رگرسیون لجستیک (Logistic Regression) چیست و چطور کار می‌کند؟
رگرسیون لجستیک (Logistic Regression) یکی از الگوریتم‌های یادگیری ماشین است. این الگوریتم برای مسائل طبقه‌بندی (Classification) استفاده می‌شود که در آن متغیر وابسته‌ی گسسته (Categorical) مطرح می‌شود. قبل از بررسی رگرسیون لجستیک، بهتر است کمی با یادگیری ماشین و طبقه‌بندی آشنا شویم. یادگیری ماشین چیست؟…
درک زبان طبیعی (NLU) چیست و چگونه انجام می‌شود؟
درک زبان طبیعی (NLU) یا به‌عبارتی کامل‌تر Natural Language Understanding زیرشاخه‌ای از پردازش زبان طبیعی (Natural Language Processing) است که تبدیل زبان انسان به فرمت خواندنی و فهمیدنی برای ماشین را دربرمی‌گیرد. مقدمه آیا تابه‌حال پیش آمده است که در آیفون (iPhone) از سیری (Siri)…
بینایی کامپیوتری (Computer Vision) چیست و چه کاربردهایی دارد؟
بینایی کامپیوتری (Computer Vision) حوزه‌ای از هوش مصنوعی است که کامپیوترها و سیستم‌ها را قادر می‌کند اطلاعات معنی‌داری را از تصاویر دیجیتال و فیلم‌ها و دیگر ورودی‌های بصری استخراج کنند و براساس آن اطلاعات، اقداماتی انجام دهند یا توصیه‌هایی ارائه کنند. مقدمه ما انسان‌ها اطلاعات…
با الگوریتم بیز ساده (Naïve Bayes) آشنا شوید!
بیز ساده (Naïve Bayes) یک الگوریتم طبقه‌بندی ساده اما مؤثر و متداول یادگیری ماشین (Machine Learning) است که در دسته‌ی یادگیری با ناظر (Supervised Learning) جای می‌گیرد. بیز ساده الگوریتمی احتمالی است که براساس نظریه‌ی بیز برای طبقه‌بندی (Classification) استفاده می‌شود. مقدمه فرض کنید در…
الگوریتم ماشین بردار پشتیبان (Support Vector Machine) چیست؟
ماشین بردار پشتیبان (Support Vector Machine) یا به‌اختصار SVM یک مدل یادگیری ماشین با ناظر (supervised Learning) است که با توجه به داده‌های برچسب‌دار آموزشی (یادگیری با ناظر)، یک هایپرپلین (Hyperplane) بهینه را ارائه می‌کند تا داده‌های جدید را به دسته‌های مختلف طبقه‌بندی کند. یادگیری…
شبکه عصبی LSTM چیست و چگونه کار می‌کند؟
شبکه عصبی LSTM یا حافظه کوتاه‌مدت طولانی (Long-Short Term Memory) نوعی خاص از شبکه عصبی بازگشتی (RNN / Recurrent Neural Network) محسوب می‌شود. پس برای اینکه بتوانیم نحوه کار شبکه LSTM را درک کنیم لازم است با شبکه عصبی RNN آشنا شیم. در این مطلب…
با رگرسیون خطی (Linear Regression) آشنا شوید!
رگرسیون خطی (Linear Regression) روشی آماری برای یافتن رابطه‌ی میان متغیرهای مستقل (Dependent Variables)و وابسته (Independent Variables)است. این روش در یادگیری ماشین با ناظر (Supervised Machine Learning) بسیار کاربرد دارد. مقدمه اخیراً هوش مصنوعی (Artificial Intelligence) بسیار مورد توجه قرار گرفته است و افراد در…
داده کاوی (Data Mining) چیست و چه مراحلی دارد؟
داده کاوی (Data Mining) که به‌عنوان کشف دانش در داده (KDD) نیز شناخته می‌شود فرایند کشف الگوها و دیگر اطلاعات ارزشمند از مجموعه‌ی داده‌های بزرگ است. با توجه به پیشرفت تکنولوژی انبار داده (Data Warehousing) و رشد کلان‌داده (Big Data)، استفاده از تکنیک‌های داده کاوی…
متن کاوی (Text Mining) چیست و چه تکنیک‌ها و کاربردهایی دارد؟
متن کاوی (Text Mining) که به آنالیز متن (Text Analysis) هم معروف است، فرایند تبدیل متن بدون ساختار به داده‌های ساختاریافته برای تجزیه‌وتحلیل راحت‌تر است. متن کاوی به ماشین‌ها اجازه می‌دهد زبان انسان را بفهمند و به‌طور خودکار آن را پردازش کنند. مقدمه برای مشاغل…
شبکه عصبی کانولوشنی (CNN) چیست؟
شبکه عصبی کانولوشنی (CNN) چیست؟ از آنجا که استفاده از شبکه‌های عصبی تمام‌متصل (Fully connected) عمیق به قدرت محاسباتی (حافظه) بالایی نیاز دارد تا بتوان تعداد زیادی وزن و ضرب ماتریسی سنگین را مدیریت کرد، نوع جدیدی از شبکه‌های عصبی به‌نام شبکه عصبی کانولوشنی (Convolutional…
با الگوریتم K نزدیک ترین همسایه (K-Nearest Neighbors) آشنا شوید!
الگوریتم K نزدیک ترین همسایه (K-Nearest Neighbors) که به‌اختصار به آن KNN نیز گفته می‌شود یک الگوریتم یادگیری ماشین با ناظر ساده (Supervised Machine Learning) و با پیاده‌سازی آسان است. این الگوریتم می‌تواند برای حل مشکلات طبقه‌بندی (Classification) و رگرسیون (Regression) استفاده شود. نگاهی مختصر…
شبکه عصبی گوگل نت (GoogleNet) چیست و از چه ساختاری تشکیل شده است؟
شبکه عصبی گوگل نت (GoogleNet) یک شبکه عصبی کانولوشن عمیق ۲۲ لایه است. این شبکه عصبی نسخه‌ی تغییریافته‌ی شبکه‌ی Inception است که یک شبکه‌ی عصبی عمیق کانولوشن است و محققان Google آن را ساخته‌اند.معماری شبکه عصبی گوگل نت در رقابت ILSVRC سال ۲۰۱۴ شرکت کرد…
معماری الکس نت (AlexNet) را به‌صورت کامل بشناسید!
الکس نت (AlexNet) یک شبکه‌ی عصبی عمیق است که Alex Krizhevsky، Ilya Sutskever و Geoffrey Hinton در سال 2012 ارائه کردند. این معماری به‌منظور طبقه‌بندی تصاویر مجموعه‌داده‌ی ImageNet در رقابت ILSVRC طراحی شد و توانست رتبه‌ی اول را کسب کند. شبکه‌های عصبی کانولوشنی و الکس‌نت…
با شبکه عصبی وی جی جی نت (VGGNet) آشنا شوید!
وی جی جی نت (VGGNet) یک شبکه عصبی کانولوشنی است که در سال ۲۰۱۴ کارن سایمون (Karen Simonyan) و آندره زیسرمن (Andrew Zisserman) از دانشگاه آکسفورد آن را معرفی کردند. این شبکه در رقابت ILSVRC سال ۲۰۱۴ رتبه‌ی دوم را کسب کرد، ولی به‌دلیل نوآوری…
بیش برازش (Overfitting) چیست و برای جلوگیری آن چه باید کرد؟
بیش برازش (Overfitting) یکی از خطاهای مدل‌سازی در علم داده (Data Science) است. این خطا هنگامی اتفاق می‌افتد که مدل ویژگی‌های داده‌های آموزشی را به‌جای یادگیری، حفظ کرده باشد، یعنی بیش‌ازحد روی آن آموزش دیده باشد؛ درنتیجه، این مدل فقط در مجموعه‌ی داده‌های آموزشی مفید…
کم برازش (Underfitting) چیست و راه‌های جلوگیری از آن کدام است؟
کم برازش (Underfitting) چیست؟ چه زمانی اتفاق می‌افتد و راه‌های جلوگیری از آن کدام است؟ به‌زبان ساده، کم‌برازش هنگامی اتفاق می‌افتد که مدل یادگیری ماشین به‌اندازه‌ی کافی پیچیده نباشد که بتواند روابط میان ویژگی‌های یک مجموعه داده و متغیر هدف را به‌درستی تشخیص دهد.مدلی که…
۹ کاربرد یادگیری ماشین در زندگی روزمره را بشناسید!
در این مطلب با ۹ کاربرد یادگیری ماشین در زندگی روزمره آشنا می‌شوید.
یادگیری نیمه نظارتی (Semi-supervised Learning) چیست؟
یادگیری نیمه نظارتی (Semi-supervised Learning) نوعی یادگیری ماشین (Machine Learning) است که از ترکیب مقدار کمی داده‌ی برچسب‌دار و مقدار زیادی داده‌ی بدون برچسب برای آموزش مدل‌ها استفاده می‌کند. این رویکرد ترکیبی از یادگیری باناظر (Supervised Learning) که از داده‌های آموزشی برچسب‌دار استفاده می‌کند و…