https://virgool.io/feed/@shadafrough کسب و کار، بازاریابی و فروش کمی برنامه نویس و توسعه دهنده نرم افزار fa 2026-07-01 00:05:34 https://files.virgool.io/upload/users/3015/avatar/BD4uAJ.png?height=120&width=120 https://virgool.io/@shadafrough https://virgool.io/@shadafrough/%DA%86%D8%B1%D8%A7-%D8%B3%D8%A7%DB%8C%D8%AA-%D8%A8%D8%A7-%D9%88%D8%AC%D9%88%D8%AF-%D8%B3%D8%A6%D9%88%DB%8C-%D8%AE%D9%88%D8%A8-%D8%B1%D8%AA%D8%A8%D9%87-%D8%A8%D8%A7%D9%84%D8%A7%DB%8C%DB%8C-%D9%86%D8%AF%D8%A7%D8%B1%D8%AF-awhftxfhnaru سئو یا بهینه سازی موتور جستجو یکی از مهم ترین عوامل موفقیت یک وب سایت است. سئو به شما کمک می کند تا سایت خود را برای موتورهای جستجو بهینه کنید تا در نتایج جستجو رتبه بالاتری کسب کنید. با این حال، حتی اگر سئوی سایت خود را به خوبی انجام دهید، ممکن است رتبه بالایی کسب نکنید. در اینجا چند دلیل رایج برای این امر آورده شده است:رقابت زیاداگر سایت شما در یک زمینه رقابتی قرار دارد، حتی با بهترین سئو هم ممکن است رتبه بالایی کسب نکند. در این صورت، باید از استراتژی های سئوی پیشرفته تری برای رقابت با سایر سایت ها استفاده کنید. به عنوان مثال، می توانید بر کلمات کلیدی طولانی تر تمرکز کنید، محتوای با کیفیت و مرتبط تولید کنید، و برای سایت خود بک لینک های با کیفیت ایجاد کنید.تغییرات الگوریتم های گوگلگوگل دائماً الگوریتم های خود را برای بهبود نتایج جستجو به روز می کند. اگر سایت شما به تغییرات جدید الگوریتم ها سازگار نباشد، ممکن است رتبه آن کاهش یابد. برای اینکه از تغییرات جدید الگوریتم های گوگل مطلع باشید، می توانید از منابعی مانند وب سایت گوگل سرچ کنسول استفاده کنید.کیفیت محتوامحتوای با کیفیت یکی از مهمترین عوامل سئو است. اگر محتوای سایت شما از نظر کیفیت پایین باشد، حتی با بهترین سئو هم ممکن است رتبه بالایی کسب نکند. محتوای با کیفیت باید مرتبط، مفید و جذاب باشد. همچنین باید از کلمات کلیدی مورد نظر شما به طور طبیعی استفاده کند.سرعت سایتسرعت سایت یکی دیگر از عوامل مهم سئو است. اگر سایت شما کند باشد، ممکن است کاربران آن را ترک کنند و این امر می تواند تأثیر منفی بر رتبه سایت شما داشته باشد. برای بهبود سرعت سایت خود، می توانید از ابزارهایی مانند GTmetrix یا PageSpeed Insights استفاده کنید.لینک سازیلینک سازی یکی از عوامل مهم سئو است. لینک ها به موتورهای جستجو کمک می کنند تا کیفیت و اعتبار سایت شما را ارزیابی کنند. اگر سایت شما از لینک های با کیفیت برخوردار نباشد، ممکن است رتبه بالایی کسب نکند. برای ایجاد بک لینک های با کیفیت، می توانید از استراتژی هایی مانند تولید محتوای با کیفیت، همکاری با سایر سایت ها و شرکت در انجمن ها استفاده کنید.چگونه می توانم بررسی کنم که آیا سایت من با وجود سئوی خوب رتبه بالایی ندارد؟برای بررسی اینکه آیا سایت شما با وجود سئوی خوب رتبه بالایی ندارد، می توانید از ابزارهای سئو مانند SEMrush یا Ahrefs استفاده کنید. این ابزارها می توانند به شما کمک کنند تا مشکلات سئوی سایت خود را شناسایی کنید.چگونه می توانم رتبه سایت خود را با وجود سئوی خوب بهبود بخشم؟در اینجا چند نکته برای بهبود رتبه سایت با وجود سئوی خوب آورده شده است:تمرکز بر کلمات کلیدی طولانی تر: کلمات کلیدی طولانی تر معمولاً رقابت کمتری دارند و رتبه بندی آنها آسان تر است.استفاده از محتوای تصویری و ویدیویی: محتوای تصویری و ویدیویی می تواند به بهبود رتبه سایت شما کمک کند.ایجاد محتوای با کیفیت و مرتبط: محتوای با کیفیت و مرتبط یکی از مهمترین عوامل سئو است.بهینه سازی سایت برای موبایل: امروزه بیشتر جستجوها از طریق موبایل انجام می شود. بنابراین، مهم است که سایت شما برای موبایل بهینه باشد.ساخت بک لینک های با کیفیت: لینک سازی یکی از عوامل مهم سئو است. بنابراین، مهم است که از لینک های با کیفیت استفاده کنید.با پیروی از این نکات، می توانید رتبه سایت خود را بهبود ببخشید و بازدیدکنندگان بیشتری را جذب کنید. ابراهیم شادافروغ ابراهیم شادافروغ Sat, 23 Dec 2023 17:26:39 +0330 https://virgool.io/@shadafrough/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D8%A7-%D9%85%D8%B4%D8%AA%D8%B1%DB%8C-%D9%86%D8%A7%D8%B1%D8%A7%D8%B6%DB%8C-%D8%B5%D8%AD%D8%A8%D8%AA-%DA%A9%D9%86%DB%8C%D9%85-yxhcka0qnkco برخورد با مشتری ناراضی می‌تواند در بسیار از موارد چالش‌برانگیز باشد، اما با رعایت چند نکته می‌توان این کار را به نحوی انجام داد که رضایت مشتری را جلب کرده و تجربه او را بهبود بخشید.گام اول: آرامش خود را حفظ کنیدمهم‌ترین نکته در برخورد با مشتری ناراضی، حفظ آرامش است. اگر شما عصبانی یا ناراحت شوید، مشتری نیز بیشتر عصبانی می‌شود و حل مشکل دشوارتر می‌شود. سعی کنید نفس عمیق بکشید و بر روی مسئله متمرکز شوید.گام دوم: ناراحتی مشتری را تصدیق کنیداولین کاری که باید انجام دهید، این است که ناراحتی مشتری را تصدیق کنید. این کار به او نشان می‌دهد که شما مشکل او را جدی می‌گیرید و می‌خواهید به او کمک کنید. می‌توانید با جملاتی مانند «می‌فهمم که از این موضوع ناراحت هستید» یا «ناراحتی شما را درک می‌کنم» ناراحتی مشتری را تصدیق کنید.گام سوم: مشکل را درک کنیددر مرحله بعدی، باید سعی کنید مشکل را درک کنید. از مشتری بپرسید که چه اتفاقی افتاده است و چرا ناراضی است. به حرف‌های او با دقت گوش دهید و سعی کنید همه جوانب مسئله را درک کنید.گام چهارم: راه‌حلی ارائه دهیدپس از اینکه مشکل را درک کردید، باید راه‌حلی برای آن ارائه دهید. این راه‌حل باید منطقی و عملی باشد و رضایت مشتری را جلب کند. ممکن است لازم باشد که تخفیف یا جبران خسارت به مشتری بدهید.گام پنجم: پیگیری کنیدپس از اینکه مشکل را حل کردید، حتماً از مشتری پیگیری کنید تا مطمئن شوید که مشکل او به طور کامل حل شده است. این کار نشان می‌دهد که شما به رضایت مشتری اهمیت می‌دهید.در اینجا چند نکته اضافی برای برخورد با مشتری ناراضی آورده شده است:از زبان بدن مثبت استفاده کنید.با مشتری با احترام رفتار کنید.از کلمات و جملات مثبت استفاده کنید.مسئولیت مشکل را بپذیرید.به مشتری قول دهید که مشکل او را حل خواهید کرد.گام ششم: از مشتری تشکر کنیددر پایان، حتماً از مشتری تشکر کنید. این کار نشان می‌دهد که شما از وقت و تلاش او قدردانی می‌کنید.گام هفتم: از مشتری بازخورد بگیریددر صورت امکان، از مشتری بازخورد بگیرید. این کار به شما کمک می‌کند تا در آینده از بروز مشکلات مشابه جلوگیری کنید.در اینجا چند مثال از نحوه برخورد با مشتری ناراضی آورده شده است:مشتری: «من از این محصول خیلی ناامید شدم. اصلاً کار نمی‌کند.»کارمند: «می‌فهمم که از این موضوع ناراحت هستید. ناراحتی شما را درک می‌کنم.»مشتری: «من پولم را پس می‌خواهم.»کارمند: «من کاملاً با شما موافقم. این محصول انتظارات شما را برآورده نکرده است. من به شما کمک می‌کنم تا پول خود را پس بگیرید.»نکات مهمهمیشه سعی کنید آرامش خود را حفظ کنید. اگر عصبانی یا ناراحت شوید، مشتری نیز بیشتر عصبانی می‌شود و حل مشکل دشوارتر می‌شود.ناراحتی مشتری را تصدیق کنید. این کار به او نشان می‌دهد که شما مشکل او را جدی می‌گیرید و می‌خواهید به او کمک کنید.پشت سر مشتری را نگیرید. حتی اگر مشتری اشتباه کرده باشد، سعی کنید با احترام با او رفتار کنید.مسئولیت مشکل را بپذیرید. حتی اگر خودتان مقصر مشکل نیستید، با پذیرفتن مسئولیت مشکل، نشان می‌دهید که به مشتری اهمیت می‌دهید.به مشتری قول دهید که مشکل او را حل خواهید کرد. این کار به او اطمینان می‌دهد که شما به دنبال راه‌حلی برای مشکل او هستید.با رعایت این نکات می‌توانید با مشتری ناراضی به نحوی برخورد کنید که رضایت او را جلب کرده و تجربه او را بهبود بخشید. ابراهیم شادافروغ ابراهیم شادافروغ Sat, 23 Dec 2023 17:08:52 +0330 https://virgool.io/@shadafrough/5-%D8%AF%D9%84%DB%8C%D9%84-%D9%88%D8%A7%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D9%86%D8%A7%D9%82%D8%B5-%DA%A9%D8%A7%D8%B1%D9%87%D8%A7-hrelydnvppbu خیلی با این موضوع برخورد میکنیم و خیلی در محیط کار خودون و یا حتی خودمون این مشکل رو داریم که کار رو به دیگران منتقل نمیکنیم این مطلب رو در این باره نوشتم و که شاید براتون جالب باشه.واگذاری ناقص کارها زمانی اتفاق می‌افتد که فرد واگذارکننده، مسئولیت کامل کار را به فرد واگذارشونده منتقل نمی‌کند. این امر می‌تواند منجر به مشکلاتی از جمله کاهش بهره‌وری، افزایش استرس و نارضایتی کارکنان، و کاهش کیفیت کار شود.در اینجا پنج دلیل اصلی واگذاری ناقص کارها آورده شده است:عدم اعتماد به کارکنانیکی از دلایل اصلی واگذاری ناقص کارها، عدم اعتماد به کارکنان است. مدیرانی که به کارکنان خود اعتماد ندارند، ممکن است از واگذاری کامل مسئولیت کارها به آنها اجتناب کنند. این امر می‌تواند ناشی از تجربه‌های منفی گذشته با کارکنان، یا عدم شناخت کافی از مهارت‌ها و توانایی‌های آنها باشد.عدم آموزش و راهنمایی کافییکی دیگر از دلایل واگذاری ناقص کارها، عدم آموزش و راهنمایی کافی به کارکنان است. مدیرانی که به کارکنان خود آموزش و راهنمایی کافی نمی‌دهند، انتظار دارند که آنها به سرعت و بدون کمک، کارها را به‌درستی انجام دهند. این امر می‌تواند منجر به سردرگمی، اشتباهات و نارضایتی کارکنان شود.عدم تعیین انتظارات واضحیکی دیگر از دلایل واگذاری ناقص کارها، عدم تعیین انتظارات واضح است. مدیرانی که انتظارات خود را از کارکنان به‌طور واضح بیان نمی‌کنند، نمی‌توانند عملکرد آنها را به‌طور موثر ارزیابی کنند. این امر می‌تواند منجر به سوءتفاهم و نارضایتی کارکنان شود.ترس از از دست دادن کنترلبرخی از مدیران از واگذاری کامل مسئولیت کارها به دیگران می‌ترسند زیرا معتقدند که کنترل خود را از دست خواهند داد. این امر می‌تواند ناشی از نیاز به احساس قدرت و کنترل، یا عدم اعتماد به توانایی‌های خود برای مدیریت کارکنان باشد.عدم وجود فرهنگ واگذاری در سازماندر برخی از سازمان‌ها، فرهنگ واگذاری به خوبی جا نیفتاده است. در این سازمان‌ها، کارکنان انتظار ندارند که مسئولیت کارها به آنها واگذار شود. این امر می‌تواند منجر به مقاومت کارکنان در برابر واگذاری شود.برای جلوگیری از واگذاری ناقص کارها، مدیران باید به دلایل آن توجه داشته باشند و اقدامات لازم را برای رفع آنها انجام دهند. این اقدامات می‌تواند شامل موارد زیر باشد:افزایش اعتماد به کارکنانآموزش و راهنمایی کافی به کارکنانتعیین انتظارات واضحغلبه بر ترس از از دست دادن کنترلایجاد فرهنگ واگذاری در سازمانواگذاری صحیح کارها می‌تواند مزایای زیادی برای سازمان داشته باشد. این مزایا عبارتند از:افزایش بهره‌وریکاهش استرس و نارضایتی کارکنانبهبود کیفیت کارآزاد شدن زمان مدیران برای انجام کارهای استراتژیک ابراهیم شادافروغ ابراهیم شادافروغ Sat, 23 Dec 2023 17:00:00 +0330 https://virgool.io/@shadafrough/%D8%AA%D9%81%D8%A7%D9%88%D8%AA-%D8%A8%DB%8C%D9%86-listsort-%D9%88-sorted-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%DA%86%DB%8C%D8%B3%D8%AA-zollwje5tyfv پایتون دو راه برای مرتب‌سازی فهرست ارائه می‌کند، متد لیست داخلی ()list.sort و تابع داخلی sorted(). اگرچه هر دو عناصر یک لیست را مرتب می کنند، اما در صورت استفاده نادرست می توانند نتایج غیرمنتظره یا نامطلوب ایجاد کنند.تفاوت ها و شباهت هاتفاوت اصلی بین این دو این است که list.sort() لیست را در جای خود مرتب می‌کند، ایندکس‌های آن را تغییر می‌دهد و None را برمی‌گرداند، در حالی که sorted () لیست مرتب‌شده جدیدی را برمی‌گرداند که لیست اصلی را بدون تغییر می‌گذارد. تفاوت دیگر این است که sorted() هر تکراری را می پذیرد در حالی که list.sort() متدی از کلاس list است و فقط می تواند با لیست ها استفاده شود.هم list.sort() و هم sorted() کلید یکسانی دارند و آرگومان‌های اختیاری معکوس دارند و می‌توان آنها را قبل از انجام مقایسه در هر عنصر لیست فراخوانی کرد.زمان استفاده از هر کدامباید list.sort() هر زمان که جهش در لیست مورد نظر باشد و بازیابی ترتیب اصلی عناصر مورد نظر نباشد، استفاده شود. از سوی دیگر، sorted() باید زمانی استفاده شود که شیء مرتب‌سازی شده تکرارپذیر باشد (مثلاً list, tuple, dictionary, string) و نتیجه مورد نظر یک لیست مرتب شده است که شامل همه عناصر است. ابراهیم شادافروغ ابراهیم شادافروغ Sat, 07 May 2022 09:32:46 +0430 https://dataio.ir/آشنایی-با-یادگیری-ماشین-با-نظارت-و-کاربردهای-آن-dhmdwgzqqoxu همانطور که در مقاله “یادگیری ماشین چیست و چه کاربردهایی در زندگی ما دارد؟“ اشاره کردیم، ماشین لرنینگ علمی است که یک ماشین یا سیستم را قادر می سازد تا به کمک تجربه و تکرار و بدون کدنویسی و استفاده از دستورات شرطی، مطالب مختلف را یاد بگیرند. همچنین آموختیم که علم ماشین لرنینگ شامل سه گروه اصلی یادگیری ماشین با نظارت، یادگیری بدون نظارت و یادگیری نیمه نظارتی می شود.در این مقاله قصد داریم به طور دقیق تر به مبحث یادگیری با نظارت بپردازیم و ضمن آشنایی با آن، با برخی از کاربردهای این روش آشنا شویم.یادگیری با نظارت چیست؟یادگیری ماشین با نظارت، Supervised learning یا یادگیری نظارت شده، یکی از زیرمجموعه های یادگیری ماشین است که بر اساس مجموعه داده های ورودی و خروجی، سیستم را برای یادگیری یک موضوع آماده می کند. متخصصا ن ماشین لرنینگ، معمولا برای آموزش نظارت شده به ماشین از دو دسته داده به نام های داده های آموزشی و داده های تست استفاده می کنند.فاز اول Supervised learning، استفاده از داده آموزشیدر یادگیری ماشین با نظارت برای آموزش به سیستم از داده ها و اطلاعاتی استفاده می شود که پاسخ آن ها برای سیستم مشخص است. مثلا اگر سیستم برای تشخیص اشکال مربعی شکل طراحی شده باشد، مجموعه داده، شامل اشکال مربع، مثلث، دایره، لوزی و… است که مربع بودن یا نبودن هرکدام از این داده ها با برچسب (label) های 0 و 1 مشخص می شود. بدین ترتیب پس از ورود هر داده (در اینجا شکل هندسی) به سیستم و مشاهده برچسب آن، ماشین متوجه می شود که شکل مورد نظر مربع است (برچسب 1) یا مربع نیست (برچسب 0).ماشین با دریافت تعداد زیادی تصویر از اشکال هندسی مختلف، به صورت خودکار برای خود تابعی تشکیل می دهد که به کمک آن بتواند شکل مربع را تشخیص دهد. در این زمان آموزش تکمیل شده است.فاز دوم، تست سیستمپس از اینکه آموزش به ماشین به اتمام رسید، نوبت به امتحان گرفتن و تست سیستم است. در این مرحله محققان مجموعه داده ای تهیه می کنند که برچسب داده های آن مشخص است. اما تنها داده ها را (بدون برچسب هایشان) وارد سیستم می کنند تا بسنجند که سیستم تا چه حد قادر به ارائه خروجی صحیح است.در همین مثال اشکال هندسی، وقتی چندین شکل مختلف و بدون برچسب در اختیار سیستم قرار داده شد، ماشین بر اساس آموخته های قبلی خود اشکال را در دو گروه مربع و غیر مربع قرار می دهد. سپس طراحان سیستم با توجه به برچسب هایی که در اختیار دارند، نتیجه کار ماشین را می سنجند.فاز سوم، سنجشسنجش عملکرد در یادگیری ماشین با نظارت امر مهمی است. زیرا در صورتی که ماشین تمامی اشکال را بدون کوچکترین خطایی دسته بندی کرده باشد، ممکن است اشکال بزرگی به نام Overfitting بوجود آمده باشد و به اصطلاح سیستم به جای یادگیری، داده ها را حفظ کرده باشد. در مورد این مشکل در مطالب آتی صحبت خواهیم کرد.حالت دوم این است که سیستم خطای قابل توجهی داشته باشد. در این حالت مجددا باید به آموزش ادامه داد. در روش هایی مثل استفاده از شبکه های عصبی، ممکن است با تغییر تعداد لایه ها یادگیری بهبود یابد.اما در صورتی که سیستم به مقدار منطقی خطا داشت و پاسخ های نسبتا منطقی ومعقولی ارائه نمود، می توان از آن برای اجرای هدف اصلی بهره برداری نمود.توجهتشخیص شکل مربع تنها یک مثال است و همین مساله در مورد مسائل بسیار پیچیده تر مثل پیشبینی وضعیت بورس یا پرواز هواپیما در شرایط جوی مختلف نیز قابل پیاده سازی می باشد. یادگیری ماشین با نظارت درست مانند کودک انسان که پس از مشاهده چند نوع لیوان، قادر به تشخیص هر نوع لیوانی در هر رنگ، جنس یا اندازه ای خواهد بود، عمل می کند.همچنین هر سیستم براساس مساله خاصی طراحی می شود و ممکن است داده ها را به دو یا چند دسته تقسیم کند. در مثال فوق اگر آموزش به نحوی دیگر بود، سیستم می توانست اشکال را در گروه های مربع، مثلث، دایره و… قرار دهد.یادگیری ماشین با نظارت چه کاربردهایی دارد؟از Supervised learning در مسائل مختلفی چون فیلتر اسپم ها، تشخیص سرطان، تشخیص تقلب و… استفاده می شود.معایب یادگیری نظارت شدهبزرگترین ایراد یادگیری ماشین با نظار آن است که داده های جمع آوری شده دارای برچسب نیستند.در نتیجه یک یا چند نیروی انسانی باید یا صرف روزها و یا ماه ها وقت، مجموعه داده ها را برچسب گذاری نمایند. این مساله علاوه بر وقت گیر و هزینه بر بودن، خطای انسانی را نیز در پی خواهد داشت.منبع ابراهیم شادافروغ ابراهیم شادافروغ Tue, 23 Jun 2020 09:32:32 +0430 https://virgool.io/@shadafrough/%D8%A2%DB%8C%D8%A7-%D8%A8%DB%8C%D9%86%D8%A7%DB%8C%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%88-%D9%BE%D8%B1%D8%AF%D8%A7%D8%B2%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%D8%A8%D8%A7-%DB%8C%DA%A9%D8%AF%DB%8C%DA%AF%D8%B1-%D8%AA%D9%81%D8%A7%D9%88%D8%AA-%D8%AF%D8%A7%D8%B1%D9%86%D8%AF-ntgerj50qvgi اغلب علاقه مندان به حوزه هوش مصنوعی و رباتیک، کم و بیش با مفاهیمی نظیر پردازش تصویر و بینایی ماشین آشنا هستند و می دانند که از طریق این علوم یک ماشین (یک ماشین می تواند به شکل یک ربات، یک سیستم کامپیوتری و… باشد) توانایی مشاهده تصاویر، ثبت و درک آن ها را به دست خواهد آورد.اما بسیاری از تازه واردان دنیای هوش مصنوعی به اشتباه این دو علم را یکسان می دانند و از کاربردها و تفاوت های ماشین ویژن و پردازش تصویر بی اطلاع هستند. به همین علت تصمیم گرفتیم در این مقاله به زبان ساده، تفاوت های این دو علم را توضیح دهیم.با پردازش تصویر آشنا شویدپردازش تصویر که با نام Image Processing نیز شناخته می شود، یکی از شاخه های بسیار پرکاربرد در هوش مصنوعی است. این علم یک ماشین را قادر می سازد که با اعمال فیلترهایی روی تصاویر دیجیتالی که به سیستم داده شده است، وضوح آن ها را افزایش دهد، آن ها را محو کند، لبه های موجود در تصاویر را نمایان تر کند، به فشرده سازی تصاویر کمک کند، عکس ها را کد گذاری نماید و حتی یک شی یا ویژگی خاص را در تصاویر مختلف شناسایی کند!برای پردازش تصاویر، بر خلاف تکنیک های بینایی ماشین ، ماشین الزاما نیازی به دوربین ندارد و می تواند تصاویر ورودی را از طریق اسکنر یا هر شیوه دیگری نیز به دست آورد.کاربردهای پردازش تصویرپردازش تصویر دارای کاربردهای بسیار زیادی است. برای مثال:ترمیم عکس های قدیمیروتوش تصاویرتشخیص بیماری ها در پزشکیتحلیل عکس های ماهواره ای برای تشخیص آب و هوانقشه کشیشهر سازیسینما و ایجاد جلوه های ویژهباستان شناسی و ترمیم تصاویر و نوشته های مخدوش شدهو…ماشین ویژن چیست؟بینایی ماشین، ماشین ویژن یا Machine vision علمی است که برای تفسیر اشیا و عوامل موجود در جهان که به صورت سه بعدی پیرامون ماشین قرار گرفته است، به کار می رود. در حقیقت ماشین ویژن از پردازش تصویر به عنوان ابزاری استفاده می کند که با کمک آن و البته با بهره گیری از دوربین های نصب شده روی ماشین، می تواند به شناخت کامل و دقیقی از محیط بپردازد.برای ایجاد توانایی دیدن در یک ماشین، از دوربین ها و حسگرهایی استفاده می شود که قادر به دریافت سیگنال های الکترونیکی و تشکیل دادن یک تصویر قابل قبول، براساس این سیگنال ها هستند.چگونگی عملکرد بینایی ماشینهمانطور که پیش تر اشاره کردیم، ماشین ویژن برای تفسیر اطلاعات به دست آمده، از ابزار پردازش تصویر استفاده می نماید. در واقع یک ماشین برای کسب توانایی دیدن به تجهیزات نرم افزاری و سخت افزاری متفاوتی نیاز دارد. یکی از این امکانات، یک یا چند دوربین سیاه و سفید یا رنگی است. همچنین در صورتی که دوربین های استفاده شده آنالوگ باشند، یک واسطه نیاز است تا، تصاویر را به فرمت دیجیتالی تبدیل نماید.در ادامه برای ایجاد امکان بینایی ماشین، از الگوریتم های پردازش تصویر استفاده می شود. بدون این برنامه ها، ماشین تنها قادر به دریافت و ثبت تصاویر خواهد بود و قوه تشخیص نخواهد داشت. همچنین برای بهبود کیفیت تصاویر ممکن است ماشین به منابع نور مانند لامپ های ال ای دی و… نیز مجهز شود.کاربردهای Machine visionماشین ویژن در بسیاری از امور صنعتی و  زندگی ما کاربرد دارد. برای مثال:سیستم های امنیتینجوم و ساخت تلسکوپ های اتوماتیک برای رصد آسمانپزشکی و انجام جراحی های حساستشخیص پلاکسیستم های ترمز خودکار در اتوموبیل هادوربین های سرعت سنججدا سازی اتوماتیک محصولات کارخانه هاطراحی ماشین های هرز چین در کشاورزی، و… همگی از کاربردهای بینایی ماشین هستند.مهم ترین تفاوت ماشین ویژن و پردازش تصویرعملکرد ماشین ویژن همیشه محدود به استفاده از الگوریتم های پردازش تصویر نیست و حتی بدون استفاده از برنامه های Image Processing هم می توان از Machine Vision استفاده کرد. در واقع می توان اطلاعات ورودی را از طریق سنسورهای گرمایی به دست آورد و تصاویر گرمایی حرکت انسان از پشت یک دیوار را نیز توسط سیستم های دارای ماشین ویژن به ثبت رسانده و از آن ها استفاده کرد. در حالی که پردازش تصویر صرفا با استفاده از عکس ها کار می کند.از سوی دیگر بینایی ماشین در مراحل پیشرفته، قادر به پیشبینی و تشخیص زودهنگام حرکات می باشد. در حالی که پردازش تصویر در این زمینه کاربردی ندارد. ابراهیم شادافروغ ابراهیم شادافروغ Sun, 31 May 2020 10:30:58 +0430 https://dataio.ir/5-کاربرد-یادگیری-ماشین-در-زندگی-روزمره-که-از-آن-ها-بی-خبریم-cp2qaejlzb3u یادگیری ماشین علمی است که یک دستگاه یا سیستم را قادر به استفاده از مجموعه اطلاعات ورودی و مصرف آن ها برای رسیدن به پاسخ مورد نظر خواهد کرد. به بیان دیگر Machine learning به یک سیستم کمک می کند که با کمک اطلاعاتی که به عنوان داده های ورودی تحویل می گیرد، چگونگی پاسخ دهی به مسائل مشابه را بیاموزد. بسیاری از افراد تصور می کنند علم ماشین لرنینگ ابزاری است که تنها متخصصان هوش مصنوعی از آن استفاده می کنند. اما در این مطلب قصد داریم شما را با چند کاربرد یادگیری ماشین در زندگی آشنا کنیم.استفاده از ماشین لرنینگ در زندگی روزانهپیشرفت تکنولوژی و مدرن شدن زندگی ها و به دنبال آن دسترسی تقریبا همه افراد به اینترنت پرسرعت و گوشی های هوشمند، رفته رفته باعث شده تا بسیاری از ما بدون اینکه خودمان بدانیم، در زندگی عادی و روزمره خود به استفاده از ماشین لرنینگ بپردازیم! در ادامه به 5 مورد از مصارف مهم Machine learning در زندگی اشاره می کنیم، تا متوجه شوید که هوش مصنوعی چگونه در ساده ترین رفتارهای روزانه ما دخیل است.کاربرد یادگیری ماشین در شبکه های مجازیبسیاری از ما روزانه دست کم یک ساعت را به گردش در شبکه های مجازی، خصوصا اینستاگرام اختصاص می دهیم و به همین سادگی به استفاده از ماشین لرنینگ می پردازیم. بخش Explore اینستاگرام با استفاده از الگوریتم های یادگیری ماشین، دقیقا مطابق با علاقه مندی های ما تنظیم می شود. برای مثال اگر مدت کوتاهی (مثلا دو روز) به تماشای فیلم های کوتاه حیوانات بپردازید، در روزهای آتی فیلم های مشابه بیشتری در این بخش مشاهده خواهید کرد. این قابلیت در سایت youtube نیز دیده می شود.همچنین فیس بوک به طور وسیع از الگوریتم های ماشین لرنینگ برای تشخیص چهره استفاده می کند و می تواند با دقتی حدود 97.25 چهره افراد را در تصاویر مختلف تشخیص دهد.فروشگاه های اینترنتییک کاربرد یادگیری ماشین که در ابعاد تجاری استفاده فراوانی داشته و این روزها به شدت مورد توجه واقع می شود، مربوط به فروشگاه های اینترنتی و افزایش آمار فروش است. بسیاری از فروشگاه های مجازی معروف، از سایت آمازون گرفته تا دیجی کالا در ایران، از الگوریتم های ماشین لرنینگ استفاده می کنند تا علاوه بر جلب رضایت مشتری، نوعی بازاریابی مجازی و هوشمند را پیاده سازی نمایند.این فروشگاه ها با استفاده از Machine learning به جمع آوری اطلاعات در مورد علایق و سلایق هر مشتری در انتخاب کالا می پردازند و سپس محصولات جدیدی که به نظر می رسد با علاقه مندی های او هماهنگی دارد را برای خرید پیشنهاد می دهند.کاربرد یادگیری ماشین در موتورهای جستجو و تبلیغاتمگر می شود یک روز را بدون بدون استفاده از گوگل یا دیگر موتورهای جستجو سپری کرد؟ اغلب ما به طور روزمره برای انجام  پروژه های دانشگاهی، آماده کردن تحقیقات مدرسه، پیدا کردن دستور غذاهای جدید، یافتن اخبار جدید در مورد موضوعی خاص و… از موتورهای جستجو استفاده می کنیم. علاوه بر اینکه این سایت ها در الگوریتم های خود از متدهای ماشین لرنینگ و هوش مصنوعی استفاده می کنند، برخی تبلیغات مرتبط با جستجوهای هر کاربر را نیز برای او فعال می نمایند.قفل موبایلشاید بتوان جذاب ترین کاربرد یادگیری ماشین را در قفل های هوشمند رایانه و تلفن همراه، که با چهره افراد کار می کنند یافت. این قفل ها که تقریبا در اکثر گوشی های هوشمند و بسیاری از لپ تاپ ها تعبیه شده اند، در واقع دارای سیستم های پردازش تصویر هستند و برای شناسایی چهره مالک گوشی یا لپ تاپ، از الگوریتم های ماشین لرنینگ استفاده می نمایند. حتی در برخی از شرکت ها، از سیستم های تشخیص چهره برای حضور و غیاب کارمندان استفاده می شود.دستیارهای هوشمنداحتمالا شما نیز با دستیارهای هوشمند مانند سیری، الکسا و حتی کورتانا در ویندوز10 آشنایی دارید. این دستیارهای مجازی هوشمند توانایی تشخیص و پردازش صدای افراد و اجرای دستورالعمل هایی مانند جستجو، پخش موسیقی و… را دارند. در حقیقت پردازش دستورات که شامل پردازش صوتی و پردازش نوشتار می شود و متخصصان حوزه پردازش زبان طبیعی (Natural language processing) روی آن کار می کنند، یکی از زیر شاخه های ماشین است.موارد فوق تنها 5 کاربرد یادگیری ماشین بود که به آن ها اشاره شد. اما باید بدانید که سال ها است ماشین لرنینگ در ابعاد مختلف زندگی ما مورد استفاده قرار می گیرد و امور روزانه را برایمان ساده تر می کند. ابراهیم شادافروغ ابراهیم شادافروغ Thu, 28 May 2020 12:00:12 +0430 https://dataio.ir/یادگیری-ماشین-چیست-و-چه-کاربردهایی-در-زندگی-ما-دارد-iesznuklde1h یکی از جذاب ترین حوزه های علوم و مهندسی کامپیوتر، هوش مصنوعی است که در سال های اخیر در سراسر جهان به پیشرفت های چشمگیری دست پیدا کرده و خوشبختانه چند سالی است که برخی شرکت های داخل ایران نیز به این حوزه علاقه مند شده اند. یکی از مهم ترین و کاربردی ترین زیر مجموعه های هوش مصنوعی، یادگیری ماشین است که می تواند در زمینه های بسیار متنوعی به بهبود زندگی انسان ها کمک کند.در ایران نیز شرکت های بزرگ و مشهوری مانند دیجی کالا و علی بابا برای بهبود سیستم های فروش خود از یادگیری ماشین استفاده می کنند. در ادامه با این علم و کاربردهای آن در زندگی انسان بیشتر آشنا خواهیم شد.ماشین لرنینگ چیست؟همانطور که اشاره کردیم، یادگیری ماشین یا Machine Learning یکی از زیر مجموعه های علم هوش مصنوعی است. در علم Machine Learning مجموعه ای از اطلاعات به یک ماشین (ماشین الزاما یک ربات نیست و می تواند یک برنامه کامپیوتری، یا حتی یک جعبه مکعبی شکل باشد که باید تصمیم گیری های خاصی انجام دهد.) داده شده و سیستم درست مانند یک کودک خردسال می آموزد که چگونه این اطلاعات را تحلیل کند و در مواجهه با موارد مشابه چه واکنشی نشان دهد.کاربردهای ماشین لرنینگبه طور کلی می توان گفت که ماشین لرنینگ در تمامی ابعاد زندگی انسان کاربرد دارد و نمی توان آن را محدود به حوزه خاصی کرد. برای مثال:از Machine Learning در پزشکی برای تشخیص زود هنگام سرطان استفاده می شود.در بانک داری می توان از این علم استفاده نمود.برای پیشبینی وضعیت سهام در بورس می توان از ماشین لرنینگ استفاد کرد.ماشین لرنینگ در سیستم های تغییر چهره برای باز کردن قفل موبایل و لپ تاپ یا سیستم های حضور و غیاب و امثال آن ها کاربرد دارد.قسمت عظیمی از تولیدات گوگل با الگوریتم های یادگیری ماشین کار می کنند.و…انواع یادگیری ماشینبا توجه به الگوریتم هایی که استفاده می کنیم و داده هایی که به سیستم ارائه می دهیم، ماشین لرنینگ به سه گروه اصلی دسته بندی می شود.یادگیری با نظارتاولین گروه الگوریتم های ماشین لرنینگ را الگوریتم های یادگیری با نظارت یا Supervised Learning تشکیل می دهند و شامل روش های کلاس بندی یا Classification هستند. برای استفاده از چنین روش هایی، باید یک مجموعه داده شامل برچسب های اطلاعاتی، در اختیار الگوریتم قرار دهیم. سپس الگوریتم Machine Learning با استفاده از داده های ورودی و برچسب ها که شامل خروجی مورد نیاز ما هستند، تابعی پیچیدده برای دسته بندی داده ها ارائه خواهد داد.پس از تشکیل تابع، می توان مجموعه داده های بدون اطلاعات جانبی را وارد الگوریتم کرده و بهترین خروجی  را از سیستم تحویل گرفت. الگوریتم K-Nearest Neighbours یا K نزدیک ترین همسایگی، یکی از شناخته شده ترین و پرکاربردترین الگوریم های کلاس بندی است.علی رقم دقت بالای این نوع یادگیری، هزینه و زمان بالای برچسب زدن داده های آموزشی باعث می شود متخصصان تمایل کمتری به استفاده از یادگیری با نظارت داشته باشند.یادگیری بدون نظارتدر یاد گیری بدون نظارت که به آن Unsupervised Learning نیز گفته می شود، هیچ نوع اطلاعات جانبی یا برچسبی به همراه مجموعه داده ها به سیسم ارسال نمی شود یا در صورت وجود اطلاعات، الگوریتم ها قادر به استفاده از این اطلاعات اضافی نخواهند بود. روش های یادگیری بدون نظارت بسیار مهم هستند. چرا که در اغلب موارد، تمامی داده ها مانند روشهای با نظارت برچسب خورده نیستند و روش های  Unsupervised Learning جلوی اتلاف وقت و صرف هزینه های اضافی را خواهند گرفت.یادگیری با نظارت معمولا به کمک الگوریتم های خوشه بندی یا Clustering صورت می گیرد. یکی از معروف ترین الگوریتم های خوشه بندی K-means یا K میانگین نام دارد که براساس آن الگوریتم های پیچیده تری نیز طراحی شده است.یادگیری نیمه نظارتیمی توان یادگیری نیمه نظارتی یا Semi-Supervised Learning را ترکیبی از دو گروه دیگر دانست. در این روش، دو نوع داده وارد سیستم می شود. دسته اول داده های درست مانند یادگیری با نظارت دارای برچسب هستند و دسته دوم نیز همانند یادگیری بدون نظارت، هیچ برچسب و اطلاعات جانبی به همراه ندارند. در نتیجه سیستم با اطلاعات اندک داده های لیبل دار، دقت یادگیری را افزایش می دهد. یکی از الگوریتم های یادگیری نیمه نظارتی معروف Cop-Kmeans نام دارد که براساس الگوریتم معروف K میانگین طراحی شده است.یادگیری ماشین به روش نیمه نظارتی یکی از پرکاربرترین روش های Machine Learning است. زیرا در اغلب مجموعه داده ها، به اطلاعات جانبی و برچسب های برخی از داده ها (نه همه آن ها) دسترسی داریم.خوشحال میشم به وب سایت من هم سر بزنید :) http://shadafrough.ir ابراهیم شادافروغ ابراهیم شادافروغ Thu, 28 May 2020 11:56:49 +0430