https://virgool.io/feed/@pourialornemati پژوهشگر حوزه هوش مصنوعی و یادگیری ماشین fa 2026-06-10 13:12:22 https://files.virgool.io/upload/users/1445670/avatar/bcRxVt.png?height=120&width=120 https://virgool.io/@pourialornemati https://virgool.io/@pourialornemati/%D8%AA%D9%84%D9%86%DA%AF%D8%B1%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B3%DB%8C%D9%86%D9%85%D8%A7%DB%8C-%D8%A8%D9%84%D8%A7%DA%A9-%D8%A8%D8%A7%D8%B3%D8%AA%D8%B1%DB%8C-mrugokjmjcxp مرد عنکبوتی راهی به خانه نیست در حالی با نظرات مثبت عموم مردم همراه شده است که با چنگ زدن به عنصر " نوستالژی " و قرار گرفتن در ظرف " علم " سعی در دوری از ماکسیمال بودن دارد تا خواسته های طرفدارانش را برآورده کند.قطعا دیدن آنتاگونیست ها و پروتاگونیست های قدیمی در فیلم بسیار جذاب خواهد بود و به قول جیک کول، نویسنده مجله اسلنت، سازندگان هیچ تلاشی برای پنهان کردن هدف اصلی خود نکردند. بلکه فقط می خواستند انتظارات طرفداران خود را برآورده کنند. بهترین ترکیبی از میراث سینمایی مرد عنکبوتی.این دنباله سرگرم کننده برعکس نسخه های سالهای اخیر در صورتی به موفقیت دست پیدا کرده است که تمامی فرم و محتوای خود را صرف درگیری مخاطب با فضای دراماتیک نوستالژیکش کرده است؛ گرچه فیلم در ژانر فیلم های ابر قهرمانی به یک نسخه خوب تبدیل می شود؛اما سوالی که پیش می آید این است:آیا " مرد عنکبوتی راهی به خانه نیست " می تواند بصورت مستقل از نسخه های قبلی، مخاطبانش را راضی نگه دارد؟ پوریا لرنعمتی پوریا لرنعمتی Tue, 25 Jan 2022 22:58:04 +0330 https://virgool.io/@pourialornemati/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%DA%A9%D9%88%DA%86%DA%A9-tinyml-f4c4hlfgdaib یادگیری ماشین کوچک یا به اختصار (TinyML) کوچک شده شبکه های یادگیری عمیق هستند که قابلیت اجرا بر روی یک میکروکنترلر را دارند.در واقع یادگیری ماشین کوچک، حوزه ای از تکنولوژی است که برد های الکترونیکی قابل کنترل کوچک را با یادگیری ماشین ترکیب می کند.مجموعه ای از سخت افزار و نرم افزار های تعریف شده ای که قادر به تجزیه و تحلیل داده ها در توان بسیار پایین (در محدوده میلی وات و کمتر ) هستند.برای ایجاد و توسعه یک پروژه TinyML به دانشی در مورد یادگیری ماشین و برنامه نویسی برد های کنترلی نیاز دارید.یک CPU معمولی بین 65 تا 85 وات و یک GPU معمولی بین 200 تا 500 وات برق مصرف می کند، در حالی که یک میکروکنترلر معمولی برق را در محدوده میلی وات یا میکرووات مصرف می کند.این معادل کاهش هزار برابری مصرف برق است!به دلیل مصرف انرژی کم، دستگاه‌های TinyML می‌توانند در حین اجرای برنامه‌های یادگیری ماشینی، هفته‌ها، ماه‌ها یا حتی سال‌ها با باتری کار کنند.از آنجایی که مدل‌های یادگیری ماشین انرژی زیادی برای پردازش مصرف می‌کنند، برای ایجاد مدل‌ها در دستگاه‌های حاوی باتری مناسب نیستند. اینجاست که از TinyML استفاده می شود. در TinyML، ما می توانیم مدل شبکه عصبی را در هر بردی با استفاده از انرژی کمتر از 1mW اجرا کنیم. این بدان معناست که دستگاهی که با باتری سکه ای تغذیه می شود یک سال دوام می آورد. در نتیجه، دستگاه به اندازه کافی کوچک است و می تواند در هر تنظیماتی قرار بگیرد و برای مدت طولانی بدون نیاز به دخالت مستقیم انسانی کار کند.منبع اعداد ذکر شده: circuitdigest.com پوریا لرنعمتی پوریا لرنعمتی Sat, 08 Jan 2022 19:42:15 +0330