https://virgool.io/feed/@mreza_momeni https://imt.college/ fa 2026-06-10 13:11:36 https://files.virgool.io/upload/users/820900/avatar/BwbhCY.jpg?height=120&width=120 https://virgool.io/@mreza_momeni https://virgool.io/college/%DB%8C%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B1%D9%88-%DB%8C%D8%A7%D8%AF-%D8%A8%DA%AF%DB%8C%D8%B1-%DB%8C%D8%A7-%D8%A8%DB%8C%D8%AE%DB%8C%D8%A7%D9%84-%D8%AA%DA%A9%D9%86%D9%88%D9%84%D9%88%DA%98%DB%8C-%D8%B4%D9%88-vr2fqwv1apaz یکم تایتل این بلاگ رو جدی و دستوری نوشتم :) میخوام صرفا تو این نوشته، اهمیت و دلیل یادگیری هوش مصنوعی رو باهاتون مرور کنم.هممون این روزا شدیدا درمورد مدل‌های بعضا عجیب و غریب هوش مصنوعی زیاد می‌شنویم. بخصوص ChatGPT که خیلی سرصدا به راه انداخت و ترس زیادی هم درون دنیا به وجود آورد. اما میخوام این رو بدونید که عمدتا این ترس در افرادی بود که اصلا از هوش مصنوعی اطلاعاتی ندارند و فکر میکنن هوش مصنوعی کار اونهارو ازشون میگیره و رسما باید دنبال شغل دیگه‌ای باشند. ولی این طرز فکر در کسایی که هوش مصنوعی رو بلدن اصلا بوجود نیومد! برخلاف کسایی که فکر میکنن ChatGPT یک دستاورد جدیده، متخصصین هوش مصنوعی چیز جدیدی در این مدل نمیبینن (مثل یان لیکون بزرگ). تنها نوآوری این مدل، ابعاد و مقیاس بزرگتر و استفاده از یک دیتابیس عظیم تری هست. وگرنه نوع مدل، شبکه‌های استفاده شده و متریال ریاضیاتی این مدل، از قبل وجود داشته. همچنین ترسی در بابت از بین رفتن مشاغل وجود نداره و صرفا رویکرد یکسری از مشاغل تغییر میکنه. برای مطالعه بیشتر در این باره پیشنهاد میکنم رفتار و نگرش مردم رو در زمان انقلاب صنعتی مطالعه کنید. مردم اون روزا شدیدا از ماشین‌ها و جریان اتوماسیون میترسیدن و فکر می‌کردن ماشین‌ها جاشون رو توی کار کردن میگیرن. ولی اینجوری نشد.میخوام اینو بهتون بگم!یکی از دلایلی که باید سعی کنید جریان هوش مصنوعی رو درون زندگی خودتون وارد کنید، همینه که در ادامه مسیر زندگیتون، دچار چنین ترس و اضطراب‌هایی نشید! چون این هوش مصنوعی‌ای که من دارم میبینم، تازه اول راهشه و حالا حالاها قراره با زندگیامون بازی کنه. کمپانی‌های بزرگ معمولا اولین اکوسیستم‌هایی هستن که جریانات جدید هوش مصنوعی رو ایجاد می‌کنن و رواج می‌دن. کم کم، نوبت به کمپانی‌های کوچکتر می‌رسه و تو کل جامعه اثرات هوش مصنوعی رو میبینیم. فعلا تو مرحله کمپانی‌های بزرگیم! ولی انقلاب هوش مصنوعی لزومی نداره مثل انقلاب صنعتی یک قرن طول بکشه. ممکنه خیلی زودتر این جریان به نتیجه عالی برسه. چون شرایط رشد علم در حال حاضر خیلی بهتر از چند قرن پیشه. پس من ترجیح میدم بخشی از این جریانی که هنوز خیلی ازش مونده بشم تا اینکه صبر کنم ببینم این جریان چه تاثیری تو زندگی من میذاره و من باید بعدش چیکار کنم. یکم فلسفی شد این جمله آخر ولی خب حقیقتش همینه.موضوع مهم دیگه‌ای که وجود داره اینه که مشاغل آینده، بخصوص اونایی که شامل اطلاعات مختلف میشن و یک دیتابیسی وجود داره و این اطلاعات رو ذخیره میکنه، در هر صورت با هوش مصنوعی باید هم‌قدم بشن. برای حفظ و بقای خودشون! چون بازار رقابتی‌ای در کسب و کارهای مختلف، حوزه‌های مهندسی، پزشکی و ... وجود داره که اگر یک چیز جدید و سودآوری در دنیا بوجود بیاد، هرکی اول بره سمتش برندس. طبیعتا اونیم که دیرتر به سمتش بره، بازندس! با این اوصاف، اگه خودت کسب و کاری داری، به فکر این باش کم کم هوش مصنوعی رو وارد کارت بکنی. قرار نیست هوش مصنوعی کلا رویه کارت رو تغییر بده، صرفا میخواد بهت کمک کنه تا بهتر و بهینه‌تر واسه کارت تصمیم بگیری. اگرم کسب و کاری نداری و صرفا میخوای خود هوش مصنوعی رو یاد بگیری، پس یاد بگیر و از این جریان عقب نیوفت. مطمئن باشید هوش مصنوعی تا ده‌ها سال آینده جزو 10 شغل برتر دنیا خواهد شد. همین ایران خودمون هم داره بستر خوبی واسش ایجاد میشه و بدون هیچ شکی بازار فوق‌العاده‎ای خواهد داشت. ولی خب همین الان خارج از کشور این بستر چیده شده و نفراتی که مشغول به کار هستن روز به روز درحال افزایشن.نتیجه؟نتیجه اینه که اگه هوش مصنوعی رو یاد بگیری، اگرم یه درصد یه شغلی جاش رو به یه شغل دیگه‌ای بخواد بده، اون تویی که میتونی شغل جدید رو تصاحب کنی. خیلی وقتا میشنوم که این حرفا یکم داخلش بی رحمی وجود داره و مردم گناه دارن و ...! دوست من! نه تو نه من نه هیچ کسی نمیتونه جلوی جریان رشد هوش مصنوعی رو بگیره. هوش مصنوعی عین یه قطار سریع السیر داره میتازه و میره جلو. پس بجای اینکه غصه بقیرو بخوری، سعی کن هوش مصنوعی رو یاد بگیری و نذاری به جاهای بد کشیده بشه. سعی کن با هوش مصنوعی خدمتهای زیادی بکنی تا اون قسمت تلخ ماجرا شامل یکسری راه حل بشه.من به عنوان بخش کوچکی از جامعه مهندسین شاغل در زمینه هوش مصنوعی، کسی که بیش از هزار دانشجو در این زمینه پرورش داده، بیش از 50 پروژه رو شخصا انجام داده و نزدیک به 100 پروژه رو منتورینگ کرده، چه ایرانی چه خارجی، به شما توصیه می‌کنم حداقل یک سال از زندگیتون رو برای آموزش دیدن هوش مصنوعی صرف کنید، مطمئن باشید نتیجه بی‌نظیری میگیرید و از خودتون برای این زمان گذاشتن تشکر میکنید. حداقل نتیجه این کار اینه که باقی عمرتون، از جریان رشد تکنولوژی لذت می‌برید و صرفا یک تماشاگر نخواهید بود. اما اگر به هر دلیلی تمایل به آموزش دیدن تخصصی در این زمینه ندارید، حداقل اخبار روز دنیا، مقالات روز دنیا رو مطالعه کنید. یه تایمی در روز اختصاص بدید به اینکه توی دنیا داره چه اتفاقی میوفته. این خوب نیست که صرفا نظاره گر باشیم و هیچ واکنشی نسبت به این موضوع نداشته باشیم. واکنش که هیچ، اینکه درکی هم نداشته باشیم، خیلی بد و سخته.امیدوارم روزی برسه که از جریان هوش مصنوعی لذت ببرید، ایده‌های جدید و خلاقانه خودتون رو ارائه کنید، اونارو تجاری سازی کنید و از رشد خودتون همراه با رشد تکنولوژی، حالشو ببرید.در غیر این صورت خیلی تکنولوژی رو جدی نگیرید و به سبک گذشته خودتون زندگی کنید.راستی اگه هر سوالی دارید، میتونید به پیج من سر بزنید و اونجا ازم سوالتون رو بپرسید. این آیدی رو توی اینستا سرچ کنید: mreza_momeniموفق و پیروز باشیدمحمدرضا مومنی محمدرضا مومنی محمدرضا مومنی Tue, 28 Mar 2023 16:01:53 +0330 https://virgool.io/college/%D9%85%D8%B3%DB%8C%D8%B1-%D8%AD%D8%B1%D9%81%D9%87-%D8%A7%DB%8C-%D8%B4%D8%AF%D9%86-%D8%AF%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-kwxdpfmgzhsm سلاماین روزا احتمالا خیلی درمورد هوش مصنوعی می‌شنوید. علمی که داره تو دنیا سرو صدای زیادی می‌کنه و هرکسی رو مجبور می‌کنه که حداقل یه مقاله درموردش بخونه. اما یکی از مهم‌ترین ناراحتی‌ها و دغدغه‌هایی که علاقه‌مندان به این زمینه در خود دارن، اینه که دقیقا چطوری می‌تونیم تو این زمینه به یک متخصص تبدیل بشیم تا اونا هم بتونن بخشی از ماجرای پیشرفت تکنولوژی در دنیا باشن.بخاطر همین سعی کردم یه مقاله خیلی کوتاه، مختصر و مفید درمورد نحوه متخصص شدن در زمینه هوش مصنوعی واستون بنویسم تا بتونید از این دغدغه فکری، راحت بشید.و اما مواردی که در این مطلب خواهیم دید:1-اصلا از هوش مصنوعی کجا استفاده می‌شه؟2- شاخه‌های هوش مصنوعی؟3- قبل از ورود به هوش مصنوعی باید چه چیزهایی رو یاد بگیریم؟4- خود مسیر یادگیری هوش مصنوعی رو چطور پیش ببریم؟5- در کنار هوش مصنوعی باید چه چیزهایی رو یاد بگیریم؟بریم سراغ این سوالات مهم و جوابشون رو ببینیم.1- اصلا از هوش مصنوعی کجا استفاده می‌شه؟شاید به جرات بتونم بهتون بگم که (هیچ زمینه‌ای وجود نداره که هوش مصنوعی اونجا پیاده نمیشه).یعنی به هرچیزی که فکر کنید، هوش مصنوعی اونجا میتونه یه نقش اساسی‌ای رو ایفا کنه. انواع رشته‌های مهندسی، پزشکی، کسب و کارهای مختلف، حقوق و رشته‌های انسانی مثل روان‌شناسی، حتی تربیت‌بدنی و ...همین موضوع که هوش مصنوعی قابلیت پیاده‌سازی تو هر زمینه‌ای رو داره، نشون میده که یادگیریش می‌تونه از (واجبات) باشه. البته واسه اونایی که بهش علاقه دارن و میخوان بخشی از ماجراجویی پیشرفت تکنولوژی باشن.2- شاخه‌های هوش مصنوعی؟برای کسی که میخواد وارد هوش مصنوعی بشه، باید این موضوع بسیار بسیار مهم رو بدونه که ما نمیتونیم همینجوری هوش مصنوعی رو یاد بگیریم. بلکه باید از یکی از زمینه‌هاش شروع کنیم و بعد تصمیم بگیریم که بریم سراغ زمینه‌های بعدیش. هوش مصنوعی، اقیانوسی از مطالب و علوم مختلفه که نمیشه همش رو یجا یاد گرفت. این موضوع رو دوستانی که تو هوش مصنوعی مشغول فعالیت هستند خیلی بهتر درک می‌کنند.و اما شاخه‌های هوش مصنوعی. قصد دارم خیلی ساده و مختصر فقط اسم ببرم، چون توضیح هرکدومش مفصله و ایشالا سعی می‌کنم تو مطالب دیگه‌ای اونارو واستون تعریف کنم.1- ماشین لرنینگ یا Machine learning (قلب هوش مصنوعی در دنیای امروز)2- دیپ لرنینگ یا Deep learning (زیرمجموعه ماشین لرنینگ)3- پردازش تصویر یا Image Processing4- پردازش متن و صدا یا NLP5- اینترنت اشیاء یا IOT6- متاورس یا Metaverse7- ساخت چیپ‌ست یا Chipset8- متا لرنینگ یا Meta learning ( از شاخه‌های محتمل آینده)و ...خیلی زیادن نه؟نگران نباشید. لازم نیست همرو باهم یاد بگیرید. تو ادامه مطلب درمورد همین موضوع میخوام توضیح بدم.3- قبل از ورود به هوش مصنوعی باید چه چیزهایی رو یاد بگیریم؟اما چنتا نکته مهم رو باید بدونید که قبل از ورود به هوش مصنوعی اونارو رعایت کنید.1- هوش مصنوعی بر بستر کدنویسی پیاده میشه و مهم‌ترین زبان برنامه نویسی در هوش مصنوعی، پایتون نام داره. پس سعی کنید پایتون رو یاد بگیرید.حالا چه چیزی از پایتون رو یاد بگیریم؟یاد بگیرید متغیر چیه، یاد بگیرید توابع چیا هستن، شرط و حلقه چیه، کلاس و وراثت چیه.اینا میشن مباحث عمومی پایتون که تو هر زمینه‌ای باید بلد باشیم.یسری مباحث مختص هوش مصنوعی هم هست، مثل کتابخانه‌های پرکاربرد این زمینه به اسم نامپای(Numpy)، پنداس(Pandas)، مت‌پلات‌لیب(Matplotlib) و ...اینام میشن یسری از مباحث تخصصی.مورد بعدی هم اسمش خیلی خوشگله. ریاضیات !!!نصف افرادی که اسم ریاضیات میاد، میترسن. متاسفانه حق هم دارن چون هرچی ریاضی یاد میگرفتن، رفته رفته سخت می‌شد و خیلی از کاربردهای ریاضی چیزی نمیفهمیدن. بخاطر همین دلسرد و بی حوصلگی نسبت به ریاضیات در مردم خیلی زیاده.ولی ریاضیات هوش مصنوعی داستانش فرق می‌کنه. راحت و ساده و کاربردی. یه جبر خطی و یه آمار احتمالات. واسه شروع همین کافیه! تازه نه اینکه بشینید فرمول حفظ کنید و ... نه! صرفا یه درک و کانسپت از این مفاهیم کفایت می‌کنه.و تمام. خیلی چیز خاصی نیاز نیست که شما از قبل بلد باشید. نیازی نیست که حتما تو رشته مهندسی کامپیوتر درس خونده باشید. حتی لازم نیست مهندس باشید! میتونید یه پزشک باشید یا حتی اصلا دانشگاه نرفته باشید. اینجوری خیالتون خیلی راحتتر میشه.بریم سراغ بحث بعدی4- خود مسیر یادگیری هوش مصنوعی رو چطور پیش ببریم؟مسیر یادگیری هوش مصنوعی در گذر زمان میتونه تغییر کنه. منم میخوام مسیر یادگیری هوش مصنوعی در تاریخ امروز رو بهتون یاد بدم و این مسیر احتمالا تا ده سال آینده تغییر خاصی نمیکنه. ماشین لرنینگ قلب هوش مصنوعی و مهم‌ترین شاخه هوش مصنوعی تلقی می‌شه. پیشنهاد من اینه که با ماشین لرنینگ شروع کنید. وقتی خواستید با ماشین لرنینگ شروع کنید با مفاهیمی مثل دیتاساینس و دانشمند دیتا روبرو میشید. با آغوش باز این مفاهیم رو یاد بگیرید. مسیر یادگیری ماشین لرنینگ توضیحش طولانیه و تو یک مطلب دیگه ریز به ریز توضیح میدم. بعد از ماشین لرنینگ حتما دیپ لرنینگ و شبکه‌های عصبی رو یاد بگیرید.بقیه زمینه ها چی؟نیازی نیست که حتما همشون رو یاد بگیرید. پروژه با پروژه، زمینه‌های هوش مصنوعی متفاوت می‌شن. همه این زمینه ها در یک پروژه خاص پیاده نمیشن و ممکنه شما برای یک پروژه کلا به 2 تا از این زمینه‌ها نیاز داشته باشید. ولی سعی کنید یه مطالعه کلی از این زمینه‌ها هم داشته باشید تا اگر نیاز شد بتونید سراغشون برید.5- در کنار هوش مصنوعی باید چه چیزهایی رو یاد بگیریم؟معمولا اگر به همین مباحث تسلط نسبی هم داشته باشید، کلی شغل و پروژه مناسب شما پیدا میشه. ولی زرنگا سعی میکنن یسری چیزای مرتبط هم یاد بگیرن که موقعیت های حتی بهتر هم پیدا بشه واسشون.مثل SQL!مباحثی که به پایگاه داده مربوط میشه خیلی میتونه کاربردی باشه.همین!دیگه بیشتر شاخ و برگ بیهوده نمیدم و خیلی خلاصه و مفید این مبحث رو به اتمام میرسونم.ممنون از وقتی که گذاشتید، امیدوارم که مفید بوده باشه واستون.محمدرضا مومنی محمدرضا مومنی محمدرضا مومنی Wed, 14 Dec 2022 21:47:04 +0330 https://virgool.io/college/%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D8%B4%D8%BA%D9%84%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%A7%DB%8C%D8%B1%D8%A7%D9%86-vlvxirluxarj یکی از چالش‌های اصلی این روزهای دنیای هوش مصنوعی، اینه که آیا در ایران، کار برای ما هم پیدا میشه؟خیلیا هستند که به این زمینه علاقه مند هستند ولی این ابهام، مانع از شروع به یادگیریشون شده.بخاطر همین، قصد داریم در این مقاله، یکبار برای همیشه این موضوع رو حل کنیم تا بتونید با اعتماد به نفس فوق‌العاده، شروع به آموزش کنید.در این مقاله چه خواهید آموخت؟1- چرا هوش مصنوعی را باید یاد بگیریم؟2- ایران به هوش مصنوعی بیشتر از هرجایی، نیازمند است!3- اقتصاد و هوش مصنوعی4- جبران فاصله از دنیا5- پروژه های فعلی در کشور1- چرا هوش مصنوعی را باید یاد بگیریم؟خیلی از افراد، فکر می‌کنند که تمام تکنولوژی‌های روز دنیا، متعلق به دنیای خارج از کشور هست و ما هیچ شانسی برای آموزش و کار کردن در این زمینه هارا نداریم. درحالی که به هیچ وجه این شکلی نیست و باید بدانیم که هوش مصنوعی و به صورت کل، تکنولوژی‌های جدید نیز در ایران پیاده و اجرا می‌شوند. به همین دلیل یادگیری این زمینه‌ها، برای کسانی که علاقه‌مند به مباحث هوش مصنوعی هستند، واجب و ضروری می‌باشد.چرا؟چون همین عدم قاطعیت و مبهم بودن کار، باعث شده خیلی‌ها به سمت هوش مصنوعی نروند و فضای کار برای خیلی از نفرات آماده و ضروریست. پس باید افراد شروع به آموزش دیدن کنند و اگر وارد این مسیر شوند، جزو معدود نفراتی می‌شوند که در این مسیر متخصص هستند و قطعا کارهای بسیاری برای آن‌ها وجود دارد.از طرفی، یکی از اصلی‌ترین راه‌های کسب درآمد، رفع مشکلات مردم، دغدغه مندی و بهتر کردن زندگی مردم، این است که در علوم جدید و نوین دنیا، شروع به یادگیری و آموزش کنند. درحال حاضر ماشین لرنینگ به عنوان یکی از زیرمجموعه‌های هوش مصنوعی، در دنیا درحال یکه تازی و همچنین به زودی در ایران، به یک شغل ترند و بی‌نظیر تبدیل می‌شود.پس هیچ بهونه‌ای برای دست دست کردن وجود نداره. همین الان تصمیم بگیر که شروع به یادگیری کنی.راستی اگر می‌خوای بدونی که برای آموزش ماشین لرنینگ باید چه مراحلی را طی کنید، در این مقاله مفصلا توضیح دادیم.2- ایران به هوش مصنوعی بیشتر از هرجایی، نیازمند است!کشور ایران، با وجود تحریم‌ها، فشارهای اقتصادی و سیاسی بسیار، مجبور است که خودکفا یکسری از مسائل را حل کند و نیازهای خود را رفع کند.یکی از مسائلی که به شدت در کشور دیده می‌شود و نیاز آن حس می‌شود، این است که ایران در مسائل هوشمند سازی، بسیار از نقاط مختلف دنیا، عقب است و باید این عقب افتادگی به نحوی جبران شود. پس باید خودمان دست به کار شویم. هم بستر بسیار خوبی برای این کار وجود دارد، هم اساتید خوبی داریم و هم استقبال خوبی از ایده‌ها و روش‌های هوشمندسازی به عمل می‌آید.3- اقتصاد و هوش مصنوعییکی از مواردی که در دنیای امروزه بسیار باعث شده که اقتصاد کشورها رشد کنه، هوش مصنوعی می‌باشد. نیاز هر کشوری این است که در مسائل مختلف بتواند به‌روز، آپدیت و در عرصه رقابت باشد. مهم‌ترین فضای رقابتی در صنعت این است که بتوانیم در فضای هوشمندسازی، حرف‌هایی برای گفتن داشته باشیم.پس از این زاویه، دیده می‌شود که یادگیری هوش‌ مصنوعی، کمک بسیاری به اقتصاد کشور می‌کند.4- جبران فاصله از دنیابه دلیل عدم همکاری و تعامل با دنیا، در خیلی از موارد درحال فاصله گرفتن و دور شدن از پیشرفت‌های روز دنیا هستیم که این اتفاق اصلا برای کشور خوب نیست. اما می‌توان در برخی از زمینه‌ها، این فاصله را جبران کرد و باعث شد که در عرصه رقابت هم‌چنان بمانیم. یکی از مهم‌ترین این مسائل، هوش مصنوعی هست که خداروشکر بستر بسیار خوبی در کشور داریم.5- پروژه‌های فعلی در کشوردر کشور دیده می‌شود که در زمینه های مختلف، پروژه های هوش مصنوعی در حال انجام و پیاده سازی می‌باشد.یکی از اصلی‌ترین حوزه‌های هوش مصنوعی، ماشین لرنینگ نام دارد که بشدت می‌تواند نیازهای کشور را رفع کند و برای علاقه‌مندان این مسیر، کسب درآمد کند.تمام این موارد برای این موضوع ذکر شد که دلیلی برای آموزش ندیدن خود نیاورید و سعی کنید اگر علاقه‌ای دارید، حتما پیگیر مطالب این حوزه باشید.برای کسب اطلاعات بیشتر و آموزش، به IMT مراجعه نمایید. محمدرضا مومنی محمدرضا مومنی Sun, 03 Oct 2021 18:44:55 +0330 https://virgool.io/college/%D8%B1%DB%8C%D8%A7%D8%B6%DB%8C%D8%A7%D8%AA-%D9%85%D9%88%D8%B1%D8%AF-%D9%86%DB%8C%D8%A7%D8%B2-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-r1vb7i1edonu در دنیای امروز، موضوع هوش مصنوعی و ماشین لرنینگ، به عنوان یکی از مهمترین، کاربردی ترین و ترندترین مباحث علمی شناخته میشه و یادگیری این علم، از واجبات هر انسان دغدغه مندی هست.اما یکی از نکاتی که همیشه باعث ترس در بین علاقه مندان هوش مصنوعی و ماشین لرنینگ میشه، شنیدن این موضوع هست که میگن، ماشین لرنینگ همش ریاضیه. فکر میکنن که این ریاضیات مباحث خیلی سنگین، پیچیده و سختی هست که نمیتونن از پسش بربیان. یاد دوران تحصیلات خودشون و مباحث سنگین مثل انتگرال های چندگانه، معادلات دیفرانسیل مرتبه دوم، سری فوریه، اعداد مختلط و ... اینا میوفتن.درحالی که اصلا این شکلی نیست و برعکس، ریاضیات کار بشدت ساده و قابل فهمه. در این زمینه شما نیاز ندارید که فرمول هارو یک به یک حفظ کنید یا یک به یک پیاده سازی کنید. بلکه صرفا یک درک، یک شهود عملی از ریاضیات کار کافیه.نکته ای که وجود داره اینه که ریاضیات، زبان اصلی طبیعته. یعنی برای بهتر درک کردن آنچه که در طبیعت رخ میده، بهتره که به کمک ریاضیات به این درک برسیم.از طرفی اکثر پروژه ها و مسائل ماشین لرنینگ، مربوط به دنیای اطرافمون و طبیعت هست، پس لازمه درک بهتر این پروژه‌ها درک زبان ریاضیاته.تو این مقاله، سعی بر این شده که با مهم‌ترین و کاربردی ترین مباحث ریاضیات شمارو آشنا کنیم.مباحث مهم و پرکاربرد ریاضیاتجبر خطی (Linear Algebra)یکی از اصلی‌ترین مباحثی که خیلی ازش استفاده میشه و باید به عنوان یک اصل و آیتم مهم اونو یاد بگیریم، جبر خطی هست. جبر خطی نشون دهنده رفتار دیتاها و روابط خطی بین آن‌هاست. به کمک این مبحث، شما میتونید جریان‌های موجود در دیتاها به اضافه تاثیر هر متغیر بر متغیر دیگری رو پیدا کنید. همچنین حتما در این مبحث، رفتارهای غیرخطی رو هم مطالعه کنید.ماتریس (Matrices)از مهم‌ترین ساختارهای ریاضیاتی دنیای ماشین لرنینگ و دیتاساینس، بحث ماتریس و آرایه‌ها هست. اصولا ما مفهوم ریاضیاتی دیتاهارو به زبان ماتریس ها تحلیل میکنیم. میدونیم که دیتاها، قلب تپنده هر پروژه ماشین لرنینگی هست و ما برای اینکه بتونیم پس از دسترسی به دیتاها، از اونها به خوبی استفاده کنیم، اونهارو در دیتافریم قرار میدیم که جنس سازه‌ای این دیتافریم‌ها به زبان ماتریس معرفی میشه. پس ما از ابتدایی ترین کار که مبحث دیتافریم سازی هست، از ماتریس ها استفاده میکنیم.محاسبات برداری (Vector Calculus)محاسبات برداری و عملیات هایی که مربوط به شناخت ریاضیات درون بردارها میشه، عملا با این مبحث از ریاضیات قابل فهمه و ما میتونیم بررسی کنیم که در یک مجموعه‌ای از داده‌ها، چه رفتاری وجود داره و بر اساس نوع رفتارهای مشاهده شده، تصمیم به انتخاب الگوریتم و فیت سازی مدل خود بگیریم.آمار و احتمالات و توزیع دیتاها (Probability and Distributions)یکی از مباحث بسیار مهم در دنیای ماشین لرنینگ، بحث احتمالات و توزیع دیتاها هست. گونه ای از دیتاها وجود دارند که لیبل یا برچسب ندارند و ما بر اساس توزیع و احتمال وقوع آنها قصد بررسی خروجی و پیش بینی یک مدل را داریم. در این مواقع، آمار و احتمالات و زیر شاخه های آن، خیلی به کمک مدلسازی میاد و به همین دلیل باید این مبحث رو به خوبی مطالعه کنیم.بهینه سازی (Optimization)یکی از مهمترین کارهایی که ماشین لرنینگ برای ما انجام میده، بحث بهینه سازی هست. در مبحث بهینه سازی، ما قصد داریم که با کمترین ورودی، به بهترین خروجی برسیم. پس دانش این موضوع و درک ریاضیاتی این آیتم، بسیار مهمه. یکی از مهمترین و پرکاربردترین مباحث بهینه سازی، بهینه سازی پیوسته (Continuous Optimization) هست. که حتما این موضوع رو به صورت جامع یاد بگیرید.رگرسیون خطی (Linear Regression)نوعی از دیتاها هستند که یک پیوستگی مشخصی بین پارامترهای مختلفش وجود داره. منظور از این پیوستگی، در ارتباط و دنبال هم رفتن دیتاها هست. یعنی متناسب با زمان، رفتار دیتاها نسبت به دیتای قبلی خودشون، وابستگی داره. در این مواقع، تابع رگرسیون، هم حالت خطی و هم حالت غیرخطی به خودش میگیره (اکثر مواقع غیرخطی) و برای این موضوع باید با ریاضیات این مبحث به خوبی آشناییت داشته باشیم.طبقه بندی یا دسته بندی (Classification)بر خلاف رگرسیون که میان داده ها، پیوستگی وجود دارد، در برخی از دیتاست ها، انواع داده ها در تعدادی دسته بندی مشخص قرار میگیرند. مثلا دیتاها یا زن هستند یا مرد. در این مواقع دیگر استفاده از مباحث رگرسیون پاسخگو نیست و باید از نوع دیگری از ریاضیات به اسم دسته بندی ها، استفاده شود.همانطور که مشاهده میکنید، ریاضیات موجود، ریاضیات قابل فهم و ساده ای هستند. پس به هیچ عنوان از ترس سخت بودن ریاضیات کار، یادگیری را پشت گوش نندازید.جهت مطالعه مطالب بیشتر به وبسایت و پیج اینستاگرام ما سر بزنید. محمدرضا مومنی محمدرضا مومنی Mon, 16 Aug 2021 20:41:02 +0430 https://virgool.io/college/%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-%D9%88-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D9%85%D8%A7%D9%84%DB%8C-koihplpvfepf Machine learning and Financeجمعه های IMTاین قسمت : ماشین لرنینگ و بازارهای مالیاین روزا صحبت از ماشین لرنینگ و کاربرد های مختلفش تو زندگیمون بسیار زیاد شده و ما میتونیم اثر این غوله هوش مصنوعی رو در تمام زمینه‌های زندگی ببینیم. یکی از مواردی که میشه از ماشین لرنینگ در آن به خوبی استفاده کرد، بازارهای مالی هست.حالا بریم ببینیم که چطوری میشه اینکارو کرد.ماشین لرنینگ و بازارهای مالی؟بله! بازارهای مالی و ماشین لرنینگ هم در کنار هم قابل تعامل هستند. یکی از مواردی که ماشین لرنینگ به خوبی میتونه برای ما انسان‌ها در زمینه‌های مختلف انجام بده، بحث پیش‌بینی کردن یا Predict کردن هست. حالا این پیش‌بینی کردن یعنی چی؟یعنی اینکه شما بر اساس دیتاهایی که از یک موضوع مشخص دارید، میتونید الگوریتمی بنویسید که بر اساس ریاضیات درون دیتاها، به یک مدلی برسید که برای شما آینده رو پیش بینی کنه.خب پس الان متوجه شدیم که به کمک هوش مصنوعی و فرزند ارشد این زمینه، ماشین لرنینگ، میتونیم آینده رو پیش‌بینی کنیم.چطوری آینده رو پیش‌بینی می‌کنیم؟اول از همه، نیاز داریم که به مجموعه‌ای از دیتاست مورد نیاز دسترسی پیدا کنیم. این دیتاست میتونه در زمینه بازارهای مختلفی باشه، مهم اینه که شما میخواید کدوم مارکت رو پیش‌بینی کنید. مثلا میخواید در بورس تهران اینکارو کنید؟! در دنیای ارزهای دیجیتال؟! فارکس؟! طلا؟! کدوم؟!مهم نیست که کدوم. مهم اینه که راهی پیدا کنید که دیتاست مورد نیازتون رو بدست بیارید.حالا که دیتاست مورد نیازتون رو بدست اوردید، در مرحله اول باید شروع کنید به پردازش دیتاهاتون.یه مثال میزنم که کاملا متوجه بشید که این پردازش چی هست اصلا.فرض کنید میخوایم پیش‌بینی کنیم که سهم (شپنا) در بازار بورس تهران، در شش ماه آینده چه قیمتی داره! برای اینکار باید اول از همه دیتای مربوط به سهم شپنا رو جمع آوری کنیم. این دیتا توسط سایت سازمان بورس قابل دسترسه (tsetmc.ir). این دیتا باید شامل چند فیچر محتلف باشه. فیچر چیه؟ هرچیز تاثیر گذار روی تارگت ما. تارگت چیه؟ اون چیزی که ما دنبالشیم. ما دنبال چی‌ هستیم؟ قیمت سهم شپنا در آینده. پس دنبال فیچرهای قیمت میگردیم. این فیچرها چی هستن؟ اطلاعات کندل‌ها مثلا تایم‌فریم روزانه (قیمت باز شدن، بسته شدن، بیشترین و کمترین هر کندل)، اطلاعات مربوط به خرید و فروش حقوقی‌ها، خریدهای سنگین حقیقی‌ها، حجم معاملات و ...حالا چرا بین این همه اطلاعات، این اطلاعات رو ذکر کردم؟چون این موارد جزو تاثیرگذار ترین موارد روی قیمت یک سهم هستند و ما میتونیم بگیم اگر این موارد رو به خوبی آنالیز کنیم، میتونیم بگیم که اوضاع یک سهم در چه حالی هست.بعد از اینکه این دیتاهارو جمع کردیم، نوبت به پاکسازی دیتاست میرسه. تو این پاکسازی، از تکنیک‌های پاکسازی دیتاست استفاده میکنیم، مثل شناسایی داده‌های بدون مقدار (Missing values).بعد از پاکسازی دیتاها، نوبت به مدلسازی ماشین لرنینگمون میرسه.چند الگوریتم وجود داره که میتونیم ازش استفاده کنیم برای اینکه آینده قیمت رو بررسی کنیم. اولین و اصلی‌ترینش، الگوریتم رگرسیون هست. با الگوریتم رگرسیون میتونیم از پیوستگی دیتاها استفاده کنیم تا مدلی فیت بر روی نمودار قیمت _ زمان ایجاد کنیم و بعد از اون، از امتداد این مدل فیت شده (منظور از امتداد، پیش‌بینی آینده هست) میتونیم ببینیم که قیمت به کجا میرسه. قیمت میره بالاتر یا پایینتر؟ ارزش سرمایه گذاری داره؟ من میتونم این سهم رو با ریسک خیلی کم خریداری کنم؟از دیگر الگوریتمای ماشین لرنینگ، میتونیم به شبکه عصبی و مارکو اشاره کنیم.پس از این تیپ کارا میشه کرد و حتی بهتر از تحلیل تکنیکال، میشه بررسی کرد که یک سهم بدرد خریدن میخوره یا نه.چرا گفتم تحلیل تکنیکال؟بریم تا با ادامه مطلب همراه باشیم.هوش مصنوعی، بهتر از تحلیل تکنیکال !؟با یک حقیقت تلخ ولی واقعی میخوام روبروتون کنم!تاحالا از خودتون پرسیدید که ابزارهای تحلیل تکنیکال از کجا اومدن؟ چرا ما چارت‌پترن داریم؟ فرمول‌های اندیکاتورها و اسیلاتورهارو کی نوشته و چرا؟اکثر تکنیکالیستا میگن که یک سری رفتارهایی در گذشته هر سهم وجود داشته که مثلا اگر الگوی مثلث زده میشه و وقتی از یک طرف شکسته میشه، با قدرت به همون سمت حرکت میکنه. یا نهایتا میاد یه پولبک میزنه و بعدش در جهت شکستگی حرکت میکنه. اما باز این سوال مطرح میشه، از کی این پترنا ایجاد شدن و چرا این شکلی واکنش میدن؟بذارید بهتون بگم که چارچوب فکری‌ای ساخته شده، تا تمام معامله‌گران بازارهای مالی رو درون اون چارچوب نگه داره تا وقتایی که خودشون میخوان! بتونن برخلاف تصورات یا در جهت تصورات، تصمیم گیری کنن. کیا؟ دستای پشت پرده.ریاضیات ابزارهای تکنیکال دارای یک معادله ثابت هستند که شما نهایتا میتونید در مقدار دهی آنها تغییر ایجاد کنید یا به اصطلاح، کالیبره کنید! اما تاحالا شده بتونید فرمول مووینگ اوریج‌هارو تغییر بدید؟ ساختار، ساختار ثابت و مشخصیه و شما صرفا یا میتونید نمایی کنید، یا وزنی و یا معمولیش کنید.اما ماشین لرنینگ و هوش مصنوعی دیگه هیچ چارچوبی نداره. اگر شما میگید تحلیل تکنیکال تمام اتفاقات گذشته را درون خود قرار داده یا به قول معروف (نمودار قیمت _ زمان، نمایش دهنده تمامی اتفاقات تاریخ است)، من میگم هوش مصنوعی و ماشین لرنینگ، نه تنها این اتفاقات رو میبینه، که متوجه میشه دستای پشت پرده، چه تصمیماتی میگیرن و خط حرکتشون رو متوجه میشه!!!و این دقیقا چیزیه که ما دنبالشیم. متوجه شدن حرکت نهنگ‌های بازار کریپتوکارنسی یا حقوقی‌های بازار بورس.این موضوع تنها دو راه حل داره. یک اینکه جزو خودشون باشی! (که اگر هستی دیگه ادامه این مقاله رو نخون بیا سیگنال بده :) )دو اینکه از هوش مصنوعی استفاده کنیم.پس قدرت ماشین لرنینگ کاملا مشخصه و به خوبی میتونه کمک کنه که قیمت‌هارو پیش‌بینی کنیم.از دیگر موارد استفاده کردن ماشین لرنینگ در بازارهای مالی، ساخت ربات‌های معامله گری هست که میشه به کمک آن‌ها، معاملات کوتاه مدتی داشت.در دنیای کریپتوکارنسی و بلاکچین‌ها، میتونیم در مرحله ماین کردن از ماشین لرنینگ استفاده کنیم تا انرژی مصرفی برای ماینرها، بهینه بشه.در شبکه بلاک‌چین میتونیم برای حفظ امنیت اطلاعات درون شبکه‌ای از ماشین لرنینگ استفاده کنیم.و کارهای دیگه...امیدوارم که این مقاله برای شما مفید بوده باشه.پر سود باشیداگر قصد شرکت در جمعه‌های IMT را دارید، حتما پیج اینستاگرام یا وبسایت مارو فالو کنید. محمدرضا مومنی محمدرضا مومنی Sun, 15 Aug 2021 23:56:46 +0430 https://virgool.io/college/%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-%D9%88-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-s0xa0qog1mq8 ماشین لرنینگ به عنوان یکی از بروزترین و نوین‌ترین علوم دنیا، امروزه در رشته‌های مختلفی درحال پیاده سازی و کمک کردن به بهتر شدن شرایط زندگی است.یکی از مهمترین زمینه‌هایی که ماشین لرنینگ در آن ایفای نقش میکند، دنیای پزشکی می‌باشد. تمامی فیلدها و زمینه‌های مختلف علوم پزشکی، تشکیل شده از دیتا می‌باشد و به همین دلیل خانه‌ی بسیار جذابی برای ماشین لرنینگ محسوب میشود. به کمک سیستم دیتابیس و دیتاسنترهای موجود و الگوریتم‌های ماشین لرنینگ، می‎توان مدل‌های بسیار خوبی در راستای اهداف مختلفی پیاده سازی کرد.طبیعتا یکی از مهم‌ترین اهدافی که در پزشکی وجود دارد، زمینه پیش‌بینی کردن بیماری‌ها و تشخیص‌های بسیار خاص و با اهمیت می‌باشد. مثل تشخیص سرطان و درمان آن!به بیان ساده اگر قرار باشد این موضوع بیان شود، میتوان به این صورت گفت که، فرض کنید بیماری به پزشکی بخاطر دردی که دارد، رجوع می‌کند. این بیمار به امید آن که بتواند بهترین تشخیص و بهترین درمان را که او را بزودی خوب کند، نزد پزشک میرود. پزشک نیز پس از دیدن بیمار خود، امیدوار است که بتواند بهترین تشخیص را دهد و بیمار خود را در فرآیند بهبودی قرار دهد. پس دغدغه‌ای کاملا مشترک این وسط وجود دارد.اما نکته‌ای که هست، این است که، گاهی اوقات پزشک‌ها دچار اشتباه در تجویز دارو و درمان می‌شوند، و یا اینکه دقیق نمی‌دانند که علت بیماری چیست و از چند درمان مختلف شروع به تجویز دارو می‌کنند. به این صورت که یک درمان اولیه را مدنظر میگیرند و به عنوان مثال می‌گویند که یک هفته این قرص ها را بخورید و بعدا بیاید پیش من تا ببینیم چی میشه. و این یک معضل هست که تقصیر پزشک‌های عزیزمان نیست و به دلیل عدم شناخت کافی از بیماری، این روش پیش گرفته می‌شود.یا برای موارد شکستگی و ترک خوردگی استخوان، با وجود عکس برداری‌های خوب، ممکن است در حین استفاده از عکس و دیدن آن، به خوبی راهی برای تشخیص نوع شکستگی یا محل ترک خوردگی وجود نداشته باشد و ممکن است شخصی با وجود شکستگی، به عنوان کسی که صرفا ضربه‌ای به استخوانش وارد شده است مرخص شود.حالا ماشین لرنینگ چه کمکی می‌کند؟ماشین لرنینگ در این موارد و زمینه پزشکی نقش ساخت یک ابر ذهن که درون آن، افکار هزاران پزشک قرار می‌گیرد و می‌تواند به بهترین شکل یک بیماری را پیش‌بینی کند را ایفا می‌کند.مدل‌های ماشین لرنینگ، تشکیل شده از مجموعه‌ای از دیتاهایی می‌باشد که در گذشته بر روی بیماران تست شده است و در حال حاضر جمع آوری شده و در دسترس می‌باشد. این دیتاها در هر فیلدی می‌تواند متفاوت باشد.به عنوان مثال در زمینه پرتو درمانی، این دیتاها از مقدماتی ترین موارد تا حساس‌ترین و مهم‌ترین دیتاها می‌تواند دسته بندی شود. دیتاهای مقدماتی مانند گروه خونی، جنسیت، سن، قد، وزن و ...  و دیتاهای حساس مانند سنجش قدرت بافت‌های بالا و پایین محل پرتودرمانی، زاویه پرتو، فاصله پرتو و ... می‌باشند. پس از داشتن این دیتاها و نتایج حاصل از درمان‌های گذشته بر روی بیماران، میتوان مدلسازی جدیدی داشت که در آن این دیتاهای مدلسازی را، به صورت ورودی از بیمار جدیدی گرفت و خروجی آن را به عنوان راه درمان لحاظ کرد.مدل سازی به چه شکلی می‌باشد؟پس از دریافت و جمع‌آوری دیتاها، نوبت به مدل‌ سازی می‌رسد. مدل سازی به این شکل می‌باشد که در ابتدای کار، باید دیتاست از هرگونه خطا و عیب و ایرادی پاکسازی شود، سپس پس از تمیز کردن دیتا الگوریتم مناسب دیتاها را انتخاب کرد. منظور از مناسب بودن الگوریتم نسبت به دیتا، این است که آیا دیتا برچسب یا تارگت دارد؟ به ازای هر ورودی آیا خروجی مربوطه وجود دارد؟ در صورت وجود می‌توان از الگوریتم‌های با ناظر یا Supervised learning استفاده کرد و در صورت عدم حضور، می‌توان از الگوریتم‌های بدون ناظر یا Unsupervised learning استفاده کرد. از جمله الگوریتم‌های با ناظر پرکاربرد، شامل الگوریتم رگرسیون و Svm (Support Vector Machine) و همچنین الگوریتم پرکاربرد در شاخه بدون ناظر، الگوریتم خوشه بندی یا Clustering نام دارد. الگوریتم دیگری که هم جزو با ناظر و هم بدون ناظر می‌باشد، شبکه عصبی نام دارد که پرکاربردترین روش برای مدل‌سازی در این فیلد می‌باشد.در مواقعی که پیچیدگی کار بشدت زیاد می‌شود، می‌توان از یادگیری عمیق یا Deep learning استفاده کرد.پس به این صورت می‌توان مدلسازی کرد.نوع دیگری از مدلسازی به کمک عکس می‌باشد. مدلسازی‌هایی که بر اساس پیکسل‌های تصاویر سی تی اسکن یا MRI یا موارد دیگر حاصل می‌شود. برای این کار به کمک پردازش تصویر یا Image processing می‌توان مدلسازی کرد و تشخیص‌های بسیار بهتری داد.چه زمینه‌هایی از پزشکی با ماشین لرنینگ قابل ارتقا و مدل‌سازی هست؟تقریبا میشه گفت تمامی زمینه‌های پزشکی قابلیت ترکیب با ماشین لرنینگ و یک خروجی خیلی خوب رو دارد. زمینه‌هایی مثل تشخیص سرطان، پرتو درمانی، فیزیک پزشکی، بیهوشی، تشخیص شکستگی و ... .به عنوان کسی که دغدغه این کار را بسیار ارزشمند می‌داند، به شما توصیه میکنم که حتما در این زمینه آموزش و مطالعات عمیقی داشته باشید تا بتوانید در کشور خود، پیاده سازی کنید و دردهای بزرگی از جامعه را رفع کنید.به امید روزی بدون بیماریموفق باشیدارتباط بیشتر https://redl.ink/IMT محمدرضا مومنی محمدرضا مومنی Tue, 10 Aug 2021 01:11:20 +0430