https://virgool.io/feed/@forsatacademy «فرصت یادگیری» محلی است برای کسب آموزش‌های عمومی و تخصصی در حوزه هوش‌مصنوعی و رباتیک. دوره‌های مورد نظرتان را با ما در میان بگذارید: ForsatAcademy@gmail.com https://t.me/ForsatAcademy fa 2026-06-17 08:44:11 https://files.virgool.io/upload/users/94888/avatar/1enEGo.png?height=120&width=120 https://virgool.io/@forsatacademy https://virgool.io/@forsatacademy/%D9%88%DB%8C%D8%AF%D8%A6%D9%88-%DA%A9%D8%A7%D8%B1%DA%AF%D8%A7%D9%87-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-wcm5q2plf2vs سلامدر کارگاه نیم روزه آشنایی با #شبکه_عصبی_مصنوعی به بیان تئوری و انجام آزمایش های عملی در مورد مهمترین مباحث مربوط به شبکه عصبی پرداختیم.مشاهده ویدئوی مطالب تئوری: https://www.aparat.com/v/MA9xpمشاهده ویدئوی کارگاه عملی: https://www.aparat.com/v/bDMm8آکادمی فرصت یادگیری: https://t.me/ForsatAcademyسرفصل مطالب تئوری:آشنایی با #شبکه_عصبی_طبیعی و نحوه شبیه سازی آن در کامپیوتر#مدلسازی_خطی در مقابل #مدلسازی_غیرخطی#یادگیری در شبکه عصبی مصنوعی با روش #بازانتشارخطا #Backpropagation#پرسپترون #دسته_بندی #رگرسیون#خودرمزکننده #AutoEncoder#فشرده_سازی و #رمزگذاری داده ها به کمک شبکه عصبی مصنوعی#حافظهایجاد #تصاویر_غیر_واقعی#تشخیص_شباهت با روش #نگاشت_خود_سازمانده #SOM#شبکه_عصبی_بازگشتیسرفصل کارگاه عملی:آشنایی با دیتاست #IRISکاوش در داده ها #DataExplorationدسته بندی به کمک شبکه عصبی#پیش_بینی_قیمت با روش رگرسیون#خوشه_بندی تصویر#بهینه_سازی_مدل #Optimization#بصری_سازی نتایج #Visualization Forsat Academy Forsat Academy Sat, 13 Feb 2021 11:26:00 +0330 https://virgool.io/@forsatacademy/%DA%A9%D8%A7%D8%B1%DA%AF%D8%A7%D9%87-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-ndpqv9wwxvcu می خواهیم در یک #کارگاه نیم روزه، به بیان رایج ترین کاربردهای #شبکه_عصبی_مصنوعی بپردازیم:سرفصل کلاس تئوری (2 ساعت):آشنایی با #شبکه_عصبی_طبیعی و نحوه شبیه سازی آن در کامپیوتر#مدلسازی_خطی در مقابل #مدلسازی_غیرخطی#یادگیری در شبکه عصبی مصنوعی با روش #بازانتشارخطا #Backpropagation#پرسپترون #دسته_بندی #رگرسیون#خودرمزکننده #AutoEncoder#فشرده_سازی و #رمزگذاری داده ها به کمک شبکه عصبی مصنوعی#حافظهایجاد #تصاویر_غیر_واقعی#تشخیص_شباهت با روش #نگاشت_خود_سازمانده #SOM#شبکه_عصبی_بازگشتیسرفصل کارگاه عملی(2 ساعت):آشنایی با دیتاست #IRISکاوش در داده ها #DataExplorationدسته بندی به کمک شبکه عصبی#پیش_بینی_قیمت با روش رگرسیون#خوشه_بندی تصویر#بهینه_سازی_مدل #Optimization#بصری_سازی نتایج #Visualizationثبت نام(پنج شنبه، بیست و سوم بهمن 99): https://bigdataworld.ir/product/neural-networks/آکادمی فرصت یادگیری: https://t.me/ForsatAcademy#علم_داده #هوش_مصنوعی #یادگیری_ماشینسرفصل مطالب کارگاه آشنایی با شبکه عصبی مصنوعی Forsat Academy Forsat Academy Mon, 01 Feb 2021 12:15:18 +0330 https://virgool.io/@forsatacademy/%D8%B3%D9%86%D8%AC%D8%B4-%D8%B4%D8%A8%D8%A7%D9%87%D8%AA-%D8%AF%D9%88-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-jfhaynbdmggd ما انسان ها می توانیم با مشاهده دو تصویر، میزان شباهت آنها را اندازه گیری و بیان کنیم اما چطور میتوان به کمک یک برنامه کامپیوتری این کار را انجام داد؟کامپیوترها نمی توانند ببینند یا حداقل مثل ما نمی بینند. آنها فقط عدد و رقم را می شناسند. بنابراین اگر بتوانیم تصویر را تبدیل به یک عدد یا برداری از اعداد کنیم آنوقت می توان انتظار داشت که میزان شباهت دو تصویر توسط یک برنامه کامپیوتری قابل اندازه گیری باشد.اما چطور باید تصویر را به برداری از اعداد تبدیل کرد؟«استخراج ویژگی» فرآیندی است که تصویر را به برداری از اعداد تبدیل می کند که هر عدد بیانگر یکی از جنبه های تصویر است. مثلا اگر میزان رنگ های سبز، آبی و قرمز تصویر را استخراج کنیم و آنها را به عنوان یک بردار ویژگی، با سه مولفه، در نظر بگیریم عملا توانستیم، تصویر را به مجموعه ای از اعداد تبدیل کنیم. با این وجود مساله مقایسه تصویر تبدیل میشود به مساله مقایسه دو بردار از اعداد، که به سادگی به معیارهایی مانند فاصله اقلیدسی امکان پذیر است.در ارائه روز پنجشنبه، دهم مهرماه 99 میخواهیم در مورد نحوه عملکرد موتورهای جستجوی تصویر صحبت کنیم.ثبت نام: https://lnkd.in/eJJ_Hkeعضویت در کانال: https://t.me/ForsatAcademy Forsat Academy Forsat Academy Mon, 28 Sep 2020 15:25:43 +0330 https://virgool.io/@forsatacademy/%D9%85%D8%B4%D8%A7%D8%B1%DA%A9%D8%AA-%D8%AF%D8%B1-%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%D9%85%D9%88%D8%AA%D9%88%D8%B1-%D8%AC%D8%B3%D8%AA%D8%AC%D9%88%DB%8C-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-xewrh93wvncp میخواهیم در یک #مشارکت_علمی به طراحی و توسعه موتور #جستجوی_تصویر بپردازیم.شما با این قبیل موتورها در صفحات مختلف وب آشنایی دارید:https://images.google.com/https://www.bing.com/https://lnkd.in/e3KAQYvما در وبینار روز پنجشنبه، دهم مهرماه، میخواهیم به آشنایی کلی با #موتورهای_جستجوی_تصویر بپردازیم. در پایان این وبینار از شما گرامیان دعوت می کنیم، که اگر مایل باشید در یک پروژه صنعتی مشارکت داشته باشید، اعلام آمادگی بفرمایید. این پروژه، تجاری نیست. یعنی نه شما شهریه ای می پردازید و نه شرکت ما درآمدی کسب می کند بلکه صرفا انجام یک پروژه جمعی است، که با ذکر نام توسعه دهندگان در قالب یک برنامه تحت وب در اختیار دیگران قرار می گیرد.برای مشارکت در این پروژه لازم است در یکی از حوزه های زیر مهارت داشته باشید:* #پردازش_تصویر* #یادگیری_ماشین* توسعه سامانه های تحت وبانجام پروژه بصورت دورکاری است، البته پنجشنبه ها جلسه هماهنگی حضوری برگزار خواهد شد. اگر مایل به مشارکت در انجام این پروژه هستید، لطفا رزومه تان را به آدرس Info[@] ForsatSoft.ir ارسال بفرمایید.ثبت نام در وبینار: https://lnkd.in/eJJ_Hkeعضویت در کانال: https://t.me/ForsatAcademyمجموعه وبینارهای آشنایی با یادگیری ماشین کاربردی Forsat Academy Forsat Academy Mon, 28 Sep 2020 15:21:50 +0330 https://dataio.ir/فضای-ویژگی-در-یادگیری-ماشین-ca5gkx640jdp از آنجاییکه عملیات #یادگیری_ماشین مانند #دسته_بندی #خوشه_بندی #رگرسیون و ... در #فضای_ویژگی انجام می شود، لازم است #مهندس_یادگیری_ماشین با مختصات و رفتارهای این فضا به خوبی آشنا باشد تا بتواند فرآیند #مدلسازی را به خوبی انجام دهد.در این جلسه به مباحثی مانند #اندازه_فضای_ویژگی و #چگالی_فضای_ویژگی پرداختم. همچنین رفتار فضای ویژگی در #ابعاد_بالا و مساله #مصیبت_ابعاد #the_curse_of_dimensionalityرا مورد بحث قرار دادم.آشنایی با فضای ویژگی در یادگیری ماشینمهندس یادگیری ماشین چطور فکر میکند: https://aparat.com/v/jTYeFارزیابی مدل:https://aparat.com/v/38UeWکانال تلگرامی فرصت یادگیری: https://t.me/ForsatAcademy https://aparat.com/v/bjxyI Forsat Academy Forsat Academy Sat, 11 Jul 2020 07:02:49 +0430 https://dataio.ir/ارزیابی-مدل-در-یادگیری-ماشین-برای-مسائل-دسته-بندی-pfqthojot44s در #هوش_مصنوعی و #یادگیری_ماشین وقتی برای حل یک مساله، مانند #دسته_بندی، #خوشه_بندی و یا #رگرسیون مدلی ایجاد میشود، باید نقاط قوت و ضعف مدل به دقت مورد بررسی قرار گیرد تا توانمندی آن مدل در حل مساله مورد اطمینان باشد.در این ویدئو به توضیح روش های #ارزیابی_مدل برای مسائل #دسته_بندی پرداختم. معیارهایی مانند #صحت #Accuracy، #دقت #Precision، #نرخ_فراخوانی #Recall یا #Sensitivity و همچنین نمودارهای #ROC curve و #Recall_Precision curve را در مساله دسته بندی دودویی مورد بررسی قرار دادم.ویدئو قبل با عنوان مهندس یادگیری ماشین چطور فکر می کند؟https://lnkd.in/eKi_9Bfکانال تلگرام: https://t.me/ForsatAcademyمشاهده ویدیو در آپارت: https://aparat.com/v/38UeW Forsat Academy Forsat Academy Sat, 20 Jun 2020 08:30:21 +0430 https://dataio.ir/یک-مهندس-یادگیری-ماشین-چطور-فکر-می-کند-oyg108wzysru در این ویدئو به معرفی رویکردهای hashtag#یادگیری_ماشین پرداختم، یعنی چگونگی حل مساله به کمک تکنیک های یادگیری ماشین را توضیح دادم.. سعی کردم تکامل روش‌های یادگیری ماشین رو به مراحل رشد انسان تشبیه کنم. از یک کودک دو ساله شروع کردم و تا یک پیرخردمند پیش رفتم. امیدوارم برای علاقه‌مندان به یادگیری ماشین و hashtag#هوش_مصنوعی مفید باشه. فهرست مطالب: #دسته_بندی #classification#خوشه_بندی #clustering#رگرسیون #regression#یادگیری_تقویتی #reinforcement_learning#قوانین_وابستگی #assiciation_rule#یادگیری_مبتنی_بر_جمعیت #population_based_learningکانال تلگرام:https://t.me/ForsatAcademy https://aparat.com/v/jTYeF Forsat Academy Forsat Academy Sat, 06 Jun 2020 07:52:58 +0430 https://virgool.io/@forsatacademy/%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C%DA%A9-%D8%AA%D8%A7%D8%AB%DB%8C%D8%B1-%D8%B1%D9%88%D8%B4-%D8%A8%D8%A7%D8%B2%D9%86%D9%85%D8%A7%DB%8C%DB%8C-%D8%AF%D8%B1-%D8%B4%D8%A7%DB%8C%D8%B3%D8%AA%DA%AF%DB%8C-%DA%A9%D8%B1%D9%88%D9%85%D9%88%D8%B2%D9%88%D9%85-emy7k9gaid2k چکیدهاگر بخواهیم مساله ای را به کمک #الگوریتم_ژنتیک حل کنیم، در اولین قدم باید تعریفی برای کروموزوم بیابیم. اینکار به کدگذاری و نمایش شهرت دارد (coding & representation). روش های متفاوتی برای #تعریف_کروموزوم ارائه شده است که بنابر مساله مورد نظر می توان از یکی از روش های رایج استفاده نمود ولی علاقه مندان به الگوریتم ژنتیک باید بدانند که در واقع هیچ محدودیتی در روش تعریف کروموزوم وجود ندارد. کاملا محتمل است که روش های رایج تعریف کروموزوم منجر به بازنمایی خوبی نشوند و روش های ابتکاری دانش‌جويان به کسب نتایج بهتری منجر شود. در این مقاله میخواهیم چند روش برای تعریف کروموزم جهت حل مساله n-وزیر ارائه دهیم و نقاط ضعف هر کدام را بیان کنیم. هدف ما آن است که ببینیم روش های مختلف در تعریف کروموزوم می تواند منجر شایستگی های متفاوتی شود.مقدمهفرض کنید یک صفحه شطرنج n*n در اختیار داریم. میخواهيم n مهره وزیر را به گونه ای در صفحه شطرنج قرار دهیم که هیچ دو مهره ای با یکدیگر برخورد نداشته باشند. توجه داشته باشید که هر مهره در صفحه شطرنج می تواند در هشت جهت حرکت کند: چهار جهت اصلی (سطری و ستونی) و چهار جهت فرعی (قطری). مثلا در تصویر زیر مشاهده می شود مهره مشخص شده با هیچ مهره دیگری برخورد ندارد.هر مهره میتواند در هشت جهت اصلی و فرعی حرکت کنداما در تصویر زیر میبینیم که چند مهره مهره با یکدیگر برخورد دارند:مهره ها بطور قطری با یکدیگر برخورد دارندتعریف کروموزومروش اول (ماتریس بدون محدودیت): می توانیم کروموزوم را بصورت یک ماتریس n*n تعریف کنیم و مقدار هر سلول را نیز برابر True یا False قرار دهیم بطوریکه True به معنی وجود مهره و False به معنی عدم وجود مهره در آن سلول باشد. با این تعریف، کروموزوم زیر برای یک مساله 4*4 قابل تصور است:یک کروموزوم ماتریسی برای مساله n وزیر که بطور تصادفی مقداردهی شده استدر شکل زیر، همه مهره هایی که با سایر مهره‌ها برخورد دارند، به رنگ قرمز نشان داده شده اند. یعنی اولا در سطر اول دو مهره با هم برخورد دارند و ثانیا در ستون دوم نیز دو مهره برخورد دارند و همچنین در ستون سوم نیز دو مهره دیگر با هم برخورد دارند. از آن گذشته، برخی مهره ها بطور قطری با هم برخورد دارند:سلول های قرمز بیانگر مهره هایی هستند که با یکدیگر برخورد دارندروش دوم(ماتریس به همراه یک محدودیت): بیایید با صبر و حوصله، خطاها را یکی یکی بررسی کنیم. دیدیم که دو مهره ای که در سطر اول هستند با یکدیگر برخورد دارند. خب با توجه به اینکه مهره ها می توانند بصورت سطری حرکت کنند، بدیهی است اگر در یک سطر چند مهره وجود داشته باشد، همه آنها با یکدیگر برخورد خواهند داشت. پس باید کاری کنیم که در یک سطر فقط و فقط یک مهره قرار گیرد. پس می آییم و محدودیت جدیدی تعریف می کنیم: «در هر سطر فقط یک مهره میتواند قرار بگیرد». با این محدودیت، کروموزوم که قبلا تعریف شده بود دیگر معتبر نیست. بنابراین اگر بخواهیم یک کروموزم تصادفی ایجاد کنیم (با تعریف جدید) ممکن است به چنین کروموزومی برسیم:در این کروموزوم دیگر خبری از برخوردهای سطری نیست چون در هیچ سطری دو کروموزوم وجود ندارد.روش سوم(ماتریس به دو محدودیت): در روش قبل مشکل برخوردهای سطری را حل کردیم اما مشکل دیگری وجود دارد! در ستون سوم (از سمت چپ) یک برخورد وجود دارد. یعنی دو مهره در ستون سوم قرار دارند که با یکدیگر برخورد دارند. این مساله دقیقا مانند مساله قبلی است با این تفاوت که در آنجا، برخوردها در یک سطر بود و در اینجا، برخوردها در یک ستون است. توضیح آنکه، با توجه به اینکه مهره ها میتوانند بطور ستونی حرکت کنند، بدیهی است که اگر چند مهره در یک ستون قرار داشته باشند، همه آنها با یکدیگر برخورد خواهند داشت. پس باید محدودیت جدیدی برای تعریف و اعتبارسنجی کروموزوم در نظر بگیریم: «در هر ستون فقط یک مهره میتواند قرار بگیرد» بنابراین، با اعمال دو محدودیت جدید، در هر سطر فقط یک مهره و در هر ستون نیز فقط یک مهره میتواند قرار داشته باشد. پس یک کروموزوم تصادفی چنین حالتی می تواند داشته باشد:در ستون اول (از سمت راست) هیچ مهره ای قرار داده نشده استدر این کروموزوم دو مشکل قبلی (برخوردهای سطری و ستونی) وجود ندارد. یعنی دیگر نه از برخوردهای سطری خبری است و نه برخوردهای ستونی. اما یکسری مشکلاتی دیگری قابل مشاهده است. اولا آخرین ستون از سمت چپ (که میشود اولین ستون از سمت راست) فاقد مهره است. یعنی هیچ مهره ای ندارد. در حالیکه طبق تعریف مساله باید n مهره را در یک صفحه n*n قرار می دادیم اما یک صفحه یک مهره کم دارد.روش چهارم (ستون غیر خالی):برای رفع مشکل «ستون‌های خالی» باید یک شرط دیگر نیز به تعریف کروموزوم معتبر اضافه کنیم: «هر ستون باید شامل یک مهره (نه کمتر و نه بیشتر) باشد» با اعمال این محدودیت یقین خواهیم داشت که در هر کروموزوم تعداد n مهره در صفحه قرار داده خواهند شد! پس یک کروموزومی که بطور تصادفی و با اعمال محدودیت های فوق مقداردهی شده باشد، میتواند چنین شکلی داشته باشد:هیچ ستونی نباید فاقد مهره باشدخب در کروموزوم جدید چندین مشکل رفع شده است:اولا هیچ برخورد سطری بین کروموزوم ها وجود ندارد، ثانیا هیچ برخورد ستونی بین کروموزوم ها وجود ندارد و ثالثا از تعداد n مهره در چینش صفحه استفاده شده است. تنها مشکلی که باقی مانده است، برخورد قطری مهره هاست. «آیا شما می توانید راهکاری ارائه دهید که از برخورد قطری مهره ها جلوگیری شود؟» هرچند کار سختی نیست اما اجازه دهید، حل این مشکل را بر عهده الگوریتم ژنتیک بگذاریم.روش پنجم (آرایه یک بعدی):بیایید مرور کنیم که از ابتدا تا کنون چه کردیم. برای تعریف کروموزوم از یک ماتریس استفاده کردیم. سپس برای رفع برخی اشکالات چند محدودیت بر روی ماتریس اعمال کردیم و هم اکنون به ماتریسی با همراه 3 محدودیت (سطری، ستونی و جایگشتی) رسیدیم. با توجه به اینکه ماتریس جدید (پس از اعمال محدودیت) تفاوت های زیادی با ماتریس اولیه دارد، شاید بتوان روش دیگری برای کدینگ و نمایش کروموزوم تعریف کرد. چرا از ماتریس استفاده کنیم؟ میتوان از یک آرایه یک بعدی، که معادل همان ماتریس است، استفاده نمود. بیاییم صفحه شطرنج n*n را بصورت n ستون کنار هم نگاه کنیم که در هر ستون فقط و فقط یک مهره قرار دارد. پس می توانیم یک آرایه n عنصر تعریف کنیم و مقدار عددی هر عنصر آرایه را برابر با شماره سطری تعریف کنیم که در آن سطر مهره ای قرار دارد. نگاه کنید:میتوان بجای استفاده از ماتریس از آرایه یک بعدی برای نمایش کروموزوم استفاده نمودآرایه فوق برابر ماتریس زیر است. سلول دوم آرایه یک بعدی برابر چهار است یعنی در صفحه شطرنج، مهره ای که در ستون دوم قرار دارد، باید در سطر چهارم قرار گیرد. همچنین مقدار سلول چهارم از آرایه یک بعدی برابر دو است، یعنی در صفحه شطرنج، مهره ای که در ستون چهارم قرار دارد، باید در سطر دوم قرار گیردبنابراین مشاهده می کنیم که بجای استفاده از ماتریس (یا همان آرایه دو بعدی) می توان از آرایه یک بعدی استفاده کرد. اگر بخواهیم از زاویه دیگری به این مساله نگاه کنیم، می بینیم که اگر بخواهیم برای تعریف کروموزوم از ماتریس استفاده کنیم، خطاهای متعددی ممکن است بروز کند در حالیکه اگر روش تعریف کروموزوم را از ماتریس به یک آرایه یک بعدی تغییر دهیم، عملا امکان رخداد خیلی از خطاها وجود نخواهد داشت. مثلا امکان تعریف دو مهره در یک ستون وجود ندارد.سوال: آیا حق داریم کروموزوم آرایه ای را بصورت زیر مقدار دهی کنیم؟نمایی از برخورد سطری در حالت کروموزوم آرایه ایبنابر فرضیات قبل (عدم وجود چند کروموزوم در یک سطر) این کروموزوم معتبر نیست چون در ستون های اول و دوم، هر دو مهره در یک سطر قرار دارند یعنی چیزی شبیه به ماتریس زیر:خب حالا چکار کنیم که هرگز در یک سطر دو مهره قرار نداشته باشند؟ در واقع چطور باید محدودیت های ذکر شده را در این آرایه یک بعدی اعمال کنیم؟ خیلی ساده! با استفاده از جایگشت اعداد 1 تا n می توانیم این محدودیت را در کروموزوم اعمال کنیم. یعنی هنگام مقداردهی به آرایه یک بعدی، از جایگشت اعداد 1 تا n استفاده خواهیم کرد. یعنی چینشی از اعداد 1 تا n که اولا در آنها عدد تکراری وجود نداشته باشند و ثانیا (و طبیعتا) شامل تمام اعداد 1 تا n باشند. با اینکار اولا هیچ ستونی بدون مهره نمی ماند وثانیا در هیچ سطری دو مهره قرار نخواهد گرفت.در شکل زیر چهار کروموزوم متفاوت را که حاصل جایگشت اعداد 1 تا چهار هستند را مشاهده می کنید:چند نمونه از کروموزوم آرایه ای با جایگشت اعدادخلاصه:در الگوریتم ژنتیک روش کدینگ کروموزوم میتواند یک مساله قابل حل را به یک مساله غیر قابل حل تبدیل کند و برعکس! در این مقاله خواستیم نشان دهیم که چطور روش های مختلف نمایش کروموزوم برای حل مساله هشت وزیر می تواند شایستگی کروموزوم را تحت تاثیر قرار دهد. روش ارائه ماتریسی، مستعد خطاهای متعددی مانند برخوردهای سطری و ستونی است. اعمال محدودیت «یک مهره در یک ستون» و «یک مهره در یک سطر» منجر به کاهش برخورد مهرها و افزایش شایستگی می شود. همچنین بجای استفاده از اعداد تصادفی می توان از جایگشت اعداد استفاده نمود تا به کروموزوم هایی با شایستگی بالاتری رسید.اطلاعات بیشتر در کانال تلگرام فرصت یادگیری: https://t.me/ForsatAcademy Forsat Academy Forsat Academy Tue, 18 Feb 2020 14:10:55 +0330 https://virgool.io/@forsatacademy/%D8%A8%D9%87%DB%8C%D9%86%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%DB%8C%D8%B9%D9%86%DB%8C-%DA%86%D9%87-ntsp7ivnchtb هرگاه برای حل مساله ای نیاز به #بهينه_سازی داشته باشیم، یکی از روش‌های کاندید #الگوریتم_تکاملی است. اما سوال این است که بهینه سازی یعنی چه؟ بگذارید بجای توضیح دادن، چند مثال بزنیم:#کوتاهترین_مسیر بین دو شهر #بیشترین_میزان_سود در بازار سرمایه در بازی #پرش_از_مانع، بهترین زمان پرش کدام است تا کمترین احتمال برخورد با مانع وجود داشته باشد.#رنگ_آمیزی یا #نقاشی کشیدن یک تصویر بطوریکه بیشترین تطابق با واقعیت را داشته باشد.#طراحی_نقشه_خانه بطوریکه بیشترین میزان نورگیری و کمترین میزان فضای پرت را داشته باشد.#شعر_سرایی بطوریکه بیشترین معنا و همچنین بیشترین وزن بین کلمات وجود داشته باشد.#طراحی_بدنه ماشین یا هواپیما بطوریکه کمترین اصطکاک با هوا ایجاد شود.#کمترین_میزان_خطا در شبکه های عصبی، با کدام مجموعه وزنی ایجاد می شود؟چطور داده ها را #خوشه_بندی کنیم تا مجموع فاصله هر داده تا مرکز خوشه به #کمترین مقدار برسد؟وزن های جدول کیو (Q-table) در #یادگیری_تقویتی (reinforcement learning) چطور تنظیم شود تا سیاست بهینه اخذ شود؟پس بطور کلی هرگاه به دنبال کمترین یا بیشترین مقدار یک متغییر (فاصله دو نقطه، خطای شبکه، سودسهام، احتمال برخورد با مانع، مجموع خطای خوشه بندی، میزان اصطکاک بدنه هواپیما با هوا) هستیم، یعنی با یک مساله بهینه سازی مواجه هستیم.ما می خواهیم در #کارگاه_عملی_آشنایی_با_الگوریتم_ژنتیک چند مساله رایج را تعریف کرده و به حل آنها با #زبان_پایتون و #الگوریتم_ژنتیک بپردازیم. این کارگاه می تواند برای آشنایی عملی با روش حل مساله به کمک الگوریتم ژنتیک و همچنین آشنایی با زبان پایتون مفید واقع شود. شرکت در این کارگاه به همه کسانی که با تئوری الگوریتم ژنتیک آشنایی دارند توصیه می شود.ثبت نام در کارگاه عملی آشنایی با الگوریتم ژنتیک: https://lnkd.in/d6p9R6Tکانال تلگرام: https://t.me/ForsatAcademy Forsat Academy Forsat Academy Tue, 14 Jan 2020 07:38:12 +0330 https://virgool.io/@forsatacademy/%D8%AD%D9%84-%D9%85%D8%B3%D8%A7%D9%84%D9%87-%D8%A8%D9%87-%DA%A9%D9%85%DA%A9-%D8%B2%D8%A8%D8%A7%D9%86-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%88-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C%DA%A9-j7y82lpohrgt یکی از دلایلی که #زبان_برنامه_نويسی_پایتون مورد استقبال متخصصین #علم_داده قرار گرفته است، وجود #کتابخانه های غنی برای پردازش داده ها می باشد.کتابخانه #scikit_learn: که دارای طیف وسیعی از #پکیج ها هاست که برای #یادگیری_ماشین و #مدلسازی_داده ها استفاده می شود.کتابخانه #numpy: که برای اعمال ریاضی، #محاسبات_جبری و #عملیات_ماتریسی مورد استفاده قرار می گیرد.کتابخانه #matplotlib: که برای رسم نمودار و #مصور_سازی داده ها استفاده می شود.کتابخانه #pandas: که با معرفی #DataFrame و #Series توانسته است پردازش داده ها را نسبت به گذشته ساده تر و کارآمدتر نماید.ما می خواهیم در #کارگاه_عملی_آشنایی_با_الگوریتم_ژنتیک چند مساله رایج را تعریف کرده و به حل آنها با #زبان_پایتون و #الگوریتم_ژنتیک بپردازیم. این کارگاه می تواند برای آشنایی عملی با روش حل مسائل به کمک الگوریتم ژنتیک و همچنین آشنایی با زبان پایتون مفید واقع شود. شرکت در این کارگاه به همه کسانی که با تئوری الگوریتم ژنتیک آشنایی دارند توصیه می شود.اگر در انجام اینکار ثوابی باشد، آن را هدیه می کنیم به روح #شهید_قاسم_سلیمانیثبت نام در کارگاه عملی آشنایی با الگوریتم ژنتیک: https://lnkd.in/d6p9R6Tکانال تلگرام: https://t.me/ForsatAcademyآشنایی بیشتر با الگوریتم ژنتیک:#پرش_از_مانع به پای #هوش_مصنوعیhttps://www.linkedin.com/posts/tazari_afyaezaecabraepaeaabraetaepaeuaeh-aevaewaecabraetaedaeuaewaehahy-activity-6616903145278722048-yufQ Forsat Academy Forsat Academy Sat, 11 Jan 2020 07:57:48 +0330 https://virgool.io/@forsatacademy/%DA%A9%D8%A7%D8%B1%DA%AF%D8%A7%D9%87-%D8%B9%D9%85%D9%84%DB%8C-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C%DA%A9-q4imlkci6otc در این کارگاه می خواهیم فرآیند الگوریتم ژنتیک را به زبان پایتون پیاده سازی نموده و چند مساله رایج را به کمک آن حل کنیم: * حل مساله هشت وزیر * یافتن نقاط اکسترمم توابع بنچ مارک * حل مساله سودوکو به کمک الگوریتم ژنتیک * وزن‌دهی به شبکه عصبی به کمک الگوریتم ژنتیک * بررسی تاثیر نرخ جهش و بازترکیبی بر همگرایی الگوریتم ژنتیک پیش نیاز: برای درک بهتر مطالب، لازم است با تئوری الگوریتم ژنتیک و همچنین برنامه نویسی آشنایی داشته باشید. کارگاه الگوریتم ژنتیکثبت نام در کارگاه عملی الگوریتم ژنتیک: https://lnkd.in/d6p9R6Tکانال تلگرام: https://t.me/ForsatAcademy hashtag Forsat Academy Forsat Academy Sun, 05 Jan 2020 08:19:31 +0330 https://virgool.io/@forsatacademy/%D9%BE%D8%B1%D8%B4%D8%A7%D8%B2%D9%85%D8%A7%D9%86%D8%B9-%D8%A8%D9%87-%D9%BE%D8%A7%DB%8C-%D9%87%D9%88%D8%B4%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-vi5mulncdfx2 #پرش_از_مانع یکی از کارهایی است که شاید برخی انسان ها هرگز نتونند اون رو به درستی یاد بگیرند و انجام بدهند.آیا به کمک #هوش_مصنوعی میشه #راه_رفتن و #پرش_از_مانع رو به یک روبات یاد داد؟بعد از 249 مرتبه تلاش، ربات می آموزد که چطور از روی مانع (گوی رونده) بپرددر این ویدئو نشون داده میشه که رباتی با دو بازو (دوپا) قراره چیزی شبیه به #پریدن رو یاد بگیره. در واقع روبات باید به گونه ای عمل کنه که گوی متحرک هیچوقت با ربات برخورد نکنه. به گفته نویسندگان مقاله، در این روش از #الگوریتم_ژنتیک استفاده شده است. https://www.linkedin.com/posts/tazari_aezaepaevabraezaepaesaeu-aevaewaecabraetaedaeuaewaehahy-activity-6616903145278722048-jpR6 ثبت نام در وبینار «آشنایی با الگوریتم ژنتیک»: https://lnkd.in/dUpxartکانال تلگرام: https://t.me/ForsatAcademy#هوش_مصنوعی #یادگیری_ماشین #الگوریتم_تکاملی #الگوریتم_ژنتیک #راه_رفتن #پرش_از_مانع #رباتیک Forsat Academy Forsat Academy Sun, 29 Dec 2019 08:01:30 +0330 https://virgool.io/@forsatacademy/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A8%D8%A7%D8%B2%DB%8C-%D9%85%D8%A7%D8%B1-%D9%88-%DA%A9%D8%B1%D9%85-%D8%AA%D9%88%D8%B3%D8%B7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C%DA%A9-%D9%88-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-g7eou5zpyj8h وقتی ما بچه بودیم، زمان زیادی رو صرف یادگیری بازی snake میکردیم. هنوز هم بعضی ها به این بازی علاقه مند هستند. در این ویدئو نشون داده میشه که #الگوریتم_ژنتیک به همراه #شبکه_عصبی_مصنوعی به خوبی این بازی رو یاد میگیره. یادگیری این بازی، حتی برای این دو الگوریتم قدرتمند، زمان زیادی می بره اما وقتی که این الگوریتم های هوشمند تونستند بازی رو یاد بگیرند دیگه هیچ کرمی نمی تونه از دست مار فرار کنه. https://www.linkedin.com/posts/tazari_ahyaepaexagvahyaezahyabraeqaepaeaahyabraesaewaebaefabraevaewaecabraetaedaeuaewaehahy-activity-6615107677661995008-1x05 ثبت نام در وبینار «آشنایی با الگوریتم ژنتیک»: https://lnkd.in/dUpxartکانال تلگرام: https://t.me/ForsatAcademy#هوش_مصنوعی #یادگیری_ماشین #الگوریتم_تکاملی #الگوریتم_ژنتیک #نقاشی_به_قلم_هوش_مصنوعی #بازی_مار_و_کرم #snake_game #یادگیری_بازی_توسط_هوش_مصنوعی Forsat Academy Forsat Academy Tue, 24 Dec 2019 08:49:24 +0330 https://virgool.io/@forsatacademy/%D9%86%D9%82%D8%A7%D8%B4%DB%8C-%D8%A8%D9%87-%D9%82%D9%84%D9%85-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-j0gunczs9apc همونطور که انسان ها #خلاقیت دارند، #هوش_مصنوعی هم میتونه کارهای خلاقانه ای مانند #نقاشی #طراحی_داخلی #جک_گفتن #ساخت موزیک و ... رو انجام بده.در این ویدئو نشون داده میشه که #الگوریتم_ژنتیک با رسم دایره هایی با ابعاد و رنگ‌های تصادفی موفق به #نقاشی چهره یک کودک میشه. https://www.linkedin.com/posts/tazari_aeuaeqaepaecahyabraeqaevabraeqaesaetabraevaewaecabraetaedaeuaewaehahy-activity-6614740546567053312-if0e ثبت نام در وبینار «آشنایی با الگوریتم ژنتیک»: https://lnkd.in/dUpxart کانال تلگرام: https://t.me/ForsatAcademy#هوش_مصنوعی #یادگیری_ماشین #الگوریتم_تکاملی #الگوریتم_ژنتیک #نقاشی_به_قلم_هوش_مصنوعی #خلاقیت Forsat Academy Forsat Academy Mon, 23 Dec 2019 08:38:32 +0330 https://dataio.ir/الگوریتم-ژنتیک-تکامل-طی-چند-نسل-f6vvk52smiwi «الگوريتم ژنتیک یکی از روش های یادگیری ماشین است که سعی دارد، با ایجاد تغییرات جزئی، طی نسل های متوالی، به موجودی با شایستگی‌های بهتری نسبت به موجودات اولیه برسد.»حالا بیایید به دور از پیچیدگی‌های ریاضیاتی و برنامه نویسی، در یک مثال باورکردنی! ببینیم که چطور «با ایجاد تغییرات جزئی طی نسل های متوالی» می توان به موجودی «با شایستگی های بهتر» رسید.فرض کنید دو موجود این شکلی داریم:اگر این دو بزرگوار با هم ازدواج کنند، ممکنه فرزندشون این شکلی بشه:این بچه کلا شبیه پدرش هست فقط چشم هاش رو از مادرش به ارث برده. حالا فرض کنیم این شازده پسر بزرگ شد و با یه خانمی ازدواج کرد. ببینید این زوج خوشبخت رو:حالا اگر فرزندشون، ابروهاش رو از مادرش به ارث بگیره این شکلی از آب در میاد:برای ازدواج ایشون و بچه آینده چنین شکلی قابل تصور هست:یعنی اگر این نسل جدید همه چیز رو از پدر و فقط فرم لب رو از مادرش به ارث ببره، مثل شکل بالا از آب در میاد. شکلش هم خوبه فقط دماغش یه مقدار ضایع هست. حالا فرض کنیم این آقا پسر بیاد با یه خانمی ازدواج کنه که دماغش اوکی باشه، اون وقت ممکنه قیافه بچه دیگه کاملا درست بشه:خب، دیگه همه چیزش درست شد.فراموش نکنیم که دو تا موجود درب و داغون با هم ازدواج کردند، و طی چهار نسل متوالی، تغییراتی کوچک در چهره فرزندان رخ داد تا کم کم به موجود بهتری تبدیل شدند. بیایید فرآیند بالا را دوباره مرور کنیم: واقعیت اینه که این اتفاق طی ده ها نسل در دنیای واقعی هم رخ میده. فقط چون نسل‌ها از چهره و خصوصیات ده ها نسل قبل اطلاع دقیقی ندارند بعلاوه این تغییرات بسیار به آرامی رخ می دهند، کسی از رخدادن این تغییرات مطلع نمی شود. «الگوريتم ژنتیک یکی از روش های یادگیری ماشین است که سعی دارد، با ایجاد تغییرات جزئی، طی نسل های متوالی، به موجودی با شایستگی‌های بهتری نسبت به موجودات اولیه برسد.»کانال تلگرام فرصت یادگیری: https://t.me/ForsatAcademyوبینار آشنایی با الگوریتم ژنتیک: https://lnkd.in/dUpxart? Forsat Academy Forsat Academy Tue, 17 Dec 2019 09:29:56 +0330 https://virgool.io/@forsatacademy/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%DA%98%D9%86%D8%AA%DB%8C%DA%A9-bq0d5rxpkrik فرض کنید دمای هوای جهان، بطور ناگهانی، تا منفی بیست درجه کاهش پیدا کرده و این کاهش دما برای سال‌ها ادامه داشته باشه. چی میشه؟ حتما عده ای از انسان ها می‌میرند و فقط قوی‌ترین‌ها زنده می مونند. اما اگر این سرمای هوا ادامه داشته باشه، هر نسل نسبت به نسل قبل، در مقابل هوای سرد، کمی قوی‌تر میشه بطوریکه بعد از گذشت مدتی طولانی (مثلا ده نسل) دیگر بشر نسبت به دمای منفی بیست درجه واکنش نشون نمیده. یعنی دیگه نه تنها از مرگ و میرهای گسترده خبری نیست دمای منفی بیست درجه برای بشر، خیلی هم هوای خوب و مطلوبی خواهد بود. در واقع طی این نسل‌ها، ژن‌های بشر به گونه ای تغییر کرد که با بدن با هوای سرد تطابق پیدا کنه. «طبیعت» موفق شد با اعمال تغییرات ژنتیکی، طی چندين نسل، خودش را با این تغییرات محیطی تطابق بده. حالا ما میتونیم از طبیعت الهام بگیریم و از این راهکار در حل مساله‌های مهندسی استفاده کنیم. در هوش مصنوعی، روشی وجود داره به نام «الگوریتم ژنتیک» که با ایده گرفتن از تغییرات اندک طی نسل های متوالی، توانایی حل مساله های مختلفی رو داره. در پست های بعد با الگوریتم ژنتیک بیشتر آشنا خواهیم شد. ثبت نام در وبینار «آشنایی با الگوریتم ژنتیک»: https://lnkd.in/dUpxartکانال تلگرام: https://t.me/ForsatAcademy Forsat Academy Forsat Academy Tue, 17 Dec 2019 09:16:05 +0330 https://dataio.ir/یادگیری-در-هوش-مصنوعی-pacvi10rtxaz سطح: عمومیواقعیت آن است که هوش مصنوعی یک چوب جادویی نیست که به هر مساله ای بزنند، آن مساله حل بشود بلکه هوش مصنوعی ترکیب زیبایی از ریاضیات، علوم کامپیوتر، علوم زیستی و... است که باید ابتدا روش حل مساله را «یاد بگیرد» تا بتواند مساله را حل کند. یادگیری ماشین (Machine Learning) یکی از شاخه های هوش مصنوعی است. یادگیری را می توان به چهار نوع تقسیم نمود:1- یادگیری نظارت شده (Supervised Learning)2- یادگیری بدون ناظر (Unsupervised Learning)3- یادگیری تقویتی (Reinforcement Learning)بیایید یک مساله مطرح کنیم: میخواهیم عامل هوشمندی بسازیم (به بیان ساده یک برنامه کامپیوتری بنویسیم) که بتواند مفهوم درون یک تصویر را تشخیص دهد. (در اصطلاح رسمی به این حوزه می گویند: بازیابی تصویر مبتنی بر محتوا Content Based Image Retrieval). پس می خواهیم قابلیتی برای کامپیوتر ایجاد کنیم تا بتواند یک تصویر را دریافت کند و بگوید در این تصویر کدامیک از مفاهیم آبشار یا رودخانه (به عنوان مثال) وجود دارند. * یادگیری باناظر supervised learningاز نام این رویکرد پیداست که یک «ناظر» یا معلم وجود دارد. ناظری که به عامل هوشمند ما آموزش های لازم را می دهد تا این عامل هوشمند بتواند به هدفش که درک مفاهیم تصویری است برسد. در این روش ابتدا یک تصویر به عامل هوشمند ارائه می شود و آقای ناظر، خودش، مشخص می کند که در این تصویر چه مفهومی (آبشار یا رودخانه) وجود دارد. اینکار به دفعات زیاد انجام می شود. تا جاییکه بالاخره برنامه هوشمند ما خودش بتواند مفهوم درون تصویر را استخراج کند. به این روش می گویند روش یادگیری باناظر یا یادگیری نظارت شده. علتش هم مشخص است: یک ناظری وجود دارد که روش حل مساله (استخراج مفاهیم تصویری) را به برنامه ما (عامل هوشمند) یاد می دهد یا آموزش می دهد. این روش خیلی شبیه به یادگیری ما انسان هاست. اگر به یک کودک چندین نمونه از عکس آبشار و سپس چندین نمونه از تصاویر رودخانه را نشان دهیم و به او یاد بدهیم که کدامیک آبشار است و کدامیک رودخانه است، آنگاه انتظار داریم در تصاویری که کودک هیچگاه ندیده است، بتواند آبشار و رودخانه را از یکدیگر تشخیص دهد. شاید متوجه شده باشید این فرآیند در دو قسمت انجام می شود: فاز آموزش (Train) و فاز تست. در فاز آموزش، عامل هوشمند به کمک یک ناظر سعی در یادگیری دارد و در فاز تست نیز مشخص می شود که عامل هوشمند تا چه اندازه موفق شده است فرآیند یادگیری را انجام دهد. خیلی بعید است که عامل هوشمند ما بطور صد در صد بتواند فرآیند یادگیری را انجام دهد. در برخی مسائل 60 درصد دقت یادگیری خیلی خوب تلقی می شود و در برخی مسائل دقت کمتر از 98 درصد اصلا قابل قبول نخواهد بود! اجازه بدهید در پست‌های آینده معیارهای سنجش کیفیت یادگیری عامل‌های هوشمند را بررسی کنیم.*یادگیری بدون ناظر unsupervised learningگاهی اوقات اساسا ناظری وجود ندارد تا بتواند به عامل هوشمند (برنامه کامپیوتری ما) یاد بدهد که در هر تصویر چه مفهومی وجود دارد. در این شرایط عامل هوشمند باید خودش آستینش را بالا بزند و تا جاییکه می تواند پیش برود. ما اگر مجموعه تصاویری از آبشار و رودخانه را در اختیار یک کودک بگذاریم و بگوییم آنهایی که شبیه به هم هستند را در یک گروه قرار بده آنگاه احتمالا کودک باهوش ما تصاویری را که در آن عکس آبشار وجود دارد را در کنار یکدیگر می گذارد و تصاویری که عکس رودخانه دارند را نیز در کنار یکدیگر قرار خواهد داد. کودک ما حتی اگر آبشار را نشناسد اما تا این حد تشخیص می دهد که این مجموعه تصاویر شبیه به یکدیگر هستند (مجموعه تصاویر آبشار) و مجموعه دیگر (رودخانه) از مجموعه تصاویر آبشار، تفاوت ظاهری بارزی دارند. بنابراین در روش بدون ناظر، عامل هوشمند سعی می کند میزان شباهت تصاویر با یکدیگر را بسنجد. تصاویری که به یکدیگر شبیه تر هستند را در یک دسته قرار دهد. حتی اگر عامل هوشمند نداند نام این مجموعه آبشار است یا رودخانه! اما به هر حال در راستای یادگیری قدمی برداشته است و قابلیت گروه بندی تصاویر را در خودش بوجود آورد. در ادامه اگر یک تصویر جدید به این عامل هوشمند (که میتواند یک برنامه کامپیوتری باشد و یا یک کودک یکی-دوساله) بدهیم و بگوییم این تصویر شبیه به کدام مجموعه از تصاویر اولیه است؟ به سادگی دسته مربوط به تصویر ورودی را تعیین میکند یعنی اگر تصویر شامل مفهوم آبشار باشد، آن را در گروه تصاویر آبشار و اگر شامل مفهوم رودخانه باشد، تصویر را در گروه تصاویر روخانه قرار خواهد داد.* یادگیری تقویتی Reinforcement Learningبعضی از عزیزانی که به هوش مصنوعی علاقه مند هستند، وقتی با یادگیری نظارت شده و بخصوص یادگیری بدون نظارت آشنا می شوند، دادشان به هوا می رود! که «این که یادگیری نیست»، «این که هوش مصنوعی نیست» هوش مصنوعی باید خودش یادبگیرد نه آنکه ما به آن یاد بدهیم! من مجددا به این دسته از دوستان عزیز یادآوری می کنم که هوش مصنوعی یک چوب جادویی نیست. هوش مصنوعی هنری است که ریاضیات را با علوم کامپیوتر ترکیب می کند و نرم افزارهایی می سازد که می تواند مساله ای را حل کند. حتی کودکان باهوش ما، که بعدها از نوابغ عالم می شوند، سالهایی را صرف یادگیری می کنند و بعد خودشان می توانند به حل مسائل یا ارائه راه حل بپردازند. علی ای حال، یادگیری تقویتی برای این دسته از عزیزان خیلی جالب خواهد بود چرا که، در ظاهر، بدون آنکه کسی به عامل هوشمند چیزی یاد بدهد، خودش در تعامل با محیط می تواند آرام آرام روش حل مساله را یاد بگیرد.فرض کنید مجموعه تصاویری از آبشار و رودخانه را در اختیار کودکی می گذاریم و به او می گوییم به ازای هر عکس آبشاری که پیدا کنی یک شکلات به تو می دهیم! خب در ابتدای کار که این بنده خدا فرق بین آبشار و رودخانه را اصلا نمی داند. پس ناچارا بطور تصادفی عکسی انتخاب کرده و به ما دهد. اگر عکس آبشار باشد به او یک شکلات می دهیم وگرنه چیزی به او نمی دهیم. حالا این عامل هوشمند ما یک تجربه خیلی کمی دارد. در ادامه می گوییم یک عکس دیگر بده. باز هم با فرآیندی شبه تصادفی (فقط با یک نمونه تجربه قبلی) عکسی انتخاب می کند و به ما می دهد. و باز هم طبق قرار اولیه اگر عکس مزبور، تصویری از یک آبشار بود به او یک شکلات می دهیم وگرنه هیچ. خب اگر این فرآیند را به دفعات زیاد تکرار کنیم، در نهایت این کودک یاد خواهد گرفت که بابت کدام تصاویر شکلاتی دریافت می کند و بابت کدام تصاویر چیزی دریافت نمی کند! یعنی عامل هوشمند در تعامل با محیط و با دریافت پاداش ( و احیانا جریمه) به این تجربه می رسد که کدام تصویر شامل مفهوم آبشار و کدام تصویر شامل مفهوم رودخانه است. توجه داشتید که هیچگاه بطور مستقیم به عامل هوشمند گفته نشد که مفهوم یک تصویر چیست؟ بلکه خودش آرام آرام به دانش استخراج مفاهیم از تصویر دست یافت. واقعیت آن است که یادگیری تقویتی نیز دارای مرحله آموزش یا Train است. در زمانی که بابت تشخیص مفهوم درست، پاداشی دریافت می کند، در واقع در حال آموزش دیدن است و با تکرار زیاد این فرآیند، عامل هوشمند به جایی می رسد که به سرعت می تواند تصاویر آبشار را از رودخانه تفکیک کند. این مثالی از یادگیری تقویتی بود. هدیه به کسانی که یادگیری باناظر و بدون ناظر را اساسا یادگیری نمی دانند!به کانال تلگرامی آکادمی هوش مصنوعی «فرصت یادگیری» بپیوندید:https://web.telegram.org/#/im?p=@ForsatAcademy Forsat Academy Forsat Academy Sat, 07 Dec 2019 15:24:21 +0330 https://dataio.ir/مقدمه-ای-بر-هوشمصنوعی-hm5vd1p3mj4w هوش مصنوعی یک حوزه «میان رشته ای» یا «بینِ رشته ای» است. میان رشته ای یعنی تلفیقی از علوم گوناگون، که در نقطه یا نقاطی با یکدیگر اشتراک دارند. وقتی علوم ریاضیات، آمار، علم اعصاب شناسی، علوم شناختی (نحوه عملکرد مغز)، روان شناسی، فلسفه و علوم کامپیوتر به یک ناحیه مشترک می رسند، هوش مصنوعی متولد می شود. البته این داستانِ تولد هوش مصنوعی است. اما وقتی این علم، بزرگ می شود علوم دیگری نیز به میان می آیند. مثلا وقتی به شبیه سازی جوامع (انسانی یا حیوانی) می پردازیم دیگر بحث فقط بر سر علم اعصاب و یا حتی روان شناسی نیست بلکه بحث به سمت جامعه شناسی انسانی و یا جامعه شناسی حیوانی پیش می رود. وقتی به پیاده سازی سیستم های زیستی می پردازیم دیگر بحث بر سر علم اعصاب و علوم شناختی نیست بلکه به عمق زیست شناسی نفوذ کرده، نحوه عملکرد سلول ها را به دقت بررسی کرده و سعی می کنیم سیستم مزبور را شبیه سازی کنیم. علی ای حال، در ابتدای کار، دانشمندان سعی داشتند به شناسایی نحوه عملکرد اعصاب انسان بپردازند و سپس دانش کسب شده را در سیستم های کامپیوتری شبیه سازی کنند از آنجا بود که هوش مصنوعی با علم اعصاب گره خورد. محققان خون جگر خوردند و صبر کردند و تهمت شنیدند و مسخره شدند تا توانستند به موفقیت هایی، در زمینه شبیه سازی سیستم عصبی انسان در کامپیوتر برسند. منظور از «شبیه سازی» این نیست که تمام سیستم عصبی انسان را به طور کامل پیاده سازی کرده باشند. نه دانش بشر به طور صد در صد به نحوه عملکرد اعصاب انسان احاطه دارد و نه اساسا سیستم های کامپیوتری منابع لازم برای این شبیه سازی را در اختیار دارند بلکه منظور از شبیه سازی، «الهام گرفتن از طبیعت» است. یعنی ده-پانزده درصد مانند طبیعت عمل کرده و بقیه سیستم را، متناسب با منابع و نیازهای خودمان پیاده سازی کنیم.حتی عده از محققان بر این باور بودند که اساسا چه نیازی است مشابه طبیعت عمل کنیم؟ وقتی منابع کامپیوتری محدودی در اختیار داریم، وقتی می توانیم با ابداع الگوریتم هایی که ملهم از طبیعت نیستند، به کارآیی مطلوب برسیم، اساسا چه نیازی است از طبیعت الهام بگیریم؟ این دسته از محققان نیز روش های جدیدی بوجود آوردند که مانند طبعیت عمل نمی کند اما در نهایت می تواند نتیجه مورد نظر را ارائه دهد. مثلا در این قبیل سیستم ها، نحوه پردازش داده ها مشابه مغز انسان نیست اما به هر حال در پایان پردازش می تواند پاسخ مطلوب را ارائه دهد. اگر «یادگیری» را قلب هوش مصنوعی تصور کنیم، باید بگوییم یادگیری با سه رویکرد اصلی حاصل می شود: یادگیری نظارت شده، یادگیری بدون نظارت و یادگیری تقویتی.اجازه بدهید در قسمت های بعد هر یک از این سه مورد را بررسی کنیم.https://web.telegram.org/#/im?p=@ForsatAcademy#هوش_مصنوعی #ملهم_از_طبیعت Forsat Academy Forsat Academy Sat, 07 Dec 2019 10:17:49 +0330