سفارش تبلیغ
صبا ویژن

واقعیت های ماشین لرنینگ

امروزه، یادگیری ماشین به موضوع داغ روز تبدیل شده است. حتی مهندسان نرم‌افزار به یک دلیل عمده در صدد مطالعه یادگیری ماشین هستند: یادگیری ماشین تماماً با برنامه‌نویسی داده‌محور سر و کار دارد و می‌تواند در اکثر موارد جایگزین برنامه‌نویسی سنتی شود. با توجه به افزایش روزافزون محبوبیت یادگیری ماشین، افراد بسیاری برای یادگیری آن ابراز علاقه کرده‌اند. اما هیچ کس به دنبال حقایق یادگیری ماشین نیست. بنابراین، مقاله حاضر در نظر دارد با ارائه واقعیت‌ها درباره یادگیری ماشین راه درست را به علاقمندان نشان دهد. امیدواریم مطالب این مقاله به شما در انتخاب این مسیر یادگیری درست کمک کند و بتوانید به شغل رویایی‌تان در یادگیری ماشین دست یابید. 

درباره یادگیری ماشین

10 واقعیت درباره ماشین لرنینگ

1-دانشمندان داده و مهندسان یادگیری ماشین 60 الی 70 درصد زمان‌شان را صرف رفع مسائل کیفیت داده می‌کنند.

2-مهندسان یادگیری ماشین زمانی برای تنظیم هایپرپارامترها اختصاص نمی‌دهند.

3-ساخت مدل کاری نیست که در یک دوره عملیات انجام گیرد و فرایندی تکراری به شمار می‌رود.

4-تنظیم هایپرپارامتر چالش بزرگی در یادگیری بدون نظارت است.
5-یادگیری ماشین خودکار نمی‌تواند جایگزین دانشمندان داده شود.
6-مدل‌های یادگیری ماشین Scikit-learn مثل تنسورفلو در صنعت کاربرد گسترده‌ای ندارند.
7-نیازی نیست دانشمندان داده از مسائل ریاضی الگوریتم‌های یادگیری ماشین آگاهی داشته باشند.
8-در یادگیری ماشین، هیچ برنده‌ی مشخصی بین R و پایتون وجود ندارد.
9-SQL مهارت اصلی مهندس یادگیری ماشین است.
10-مدل‌های یادگیری ماشین دنیای واقعی در لپ‌تاپ ساخته نمی‌شوند.


منبع: 10 واقعیت یادگیری ماشین


درمان افسردگی با هوش مصنوعی

افسردگی یک مشکل جهانی است ، و عواقب جدی برای سلامت افراد و اقتصاد به دنبال دارد ، بنابراین برای مقابله با شیوع فزاینده آن سریعاً به ابزارهای غربالگری سریع و م neededثر نیاز است. اکنون ، محققان از ژاپن دریافته اند که از هوش مصنوعی (AI) می توان برای تشخیص علائم افسردگی استفاده کرد. اما پیش از آن باید با انواع کتاب هوش مصنوعی آشنا شد و اطلاعات مناسبی در این زمینه کسب کرد.

در مطالعه ای که این ماه در BMJ Open منتشر شد ، محققان دانشگاه تسوکوبا نشان دادند که یک سیستم هوش مصنوعی با استفاده از یادگیری ماشینی می تواند پریشانی روانشناختی را در بین کارگران پیش بینی کند ، که از عوامل خطر افسردگی است.

اگرچه بسیاری از پرسشنامه ها وجود دارد که از نظر بهداشت روان بررسی می شود ، اما افراد ممکن است در پاسخ به س questionsالات صادقانه در مورد خلق و خوی ذهنی به دلیل ننگ اجتماعی در مورد سلامت روان مردد باشند. با این وجود ، می توان از یک سیستم یادگیری ماشین برای غربالگری افسردگی / پریشانی روانشناختی بدون چنین داده هایی استفاده کرد ، چیزی که محققان دانشگاه تسوکوبا قصد داشتند آن را برطرف کنند.

پروفسور شوتارو دوکی ، نویسنده اصلی این تحقیق می گوید: "ما می خواستیم ببینیم آیا سیستم هوش مصنوعی می تواند ناراحتی روانی را در بسیاری از افراد از طریق جامعه شناختی ، سبک زندگی و عوامل خواب ، بدون داده های مربوط به حالات ذهنی ، مانند خلق و خو ، تشخیص دهد."

برای تحقیق در این باره ، محققان از گروهی از محققان و کارمندان اداری خواستند که یک نظرسنجی آنلاین در مورد عوامل جمعیت شناختی ، سبک زندگی و عوامل خواب را انجام دهند. سپس ، آنها یک مدل هوش مصنوعی تهیه کردند که با توجه به داده های 7251 شرکت کننده ، پریشانی روانشناختی را پیش بینی می کند و نتایج به دست آمده از مدل AI را با پیش بینی های انجام شده توسط یک تیم 6 روانپزشک مقایسه می کنند.

پروفسور دوکی توضیح می دهد: "نتایج شگفت آور بود." "ما دریافتیم که حتی بدون داده های مربوط به خلق و خو ، مدل AI و تیم روانپزشکان پیش بینی های مشابهی راجع به پریشانی روانشناختی متوسط ??ارائه دادند."

علاوه بر این ، برای شرکت کنندگان با پریشانی شدید روانشناختی ، پیش بینی های ارائه شده توسط مدل AI دقیق تر از پیش بینی های روانپزشکان بود.

پروفسور داکی می گوید: "به نظر می رسد این مدل تازه توسعه یافته به راحتی قادر به پیش بینی پریشانی روانشناختی در میان تعداد زیادی از کارگران باشد ، بدون داده هایی در مورد خلق و خوی ذهنی آنها." "این به طور م effectivelyثر از مسئله انگ اجتماعی در مورد بهداشت روان در محل کار جلوگیری می کند و خطر پاسخ نامناسب به س questionsالاتی را که در مورد روحیه پاسخ دهندگان از بین می رود ، از بین می برد."

بنابراین ، ابزارهای غربالگری که نیازی به افراد ندارند تا خلق و خوی ذهنی خود را گزارش دهند ، ممکن است دقیق تر باشد و بنابراین می تواند افرادی را که در غیر این صورت تحت درمان قرار نمی گیرند ، شناسایی کند. مداخلات قبلی برای درمان افسردگی و پریشانی روانشناختی احتمالاً از شدت بیماری روانی می کاهد و فواید مهمی هم برای افراد و هم برای جامعه دارد.

مقاله "مقایسه پریشانی روانشناختی پیش بینی شده بین کارگران بین هوش مصنوعی و روانپزشکان: یک مطالعه مقطعی در شهر علم Tsukuba ، ژاپن" در BMJ Open در DOI منتشر شد: 10.1136 / bmjopen-2020-046265

این کار از نظر مالی توسط JSPS KAKENHI (شماره کمک 19K19431) پشتیبانی مالی شد. نویسندگان مایلند منافع رقابتی زیر را اعلام کنند: SS رئیس کمیته فنی بهداشت حرفه ای ، شبکه شهر علم Tsukuba است. SD ، YO و DH عضو کمیته فنی بهداشت حرفه ای و سایر نویسندگان عضو کارگروه کمیته فنی بهداشت حرفه ای هستند. هیچ یک از نویسندگان پاداش دریافت نکردند.


ربات های خانگی تویوتا با قابلیتهای جدیدی عرضه میشوند

ربات های خانگی

مؤسسه تحقیقاتی تویوتا (TRI) با انتشار پستی اعلام کرد مهندسان این شرکت قابلیت‌های جدیدی به ربات های خانگی اضافه کرده‌اند. این ربات‌ها از این پس می‌توانند اشیای شفاف را ببینند و آن‌ها را در دست بگیرند و اُپن آشپزخانه و میزها را تمیزکنند. در ویدئویی که به همراه این خبر منتشر شده است، می‌بینیم که رباتی تلفن همراه را از روی میز برمی‌دارد و در حین تمیز کردن آشپزخانه از خود ویدئوی سلفی می‌گیرد.

 


برای مشاهده ویدئو اینجا کلیک کنید

 


 

تویوتا و دیگر شرکت‌های رباتیک و هوش مصنوعی ژاپن اعلام کرده‌اند ظرف چند سال آینده ربات‌هایی خواهند ساخت که در امور خانه به افراد کمک خواهند کرد. ژاپن در زمره پیرترین کشورهای جهان قرار دارد و پیش‌بینی می‌شود تا سال 2040 تعداد افراد بالای 65 سال در این کشور با تعداد افراد زیر 65 سال برابری کند. شرکت‌های رباتیک برای مقابله با مشکل پیری جمعیت، اقدام به ساخت ربات‌هایی کرده‌اند که می‌توانند کارهایی را که از عهده افراد سالخورده خارج است، انجام دهند. در همین راستا، مهندسان ژاپنی و دیگر کشورها ربات‌هایی طراحی کرده‌اند که می‌توانند کف زمین را تی بکشند، فرش‌ها را جارو بزنند و حتی لباس‌ها را تا کنند. تیم TRI به تازگی یکی از چالش‌هاش‌هایی که مهندسان رباتیک همواره با آن روبه‌رو بوده‌اند را رفع کردند: اینکه ربات‌ها چگونه می‌توانند اشیای شفاف و براق را ببینند و تشخیص دهند.

طبق توضیحات ماکس باجراچاریا، مدیر بخش رباتیک شرکت تویوتا، ربات های خانگی را با تکیه بر روش آموزشی جدیدی که مهندسان TRI توسعه داده‌اند بهتر می‌توانند فضای 3D و اشیاء و سطوح حاضر در آن درک کنند. بدین ترتیب، ربات‌ها می‌توانند با استفاده از داده‌های ساختگی و یا داده‌های «قابل برنامه‌نویسی» اشیای شفاف و بازتاب‌دهنده نور را ببینند و تشخیص دهند.

همان‌گونه که در ویدئو مشاهده می‌کنید، ربات های خانگی با تکیه بر این قابلیت می‌توانند سطح میز و نمامی اشیایی که بر روی آن وجود دارد را تشخیص دهند. علاوه بر این، این ربات‌ها می‌توانند پس از صرف غذا، میز را دستمال بکشند، ظروف (برای مثال لیوان‌های شیشه‌ای) را از روی میز بردارند و در دست خود نگه دارند و زیر آن را تمیز کنند. این ربات‌ها می‌تواند اشیا را در سینک ظرفشویی بگذارند و اُپِن آشپزخانه را دستمال بکشند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: هوشیو


تحقیقات بر اساس کتاب هوش مصنوعی

دو عضو هیئت علمی از دانشگاه تنسی ، دانشکده فنی مهندسی ناکس ویل - لین پارکر و مارک دین ، ??که هر دو فارغ التحصیل نیز هستند - به گروه ویژه تحقیقات ملی تحقیقات کتاب هوش مصنوعی (NAIRR) معرفی شده اند.

علاوه بر روابط مشترک آنها با گروه مهندسی برق و علوم کامپیوتر Min H. Kao ، هر دو پارکر و دین ، ??که اکنون استاد برجسته هستند ، به عنوان رئیس موقت دانشکده خدمت کرده اند و به UT ارتباط قوی با کارگروه جدید داده اند.

به راهنمایی کنگره ، بنیاد ملی علوم (NSF) و دفتر سیاست علم و فناوری کاخ سفید (OSTP) از ایجاد این گروه خبر دادند ، که هدف آنها تهیه نقشه راه پیاده سازی برای زیرساخت های تحقیقاتی ملی هوش مصنوعی است. .

لین پارکر
پارکر
پارکر ، که در سمت فعلی خود به عنوان رئیس طرح ملی هوش مصنوعی مشغول به کار است ، گفت: "برای بررسی ایده های نوآورانه خود در هوش مصنوعی ، محققان دانشگاهی نیاز به دسترسی ایمن به زیرساخت های محاسباتی قدرتمند و داده های حفظ حریم خصوصی دارند." دفتر در OSTP. "افزایش دسترسی به این منابع ، مشارکت در تحقیقات پیشرفته را برای طیف گسترده تر و متنوع تری از محققان گسترش می دهد."

قانون ابتکار عمل ملی هوش مصنوعی در سال 2020 تشکیل گروه جدید را برای راهنمایی افزایش دسترسی به منابع محاسباتی ، داده های با کیفیت بالا ، ابزارهای آموزشی و پشتیبانی کاربران از محققان و دانشجویان هوش مصنوعی در همه رشته های علمی اجباری کرد. توصیه های گروه ویژه شامل قابلیت های فنی ، حاکمیت ، اداره ، ارزیابی و الزامات مربوط به امنیت ، حریم خصوصی ، حقوق شهروندی و آزادی های مدنی خواهد بود.

این گروه قرار است گزارشی از یافته های اولیه را در مه 2022 ارائه دهند و گزارش نهایی در نوامبر همان سال ارائه شود.

مارک دین
رئیس
دین گفت: "این پروژه به تراز اولویت ها و رویه های هوش مصنوعی در تحقیقات ، تجارت و دانشگاه کمک خواهد کرد." "گزارشی که ما ارائه داده ایم و نتیجه گیری هایی که به دست می آوریم باید به هدایت سیاست های ایالات متحده برای رشد AI در آینده کمک کند."

برای آژانس های درگیر ، کار و یافته های گروه به ارائه سود سهام از نظر تحقیق و توسعه نیروی کار کمک می کند.

اریک لندر ، مشاور علوم رئیس جمهور و مدیر OSTP ، در اعلامیه ای برای اعلام گروه ویژه گفت: "رونق اقتصادی آمریکا به سرمایه گذاری های بنیادی در رهبری فناوری ما بستگی دارد." "منبع تحقیقات ملی هوش مصنوعی دسترسی به منابع و ابزارهایی را که به تحقیق و توسعه هوش مصنوعی دامن می زنند گسترش می دهد ، و فرصت هایی را برای ذهن های روشن از سراسر آمریکا برای دستیابی به موفقیت های بعدی در علم و فناوری ایجاد می کند."

مدیرعامل NSF ، Sethuraman Panchanathan در بیانیه منتشر شده گفت: "NSF خوشحال است که از ریاست گروه ویژه ملی تحقیقات AI ، که نقش اساسی در پیش بینی زیرساخت های تحقیقاتی است که باعث ایجاد نوآوری های آینده در AI می شود ، خوشحال است." "با گردهم آوردن برجسته ترین متخصصان کشور از دانشگاه ، صنعت و دولت ، ما می توانیم یک مسیر هیجان انگیز و جذاب را به جلو ترسیم کنیم ، از رقابت طولانی مدت ایالات متحده در تمام زمینه های علمی و مهندسی و تمام بخش های اقتصاد ما اطمینان حاصل کنیم."

علاوه بر پارکر و دین ، ??این گروه شامل 10 فرد برجسته دیگر از حوزه های محاسبات و هوش مصنوعی است:

اروین جیانچاندانی ، NSF (رئیس مشترک)
دانیلا براگا ، DefinedCrowd
اورن اتزیونی ، موسسه آلن برای هوش مصنوعی
جولیا لین ، دانشگاه نیویورک
فی فی لی ، دانشگاه استنفورد
اندرو مور ، گوگل
مایکل نورمن ، دانشگاه کالیفرنیا ، سن دیگو
دن استانتزیون ، دانشگاه تگزاس در آستین
فردریک اشتریتز ، وزارت انرژی ایالات متحده
الهام طبسی ، انستیتوی ملی استاندارد و فناوری


استفاده از هوش مصنوعی برای دانش آموزان

تأثیر هوش مصنوعی در مدرسه به عنوان یک فناوری قدرتمند را می توان در عمودهای مختلف صنعت مشاهده کرد. صنعت آموزش در سراسر جهان از این امر مستثنی نیست. مدارس مختلف کشور از هوش مصنوعی در آموزش استفاده می کنند. استفاده از هوش مصنوعی در آموزش ، دیدگاه کاملاً جدیدی از نگاه به آموزش به معلمان ، دانش آموزان ، والدین و البته م institutionsسسات آموزشی نیز داده است.

در اینجا چند آمار برای روشن کردن هوش مصنوعی در آموزش آورده شده است.


هوش مصنوعی در اندازه بازار آموزش در سال 2020 از 1 میلیارد دلار فراتر رفته است. انتظار می رود بین CABR بیش از 40? بین سالهای 2021 و 2027 رشد کند. (بینش بازار جهانی)
انتظار می رود که هوش مصنوعی در بازار آموزش تا سال 2030 درآمد 25.7 میلیارد دلاری داشته باشد. (هوش پیشین و استراتژیک)
انتظار می رود هوش مصنوعی جهانی در بازار آموزش تا سال 2023 به 3.68 میلیارد دلار برسد. (بازارها و بازارها)
مواردی که قبل از اجرای هوش مصنوعی در مدارس باید در نظر گرفته شود

نقش هوش مصنوعی را در مدارس شناسایی کنید.
فرآیندهای کلیدی که استفاده از هوش مصنوعی در مدارس به طور خودکار انجام می شود.
چالش های آموزش هوش مصنوعی در مدارس و راه های غلبه بر آنها.
همسویی هوش مصنوعی با محیط موجود در مدرسه.
فرآیند انتقال از تخته سیاه و تخته سفید به هوش مصنوعی در کلاسهای درس برای معلمان و دانش آموزان یکپارچه است.
نحوه استفاده از هوش مصنوعی در مدارس برای ارائه بینش عملی برای تصمیم گیری موثر.
نقش هوش مصنوعی در آموزش

در اینجا برخی از کاربردهای AI در دنیای واقعی در آموزش وجود دارد.

اتوماسیون فعالیتهای اساسی اداری
وقت زیادی توسط معلمان در فعالیت های اداری مانند درجه بندی و ارزیابی صفحه کار صرف می شود.
استفاده از هوش مصنوعی در آموزش می تواند به طور خودکار درجه بندی و ارزیابی فعالیت ها مانند س questionsالات چند گزینه ای ، پر کردن جای خالی و غیره کمک کند.
یکی دیگر از فعالیتهای طاقت فرسا و طاقت فرسا برای معلمان تهیه کارنامه دانش آموزان است. استفاده از هوش مصنوعی در آموزش می تواند به خودکارسازی این امر نیز کمک کند.
اتوماسیون فعالیت های اداری به این معنی است که معلمان می توانند زمان بیشتری را با دانش آموزان سپری کنند ، بنابراین روند یادگیری را کارآمدتر می کنند.
یادگیری شخصی
هدف از استفاده از هوش مصنوعی در آموزش و پرورش جایگزینی معلمان نیست ، بلکه به آنها کمک می کند تا درک بالقوه و محدودیت های هر دانش آموز باشند.
استفاده از هوش مصنوعی در مدارس کار را برای معلمان و دانش آموزان نیز آسان و راحت می کند.
با درک نیازهای هر دانش آموز ، معلمان می توانند برای هر دانش آموز برنامه مطالعاتی اختصاصی تهیه کنند.
بازخورد سازنده
برنامه هایی که با استفاده از هوش مصنوعی ساخته می شوند می توانند بازخورد ارزشمندی را هم برای دانش آموزان و هم برای معلمان فراهم کنند.
استفاده از هوش مصنوعی در کلاس ها می تواند به معلمان نشان دهد که چگونه دستورالعمل های ارائه شده به زبان آموزان را بهبود ببخشند و همچنین یادگیری را سرگرم کننده و جالب تر نشان دهند.
بازخورد فوری به دانش آموزان کمک می کند تا درک کنند که در کجا اشتباه می کنند و چگونه می توانند این کار را بهتر انجام دهند.
همه دانش آموزان در دسترس هستند
استفاده از هوش مصنوعی در کلاس های درس ، یادگیری را برای همه دانش آموزان در دسترس جهانی قرار می دهد.
خواه دانش آموز کند یاد بگیرد یا به دلیل بیماری یا جراحت قادر به حضور در مدرسه نباشد و حتی دانش آموزانی که در مناطق دور افتاده قرار دارند ، هوش مصنوعی در آموزش برای آنها یک نعمت است.
استفاده از هوش مصنوعی در آموزش به موانع جغرافیایی یادگیری کمک می کند.
دانش آموزانی که در هر نقطه از دنیا واقع شده اند می توانند با استفاده از هوش مصنوعی در آموزش از بهترین معلمان بیاموزند.
استفاده از هوش مصنوعی در آموزش و پرورش هنوز مورد قبول همه مدارس نیست. با این حال ، در آینده ، هوش مصنوعی و تحصیلات دست به دست هم می دهند. استفاده از هوش مصنوعی در آموزش و پرورش صنعت آموزش و پرورش را دگرگون کرده است ، اما هنوز پتانسیل واقعی آن وجود ندارد.