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…

متن‌کاوی (Text Mining) که به آنالیز متن (Text Analysis) هم معروف است، فرایند تبدیل متن بدون ساختار به داده‌های ساختاریافته برای تجزیه‌وتحلیل راحت‌تر است. متن‌کاوی به ماشین‌ها اجازه می‌دهد زبان انسان را بفهمند و به‌طور خودکار آن را پردازش کنند. مقدمه برای مشاغل حجم زیاد…

در این مطلب با ۹ کاربرد یادگیری ماشین در زندگی روزمره آشنا می‌شوید.

یادگیری نیمه‌نظارتی (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 یادگیری…

کاربرد پردازش زبان طبیعی در زندگی روزمره‌ بسیار گسترده است. پردازش زبان طبیعی (Natural Language Processing) شاخه‌ای از هوش مصنوعی (Artificial Intelligence) است که به کامپیوترها در درک، تفسیر و دست‌کاری زبان انسان کمک می‌کند. ابزارهای پردازش زبان طبیعی می‌توانند به کسب‌وکارها در تجزیه‌وتحلیل داده‌ها…

پردازش زبان طبیعی (Natural Language Processing) یکی از حوزه‌های در حال رشد و امیدوارکننده در هوش مصنوعی (AI) است. در حال حاضر این فناوری در بسیاری از برنامه‌های کاربردی که ما روزانه از آن‌ها استفاده می‌کنیم، از چت‌بات‌ها گرفته تا موتورهای جست‌وجو، حضور دارد.

در این مقاله به‌صورت کوتاه یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning)‌ را معرفی و تفاوت‌های آن‌ها با هم را بررسی کردیم. در این بخش خلاصه‌ای از مطالب گفته‌شده را آورده‌ایم:‌
• یادگیری ماشین چیزی میان علوم کامپیوتر (Computer Science)‌ و آمار (Statistics)‌ است. در آن کامپیوترها این توانایی را پیدا می‌کنند که بدون اینکه مستقیماً برای کاری برنامه‌ریزی شوند، یاد بگیرند آن را انجام دهند.
• یادگیری عمیق زیرمجموعه‌ی خاصی از یادگیری ماشین است.
• یادگیری عمیق مبتنی بر ساختار لایه‌ای الگوریتم‌هایی موسوم به شبکه‌ی عصبی مصنوعی است.
• برخلاف یادگیری ماشین، یادگیری عمیق به داده‌های زیادی احتیاج دارد، اما برای عملکرد صحیح به مداخله‌های انسانی کمی نیاز دارد.

یادگیری عمیق (Deep Learning) زیرشاخه یادگیری ماشین (Machine Learning) است. این زیرشاخه در اصل یک شبکه‌ی عصبی (Neural Network) با سه یا چند لایه است. این شبکه‌های عصبی سعی در شبیه‌سازی رفتار مغز انسان دارند که به آن‌ها این امکان را می‌دهد تا با تحلیل…

در این مطلب تکنیک طبقه‌بندی متن را معرفی می‌کنیم و می‌بینیم که روش‌های مرسوم کاربردی در این حوزه چیست؛ هم‌چنین با بعضی از کاربردهای آن آشنا می‌شویم.

در این مطلب یادگیری بدون ناظر، یکی از تکنیک‌های یادگیری ماشین، را معرفی کرده‌ایم. همین‌طور درمی‌یابیم که در یادگیری بدون ناظر به نظارت روی مدل نیازی نیست و خود مدل با پیداکردن الگوهای موجود در داده، داده‌ها را برچسب‌گذاری و در یک گروه خاص طبقه‌بندی می‌کند؛ علاوه‌براین با سه نوع اصلی یادگیری بدون ناظر، یعنی خوشه بندی، اتحاد و کاهش ابعاد، آشنا می‌شویم.

در این مطلب با مفهوم یادگیری با ناظر، زیرمجموعه‌های آن و مزایا و معایبش آشنا می‌شوید.

شناسایی الگو فرایند تشخیص الگوهای موجود در داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین است؛ درواقع یکی از رایج‌ترین کاربردهای یادگیری ماشین شناسایی الگو است. کامپیوترهایی که از الگوریتم‌های آموزش‌دیده استفاده می‌کنند به‌راحتی می‌توانند حیوانات را در عکس‌ها، ناهنجاری‌های موجود در نوسان‌های سهام و علائم…

سیستم تشخیص چهره (Face Recognition) یک فناوری است که می‌تواند شخص را ازطریق یک تصویر دیجیتال یا یک فریم ویدئو از یک منبع ویدیویی شناسایی یا تأیید کند. تشخیص چهره تکنیک شناسایی چهره‌ی افرادی است که در مجموعه‌ای داده وجود دارند. بااینکه تشخیص چهره، در…

در این مطلب تشخیص گفتار (Speech Recognition) را معرفی خواهیم کرد، سپس با الگوریتم‌های کاربردی در این حوزه آشنا خواهیم شد و درنهایت برخی از موارد کاربرد تشخیص گفتار را شرح می‌دهیم.

در ادامه این مطلب به‌صورت مفصل قصد داریم به معرفی هوش مصنوعی بپردازیم، انواع آن را بشناسیم، بفهمیم هدف از ایجاد آن چه بوده است و درنهایت با برخی از کاربردهای آن آشنا شویم.