هوش مصنوعي و يادگيري ماشين

فناوری هوش مصنوعی در بسیاری از صنایع کاربرد دارد. استفاده از هوش مصنوعی در صنعت پزشکی برای انتخاب میزان دارو و نوع درمان بیمار و برای انجام عمل های جراحی یکی از کاربردهای آن است.

بکارگیری هوش مصنوعی در بازی شطرنج و ماشین های خودران یکی دیگر از این کاربردهاست. هر یک از این ماشین ها باید عواقب اقدامی را که انجام می دهند، ارزیابی کنند. چون هر کنش روی نتیجه ی نهایی تاثیر گذار است. در شطرنج نتیجه ی نهایی و هدف اصلی برنده شدن است. در اتومبیل های خودران نیز ماشین باید داده های ورودی را پردازش کند تا بهترین تصمیمی را بگیرد که به تصادف منجر نشود و به مقصد برسد.

یکی دیگر از کاربردهای هوش مصنوعی استفاده از آن در توسعه ی نرم افزارهای نظارتی مانند نرم افزار تشخیص چهره و نرم افزار پلاک خوان است.

تکنولوژی هوش مصنوعی در صنایع مالی هم کاربرد دارد. برای مثال از آن در بانکداری برای شناسایی استفاده ی غیرعادی کارت های اعتباری و حساب های بانکی زیاد، استفاده می کنند که منجر به تشخیص کلاهبرداری در بانک ها و موسسات مالی می شود.

مراقبت های درمانی و پزشکی
برنامه های هوشمند می توانند میزان و نوع دارو را تعیین کنند، عکس های رادیوگرافی را بخوانند و در کنار این موارد مانند یک دستیار عمل کنند. به فرد یادآوری کنند که چه موقع داروی خود را مصرف کند و همچنین به او در مورد ورزش کردن و خوردن غذاهای سالم هشدار دهند.

صنایع تولیدی
پیشرفت های هوش مصنوعی ما را قادر می سازد تا کارهای پیچیده را خودکار کرده و بتوان دانش ارزشمندی از حجم عظیم اطلاعات تولید شده بدست آورد. در صنایع کارهای مختلفی وجود دارد که توسط نیروی انسانی و در مدت زمان قابل توجهی انجام می شود. اما با هوش مصنوعی می توان چنین کارهایی را در زمان و با نیروی انسانی کمتر انجام داد.

خرده فروشی ها
اگر تا به حال در فروشگاه های آنلاین خرید کرده باشید، حتما دیده اید که در هنگام خرید یک محصول، محصولات دیگری نیز به شما پیشنهاد می شود تا در صورت تمایل آن ها را خریداری کنید. این کار توسط الگوریتم های هوش مصنوعی انجام می شود.

یکی دیگر از مثال های بکارگیری هوش مصنوعی در نحوه ی چیدمان محصولات است. وقتی شما محصولاتی را در یک فروشگاه آنلاین جستجو می کنید، محصولات مختلف با برندهای متفاوت برای شما نمایش داده می شوند. نحوه ی چیدمان نیز می تواند به صورت هوشمند انجام شود.

بانکداری
هوش مصنوعی سرعت، دقت و اثربخشی تلاش‌های انسانی را افزایش می‌ دهد. در موسسات مالی، از تکنیک‌های هوش مصنوعی برای شناسایی تراکنش های تقلبی، امتیاز بندی سریع و دقیق حساب ها و همچنین خودکار سازی مدیریت داده‌ استفاده می کنند.

اگر قصد آشنایی بیشتر درمورد هوش مصنوعی را دارید و علاقه مندید که در این باره بیشتر بدانید روی لینک زیر کلیک کنید.
https://bigpro1.com/fa/artificial-intelligence/

سیستم‌های تصمیم یار مبتنی بر دانش (Knowledge-Based Decision Support Systems): این نوع سیستم‌ها برای استفاده از دانش و قوانین قابل استنتاج استفاده می‌کنند. آنها می‌توانند از موتورهای قوانین (Rule Engines)، سیستم‌های خبره (Expert Systems) و سیستم‌های استدلال منطقی (Logical Reasoning Systems) برای استخراج دانش، ارزیابی شرایط و ارائه پیشنهادهای تصمیم‌گیری استفاده کنند. مثال‌هایی از آنها شامل سیستم‌های تشخیص خطا، سیستم‌های تشخیص تقلب و سیستم‌های پشتیبانی تصمیمات پزشکی هستند.

همواره در زندگی ما، مواردی وجود دارند که دوست داریم بدانیم اگر یک کاری را انجام دهیم نتیجه‌ی خوب یا بدی دارد؟ این کار رو چگونه انجام خواهیم داد؟ اگر بخواهیم بر اساس تجارب خودمان عمل کنیم نیاز داریم بر اساس کارهایی که قبلا انجام دادیم، و تجاربی که کسب کردیم ( یک فرآیند یادگیری رخ داده است)، برای شرایط جدید تصمیم گیری نماییم. این پارگراف بیان ساده ای از یادگیری ماشین را بیان می‌کند که تعریف دقیق و علمی آن به صورت زیر است:
طبقه‌ بندی (classification) علمی است که بر اساس داده‌های قبلی که دارای برچسب هستند، مدلی برای پیش بینی برچسب داده‌های جدید می‌سازد.
طبقه‌ بندی classification یکی از زیر شاخه‌ های اساسی یادگیری ماشین و داده کاوی است. و اساس آن داده‌های جمع‌‌آوری شده از اعمال گذشته هستند. اعمالی که بر اساس دانش فرد خبره برچسب گذاری شدند. برای اینکه یک مدل طبقه‌ بندی خوب داشته باشیم، باید با داده‌ها و ساختار آنها و نیز تعداد دسته‌ها (برچسب-کلاس-طبقه‌) اطلاع داشته باشیم. هر چند آشنایی با ساختار و نوع داده‌ها گاها عملی غیر ممکن است اما در صورت وجود یک آشنایی ساده گاها نیز می‌توان مدل طبقه بند درست را انتخاب کرد.
برای درک مفهوم طبقه‌ بندی classification یک بار دیگر پارگراف اول را بخوانید. به بیان دیگر؛ طبقه‌ بندی classification فرآیند قرار داده نمونه‌های جدید در طبقات مختلف بر اساس داده‌های قدیمی است و برای این‌کار به یک مدل طبقه‌بندی یا الگوریتم طبقه‌بندی نیاز است.
برای مطالعه بیشتر درمورد الگوریتم طبقه بندی، انواع و کاربردهای آن روی لینک زیر کلیک کنید:

https://bigpro1.com/fa/classification/

در یک تعریف کلی می‌توان گفت سیستم‌های خبره، برنامه‌های کامپیوتری‌ای هستند که نحوه تفکر یک متخصص در یک زمینه خاص را شبیه‌سازی می‌کنند. در واقع این نرم‌افزارها، الگوهای منطقی‌ای را که یک متخصص بر اساس آن‌ها تصمیم‌گیری می‌کند، شناسایی می‌نمایند و سپس بر اساس آن الگوها، مانند انسان‌ها تصمیم‌گیری می‌کنند.

یکی از اهداف هوش مصنوعی، فهم هوش انسانی با شبیه‌سازی آن توسط برنامه‌های کامپیوتری است. البته بدیهی است که "هوش‌"‌ را می‌توان به بسیاری از مهارت‌های مبتنی بر فهم، از جمله توانایی تصمیم‌گیری، یادگیری و فهم زبان تعمیم داد و از این‌رو واژه‌ای کلی محسوب می‌شود.

اگر مایلید درمورد سیستم خبره بیشتر بدانید اینجا کلیک کنید.

خوشه‌بندی (Clustering) به عنوان یکی از رویکردهای داده‌کاوی با هدف تقسیم‌بندی داده‌ها به گروه‌های مختلف مورد استفاده قرار می‌گیرد. به بیانی دیگر، تجزیه و تحلیل خوشه‌بندی به گروه‌بندی اشیای مشابه با یکدیگر می‌پردازد بطوریکه داده‌های موجود در یک گروه با یکدیگر بیشترین شباهت و داده‌ها در گروه‌های مختلف کمترین شباهت را دارند. ما در طول روز ممکن است به طور ناخودآگاه بارها از این تکنیک‌ها در ذهن خود برای حل مسایل استفاده کنیم. به عنوان مثال، احساساتی که نسبت به شرایط خاص، از خود نشان می‌دهیم همگی برگرفته از تجربه‌های مشابه است که به طور خودکار در ذهنمان دسته‌بندی شده است. در زمینه هوش مصنوعی و یادگیری ماشین، خوشه‌بندی جز گروه یادگیری‌های بدون نظارت قرار می‌گیرند.

برای مطالعه بیشتر درمورد خوشه بندی و الگوریتم ها و کاربردهای آن روی لینک زیر کلیک کنید.

https://bigpro1.com/fa/clustering/

معماری rest api بر پایه client/server عمل می کند. هنگامی که client درخواستی به server ارسال می کند، سرور پاسخ خود را در قالب پکت به کلاینت ارسال می کند. این کار تا زمانی که کلاینت به هدف خود نرسیده باشد ادامه می یابد. تمامی Request ها و Response ها با استفاده از این api ها بین کلاینت و سرور رد و بدل می شوند. 
 برای مطالعه بیشتر درمورد رست فول ای پی آی روی لینک زیر کلیک کنید.
https://bigpro1.com/fa/all-about-restful-api/

پالایش یا پاکسازی داده ها فرایند اصلاح یا حذف داده های نادرست ، خراب ، با فرمت نادرست ، تکراری یا ناقص در یک مجموعه داده است. هنگام ترکیب چند منبع داده ممکن است داده ی تکراری یا نادرست ایجاد شود. اگر داده ها نادرست باشند ، خروجی ها و الگوریتم ها غیرقابل اعتماد خواهند بود ، حتی اگر صحیح به نظر بیایند.
برای مطالعه بیشتر درمورد پالایش و پاکسازی داده و همچنین انجام آن به صورت آنلاین به بیگ پرو1 سر بزنید.

پروفسور تیوو کوهونن (Teuvo Kohonen)، Self-Organizing Maps یا به اختصار SOM‌ها را اختراع کرد. این نگاشت‌ها به مصورسازی و تجسم داده‌ها (data visualization) کمک می‌کند تا ابعاد داده‌ها را از طریق خود سازماندهی شبکه‌های عصبی مصنوعی کاهش دهند.

مصورسازی داده‌ها تلاش می‌کند مسئله‌ای را حل کند که انسان‌ها نمی‌توانند به راحتی داده‌های آن را با ابعاد بالا تجسم کنند. SOM‌ها برای کمک به کاربران به منظور درک این اطلاعات با ابعاد بالا ایجاد شده‌اند.


SOMها چگونه کار می‌کنند؟

SOM‌ها وزن‌های هر گره را مقداردهی اولیه کرده و یک بردار را از داده‌های آموزشی به صورت تصادفی انتخاب می‌کنند.
SOM‌ها هر گره را بررسی می‌کنند تا دریابند کدام وزن‌ها محتمل ترین بردار ورودی هستند. گره برنده، بهترین واحد تطابق (Best Matching Unit یا BMU) نامیده می‌شود.
SOM‌ها همسایگی BMU را کشف می‌کنند و تعداد همسایه‌ها با گذشت زمان کاهش می‌یابد.
SOM‌ها یک وزن برنده را به بردار نمونه تحویل می‌دهند. هرچه یک گره به BMU نزدیک تر باشد، وزن آن بیشتر تغییر می‌کند.
هرچه همسایه از BMU دورتر باشد، کمتر یاد می‌گیرد. SOM‌ها مرحله دوم را برای N تکرار انجام می‌دهند.
در شکل زیر، تصویری از بردار ورودی با رنگ‌های مختلف را مشاهده می‌کنید. این داده‌ها به یک SOM تغذیه می‌شوند، که سپس داده‌ها را به مقادیر دوبعدی RGB تبدیل می‌کند. در نهایت، رنگ‌های مختلف را جدا و دسته بندی می‌کند.
اگر قصد مطالعه درمورد الگوریتم های یادگیری عمیق دارید و یا پروژه یادگیری عمیق دارید و میخواهید آن را با یک ابزار قدرتمند انجام دهید اینجا کلیک کنید.

بهبود کارایی و اثربخشی کاربر
امکان تصمیم گیری سریعتر
کاهش زمان حل مسائل
صرفه جویی در هزینه ها
بهبود همکاری و ارتباطات در داخل گروه
کاهش زمان آموزش به دلیل دسترسی به تجربه کارشناسان در الگوریتم های برنامه
ارائه شواهد بیشتر در پشتیبانی از تصمیم
افزایش رضایت تصمیم گیرندگان
ارائه دیدگاه های مختلف در یک موقعیت
کمک به کار خودکار سیستم های مختلف کسب و کار

https://bigpro1.com/fa/decision-support-system/

1.در یادگیری ماشین بدون نظارت تمامی الگو های ناشناخته در داده ها یافت می شود

2.یادگیری بدون نظارت به شما امکان یافتن ویژگی های مفید در دسته بندی را می دهد.

3.یادگیری بدون نظارت در زمان واقعی انجام شده و به این صورت تمامی داده ها در حضور یادگیرنده برچسب گذاری می شود.

4.یافتن داده های فاقد برچسب در رایانه ، از داده های برچسب گذاری شده که نیازمند مداخله دستی می باشد، آسان تر است.

اگر به دنبال یک مقاله کلی و دقیق درمورد یادگیری بی نظارت هستید تا به طور جدی با آن آشنا شوید مقاله "انجام پروژه یادگیری ماشین بدون نظارت" وبسایت بیگ پرو1 را مطالعه کنید.