https://virgool.io/feed/@miladyekleh milad.space fa 2026-04-15 07:00:50 https://files.virgool.io/upload/users/34768/avatar/hNwKe3.png?height=120&width=120 https://virgool.io/@miladyekleh https://virgool.io/@miladyekleh/brain-machine-interface-ifpahihnmdju « در سال 2030 ما نانوربات‌هایی را به مغز خواهیم فرستاد که ما را در واقعیت مجازی آن هم از داخل سیستم عصبی غوطه‌ور کند و نئوکورتکس* ما را به ابر (cloud) متصل کند. به همان نحوی که گوشی‌های هوشمند امروزی با استفاده از ابر قدرتشان چندهزاربرابر می‌شود، قادر خواهیم بود نئوکورتکس‌مان را در فضای ابری توسعه بدهیم»این پاراگراف از گفته‌های اخیر ری کروزویل، تکنولوژیست، فیوچریست و رئیس مهندسی هوش مصنوعی و پردازش زبان در گوگل است. علاوه بر این، وی بیشترین پیش بینی های صحیح  و مستند را در حوزه‌ی تکنولوژی نسبت به هر فرد دیگری داشته است.بر طبق این گزارش[link] از سال 1990 ، از 147 پیش بینی کروزویل ، 115 تای آنها کاملا درست از آب درآمده و 12 تا اساسا درست شده ( تقریبا با اختلاف 1 یا 2 سال به وقوع پیوسته) که در جمع می شود نرخ دقت خیره کننده 86 درصد.بیایید لحظه ای تأمل کنیم. فقط 10 سال تا 2030 مانده…مغزمان را مستقیما به اینترنت متصل کنیم؟ ظرفیت هوش و حافظه مان را ده ها برابر کنیم؟این پست درباره ی پیامدهای جالب و سرسام آور آن آینده است.پیامدهای یک نئوکورتکس متصل شده به اینترنت و فضای ابری به معنای حقیقی کلمه ژرف است. در اینجا یک لیستی از پیامدهای ممکن ارائه شرح خواهم داد ؛ گرچه هر حرفی که بتوانم در این باره بزنم در مقایسه با حقیقت آن آینده کم‌رنگ‌تر خواهد بود :ارتباط مغز به مغزاین نوع ارتباط روابط انسانی را به سطح کاملا جدیدی خواهد رساند. جایی که در آن می توانید حقیقتا بدانید همسر، فرزند یا دوستانتان چه احساسی دارند. روابطی فراتر از هر آنچه که ما تا به امروز با مکالمه‌ی صرف تجربه کرده ایم. ایمیل، تکست و ویدئو چت و … را فراموش کنید. شما میتوانید افکارتان را به هر شخصی که می‌خواهید انتقال دهید.ارتباط مغز به مغز گوگل کردن در مغزشما قادر خواهید بود که هرآنچه را که تمایل دارید در همان لحظه که می خواهید «بدانید». شما به اطلاعات جهان در نورون های مغز خود دسترسی خواهید داشت. قادر خواهید بود معادلات پیچیده‌ی ریاضی را فقط در چند ثانیه حل کنید. خواهید توانست در خیابان های هر شهری بدون اینکه راه را گم کنید برانید و یا هر زبانی را بدون زحمت ترجمه کنید یا به آن زبان صحبت کنید.گوگل کردن در مغزهوش مقیاس‌پذیرتصور کنید که حتما باید مسئله ای را به سرعت حل کنید. در دنیای آینده قادر خواهید بود قدرت محاسباتی مغزتان را برحسب‌نیاز (10 برابر یا 1000 برابر یا …)  افزایش دهید.زندگی در دنیای مجازیاگر مغزهای ما حقیقتا در پهنای باند بالا به اینترنت وصل شوند، این امکان بوجود خواهد آمد که از حواس بینایی ، شنوایی و لامسه فعلی گذر کنیم و به نقطه ای برسیم که درک مغز از واقعیت بتواند به طور کامل از یک موتور بازی مشتق شود. همین نحو ارتباط بین قشر حرکتی مغز (motor cortex) هم وجود خواهد داشت.تصور کنید وقتی عضلات تان را حرکت میدهید، عضلات متناظر و مجازی (در آواتار شما) کاملا بی نقص حرکت خواهد کرد.سیستم ایمنی بدن بهبودیافتهما هم‌اکنون دستگاههای بیولوژیکی هوشمندی در سایز گلبولهای خونی داریم که مریضی ها را از بین می برند. اسم آنها لنفوسیت تی است. آنها دشمن را شناسایی کرده و به آن حمله می کنند، اما آنها در مقابل سرطان، رتروویروسها و … کارایی ندارند. در آینده نانوبات ها ، با یکدیگر ارتباط برقرار میکنند، وقتی پاتوژن جدید برسد نرم افزار آن را دانلود میکنند و به سرطان، باکتری ها ، ویروسها و تمام عوامل مریضی حمله ور می شوند. برای مقابله با ناهنجاری های ناشی از سوخت و ساز بدن مثل دیابت هم کارایی دارند. آنها همچنان می توانند از مواد مغذی، مورد نیاز و ضروری خون نگه داری کنند . می توانند اعضای آسیب دیده را درمان و در صورت لزوم با عضوی جدید جایگزین کنند.تخصص های قابل دانلودآن سکانس از فیلم ماتریکس را یادتان هست که ترینیتی لازم بود که یک هلیکوپتر را براند و اپراتور برنامه ای را دانلود کرد و او بلافاصله آن را یاد گرفت که چگونه آن را انجام دهد؟ ما نیز قادر به انجام این عمل خواهیم بود. احتیاج دارید یک عمل جراحی ضروری را انجام دهید؟ کافیست برنامه ی دکتر جراح را دانلود کنید. نیاز  به فراگیری زبانی جدید دارید؟ دانلودش کنید. می خواهید یک وعده غذای کامل بپزید؟ برنامه آشپزباشی را دانلود کنید.دانلود مهارت به مغزخاطرات قابل‌جستجوما خواهیم توانست هرچیزی که برایمان اتفاق افتاده را به یاد بیاوریم؛ چونکه ما خاطرات‌مان را بصورت ابری ذخیره‌ خواهیم کرد. همچنین می توانیم پایگاه داده‌ی خاطرات‌مان را برای یافتن اطلاعات سودمند جستجو کنیم.خاطرات قابل‌جستجو موجودیتی بلندمرتبه‌تر نئوکورتکس به اینترنت متصل شده ، با گسترش ذائقه‌ی ما برای احساس، هنر، طنز، خلاقیت و بیان؛ انسانیت را به مرتبه ی بالاتری از موجودیت و پیچیدگی خواهد رساند. ما سطوح بیشتری به سلسله‌مراتب ماژول‌های مغز اضافه خواهیم کرد و سطوح عمیق‌تری از بیان را تولید خواهیم کرد. مردم قادر خواهند بود تا عمیقا نوع بخصوصی از موسیقی را کشف کنند؛ خیلی عالی‌تر از درجه ای که امروز ما می توانیم. این مقوله فردیت و منحصربه‌فرد بودن را بیشتر خواهد کرد. درحالیکه این آینده برای بسیاری خیالی بنظر می رسد؛ بیایید یادآور شویم که رشد تکنولوژی‌های تصاعدی قبل از اینکه همه گیر شوند، در مراحل اولیه فریبنده اند. امروز تعداد زیادی آزمایشگاه در سراسر جهان وجود دارد که مشغول کار کردن بر روی ماشین های مولکولی اند. سیستم های CRISPER/Cas9  به ما این اختیار را می دهد که ژنوم خودمان را تغییر دهیم.خب چه می شود اگر این زمینه های پیشرفت تکنولوژیک هر 18 ماه 2 برابر شوند؟ در 15 سال نسبت به امروز 1000 برابر بهبود خواهیم داشت.اگر این آینده مبدل به واقعیت شود، انسان های متصل شده به یکدیگر همه چیز را تغییر خواهند داد. لازم است که در باب پیامدهای این امر بحث کنیم تا تصمیمات مناسب را اتخاد نماییم و برای آینده آماده شویم.* نوقِشر یا نئوکورتکس (neocortex)، که با نام نئوپالیوم (neopallium = نوپوشه) و ایزوکورتکس (isocortex = برابرقشر) نیز شناخته می‌شود، بخشی از مغز پستانداران است. این بخش لایهٔ بیرونی دو نیم‌کره مغزی است و خود از شش لایه I تا VI تشکیل شده است که VI درونی‌ترین و I بیرونی‌ترین لایه آن است. نوقشر بخشی از قشر مغز است و در همه پستانداران، در عملکرد حواس، تولید دستورهای حرکتی، تصمیم‌گیری مکانی، خودآگاهی و زبان نقش دارد. میلاد یکله میلاد یکله Wed, 29 Apr 2020 13:59:04 +0430 https://virgool.io/@miladyekleh/%D8%B3%D8%A7%D8%AE%D8%AA-%DB%8C%DA%A9-%D8%A8%D8%A7%D8%AA-%D8%AA%D9%88%DB%8C%DB%8C%D8%AA%D8%B1%DB%8C-%D8%A8%D8%A7-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-itmgwgnh8uxn یک بات توییتری می‌تواند کاربردهای متفاوتی داشته باشد. در این پست آموزش ساخت یک بات را شرح داده‌ام که نمونه‌ی مشابه آن در اکانت توییتر خودم مشغول به کار است. رباتی که من ساخته‌ام کلمات کلیدی اقتصادی را جستجو می‌کند و توییت‌هایی را که شامل این کلمات کلیدی باشند ریتوییت می‌نماید. در این پست می‌خواهم بات مشابهی را آموزش بدهم که طی آن بر طبق کلمات کلیدی توییت‌هایی لایک و یا ریتوییت می‌شوند.ابتدا لازم است که tweepy را دانلود کنیم. توییپی کتابخانه‌ای است که بوسیله‌ی آن می‌توان با توییتر کار کرد. عبارت زیر را در کنسول تایپ می‌کنیم.pip install tweepyسپس توییپی را در بالای فایلتان به نام bot.py ایمپورت می‌کنیم.import tweepyمجوزهاسپس لازم است که اکانت توییتر مدنظرتان را به کد پایتون متصل نماییم.به apps.twitter.com بروید و با اکانت‌تان وارد شوید. یک اپلیکیشن توییتر ایجاد کنید تا  Consumer Key, Consumer Secret, Access Token, Access Token Secret ایجاد شود. اکنون شما برای شروع کردن آماده‌اید. شما می‌توانید زیر عبارات ایمپورت این متغیرها را مقداردهی کنید؛ ولی بهتر است که به دلیل مسائل امنیتی و دسترسی‌پذیری آن‌ها را در یک فایل جداگانه به نام credentials.py ذخیره کنید؛ چراکه دسترسی به این متغیرها مثل دسترسی به پسورد توییتر شماست.consumer_key = 'your_consumer_key' consumer_secret = 'your_consumer_secret' access_token = 'your_access_token' access_token_secret = 'your_access_token_secret'بات توییتری که لایک، فالو و ریتوییت می‌کندبا استفاده از کتابخانه‌ی Tweepy، ما می‌توانیم بات توییتری را پیکربندی کنیم که بتواند توییت‌های دیگران را لایک و یا ریتوییت کند؛ همچنین دیگران را فالو نماید. در این مثال ما بر اساس کوئری سرچ در قالب هشتگ این کارها را می‌کنیم.اکنون مجوزهای توییتر را به فایل اصلی به نام bot.py وارد می‌کنیم. همچنین سه خط دیگر هم برای تعامل کردن با متغیرهای مجوز بوسیله‌ی کتابخانه‌ی توییپی تایپ می‌کنیم.# Import our Twitter credentials from credentials.py from credentials import * # Access and authorize our Twitter credentials from credentials.py auth = tweepy.OAuthHandler(consumer_key, consumer_secret) auth.set_access_token(access_token, access_token_secret) api = tweepy.API(auth)برای شروع از آسان‌ترین کار شروع می‌کنیم. فالو کردن افرادی که اکانت ما را فالو می‌کنند. برای این‌کار یک حلقه ایجاد می‌کنیم که در فالوئرها بگردد و سپس تک‌تک آن‌ها را فالو کند.for follower in tweepy.Cursor(api.followers).items(): follower.follow() print (&quotFollowed everyone that is following &quot + user.name)در این مرحله برای اینکه مطمئن شوید کدتان کار می‌کند وارد اکانت توییتر شوید و ببینید که تعداد فالویینگ‌ افزایش پیدا کرده.بمنظور اینکه توییتی را ریتوییت کند از یک حلقه‌ی for و عبارتی مثل زیر استفاده می‌کنیم. کلمه‌ی کلیدی مدنظر را جایگزین Keyword می‌کنیم. همچنین در این نمونه با ۵ توییت سروکار داریم که می‌توانیم تعداد آن را کمتر و یا بیشتر کنیم.search = &quotKeyword&quot numberOfTweets = &quot5&quot for tweet in tweepy.Cursor(api.search, search).items(numberOfTweets): try: tweet.retweet() print('Retweeted the tweet') except tweepy.TweepError as e: print(e.reason) except StopIteration: breakبمنظور لایک کردن توییت‌ها عبارت زیر راtweet.retweet()با عبارت زیر عوض می‌کنیمtweet.favorite() میلاد یکله میلاد یکله Sat, 16 Mar 2019 12:14:00 +0330 https://virgool.io/@miladyekleh/%D8%AA%D9%81%D8%A7%D9%88%D8%AA-%D8%A8%DB%8C%D9%86-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%88-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%DA%86%DB%8C%D8%B3%D8%AA-wc9ci3o2hbmv این پست را از روی بلاگ خودم؛ پرامپت برداشتم و در اینجا بازنشر کردم. اگر علاقمند به خواندن مطالب مشابه هستید به milad.space مراجعه کنید. هوش مصنوعی (AI) ، یادگیری عمیق و یادگیری ماشین – این اصطلاحات گاهی با یکدیگر هم‌پوشانی پیدا می‌کنند و گیچ‌کننده می‌شوند و افراد هرکدام را به‌ازای دیگری به کار می‌برند.AI یعنی کامپیوتری که به‌نحوی رفتار انسان را تقلید کند.یادگیری ماشین. زیرمجموعه‌ای از AI است و شامل تکنیک‌هایی می‌شود که کامپیوتر را قادر می‌سازد تا خودش داده را دریابد و از چیزها سردربیاورد و برنامه‌های کاربردی AI را ارائه دهد.یادگیری عمیق زیرمجموعه‌ای از ماشین لرنینگ است که کامپیوترها را قادر می‌سازد تا مسائل پیچیده‌تری را حل کنند.این توضیحات صحیح هستند؛ اما خلاصه‌اند. بنابراین من می‌خواهم برای هریک از این اصطلاحات توضیح مفصل‌تری بدهم.هوش مصنوعی چیست؟هوش مصنوعی بعنوان یک رشته‌ی دانشگاهی در سال ۱۹۵۶ بنیان‌گذاری شد. هدف در آن زمان، همانند الان این بود که کاری انجام شود تا کامپیوترها  وظایفی را که به‌ طرز منحصربه‌فردی انسانی هستند انجام دهند. در ابتدا، محققین بر روی مسائلی مانند چکرز بازی کردن و حل مسائل منطقی کار می‌کردند.اگر شما به خروجی یکی از آن برنامه‌های بازی‌کننده‌ی چکرز نگاهی می‌انداختید، می‌توانستید فرمی از «هوش مصنوعی» را پشت آن حرکات ببینید؛ مخصوصا زمانی‌که کامپیوتر شما را شکست می‌داد. موفقیت‌های اولیه باعث شد تا اولین محققین علاقه‌ی بی‌حدوحصری به امکانات هوش مصنوعی نشان دهند؛ اما آنان سختی راه را در نظر نگرفته بودند.پس هوش مصنوعی به خروجی یک کامپیوتر اشاره دارد. کامپیوتر یک کار هوشمندانه انجام می‌دهد؛  بنابراین در حال نمایش هوشی است که مصنوعی می‌باشد.اصطلاح هوش مصنوعی چیزی درباره‌ی نحوه‌ی حل این مسائل نمی‌گوید. تکنیک‌های متفاوت بسیاری از قبیل سیستم‌های خبره یا قاعده‌مند وجود دارند. و یک دسته از تکنیک‌ها که در دهه‌ی ۸۰ میلادی بطرز عمده‌ای به کار گرفته شد ماشین لرنینگ / یادگیری ماشین نام دارد.یادگیری ماشین چیست؟دلیلی که محققین اولیه برخی مسائل را بسیار سخت‌تر یافته بودند، این بود که مسائل با تکنیک‌های اولیه‌ی مورد استفاده در هوش مصنوعی قابل حل نبود. الگوریتم‌های با کد مشخص یا سیستم‌های قاعده‌مند برای چیزهایی مثل شناسایی تصویر یا استخراج معنی از متن کار نمی‌کرد.معلوم شد که راه‌حل صرفا تقلید رفتار انسان نیست؛ بلکه تقلید چگونگی یادگیری انسان‌ها است.به این فکر کنید که چگونه خواندن را یاد گرفتید. شما ننشستید و املاء و گرامر را قبلا از برداشتن اولین کتاب‌تان بیاموزید. شما کتاب‌های ساده خواندید؛ و با گذر زمان به کتاب‌های پیچیده‌تر فارغ‌التحصیل شدید. شما درحقیقت قواعد و استثنائات املا و گرامر را از طریق خواندن یاد گرفتید. به ‌عبارت دیگر، شما داده‌های زیادی را پردازش کردید و از آن آموختید.این دقیقا ایده‌ی اصلی پشت ماشین لرنینگ است. به یک الگوریتم مقدار زیادی داده بدهید و بگذارید که از چیزها سر در بیاورد. به یک الگوریتم داده‌های زیادی از  معاملات مالی بدهید، به آن بگویید که کدام‌یک از آن‌ها جعلی هستند و بگذارید که بفهمد چه چیزی نشان دهنده‌ی کلاه‌برداری است تا بتواند در آینده کلاه‌برداری را پیش‌بینی کند.هنگامی‌که این الگوریتم‌ها توسعه‌ بیابند، آن‌ها می‌توانند بسیاری از مسائل را حل کنند. اما برخی چیزها (مثل حرف زدن و شناسایی دست‌خط) که برای انسان‌ها آسان است، همچنان برای ماشین‌ها سخت است. با این حال، اگر ماشین لرنینگ درباره‌ی تقلید یادگیری انسان است، چرا کاملا مغز انسان را تفلید نکنیم؟ این ایده‌ی اصلی پشت شبکه‌های عصبی است.ایده‌ی استفاده از نورون‌های مصنوعی از قبل وجود داشته‌ است.و  شبکه‌های عصبی شبیه‌سازی شده در نرم‌افزار شروع به به‌کارگیری برای حل مشکلاتی خاص  شده اند. آن‌ها می‌توانند مسائل پیچیده‌ای را که الگوریتم‌های دیگر نمی‌توانند از عهده‌شان برآیند حل کنند.اما یادگیری ماشین همچنان بر روی مسائلی که بچه‌های دبستانی به راحتی از پسشان بر می‌آیند گیر می‌کند: چه تعداد سگ در این تصویر وجود دارد؟ یا آیا آن‌ها واقعا گرگ هستند؟ به آنجا برو و یک موز رسیده بیار. چه چیزی باعث شد تا این شخصیت داستان گریه کند؟معلوم شد که مشکل با مفهوم یادگیری ماشین نبود. یا حتی با ایده‌ی تقلید مغز انسان. مسئله اینجا بود که شبکه‌های عصبی با صدها یا حتی هزاران نورون که به طرز ساده‌ای به هم متصل شده بودند، نمی‌توانستند کار مغز انسان را تقلید کنند. مغز انسان نزدیک ۸۶میلیارد نورون دارد که به طرز پیچیده‌ای به هم متصل هستند.یادگیری عمیق چیست؟یادگیری عمیق درباره‌ی استفاده‌ی شبکه‌های عصبی از نورون‌ها، لایه‌ها و ارتباطات داخلی بیشتر است. ما هنوز با تقلید و شبیه‌سازی کامل مغز با تمام پیچیدگی‌هایش فاصله‌ی زیادی داریم و در یادگیری عمیق هم به دنبال این کار نیستیم. منظور از تقلید از مغز در کانتسکت یادگیری عمیق صرفا تقلید انتزاعی از مغز و شبکه‌های عصبی آن است و نه شبیه‌سازی کامل و بدون چون و چرای مغز؛به این معنی که از انتزاع نورون بعنوان واحد محاسباتی و شبکه‌ی‌ عصبی که شامل لایه‌های مختلف محاسبه برای تقسیم‌بندی مسئله به اجزا کوچک‌تر است استفاده می‌شود.هنگامیکه شما درباره‌ی پیشرفت‌ها در محاسبات می‌خوانید از خودروهای خودران گرفته تا ابرکامپیوترهای بازیکن تا تشخیص گفتار ؛ همه‌اش یادگیری عمیق است. شما شکلی از هوش مصنوعی را تجربه می‌کنید. پشت صحنه، آن هوش مصنوعی با شکلی از یادگیری عمیق قدرت گرفته است.بیایید به چند مسئله نگاه کنیم تا بیابیم که یادگیری عمیق چگونه با شکل‌های دیگر یادگیری ماشین متفاوت است.یادگیری عمیق چگونه کار می‌کند؟اگر من به شما تصاویری از اسب‌ها را نشان بدهم، شما آن‌ها را بعنوان اسب تشخیص خواهید داد. حتی اگر شما آن عکس را قبلا ندیده باشید. اهمیتی ندارد اگر آن اسب بر روی مبلی دراز کشیده باشد یا لباس کرگدن پوشیده باشد. شما می‌توانید یک اسب را شناسایی کنید؛ چون شما عناصر مختلفی را که یک اسب را تشکیل می‌دهد می‌شناسید: شکل سر، تعداد و نحوه‌ی جاگیری پاها و …دیپ لرنینگ می‌تواند این کار را بکند. و از این جهت برای بسیاری چیزها از قبیل وسایل نقلیه‌ی خودران اهمیت دارد. قبل از اینکه یک خودرو بتواند حرکت بعدی‌اش را تعیین کند، لازم است که بداند در اطرافش چه می‌گذرد. لازم است که افراد، دوچرخه‌ها و وسایل نقلیه‌ی دیگر ، تابلوهای رانندگی و دیگر چیزها را شناسایی کند. تکنیک‌های استاندارد ماشین لرنینگ نمی‌تواند این کار را انجام دهد.پردازش زبان طبیعی را در نظر بگیرید که امروز در چت‌بات‌ها و دستیار‌های صوتی گوشی‌های هوشمند مورد استفاده قرار می‌گیرند. جمله‌ی زیر را در نظر بگیرید و جای خالی را پر کنید.من در ایران متولد شدم؛ اگرچه بیشتر عمرم را در پرتقال و برزیل گذراندم، همچنان ……….. روان صحبت می‌کنم.احتمالا متوجه شدید که جواب جای خالی «فارسی» است. به این فکر کنید که چه شد که به جای تمام زبان‌ها و کلمات دنیا جواب «فارسی» شد.ابتدا لازم است بدانید که جای خالی یک زبان است. شما این کار را می‌توانید بکنید اگر «روان صحبت می‌کنم» را فهمیده باشید. برای اینکه «فارسی» انتخاب شود باید به ابتدای جمله بروید و پرتقال و برزیل را نادیده بگیرید. ترکیب «اگرچه» و «همچنان» این موضوع را واضح می‌کند که در مورد پرتقال و برزیل صحبت نمی‌کنیم. بنابراین فارسی جواب است.تصور کنید که چه چیزی در شبکه‌ی عصبی مغز شما در حال رخ دادن است. فکت‌هایی مانند «در ایران متولد شدم» و «اگرچه…همچنان» ورودی‌هایی به قسمت‌های دیگر مغزتان هستند.و این مفهوم به همین ترتیب به شبکه‌های عصبی عمیق بوسیله‌ی حلقه‌های بازخورد پیچیده انتقال می‌یابد.نتیجهامیدوارم که آن تعریف اولیه در ابتدای پست بیشتر قابل درک شده باشد. هوش مصنوعی به وسایلی که به یک ترتیب هوش انسانی را نمایش می‌دهند گفته می‌شود. تکنیک‌های بسیاری برای هوش مصنوعی وجود دارد؛ اما یک زیرمجموعه از لیست بزرگی از آنها ماشین لرنینگ نامیده می‌شوند – که این امکان را فراهم می‌کنند تا الگوریتم‌ها از داده‌ها بیاموزند. درنهایت یادگیری عمیق / دیپ لرنینگ زیرمجموعه‌ای از ماشین لرنینگ است که از شبکه‌های عصبی چندلایه برای حل کردن سخت‌ترین مسائل کامپیوترها استفاده می‌کند. میلاد یکله میلاد یکله Wed, 06 Mar 2019 13:18:37 +0330