه نصب شده در 40 تقاطع، مدل هوش مصنوعی نقاط داغ ترافیکی در شبکه شهر را شناسایی می‌کند. دوربین‌ها داده‌هایی در مورد حجم ترافیک، سرعت خودروها و نشانگرهای ترافیک نزدیک حادثه را ارائه می‌دهند.یک حوزه دیگر از استفاده از هوش مصنوعی در حمل و نقل، اجرای قوانین است. سیستم‌های هوشمند به مقامات کمک می‌کنند تا افرادی که در حال نوشیدن الکل یا ارسال پیام متنی در حال رانندگی هستند را شناسایی کنند و افسران نزدیک را هشدار دهند تا از وقوع حوادث پیشگیری شود.مواردی که ذکر شد تنها بخش کوچکی از دستاوردهای این علم در حوزه ی حمل و نقل و ترافیک است. امروزه با پیشرفت روزافزون تکنولوژی، شاهد رشدی سریع در ایجاد انواع الگوهای کارآمدتر و بهینه تر هستیم. منبع: mindtitan.com یادگیری و آموزش هوش صنوعی یادگیری و آموزش هوش صنوعی Fri, 05 Apr 2024 20:36:51 +0330 https://virgool.io/@datawithmilad/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AF%D8%A7%D8%B1%D9%88%D8%B3%D8%A7%D8%B2%DB%8C-%D9%88-%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA-%D9%87%D8%A7%DB%8C-%D8%A7%D8%AE%DB%8C%D8%B1-a18h1rnrxvug در سال های اخیر استفاده از هوش مصنوعی در زمینه ی مراقبت های سلامت بسیار افزایش یافته است. یکی از فیلدهایی که در این مطلب قرار است به آن بپردازیم، علم داروسازی و پیشرفت های به دست آمده در این حوزه توسط هوش مصنوعی می باشد. امروزه به کمک هوش مصنوعی (AI) و الگوریتم های یادگیری ماشین (ML) می توانیم داده های مربوطه را به عنوان ورودی ارسال کرده و خروجی بهینه ای همچون آنالیز ساختار شیمیایی داروها تا ویژگی های بالینی بیماران دریافت کنیم. علاوه بر این، هوش مصنوعی با ایده هایی نو در حوزه دارو و سلامت کمک های شایان توجه ای همچون کشف و طراحی دارو، توسعه محصول، بهبود فرایند تولید، پایبندی به دارو و تعیین دوز آن، تغییر کاربری دارو، نشانگرهای زیستی پیش ‌بینی کننده، پیش ‌بینی نتایج درمان، شناسایی جمعیت مطالعات بالینی (clinical trials)، بیماری های کمیاب، شخصی ­ سازی داروها، پردازش داده های زیست پزشکی و بالینی، تجزیه و تحلیل الگوی بیان ژن، پیش بینی شیوع بیماری های همه گیر، نانو انفورماتیک و غیره کرده است.همچنین علاوه بر تحلیل داده های مربوطه، هوش مصنوعی در زمینه ی کشف داروها با توجه به هدف موجود بسیار کمک کننده بوده و علاوه بر آن توانسته با تکیه بر الگوریتم و مدل های شناسایی شده، پاسخ های دارویی بیماران مختلف را نیز پیش بینی کند که می توان از آن به عنوان یک جهش بزرگ در حیطه ی مراقبت های سلامت یاد کرد.آشنایی کلی با دو مفهوم الگوریتم های supervised و unsupervisedقبل از اینکه وارد مبحث کاربردهای هوش مصنوعی در داروسازی شویم بهتر است ابتدا با نحوه ی کار هوش مصنوعی و الگوریتم های آن آشنا شده تا بهتر متوجه روند پیشروی این علم شگفت انگیز شویم.نمودار بالا دو حالت از الگوریتم های یادگیری ماشین را به ما نمایش می دهد. یادگیری با نظارت (supervised) و بدون نظارت (unsupervised).حالت اول بیشتر جهت پیش بینی به کمک داده های موجود استفاده می شود. برای مثال پیش بینی اینکه آیا آنزیم مربوطه در بدن بیمار با توجه به سوایق ژنتیکی اش فعال خواهد شد یا خیر؟ و یا بیمار X به فلان دارو، پاسخ مثبت خواهد داد یا خیر؟اما حالت دوم بیشتر برای طبقه بندی و شناسایی کاربرد دارد. برای مثال شناسایی ژن هایی در بدن بیمار که با مصرف فلان دارو، بیان می شوند و یا برای مثال اگر بیمار دچار مریضی نوع A است، به احتمال زیاد بیماری نوع B را هم خواهد داشت.با توجه به توضیح مختصری که داده شد، اینک به دستاوردها و کاربردهای هوش مصنوعی در صنعت دارو سازی می پردازیم.کشف داروهای جدید:اگر یک شرکت دارویی بخواهد به تنهایی داروهای جدید با فرمول شیمیایی نوینی را کشف و تولید کنند، علاوه بر صرف زمان طولانی، مجبور به پرداخت هزینه ی هنگفتی هم خواهند شد.اما به کمک هوش مصنوعی و با در اختیار گذاشتن داده های مرتبط به نوع فرمول شیمیایی و بیماری مربوطه، می توان در مدت زمان و صرف هزینه ی کمتری به فرمول شیمیایی جدیدی دست یافت. امکان ارائه گزینه‌های درمانی بیشتر و تولید داروهای ارزان‌تر نیز از دیگر مزایای آن می باشد.درمان بیماری های نادر:هوش مصنوعی در یافتن درمان مناسب برای بیماری های نادر همچون سطان، پارکینسون، آلزایمر و غیره می تواند بسیار کمک کننده باشد.برای مثال با کمک هوش مصنوعی اپلیکیشنی برای بیماران پارکینسونی طراحی و بر روی دستگاه تلفنشان نصب شده که به صورت هوشمند هرگونه تغییر رفتار در بیمار را به طور خودکار برای پزشک ارسال کرده تا دوز دارو های مصرفی متناسب با اطلاعات و وضعیت موجود بیمار کنترل شود.یافتن بیماران مناسب برای مطالعات بالینی:واضح است که پیدا کردن بیماران واجد شرایط برای انجام مطالعات بالینی-تحقیقاتی بسیار اهمیت دارد. از این رو هوش مصنوعی با پردازش و ساده سازی فرم های اطلاعاتی به زبانی که کامپیوتر بتواند داده های جمع آوری شده را خوانده و تحلیل کند، کمک شایانی به پیشبرد تحقیقات و آنالیز داده ها می کند.نسخه کردن دارو:خطاهای نسخه نویسی یکی از مهم ترین چالش ها برای بیماران است که در بعضی موارد، این اشتباهات به دلایل مختلف مانند تداخلات دارویی، باعث بروز وقایع ناخوشایند در زندگی بیماران می شود. هنگام تجویز یک دارو، باید چندین فاکتور توسط پزشکان در نظر گرفته شود که مستلزم بررسی پیشینه بیماران توسط پزشک و تجزیه و تحلیل گزارشات پزشکی قبلی است. ربات های مبتنی بر هوش مصنوعی می توانند به عنوان یک مشاور شخصی، خدماتی به بیماران یا مشتریان دارو ارائه کنند. این ربات ها اطلاعات بیمار را بازیابی و به داروخانه ارسال می کنند. همچنین، می توانند پس از بررسی تاریخچه بیمار، بهترین دارو برای بیمار را توصیه کنند و یا اعتبارسنجی داروی تجویز شده را انجام دهند.منابع:- van der Lee M, Swen JJ. Artificial intelligence in pharmacology research and practice. Clin Transl Sci. 2023;16(1):31-36. doi:10.1111/cts.13431- https://honam.ir/blog/artificial-intelligence-in-pharmaceutical-industry/- https://tavanaacc.ir/ یادگیری و آموزش هوش صنوعی یادگیری و آموزش هوش صنوعی Thu, 14 Mar 2024 16:40:13 +0330 https://virgool.io/@datawithmilad/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%88-%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%DA%A9%D8%AA%D8%A7%D8%A8%D8%AE%D8%A7%D9%86%D9%87-%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%D8%AA%D8%B1-wculfuakr4cl تصاویر بخش بزرگی از دنیای اطلاعات را تشکیل می دهند که جهان اطرافمان را توصیف می کنند. آن ها اطلاعات مفید و مهمی را شامل می شوند که هر کدام می توانند به نوبه ی خودشان بسیار حیاتی باشند. تمامی این اطلاعات می تواند با کمک تکنیکی به نام پردازش تصویر به دست آید.پایتون یکی از زبان های برنامه نویسی است که کتابخانه ها و ابزارهای کاربردی و پرقدرتی دارد تا ما به کمک آنها بتوانیم به این مهم دست یابیم.پردازش تصویر چیست؟همانطور که از نامش پیداست، پردازش تصویر به معنای تجزیه و تحلیل و استخراج اطلاعات از داده های عکسی که در اختیارمان گذاشته شده می باشد. چیزی که باید بدانیم این است که خروجی این پروسه لزوما تصویر نیست و می تواند تمام ویژگی های مربوط به آن تصویر باشد. به زبان ساده تر، به استفاده از الگوریتم های کامپیوتری جهت انجام پردازش تصویر، image processing گفته می شود.الگوریتم های مختلفی برای انجام این کار وجود دارند. همچون:1. Morphological Image Processing2. Gaussian Image Processing3. Fourier Transform in image processing4. Edge Detection in image processing5. Wavelet Image Processingپردازش تصویر با پایتونتاکنون ابزارهای متنوعی برای پردازش تصویر با پایتون معرفی شده‌ اند. این دسته از ابزارها، کتابخانه ‌ها (Libraries) و بسته‌ های (Packages) برنامه‌ نویسی، امکانات بسیار متنوع و مفیدی برای تبدیل تصاویر (Image Transformation)، فهمیدن اطلاعات موجود در این داده‌ ها و به طور کلی، دستکاری و پردازش تصاویر در اختیار کاربران و برنامه ‌نویسان قرار می‌ دهند. به عبارت دیگر، ابزارهای پردازش تصویر با پایتون به کاربران این امکان را می‌ دهند تا به شکل ساده تری داده‌ های تصویری را تحلیل و اطلاعات بامعنی از آن‌ ها استخراج کنند.از جمله رایج ترین فرایند های پردازش تصویر با پایتون که توسط ابزارها و کتابخانه ‌های این زبان برنامه‌ نویسی قابل اجرا هستند، می ‌توان به مواردی نظیر برش (Cropping)، برعکس کردن (Flipping)، چرخاندن (Rotating)، قطعه‌بندی تصویر (Image Segmentation)، دسته‌بندی تصویر (Image Classification)، استخراج ویژگی (Feature Extraction)، ترمیم تصاویر (Image Restoration) و بازشناسی تصویر (Image Recognition) اشاره کرد.در ادامه با سه ابزار و کتابخانه ی پرکاربرد جهت دستکاری و پردازش تصویر با پایتون آشنا خواهیم شد.کتابخانه scikit-imageابزاری از نوع open source بوده که به طور رایگان در اختیار کاربران قرار گرفته است. این ابزار بسته ای (packet) بوده که شامل مجموعه ای از الگوریتم ها و ابزارهای پردازش تصویر جهت استفاده در کاربردهای تحقیقاتی، آموزشی و صنعتی می باشد.کتابخانه Numpyکی از مهم ‌ترین کتابخانه‌ های توسعه داده شده برای کاربردهای پردازش تصویر با پایتون نیز محسوب می ‌شود که به طور رایگان در دسترس کاربران و برنامه‌ نویسان قرار گرفته شده است. به طور کلی، تصویر، یک آرایه استاندارد قابل تعریف توسط کتابخانه Numpy محسوب می‌ شود که شامل پیکسل ‌های متناظر با نقاط داده‌ ای خواهد بود. بنابراین، با استفاده از عملیات پایه ‌ای تعریف شده در Numpy نظیر بخش‌بندی (Slicing)، پوشش گذاری (Masking)، شاخص گذاری چندگانه (Fancy Indexing) و سایر موارد، کاربر قادر خواهد بود تا مقادیر پیکسل‌های یک تصویر را تغییر دهد.کتابخانه OpenCV-Pythonکتابخانه OpenCV که مخفف Open Source Computer Vision Libraryاست، یکی از پراستفاده ‌ترین کتابخانه ‌های برنامه‌ نویسی برای کاربردهای بینایی کامپیوتر (Computer Vision) محسوب می‌شود. کتابخانه OpenCV-Python، واسط برنامه‌نویسی کاربردی (API) برای کتابخانه OpenCV در زبان پایتون محسوب می ‌شود. این کتابخانه نه تنها از سرعت بسیار بالایی برخوردار است (زیرا کدهای پیاده‌سازی آن توسط زبان C و C++‎ نوشته شده است)، بلکه کد نویسی برنامه‌ های کاربردی مرتبط با پردازش تصویر با پایتون و به‌ کاراندازی آن‌ ها را تسهیل می‌ بخشد.منابع:https://neptune.ai/blog/image-processing-pythonhttps://blog.faradars.org/image-processing-in-python یادگیری و آموزش هوش صنوعی یادگیری و آموزش هوش صنوعی Fri, 08 Mar 2024 14:51:57 +0330 https://virgool.io/@datawithmilad/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%84%D9%88%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D9%87-%D8%B5%D9%88%D8%B1%D8%AA-%D8%AE%D9%88%D8%AF%D8%A2%D9%85%D9%88%D8%B2-%D8%AA%D8%AC%D8%B1%D8%A8%D9%87-%DB%8C%DA%A9-%D9%85%D8%AA%D8%AE%D8%B5%D8%B5-zaa8hrqpaddr ✅ پس از اشتباهات من درس بگیرید!✍🏼 جولین بوثما / کارشناس ارشد آمار و مشاور علم دادهعلم داده برای افراد مبتدی🔷 یادگیری علم داده به روش Self Study به مسیری محبوب و قابل قبول برای ورود به حوزه Data Science تبدیل شده است. با این حال، مانند هر روش دیگری، خودآموزی با چالش های زیادی همراه است. شما باید برنامه درسی خود را ایجاد کنید، انگیزه خود را حفظ کنید و خود را مسئول یادگیری تان بدانید. من هم از این چالش ها مستثنی نبودم و در سفر یادگیری ام اشتباهات زیادی مرتکب شدم.🔶 من یک برنامه درسی خودآموز ۶ ماهه برای یادگیری علوم داده ایجاد کردم که در نوامبر ۲۰۲۱ شروع شد. حتی با وجود اینکه قبلاً مدرک کارشناسی ارشدم را در رشته آمار گرفته بودم و چند سالی در علم داده کار کرده بودم، هنوز مطالب زیادی وجود داشت که به آن ها مسلط نبودم. حقیقت این است که علم داده به سرعت در حال پیشرفت است و همه جا وجود دارد. پس "یادگیری" به عنوان بخش جدایی ناپذیر علم داده همواره لازم است.🔺 پس از مطالعه در مورد برنامه درسی کارشناسی ارشد هوش مصنوعی دانیل بورک، فکر کردم که ایجاد یک برنامه درسی برای خودم برای پیشرفت و بهبود مهارت های علم داده ام ایده خوبی است. با این حال، برنامه درسی ۶ ماهه خودآموز من طبق برنامه پیش نرفت. اگر به فکر این هستید که علم داده را خودآموز بیاموزید، من به شما یاد خواهم داد که اشتباهاتی را که من انجام دادم مرتکب نشوید.✅ برنامه درسی علوم داده من📑 برنامه درسی که من ایجاد کردم ترکیبی از دوره ها و کتب آموزشی بود. من سعی کردم منابع را از مجموعه های مختلف انتخاب کنم تا فقط به یک فرد، شرکت یا پلتفرم تکیه نکنم. با این روش اگر یک منبع، مطالب را به گونه‌ای کامل که به من کمک کند،توضیح نمی‌داد، می‌توانستم به راحتی به منبع دیگری اتکا کنم تا اینکه مطالب را به روشی که خودم دوست دارم و بهتر می‌فهمم یاد بگیرم.🔔 منابعی که من استفاده کردم عبارت بودند از:📂 برای یادگیری ماشین:1️⃣ کتاب Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow2️⃣ دوره Python for Data Science and Machine Learning Bootcamp📂 برای یادگیری عمیق:1️⃣ دوره Practical Deep Learning for Coders2️⃣ دوره Deep Learning Specialization3️⃣ دوره Full Stack Deep Learning - Spring 20214️⃣ دوره Hugging Face community📂 منابع اضافی:1️⃣ کتاب Machine Learning by Tom M. Mitchell2️⃣ کتاب Deep Learning (Adaptive Computation and Machine Learning series)🔲 من حدود نیمی از منابع فوق را که قصد داشتم در برنامه درسی خود پوشش دهم تکمیل کردم. اما در سفر خودآموزی خود اشتباهات زیادی مرتکب شدم و که مایلم آن ها را در این مقاله با شما به اشتراک بگذارم.🟥 اشتباه شماره (۱): نگرانی بیش از حد در مورد انتخاب بهترین دوره یا بهترین کتاب برای شروع یادگیری علم داده🔷 ما واقعاً با تعداد زیادی از کتاب‌ها، دوره‌ها، ویدیوهای یوتیوب، پست‌های وبلاگ و منابع دیگری که برای شروع یادگیری علم داده در دسترس هستند، رو به رو هستیم و ممکن است در مورد انتخاب بهترین منابع دچار مشکل شویم. در واقع انتخاب منابعی که می خواهید در دوره یادگیری خود استفاده کنید ممکن است دشوار باشد و به طور طبیعی، شما می خواهید فقط از بهترین یا توصیه شده ترین منابع استفاده کنید.🔶 آمادگی برای خودآموزی بسیار مهم است. اسکات یانگ در کتاب Ultralearning خود بیان می‌کند که حدود ۱۰ درصد از کل سرمایه‌گذاری شما در پروژه باید صرف «یادگیری» یا آماده‌سازی برای "آن چه و چگونه یاد خواهید گرفت"، شود.🔔 هنگام انجام این آماده سازی، سبک یادگیری خودم را نادیده گرفتم و تاکید زیادی بر منبعی داشتم که در زمانی که واقعا برای من مناسب نبود، به شدت توصیه می شد. حقیقت این است که چیزی به نام یک دوره عالی یا یک کتاب جامع وجود ندارد! و من این تجربه گران بها را به سختی یاد گرفتم!🟧 اشتباه شماره (۲): استفاده از منابعی که با سبک یادگیری من مطابقت نداشت🔷 من از دوره های ویدیویی یا سخنرانی ها مطالب را خوب یاد نمی گیرم. ممکن است فکر کنید که از سال‌های زیادی که در دانشگاه گذرانده‌ام، درس‌ام را یاد گرفته‌ام، اما نه، این کار را نکردم. من با روش های بسیار فعال بهتر یاد می گیرم. من نمی توانم منفعلانه یاد بگیرم. این مدل ممکن است فقط برای من کار نکند و شما با یادگیری از طریق ویدیوهای آموزشی یا منابع آنلاین بهتر مباحث را فرا بگیرید. اما من از طریق یادگیری عملی، فعالانه و تجربیات و تمرینات واقعی مباحث را بهتر یاد می گیرم.◼️ در دانشگاه، چیزی که باعث شد من با نمرات عالی فارغ التحصیل شوم، سوالات تمرینی فراوان، برگه های امتحانات گذشته، تمرین ها و تکالیف پروژه ای بود که انجام دادم. من اطلاعات بسیار کمی از نشستن در یک سخنرانی یا کلاس حفظ کردم، چه یادداشت برداری کرده باشم یا نه. من نیاز داشتم که در واقع به روشی فعال با مطالب درگیر باشم تا بتوانم هر چیزی را به خاطر بسپارم یا یاد بگیرم.🔺 اما این روش برای سفر خودآموز من تفاوت داشت. متوجه شدم که تمام دوره‌های ویدیویی که در برنامه درسی‌ام برنامه‌ریزی کرده بودم، به من در یادگیری کمک نمی‌کنند. آن ها بیش از حد منفعل بودند. به همین دلیل، از یادگیری بسیاری از مفاهیم اصلی باز ماندم و هر چقدر سعی می کردم مفاهیمی را که در دوره ویدیویی مورد بحث قرار گرفته بفهمم، بی ثمر بود و احساس ناامیدی زیادی می کنم.🟨 اشتباه شماره (۳): انجام ندادن پروژه های کافی🔷 قصد من از برنامه درسی ام این بود که تا حد امکان پروژه های زیادی را انجام دهم که از طریق مفاهیم و روش های مختلفی که یاد می گرفتم پیشرفت کنم. این کار با کتاب Hands on Machine Learning خیلی خوب شروع شد و من برای هر فصل پروژه‌ای انجام دادم، اما وقتی دوره‌های مبتنی بر ویدیو را شروع کردم، شرایط تغییر کرد و وارد حالت منفعلانه شدم.🔔 تینا هوانگ در یکی از ویدیوهای یوتیوب خود اشاره می کند که شما فقط باید به اندازه نیاز یاد بگیرید تا بتوانید دانش خود را در یک پروژه به کار ببرید. این در واقع مهم ترین بخش مطالعه علم داده است - پروژه ها، پروژه ها، پروژه ها!اگر دوست دارید پایتون را بخوبی یاد بگیرید، سفر یادگیری پایتون از صفر را نیز مطالعه کنید.🟪 اشتباه شماره (۴): رفع مشکلات پروژه با یادگیری تمام ریاضیات🔷 یادگیری ماشین بر پایه ریاضیات بنا شده است. با این حال، برای یادگیری، اعمال یا انجام علم داده نیازی به دانستن یا درک همه ریاضیات ندارید! در طول سفر خودآموزی، قبل از اینکه به مبحث بعدی بروم، بیش از حد بر درک هر مفهوم ریاضی تمرکز می کردم.🔶 این چیزی است که از دوران دانشگاه در من ریشه دوانده بود. اثبات قضایا و کار کردن الگوریتم‌ها در فرآیند یادگیری استاندارد بود. در حالی که من معتقدم که داشتن پایه های ریاضی برای درک عمیق یک مفهوم مهم است، اما قطعاً لازم نیست هر مفهوم ریاضی مورد استفاده در یک روش را بشناسیم یا درک کنیم. این به سادگی شما را به دانشمند داده بهتری تبدیل نمی کند.🔔 مهم ترین عامل در انجام یک پروژه خوب به عنوان یک دانشمند داده (به نظر من) حل مسئله است. آیا می توانید مشکلی را که به شما ارائه می شود را انتخاب کنید و راه حلی را تدوین کنید که ارزشمند باشد؟🟦 اشتباه شماره (۵): خواندن مقالات تحقیقاتی از ابتدا در آغاز سفر🔶 خواندن یا نخواندن مقالات تحقیقاتی موضوعی پیچیده در علم داده است و با توجه به تعداد تحقیقات جدید روزانه منتشر می شود.◼️ قبل از شروع این سفر خودآموز، اصلاً چیز زیادی در مورد یادگیری عمیق نمی دانستم. من کاملا مبتدی بودم. من این اشتباه را مرتکب شدم که فکر می‌کردم باید مقالات تحقیقاتی مرتبط با برخی از موضوعاتی را که یاد می‌گرفتم بخوانم (و درک کنم).🔷 خواندن مقالات تحقیقاتی قبل از اینکه درک کاملی از مفاهیم و روش‌های اطراف داشته باشم فقط باعث شد احساس ناامیدی و ناکافی بودن کنم، مثل اینکه به نوعی دانشمند داده‌ای «بد» هستم، زیرا این مقالات تحقیقاتی برای من خیلی معنی نداشت.🔔 در سفر یادگیری خود نیازی به خواندن مقالات تحقیقاتی ندارید، به خصوص اگر هنوز در ابتدای راه هستید و در حال یادگیری مطالب جدید هستید. اگر به مقالات تحقیقاتی علاقه دارید، توصیه می‌کنم آن ها را بعداً؛ زمانی که پایه‌های شما در علم داده قوی شد، آغاز کنید.📍 قدم بعدی چیست؟🔰 سفر خودآموز من صرفاً به این دلیل تمام نشده است که دوره زمانی شش ماهه تمام شده است. یادگیری بخش ثابتی از دانشمند داده بودن است و من از آن لذت می برم. در غیر این صورت، اشتباهات و شکست های من به من آموخته است که چه کارهایی را انجام ندهم و به عنوان راهنمای اهداف یادگیری آینده من خواهد بود. در ادامه، من بر دو جنبه اصلی یادگیری خود تمرکز می کنم:1️⃣ استفاده از منابعی که شامل بخش های فعال تری از یادگیری است2️⃣ انجام پروژه های بیشتر💎 برای اولین نکته، من یک کتاب آنلاین عالی (رایگان) به نام Dive Into Deep Learning پیدا کردم که قبلاً به شدت از آن برای مطالعه یادگیری عمیق استفاده می کردم. هر موضوع را با ترکیبی از ریاضی، کد و توضیحات پوشش می دهد و یادگیری مبتنی بر پروژه را با مجموعه ای از داده های واقعی انجام می دهد.💎 من از DataCamp Workspaces برای یافتن داده ها و تکمیل پروژه ها، برای نکته دوم استفاده می کنم. دلیل استفاده من از DataCamp Workspaces این است که هر مجموعه داده ای که ارائه می دهند دارای بخش چالش ها و سناریوها است. وقتی نمی‌دانید با یک مجموعه داده جدید از کجا شروع کنید، این موارد بسیار مفید هستند.🔔 به نظر من سناریوها بسیار مفید هستند زیرا شما را بلافاصله در حالت حل مسئله قرار می دهند. با استفاده از این سناریوها شما می توانید یک پروژه برای مجموعه خود بسازید که علاوه بر اینکه بر مدل های یادگیری ماشین توجه دارد، به جنبه های تجاری و حل مسئله نیز توجه ویژه ای دارد.✅ نتیجه:🔷 امیدوارم با به اشتراک گذاشتن اشتباهاتی که در این مقاله مرتکب شدم بتوانم به شما در سفر خودآموزی تان کمک کنم.📣 در پایان به این نکته اشاره می کنم که؛ خودآموزی به همان اندازه که به کشف مطالب مربوط می شود، مربوط به کشف خود است. شما یاد می گیرید که چه چیزی برای شما مفید است و چه چیزی نه و گاهی اوقات با فرآیندها یا توصیه های دیگران مطابقت ندارد و این مشکلی ایجاد نمی کند.🔴 و مهم تر از همه اینکه، علم داده یک رشته تماشاگر نیست! در نهایت باید دست خود را در انجام پروژه‌ها و اجرای چیزهایی که یاد می‌گیرید، کثیف کنید، حتی اگر هنوز کامل «آماده» نباشید! یادگیری و آموزش هوش صنوعی یادگیری و آموزش هوش صنوعی Wed, 06 Mar 2024 11:37:46 +0330 https://virgool.io/DigitalHealth/%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-ai-%D8%AF%D8%B1-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-ysgri9fc0d6g امروزه به کمک هوش مصنوعی شاهد جهشی چشمگیر در دنیای علم و فناوری هستیم که دانش پزشکی نیز از آن بی بهره نمانده است. با توجه به پیشرفت روز افزون تکنولوژی و نیاز رو به افزایش جامعه به خدمات بهداشتی و درمانی، استفاده از هوش مصنوعی در حوزه پزشکی و سلامت، به عنوان یک راه حل موثر برای بهبود کیفیت خدمات بهداشتی و درمانی، بسیار مهم و حیاتی است.قبل از بررسی کاربردهای هوش مصنوعی در پزشکی، بهتر است مفهوم و چیستی AI یا Artificial Intelligence را بدانیم. هوش مصنوعی، زمینه ‌ای از علوم کامپیوتر است که با استفاده از الگوریتم ‌ها و مدل‌ های ریاضی، سعی دارد تا قابلیت های ذهنی انسان را تقلید و پیاده سازی کند. این فناوری از تحلیل داده ‌های حجیم به منظور یادگیری، پیش ‌بینی و تصمیم گیری (decision making) استفاده می‌ کند. در حوزه پزشکی، هوش مصنوعی به تشخیص دقیق بیماری ‌ها از تصاویر پزشکی، تداخلات درمانی متناسب با وضعیت هر بیمار، و پیش‌ بینی خطر ابتلا به بیماری ‌ها کمک می ‌کند. این فیلد به سرعت در حال پیشرفت است و نقش بزرگی در تحولات علم پزشکی و سلامت ایفا می ‌کند.تصویری که توسط هوش مصنوعی copilot در مرورگر microsoft edge درباره ی پزشکی و هوش مصنوعی طراحی شده است.آشنایی با کاربردهای مهم هوش مصنوعی در علوم پزشکیبی شک یکی از مهم ترین بخش هایی که می توان به آن اشاره کرد قابلیت ارزیابی و آنالیز داده های پزشکی جهت تشخیص های زودهنگام و در نتیجه انجام اقدامات درمانی برای بیماران است. این ارزیابی و آنالیز تنها برای داده های متنی نبوده بلکه تصاویر پزشکی همچون CT-scan، MRI، تصاویر رادیولوژی و غیره نیز توسط الگوریتم های مربوطه هوش مصنوعی آنالیز شده و نتایجی را به همراه خواهند داشت که پزشکان به کمک این خروجی می توانند تصمیمات بهتر و دقیق تری گرفته و در نتیجه رضایت خاطر بیشتری از بیمار را جلب کنند.در زمینه ی مراقبت های درمانی یک سری اصطلاحات رایج هوش مصنوعی وجود دارند که دانستن آنها کمک بسیاری در درک ما از این حیطه خواهد کرد:1- یادگیری ماشین یا machine learning که با استفاده از الگوریتم های آموزشی و داده های موجود، مدل هایی را جهت طبقه بندی اطلاعات یا یش بینی نتایج مطابق با وضعیت بیمار انجام می دهد.2- یادگیری عمیق یا deep learning که به نوعی زیرمجموعه ی مورد اول بوده با این تفاوت که حجم بسیاری از داده ها و الگوریتم های پیچیده را برای ایجاد شبکه های عصبی در زمینه ی مراقبت های سلامت انجام می دهد.3- پردازش طبیعی یا NPL جهت تفسیر اسناد، گزارشات و مطالعات درمانی منتشر شده جهت تسهیل در درک اطلاعات موجود.4- اتوماسیون فرایند رباتیک یا RPA که استفاده از هوش مصنوعی در برنامه‌ های کامپیوتری برای خودکارسازی گردش کارهای اداری و بالینی و برای بهبود تجربه بیمار و بهبود عملکرد روزانه در سازمان‌های مراقبت بهداشتی ایجاد شده است.پیشروی هوش مصنوعی در بالین بیمار و کنار کادر درمانمنظور از بخش مجازی این است که کادر درمان و به ویژه پزشکان با استفاده از ابزارهای هوش مصنوعی، دسترسی سریع و دقیقی به اطلاعات بیمار و وضعیت آنها، بهترین و بدون نقص ترین تصمیم درمانی را در کمترین زمان ممکن گرفته و نسبت به انجام آن اقدام کند.بخش فیزیکی نیز همانطور که از نامش پیداست، مربوط به روبات هایی بوده که توسط هوش مصنوعی جهت انجام جراحی ها، پروتزهای هوشمند و حتی مراقبت از سالمندان طراحی شده و در کنار بخش بالین کارهای مرتبط را انجام می دهند.علاوه بر مطالب گفته شده، هوش مصنوعی می تواند به عنوان یک مراقبت کننده ی سلامت، وضعیت جسمی-روانی شما را کنترل کرده، برآورد های لازم را انجام داده و پیشنهادهای متناسب با وضعیت موجود را به شما ارائه می دهد. برای مثال فرض کنید شخصی دارای بیماری دیابت است. این فرد می تواند با کمک ابزارهای هوش مصنوعی، گزارشات لازم در مورد وضعیت فعلی قند خون خود را دریافت کرده و همجنین از سطح نسبی آن در چند ساعت آینده مطلع شود.کاربردهای یاد شده در جهت کاهش خطاهای پزشکی و هزینه های مراقبت، افزایش تعامل پزشک و بیمار و انجام مراقبت های آگاهانه از مریض بسیار کمک کننده است. به طور کلی، هوش مصنوعی در حوزه پزشکی و سلامت، به عنوان یک ابزار قدرتمند و موثر، در بهبود سلامت جامعه نقش بسیار مهمی دارد.با مراجعه به این مقاله "هوش مصنوعی چیست؟" بیشتر بخوانید.منابع:https://shanbemag.com/artificial-intelligence-in-medicine-and-health/https://nabzgroup.com/mag/artificial-intelligence-in-medicinehttps://sinacare.ir/how-artificial-intelligence-benefits-chronic-conditions/ یادگیری و آموزش هوش صنوعی یادگیری و آموزش هوش صنوعی Sat, 02 Mar 2024 20:59:39 +0330