‌
✳️ ‌آموزش درخت تصمیم در یادگیری ماشین (رایگان)


چکیده — یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند. ما در این آموزش قصد داریم تا درخت تصمیم در یادگیری ماشین را مورد بحث و بررسی قرار دهیم.



کسب اطلاعات بیشتر 👇👇

🔗 آموزش درخت تصمیم در یادگیری ماشین (رایگان) — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌‌
‌

‌
📣 دسترسی به آخرین کوپن و کدهای تخفیف فرادرس

🔗 صفحه فرصت‌های ویژه - [کلیک کنید]

💯 همراه با فرصت‌های ویژه فرادرس، یادگیری را شروع کنید👇


‌‏💫 تا ۱۷۰ هزار تومان تخفیف در طرح پلکان آموزشی

در این طرح، با توجه به مقدار سبد سفارش خود تا ۱۷۰ هزار تومان تخفیف دریافت کنید.

🎁 کد تخفیف: STR69

📅 اعتبار: تا پایان روز دوشنبه ٣١ مرداد ۱۴۰۱

_______________‏

‏💫 ۵۰ هزار تومان هدیه آموزشی، مخصوص اپلیکیشن فرادرس

🎁 کد تخفیف: FRAPP

📅 اعتبار: تا پایان روز دوشنبه ٣١ مرداد ۱۴۰۱

_______________‏

‌‏💫 ۵۰ درصد تخفیف برای ثبت اولین سفارش خرید

🎁 کد تخفیف: FRSTRD

📅 اعتبار: تا پایان روز دوشنبه ٣١ مرداد ۱۴۰۱

_______________‏

💫 ۱۵۰ هزار تومان تخفیف برای سبدهای خرید بالای ۴۰۰ هزار تومان

🎁 کد تخفیف: FR4SD

📅 اعتبار: تا پایان روز دوشنبه ٣١ مرداد ۱۴۰۱

_______________‏

🌟 جهت اطلاع از تمامی کدهای تخفیف فعال در فرادرس و نحوه استفاده از آن‌‌ها، به لینک زیر مراجعه کنید:

🔗 فرصت‌های ویژه فرادرس - [کلیک کنید]


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

‌@FaraDars — فرادرس

‌
✨ در کانال‌های موضوعی و تخصصیِ فرادرس، چه مطالبی به صورت رایگان ارائه می‌شود؟

🔹 جدیدترین و به‌روز ترین مقالات آموزشی در رشته‌های مختلف تحصیلی و تخصصی
🔹 خلاصه دروس دانشگاهی
🔹 مطالب جذاب علمی و ویدئوهای آموزشی
🔹 آموزش مهارت‌های کاربردی‌

🌟 برای دسترسی سریع‌تر به مطالب و مقالات آموزشی رایگان فرادرس، عضو کانال مورد نظر خود شوید👇👇👇


📌کانال آموزشی برنامه‌نویسی:
@FaraProg

📌کانال آموزشی برنامه‌نویسی پایتون:
@FaraPython

📌کانال آموزشی برنامه‌نویسی اندروید:
@FaraAnd

📌کانال آموزشی برنامه‌نویسی جاوا:
@Fara_Java

📌کانال آموزشی طراحی و توسعه وب:
@FaraWebDev

📌کانال آموزشی متلب و سیمولینک:
@FaraMatlabSim

📌کانال آموزشی رباتیک:
@FaraRobotics

📌کانال آموزشی هوش مصنوعی:
@FaraAI

📌کانال آموزشی علم داده:
@Fara_DS

📌کانال آموزشی مهندسی:
@FaraEng

📌کانال آموزشی مهندسی مکانیک:
@FaraMechanical

📌کانال آموزشی مهندسی برق:
@FaraElectrical

📌کانال آموزشی مهندسی عمران:
@FaraCivil

📌کانال آموزشی معماری:
@FaraArch

📌کانال آموزشی شیمی:
@FaraChem

📌کانال آموزشی مهندسی و علوم کامپیوتر:
@FaraCompEng

📌کانال آموزشی طراحی گرافیک:
@FaraGraphDesign

📌کانال آموزشی زبان:
@FaraLang

📌کانال آموزشی زیست‌شناسی:
@FaraBio

📌کانال آموزشی فیزیک:
@FaraPhys

📌کانال آموزشی ریاضیات:
@FaraMathematic

📌کانال آموزشی آمار و احتمالات:
@FaraStatistics

📌کانال آموزشی آفیس:
@FaraOffice

📌کانال آموزشی بورس:
@FaraVest

📌کانال آموزشی بازاریابی دیجیتال:
@Kaprila


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

‌@FaraDars — فرادرس

‌‌
✳️ مجموعه وبینارهای رایگان رویداد فینوهک — ۱۳ دوره آموزشی

🔖 فینوهک رویدادی مبتنی بر سرمایه‌گذاری است. این رویداد می‌خواهد فرصتی باشد تا افراد و تیم‌ها با چالش‌ها در پنج حوزه ولث‌تک (WealthTech)، اینشورتک (InsureTech)، رگ‌تک (ReqTech)، لندتک (Lend Tech) و پرداخت (Paytech) برخورد کنند. در فینوهک تلاش می‌شود تا افراد در مورد فینتک توانمند شوند و بتوانند شناخت خوبی نسبت به فینتک پیدا کنند و کسب و کاری را در این فضا شروع کنند یا بهتر ادامه دهند. فرادرس همراه آموزشی فینوهک است و وبینارهای رایگان را در اختیارتان قرار می‌دهد.

🔻 اولین وبینار در این رویداد، روز سه‌شنبه، ۱ شهریور ۱۴۰۱ آغاز خواهد شد. برای اطلاع از زمان برگزاری و ثبت‌نام در وبینارها، روی عنوان مورد نظر خود کلیک کنید: 👇

۱. فینتک چیست؟

۲. آنچه که برای شروع یک کسب و کار در فضای بیتکوین و بلاکچین لازم است بدانید

۳. تشریح مدل‌های ساختارشکن ولث تک در دنیا و اشاره به فرصت‌های پیش رو

۴. شناخت رگ تک و شناسایی نقش آن در زنجیره ارزش فینتک‌ها

۵. فرصت‌های تجاری سازی API

۶. آموزش Embedded Finance و تاثیر آن بر مدل‌های کسب‌ و کار

۷. قراردادهای هوشمند و فرصت های کسب و کاری در سال ۲۰۲۲

۸. روش‌های جدید اعتبار دهی و پرداخت تسهیلات و فناوری های مرتبط با آن

۹. تامین مالی زنجیره تامین، فرصتی جدید برای ورود تکنولوژی‌های نوین به صنعت مالی

۱۰. طراحی تجربه مشتری در صنعت فینتک

۱۱. محصول فینتکی از کجا شروع می‌شود؟

۱۲. مروری بر قواعد و چارچوب رایج بیمه گری

۱۳. کاربرد هوش مصنوعی در فرایند خسارت‌های بیمه


🔗 وبینارهای رایگان رویداد فینوهک — [کلیک کنید]


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا
‌
@FaraDars — فرادرس‌‌

‌
📘 آموزش سیستم‌‌ عامل ربات‌ ها ROS – موقعیت یابی و مسیریابی منتشر شد!

🔹 لینک آموزش – [کلیک کنید]

🔖 امروزه، یکی از اساسی‌ترین چالش‌ها در ربات‌های چرخ‌دار، موقعیت‌یابی و مسیریابی است. از آنجاکه استفاده از سیستم‌عامل ربات‌ها (ROS) در برنامه‌نویسی ربات‌های پیچیده حرف اول را می‌زند، در این آموزش قصد داریم در ادامه یادگیری ROS، ابتدا به موقعیت‌یابی تقریبی و بعد از آن به موقعیت یابی دقیق ربات در محیط بپردازیم و در ادامه مسیریابی یا ناوبری را برای ربات‌هایی که روی سطح حرکت می‌کنند، پیاده‌سازی کنیم. با توجه به اینکه امروزه تقریباً همه ربات‌های متحرک با چالش مسیریابی و شناسایی موانع روبه‌رو هستند، توانایی در حل این مسائل بسیار ضروری و مهم است.

🎯 مناسب برای: مهندسی کامپیوتر – هوش مصنوعی | رباتیک | مهندسی برق | مهندسی مکاترونیک | مهندسی مکانیک

💲 هزینه اصلی آموزش: ۱۴۹,۰۰۰ تومان

🎁 هزینه با احتساب هدیه ویژه انتشار: ۶۴,۵۰۰ تومان
‌(‌۵۰ درصد تخفیف)

👈 کد تخفیف: NWDT66

❗️ اعتبار: تا پایان روز جمعه، ۴ شهریور ۱۴۰۱

🔗 لینک آموزش – [کلیک کنید]

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس
.

‌
✳️ ‌آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان)


چکیده — علم داده، علمی میان رشته‌ای است که در آن از مباحث گوناگون از الگوریتم‌های یادگیری ماشین گرفته تا آمار، جبر خطی، سیستم‌های مدیریت پایگاه داده و دیگر مباحث استفاده می‌شود. اما به راستی فراگیری چه علوم و مباحثی به فرد در یادگیری علم داده کمک می‌کند و نقشه راه مبدل شدن به دانشمند داده چیست؟ در ویدئوی آموزش مسیر مبدل شدن به علم داده، به این پرسش به طور کامل پاسخ داده شده است.

کسب اطلاعات بیشتر 👇👇

🔗 آموزش مسیر تبدیل شدن به دانشمند علم داده (رایگان) — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌‌
‌

‌
✳️ دسترسی به هزاران ساعت آموزش ویدئویی و رایگان از طریق اپلیکیشن فرادرس

📱 ۲۰ هزار ساعت آموزش تو موبایل کنار دستته👇

▫️ دروس و نرم‌افزارهای دانشگاهی
▫️ برنامه‌نویسی و طراحی سایت
▫️ مهارت‌های توسعه فردی
▫️ مهارت‌های کامپیوتری
▫️ طراحی و گرافیک
▫️ زبان‌های خارجی
▫️ کسب و کار

🚀 با اپلیکیشن فرادرس تو هر شرایط زمانی و مکانی‌، می‌تونید مهارت‌ها و دانشتون رو ارتقا بدید و ویدئوهای آموزشی رو تو موبایلتون مشاهده کنید.

نصب سریع و راحت از گوگل‌پلی👇

✅ دریافت اپلیکیشن فرادرس از Google Play - [کلیک کنید]


🔗 فهرست آموزش‌های رایگان در فرادرس - [کلیک کنید]


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

@FaraDars‌ — ‌‌فرادرس

‌
💢 معرفی کانال‌های تلگرام فرادرس:


📍 کانال رسمی فرادرس [‎‌@FaraDars]

✅ در این کانال، اطلاع‌رسانی طرح‌ها و جشنواره‌های تخفیف، رویدادها و وبینارها، معرفی مجموعه‌های آموزشی، گزارش عملکرد و آمار مربوط به فعالیت‌های مجموعه فرادرس و سایر موارد انجام می‌شود.


📍 کانال فراپُن [‎‌‌‌@FaraPon] — آخرین کوپن و تخفیف‌ها

✅ کانال «فراپُن» با هدف ایجاد دسترسی آسان و طبقه‌بندی شده به فرصت‌های ویژه فرادرس ایجاد شده است. می‌توانید آخرین کوپن و کدهای تخفیف فرادرس را در این کانال دنبال کنید.


📍 کانال تازه‌های نشر [‎@FDpub] — جدیدترین آموزش‌ها با تخفیف ویژه انتشار

✅ این کانال با افزایش ظرفیت و آمار انتشار آموزش‌های فرادرس، با هدف اطلاع‌رسانی سریع آموزش‌های جدید، ایجاد شده و در دسترس است.
از طریق این کانال و در سریع‌ترین زمان ممکن به جدیدترین آموزش‌های منتشر شده در فرادرس، همراه با تخفیف ویژه انتشار آموزش، دسترسی خواهید داشت.


📍 کانال‌های موضوعی و تخصصی

✅ در کانال‌های تخصصی فرادرس، جدیدترین و به‌روز ترین مقالات آموزشی در رشته‌های مختلف تحصیلی و تخصصی، خلاصه دروس دانشگاهی، آموزش مهارت‌های کاربردی، مطالب جذاب علمی و ویدئوهای آموزشی به صورت کاملاً رایگان ارائه می‌شود.

🔗 لیست کانال‌های تخصصی - [کلیک کنید]


📍 کانال تدریس در فرادرس [‎‌@Teach_on_FaraDars]

✅ این کانال با هدف انتقال سریع آخرین اخبار و اطلاعات مرتبط با تدریس در فرادرس، ایجاد شده‌‌است. با عضویت در این کانال، شما می‌توانید از فرصت‌ها و طرح‌های ویژه تدریس و سایر موارد مرتبط با آن، مطلع شوید.


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

@FaraDars — فرادرس‌

‌
✳️ ‌آموزش مفاهیم پایه بهینه سازی – رایگان


چکیده — مبحث بهینه سازی (Optimization) شامل خانواده بزرگی از مسائل کاربردی و روش های پیشنهادی برای حل این مسائل است. تقریبا هیچ رشته کاربردی و تخصصی را نمی توان یافت که نیازمند حل مسائل بهینه سازی نباشد. علاوه بر این، زندگی روزمره ما انسان ها نیز تقریبا بدون حل روازنه ده ها مساله بهینه سازی ریز و درشت نیست. از منظر آکادمیک و یا حرفه ای، دانستن مفاهیم پایه بهینه سازی و آشنایی با روش های حل مسائل بهینه سازی، یکی از ضرورت های مهم است. از این رو، دانشجویان رشته های مختلف و همین طور متخصصین شاغل در صنایع مختلف، نیازمند آشنایی با مفاهیم و روش های بهینه سازی هستند. ما در این آموزش قصد داریم تا مفاهیم پایه بهینه‌ سازی را مورد بحث و بررسی قرار دهیم.

کسب اطلاعات بیشتر 👇👇

🔗 آموزش مفاهیم پایه بهینه سازی – رایگان — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌
‌

‌
✳️ ‌آموزش مقدمه ای بر هوش مصنوعی و عامل های هوشمند (رایگان)


چکیده — در این آموزش با هدف پر نمودن خلا موجود در درس هوش مصنوعی برای دانشجویان، مخاطبان و داوطلبان آزمون های ورودی، سعی داریم همراه با تشریح مفاهیم مختلف، مثال های متعددی نیز حل کنیم. این آموزش به عنوان یک منبع قوی برای تمامی دانشجویان و داوطلبان برایی تمامی آزمون ها و کنکورهای ارشد قابل استفاده است. ما در این آموزش قصد داریم تا مبحث مقدمه ای بر هوش مصنوعی و عامل های هوشمند را مورد بحث و بررسی قرار دهیم.

کسب اطلاعات بیشتر 👇👇

🔗 آموزش مقدمه ای بر هوش مصنوعی و عامل های هوشمند (رایگان) — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌
‌

‌
✳️ ‌آموزش محاسبات تکاملی و بهینه سازی هوشمند – روش های برخورد با قیدها – بخش یکم – رایگان


چکیده — مبحث بهینه سازی (Optimization) شامل خانواده بزرگی از مسائل کاربردی و روش های پیشنهادی برای حل این مسائل است. تقریبا هیچ رشته کاربردی و تخصصی را نمی توان یافت که نیازمند حل مسائل بهینه سازی نباشد. علاوه بر این، زندگی روزمره ما انسان ها نیز تقریبا بدون حل روازنه ده ها مساله بهینه سازی ریز و درشت نیست. از منظر آکادمیک و یا حرفه ای، دانستن مفاهیم پایه بهینه سازی و آشنایی با روش های حل مسائل بهینه سازی، یکی از ضرورت های مهم است. از این رو، دانشجویان رشته های مختلف و همین طور متخصصین شاغل در صنایع مختلف، نیازمند آشنایی با مفاهیم و روش های بهینه سازی هستند. ما در این آموزش قصد داریم تا محاسبات تکاملی و بهینه سازی هوشمند - روش‌ های برخورد با قیدها را مورد بحث و بررسی قرار دهیم.

کسب اطلاعات بیشتر 👇👇

🔗 آموزش محاسبات تکاملی و بهینه سازی هوشمند – روش های برخورد با قیدها – بخش یکم – رایگان — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌‌
‌

‌
✨ در کانال‌های موضوعی و تخصصیِ فرادرس، چه مطالبی به صورت رایگان ارائه می‌شود؟

🔹 جدیدترین و به‌روز ترین مقالات آموزشی در رشته‌های مختلف تحصیلی و تخصصی
🔹 خلاصه دروس دانشگاهی
🔹 مطالب جذاب علمی و ویدئوهای آموزشی
🔹 آموزش مهارت‌های کاربردی‌

🌟 برای دسترسی سریع‌تر به مطالب و مقالات آموزشی رایگان فرادرس، عضو کانال مورد نظر خود شوید👇👇👇


📌کانال آموزشی برنامه‌نویسی:
@FaraProg

📌کانال آموزشی برنامه‌نویسی پایتون:
@FaraPython

📌کانال آموزشی برنامه‌نویسی اندروید:
@FaraAnd

📌کانال آموزشی برنامه‌نویسی جاوا:
@Fara_Java

📌کانال آموزشی طراحی و توسعه وب:
@FaraWebDev

📌کانال آموزشی متلب و سیمولینک:
@FaraMatlabSim

📌کانال آموزشی رباتیک:
@FaraRobotics

📌کانال آموزشی هوش مصنوعی:
@FaraAI

📌کانال آموزشی علم داده:
@Fara_DS

📌کانال آموزشی مهندسی:
@FaraEng

📌کانال آموزشی مهندسی مکانیک:
@FaraMechanical

📌کانال آموزشی مهندسی برق:
@FaraElectrical

📌کانال آموزشی مهندسی عمران:
@FaraCivil

📌کانال آموزشی معماری:
@FaraArch

📌کانال آموزشی شیمی:
@FaraChem

📌کانال آموزشی مهندسی و علوم کامپیوتر:
@FaraCompEng

📌کانال آموزشی طراحی گرافیک:
@FaraGraphDesign

📌کانال آموزشی زبان:
@FaraLang

📌کانال آموزشی زیست‌شناسی:
@FaraBio

📌کانال آموزشی فیزیک:
@FaraPhys

📌کانال آموزشی ریاضیات:
@FaraMathematic

📌کانال آموزشی آمار و احتمالات:
@FaraStatistics

📌کانال آموزشی آفیس:
@FaraOffice

📌کانال آموزشی بورس:
@FaraVest

📌کانال آموزشی بازاریابی دیجیتال:
@Kaprila


📚 فرادرس | دانش در دسترس همه؛ همیشه و همه جا

‌@FaraDars — فرادرس

‌
✳️ ‌آموزش آشنایی با پردازش زبان های طبیعی (NLP) در پایتون (Python) – رایگان


چکیده — همان طور که می دانید داده ها را در بستر وب می توان به فرم های: متن، تصویر، صوت یا ویدئو مشاهده نمود ولی از آن جا که بیشتر این داده ها به صورت متن هستند، در این فرادرس به پردازش زبان های طبیعی می پردازیم. این درس با عنوان مبانی پردازش زبان و گفتار برای دانشجویان کامپیوتر در برخی از دانشگاه ها ارائه می گردد ولی از آن جا که بیشتر به صورت تئوری ارائه می شود و منبع فارسی عملی نیز برای آن وجود ندارد، بر آن شدیم که این درس را ارائه دهیم.

کسب اطلاعات بیشتر 👇👇

🔗 آموزش آشنایی با پردازش زبان های طبیعی (NLP) در پایتون (Python) – رایگان — کلیک کنید [+]

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس
‌‌
‌

‏✳️ ‌کاربرد هوش مصنوعی در خدمات حقوقی آنلاین

‏در این مطلب، کاربرد هوش مصنوعی در خدمات حقوقی آنلاین مورد بررسی قرار گرفته است. در دنیای کسب‌وکار وارد هر حیطه‌ای که بشوید ردپای قانون را در گوشه و کنار آن پیدا می‌کنید. مثلاً فعالیت‌هایی را در نظر بگیرید که یک شرکت فرضی انجام می‌شود؛ خرید، فروش، مشارکت، استخدام، ادغام. همه این‌ها با قراردادهای الزام‌آور قانونی انجام می‌شوند. برای به ثمر نشستن اختراعات و نوآوری‌ها نیز به نظام کارآمد حمایت از حقوق مالکیت فکری نیاز است. حتی در زندگی روزمره به طور پیوسته با قوانین و مقررات نظام حقوقی خود در کشاکش هستیم، گاهی با آن‌ها وارد جدال می‌شویم و گاهی از چتر حمایتی آن‌ها بهره می‌بریم.

══ فهرست مطالب ══

‏ ○ تهیه قرارداد با استفاده از هوش مصنوعی
‏ ○ تحلیل قراردادها با استفاده از هوش مصنوعی
‏ ○ ماشین‌های پیشگو در راه هستند
‏ ○ تحقیقات حقوقی با کمک هوش مصنوعی
‏ ○ نتیجه‌گیری پیرامون کاربرد هوش مصنوعی در خدمات حقوقی آنلاین


‏🔸 تهیه قرارداد با استفاده از هوش مصنوعی

‏در این بخش از مطلب کاربرد هوش مصنوعی در خدمات حقوقی آنلاین به موضوع تهیه قرارداد با استفاده از هوش مصنوعی پرداخته شده است. قراردادها خون جاری در رگ‌های نظام اقتصادی هستند و هر معامله تجاری به تنظیم قرارداد نیاز دارد؛ اما فرایند مذاکره و تنظیم قرارداد بسیار خسته‌کننده است. روال معمول این است که یکی از طرفین قرارداد را تنظیم می‌کند و برای طرف دیگر می‌فرستد. طرف مقابل نظرات خود را در مورد جرح و تعدیل مفاد قرارداد به دیگری اعلام می‌کند و قرارداد را به آن باز می‌گرداند و این تبادل ممکن است بارها و بارها تکرار شود.

‏طولانی شدن این روند گاهی باعث تأخیر در امضای قرارداد شده و مانع رسیدن شرکت‌ها به اهداف تجاری خود می‌شود. خطاهای انسانی هم در هنگام نگارش قرارداد کم اتفاق نمی‌افتند. به یاد داشته باشید که در یک قرارداد اصولی بایستی تا به تمام جزئیات توجه شود و گاهی حجم قرارداد به هزاران صفحه می‌رسد، پس وقوع انواع اشتباهات و خطاهای انسانی اصلاً عجیب نیست.

‏خوشبختانه امکان خودکارسازی فرایند نگارش قرارداد وجود دارد و چندین استارتاپ حقوقی از جمله لاگیکس (Lawgeex)، کلاریتی (Klarity)، کلرلا (Clearlaw) و لکس‌چک (LexCheck) برنامه‌هایی برای آن تهیه کرده‌اند. این برنامه‌ها به این شکل کار می‌کنند که یک قرارداد پیشنهادی وارد آن می‌شود، نرم‌افزار با تحلیل متن تعیین می‌کند که کدام بخش‌های قرارداد قابل قبول است و در کدام قسمت‌ها ایراد و اشکالی وجود دارد.


‏🔸 تحلیل قراردادها با استفاده از هوش مصنوعی

‏مذاکره و امضای قرارداد تازه ابتدای راه است. طرفین یک قرارداد باید تمام شروط و تعهداتی که پذیرفته‌اند را اجرا و رعایت کنند و این یک چالش مهم برای شرکت‌های بزرگی است که میلیون‌ها قرارداد با هزاران شخص در موضوعات متنوع دارند.

‏در حال حاضر شرکت‌ها عملاً نمی‌توانند به تمام جزئیات قراردادهایی که امضا کرده‌اند تسلط داشته باشند اما هوش مصنوعی فرصتی را برای حل این مشکل در اختیار آن‌ها قرار می‌دهد. برنامه‌های مسلط به فناوری «پردازش زبان طبیعی» (Natural Language Processing) این توانایی را دارند که نکات کلیدی قراردادها را از بین مجموعه اسناد قراردادی شرکت استخراج و معنایابی کنند تا مدیران اجرایی شرکت امکان درک تعهدات تجاری شرکت خود را در موقعیت‌های مختلف داشته باشند. نرم‌افزار کایرا سیستمز (Kira Systems) و سیل (Seal Software) دو شرکت فناوری خدمات حقوقی آنلاین با سرمایه مالی قابل توجه هستند که در حال توسعه سامانه‌هایی برای ارائه این خدمات هستند.

‏این راهکارهای فناورانه به تمام اجزای شرکت‌ها کمک می‌کند تا تصمیمات آگاهانه بگیرند. گروه فروش می‌داند چه زمانی باید برای تأمین سرمایه و پیش‌فروشی اقدام کند. گروه‌های تدارکات این امکان را پیدا می‌کنند که به موقع مذاکرات و معاملات را انجام دهند. گروه مالی برای اقدام به موقع در زمینه ارزیابی اعتبار و تصمیم‌گیری در مورد شروع فرایند تملیک و ادغام آمادگی خواهد داشت. به کمک این فناوری تا یک دهه دیگر فضای پر گرد و غبار تعهدات قراردادی که شرکت‌های امروزی در آن فعالیت می‌کنند به خاطره‌ها خواهد پیوست.



مطالعه ادامه مطلب 👇👇

‏🔗 کاربرد هوش مصنوعی در خدمات حقوقی آنلاین — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

✳️ ‌ساخت شبکه عصبی — راهنمای مقدماتی

‏در این نوشته قصد داریم پرده از ابهامات شبکه‌های عصبی برداریم، همراه با شما اقدام به ساخت شبکه عصبی کنیم و با آنچه در پشت صحنه اتفاق می‌افتد آشنا شویم.

══ فهرست مطالب ══

‏ ○ شبکه عصبی مصنوعی چیست؟
‏ ○ مبانی شبکه عصبی
‏ ○ اندازه لایه‌های مختلف
‏ ○ تعداد نورون‌های هر لایه
‏ ○ بهینه‌ساز
‏ ○ تابع فعال‌سازی
‏ ○ مقداردهی مدل


‏🔸 شبکه عصبی مصنوعی چیست؟

‏شبکه‌های عصبی (مصنوعی) به دلیل شباهت نسبی‌شان به شبکه‌های عصبی در مغز به این صورت نامگذاری شده‌اند و شامل اتصال‌هایی از جنس نورون‌های مصنوعی هستند. این شبکه‌ها از طریق اتصال‌های بین نورون‌ها که سیناپس نام دارد فعالیت می‌کنند. سیناپس‌ها اطلاعات را از یک نورون به نورون دیگر ارسال می‌کنند. یک نورون می‌تواند اطلاعات را از یک نورون ورودی بگیرد و سپس آن اطلاعات را به همه نورون‌های دیگر که به نورون مزبور وصل هستند، بفرستد. این وضعیت در حالتی که شبکه خود را بسازیم و فعالیت آن را در عمل مشاهده کنیم، معنی بیشتری خواهد یافت.


‏🔸 مبانی شبکه عصبی

‏جهت برآورده ساختن مقاصد آموزشی این مقاله، خواننده باید درکی مقدماتی از برخی مباحث ابتدایی ریاضیات و آمار نیز داشته باشد. به علاوه اگر می‌خواهید مدل‌ها را روی سیستم خود اجرا کنید (که البته ضروری نیست)، می‌بایست همه کتابخانه‌های مورد نیاز را به درستی نصب کرده باشید و آشنایی متوسطی با پایتون داشته باشید. برای اجرای همه مثال‌های این مقاله، کاربر نیازمند کتابخانه‌های Pandas Numpy ،Matplotlib ،Scikit-Learn ،TensorFlow و Keras خواهد بود.



مطالعه ادامه مطلب 👇👇

‏🔗 ساخت شبکه عصبی — راهنمای مقدماتی — کلیک کنید (+)

📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [‎@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

‏✳️ ‌داکر (Docker) و کاربرد آن در علم داده — راهنمای کاربردی

‏از زمانی که «داکر» (Docker) به طور عمومی انتشار یافت تا به امروز، حدود شش سال زمان می‌گذرد. این برنامه کامپیوتری به دلیل قابلیت‌های جالب توجهی که فراهم می‌کرد، توانست خیلی سریع به محبوبیت بالایی دست پیدا کند و در حوزه‌های گوناگون مورد استفاده قرار بگیرد. در این مطلب، به مبحث داکر (Docker) و کاربرد آن در علم داده پرداخته خواهد شد. در همین راستا، ابتدا چیستی داکر، دلایل استفاده از آن، تعاریف داکر، نحوه نصب و ساخت ایمیج داکر و در نهایت، چگونگی استفاده از آن در راستای «علم داده» (Data Science) مورد بررسی قرار خواهد گرفت.

══ فهرست مطالب ══

‏ ○ داکر چیست؟
‏ ○ دلایل استفاده از داکر چیست؟
‏ ○ تعاریف داکر
‏ ○ نصب داکر
‏ ○ ساخت اولین ایمیج داکر
‏ ○ دستور From
‏ ○ دستور LABEL
‏ ○ دستور ENV
‏ ○ دستور RUN
‏ ○ دستور EXPOSE
‏ ○ دستور VOLUME
‏ ○ دستور WORKDIR
‏ ○ دستور ADD
‏ ○ دستور CMD
‏ ○ ساخت ایمیج داکر
‏ ○ ساخت و اجرای یک کانتینر از داکر ایمیج
‏ ○ تعامل با کانتینر
‏ ○ دست یافتن به قدرت‌های جادویی داکر (Docker) و کاربرد آن در علم داده
‏ ○ داکر انویدیا


‏🔸 داکر چیست؟

‏«داکر» (Docker)، یک برنامه کامپیوتری است که با استفاده از آن شبیه‌سازی سطح سیستم‌عامل انجام می‌شود. این برنامه توسط «شرکت داکر» (Docker, Inc) ساخته شده و توسعه داده می‌شود و برای اولین بار در سال ۲۰۱۳ منتشر شد. از داکر برای ساخت بسته‌های نرم‌افزاری استفاده می‌شود که به آن‌ها «کانتینر» (Container) گفته می‌شود. کانتینرها نسبت به یکدیگر ایزوله هستند و برنامه‌های خود، ابزارها، کتابخانه‌ها و فایل‌های پیکربندی خود را دارند. این کانتینرها می‌توانند با یکدیگر از طریق کانال‌های خوش تعریف ارتباط برقرار کنند. همه کانتینرها به وسیله یک کرنل سیستم عامل مجرد اجرا می‌شوند و بنابراین، نسبت به ماشین‌های مجازی سبک‌تر هستند.

‏کانتینرها از ایمیج‌هایی (Images) ساخته شده‌اند که محتوای دقیق آن‌ها را مشخص می‌کند. ایمیج‌ها معمولا با ترکیب و ویرایش ایمیج‌های استاندارد دانلود شده از مخازن عمومی ساخته می‌شوند. داکر، ابتدا برای سیستم‌عامل لینوکس ساخته شده بود تا از قابلیت ایزوله‌سازی منابع کرنل لینوکس مانند cgroups و namespaces و همچنین، سیستم فایل‌های یونیون مونت مانند OverlayFS و دیگر موارد استفاده کند. این کار با این هدف انجام می‌شد که به کانتینرهای مستقل امکان اجرای یک نمونه لینوکس مجرد را بدهد و از سربار شروع و نگهداری ماشین‌های مجازی اجتناب کند.

‏اما بعدها، برای سیستم‌عامل‌های ویندوز و مک‌او‌اس نیز توسعه یافت. داکر یک «رابط برنامه‌نویسی کاربردی» (Application Programming Interface | API) را برای فراهم کردن یک کانتینر سبک پیاده‌سازی می‌کند که می‌تواند یک برنامه را به صورت توکار پردازش کند. با توجه به اینکه کانتینرهای داکر بسیار سبک هستند، یک سرور یا ماشین مجازی تنها می‌تواند چندین ظریف را به طور هم‌زمان اجرا کند. برای تسلط بیشتر بر داکر، مطالعه مطلب «آموزش‌ داکر (Docker) — مجموعه مقالات مجله فرادرس» توصیه می‌شود.


‏🔸 دلایل استفاده از داکر چیست؟

‏تکرارپذیری: برای یک «دانشمند داده» (Data Scientist)، این موضوع از اهمیت به سزایی برخوردار است که کاری قابل تولید مجدد (تکرار پذیر) انجام دهد. قابلیت تولید مجدد نه تنها بازنگری با دقت (داوری دقیق | Peer Review) را امکان‌پذیر می‌سازد، بلکه اطمینان حاصل می‌کند که مدل، برنامه کاربردی یا تحلیلی که دانشمند داده انجام داده است، بدون مشکل اجرا شود. این امر، استحکام و قدرت بیشتری را فراهم می‌آورد.



مطالعه ادامه مطلب 👇👇

‏🔗 داکر (Docker) و کاربرد آن در علم داده — راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

‏✳️ ‌تشخیص چهره با جاوا اسکریپت و ری اکت — راهنمای کاربردی

‏«تشخیص چهره» (Face Detection) و «بازشناسی چهره» (Face Recognition)، امروزه از جمله مباحث مهم و داغی هستند که توجه بسیاری از پژوهشگران و کسب و کارهای بزرگ، متوسط و کوچک را به خود جلب کرده‌اند. در این مطلب، روش بازشناسی چهره با استفاده از «ری‌اکت» (React) و «face-api.js» مورد بررسی قرار گرفته است. در مطلب تشخیص چهره با جاوا اسکریپت و ری اکت از تصاویر اعضای یک گروه موسیقی برای انجام کار تشخیص چهره استفاده شده است که احتمالا، تشخیص چهره آن‌ها حتی با چشم انسانی هم کار دشواری است.

══ فهرست مطالب ══

‏ ○ تشخیص چهره با جاوا اسکریپت و ری اکت
‏ ○ توضیحات کوتاهی پیرامون تشخیص چهره
‏ ○ پیاده‌سازی سیستم تشخیص چهره با جاوا اسکریپت و ری اکت
‏ ○ رابط برنامه‌نویسی کاربردی جاوا اسکریپت برای تشخیص چهره یا همان Face API
‏ ○ جعبه تشخیص چهره
‏ ○ بازشناسی چهره
‏ ○ تطبیق‌دهنده چهره
‏ ○ ورودی ویدئو زنده
‏ ○ استقرار پروژه در صفحه گیت‌هاب


‏🔸 تشخیص چهره با جاوا اسکریپت و ری اکت

‏در ادامه، مبحث تشخیص چهره با جاوا اسکریپت و ری اکت مورد بررسی قرار گرفته است. «face-api.js» یک «رابط برنامه‌نویسی کاربردی» (Application Programming Interface) برای تشخیص چهره و بازشناسی چهره است که با «تنسورفلو دات جی‌اس» (TensorFlow.js) کار می‌کند. اکنون و با استفاده از این API، امکان آن وجود دارد که همه فرایندهای «یادگیری عمیق» (Deep Learning) روی مرورگر و بدون نیاز به کد بک‌اند لازم برای این کار، انجام شوند.

‏اکنون، بدون هرگونه کد بک-اند یا تنظیمات محیطی، تنها با داشتن یک میزبان وب استاتیک، می‌توان امکان بازشناسی چهره با ری‌اکت و تنسورفلو را داشت و آن را روی هر دستگاه یا مرورگری اجرا کرد. البته، مرورگر باید امکان اجرای TensorFlow.js را داشته باشد. در پایان این مطلب، چگونگی استقرار این برنامه کاربردی ری‌اکت در صفحه گیت‌هاب، آموزش داده شده است.

‏همانطور که پیش‌تر نیز بیان شد، در اینجا پیاده‌سازی یک برنامه کاربردی تک صفحه‌ای برای تشخیص و بازشناسی چهره، با استفاده از ری‌اکت و کتابخانه تشخیص چهره ace-api.js انجام می‌شود. این API با یک سیستم تشخیص چهره از پیش آموزش دیده شده، نقاط برحسته چهره (Face-Landmarks) و «تراز چهره» (Face-Alignment) را شناسایی می‌کند. بنابراین، نیازی به نوشتن مدل یادگیری عمیق در «تنسورفلو» (TensorFlow) نیست.


‏🔸 توضیحات کوتاهی پیرامون تشخیص چهره

‏در این بخش از مطلب تشخیص چهره با جاوا اسکریپت و ری اکت توضیحاتی اجمالی پیرامون تشخیص چهره ارائه شده است. حالتی مفروض است که فردی به یک اداره دولتی مراجعه می‌کند. مسئول مربوطه، یک کپی از مستندات فرد را دریافت می‌کند. او از فرد می‌خواهد که اثبات کند خودش است. فرد برای این منظور، کارت هویتی خود مثلا شناسنامه یا کارت ملی را ارائه می‌کند. مسئول، نام فرد و تصویری او را در کارت شناسایی مشاهده و با فردی که در مقابل خودش نشسته مقایسه می‌کند. همچنین، در حالت پیشرفته‌تری، اسم نوشته شده در کارت هویتی را وارد سیستم می‌کند تا از صحت کارت هویتی مطمئن شود و سپس، چهره فرد را با تصویر موجود روی کارت هویتی مقایسه می‌کند.

‏به همین شکل، در سیستم تشخیص چهره نیز اسم فرد به همراه اطلاعات چهره او ذخیره شده است. بنابراین، هنگامی که تصویر دیگری از فرد به سیستم داده می‌شود، سیستم تلاش می‌کند تا تشخیص دهد که آیا اطلاعات فرد صاحب تصویر در پایگاه داده خود دارد یا خیر و اگر دارد، اسم فرد و یا مشخصات کامل او را باز می‌گراند. این کار، توسط شبکه تشخیص چهره (Face Detection Network) انجام می‌شود. مدلی که در این پروژه برای کار تشخیص چهره استفاده شده، Tiny Face Detector نام دارد. دلیل این نام‌گذاری، سایز کوچک و موبایل‌پسند بودن آن است. API مورد استفاده در این پروژه، یک SSD mobileNet و MTCNN نیز برای تشخیص‌دهنده چهره استفاده می‌کند؛ اما در حال حاضر به ان پرداخته نخواهد شد.


مطالعه ادامه مطلب 👇👇

‏🔗 تشخیص چهره با جاوا اسکریپت و ری اکت — راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

✳️ ‌الگوریتم ژنتیک – از صفر تا صد

‏الگوریتم‌ ژنتیک (GA | Genetic Algorithms)، خانواده‌ای از «مدل‌های محاسباتی» (Computational Models) است که از مفهوم «تکامل» (Evolution) الهام گرفته‌ شده‌اند. این دسته از الگوریتم‌ها، «جواب‌های محتمل» (Potential Solutions) یا «جواب‌های کاندید» (Candidate Solutions) و یا «فرضیه‌های محتمل» (Possible Hypothesis) برای یک مسأله خاص را در یک ساختار داده‌ای «کروموزوم مانند» (Chromosome-like) کدبندی می‌کنند. الگوریتم ژنتیک از طریق اعمال «عملگرهای بازترکیب» (Recombination Operators) روی ساختارهای داده‌ای کروموزوم مانند، اطلاعات حیاتی ذخیره شده در این ساختارهای داده‌ای را حفظ می‌کند.

══ فهرست مطالب ══

‏ ○ مقدمه
‏ ○ انتخاب طبیعی
‏ ○ تکامل شبیه‌سازی شده
‏ ○ فرهنگ لغات الگوریتم ژنتیک
‏ ○
‏ ○ الگوریتم ژنتیک متعارف
‏ ○ نمایش عملکرد الگوریتم ژنتیک در بهینه‌سازی توابع
‏ ○ تفاوت الگوریتم ژنتیک و الگوریتم‌های بهینه‌سازی و جستجوی سنتی
‏ ○ کاربردهای الگوریتم ژنتیک
‏ ○ کدهای پیاده‌سازی الگوریتم ژنتیک در زبان‌های برنامه‌نویسی مختلف
‏ ○ فیلم آموزش تئوری و عملی الگوریتم ژنتیک و پیاده سازی آن در MATLAB
‏ ○ جمع‌بندی


‏🔸 مقدمه

‏بسیاری از اختراعات بشری از طبیعت الهام گرفته شده‌اند. «شبکه‌های عصبی مصنوعی» (ANN | Artificial Neural Network) نمونه بارز چنین ابداعاتی هستند. یکی دیگر از چنین ابداعاتی، توسعه ایده الگوریتم ژنتیک است. الگوریتم‌های ژنتیک، با «شبیه‌سازی» (Simulating) فرایند تکامل در طبیعت، با هدف یافتن بهترین جواب ممکن برای یک مسأله، به جستجو در «فضای جواب‌های کاندید» (Candidate Solution Space) می‌پردازند. در فرایند جستجو برای یافتن جواب بهینه، ابتدا مجموعه یا جمعیتی از جواب‌های ابتدایی تولید می‌شود. سپس، در «نسل‌های» (Generations) متوالی، مجموعه‌ای از جواب‌های تغییر یافته تولید می‌شوند (در هر نسل از الگوریتم ژنتیک، تغییرات خاصی در ژن‌های کروموزوم‌های تشکیل دهنده جمعیت ایجاد می‌شود). جواب‌های اولیه معمولا به شکلی تغییر می‌کنند که در هر نسل، جمعیت جواب‌ها به سمت جواب بهینه «همگرا» (Converge) می‌شوند.

‏این شاخه از حوزه «هوش مصنوعی» (Artificial Intelligence)، بر پایه مکانیزم تکامل موجودات زنده و تولید گونه‌های موفق‌تر و برازنده‌تر در طبیعت الهام گرفته شده است. به عبارت دیگر، ایده اصلی الگوریتم‌های ژنتیک، «بقای برازنده‌ترین‌ها» (Survival of the Fittest) است.

‏یک کروموزوم، رشته‌ای بلند و پیچیده از «اسید دی‌اکسی ریبونوکلئیک» (Deoxyribonucleic Acid) یا DNA است. عوامل ارثی که ویژگی‌ها یا خصیصه‌های یک «فرد» (Individual) را مشخص می‌کنند، در طول این کروموزوم‌ها نقش یافته‌اند. هر یک از خصیصه‌های موجود در افراد، به وسیله ترکیبی از DNA، در ژن‌های انسان کدبندی می‌شوند. در بدن موجودات زنده، معمولا چهار «پایه» (Base) برای تولید کروموزوم‌ها از روی DNA وجود دارد:


‏🔸 انتخاب طبیعی

‏در طبیعت، موجوداتی که ویژگی‌های برازنده‌تری نسبت به دیگر گونه‌ها دارند، برای مدت بیشتری به بقاء در طبیعت ادامه می‌دهند. چنین ویژگی‌ای، این امکان را در اختیار برازنده‌ترین موجودات زنده قرار می‌دهد تا بر اساس مواد ژنتیکی خود، اقدام به تولید مثل کنند. بنابراین، پس از یک دوره زمانی بلند مدت، جمعیت موجودات زنده به سمتی تکامل پیدا خواهد کرد که در آن، غالب موجودات بسیاری از ویژگی‌های ارثی خود را از «ژن‌های» (Genes) موجودات برتر و تعداد کمی از ویژگی‌های خود را از ژن‌های موجودات «رده پایین» (Inferior) با ژن‌ها یا ویژگی‌های نامرغوب به ارث خواهند برد.

‏به بیان ساده‌تر، موجودات برازنده‌تر زنده می‌مانند و موجودات نامناسب از بین می‌روند. به این فرایند و نیروی شگفت‌انگیز طبیعی، «انتخاب طبیعی» (Natural Selection) گفته می‌شود. نکته مهم در مورد انتخاب طبیعی و اثبات درست بودن این اصل این است که تحقیقات دانشمندان در مورد «توضیحات مولکولی از تکامل» (Molecular Explanation of Evolution) نشان داده است که گونه‌های مختلف موجودات زنده، خود را با شرایط محیطی تطبیق نمی‌دهند، بلکه صرفا موجودات برازنده‌تر به بقاء خود ادامه می‌دهند.



مطالعه ادامه مطلب 👇👇

‏🔗 الگوریتم ژنتیک – از صفر تا صد — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

‏✳️ ‌ماشین لرنینگ (Machine Learning) چیست ؟ — راهنمای کاربردی

‏«یادگیری ماشین» (Machine Learning | ML) از روش‌های «هوش مصنوعی» (Artificial Intelligence | AI) است که به سیستم توانایی یادگیری خودکار و بدون برنامه‌ریزی صریح را می‌دهد. به عبارت دیگر، هدف در ماشین لرنینگ ساخت ماشین‌های هوشمندی است که با استفاده از مجموعه‌ای از داده‌ها و تجربیات، به یادگیری بپردازند. هدف اصلی ماشین لرنینگ طراحی و توسعه برنامه‌های هوشمندی است که بتوانند به داده‌ها دسترسی پیدا کنند و از آن‌ها برای یادگیری استفاده کنند.

══ فهرست مطالب ══

‏ ○ روش‌های ماشین لرنینگ
‏ ○ معرفی فیلم آموزش یادگیری ماشین فرادرس
‏ ○ جمع‌بندی


‏🔸 روش‌های ماشین لرنینگ

‏ماشین لرنینگ روش‌های گوناگونی دارد که در چهار دسته اصلی «یادگیری نظارت شده» (Supervised Learning | یادگیری با ناظر)، «یادگیری نظارت نشده» (Unsupervised Learning | یادگیری بدون ناظر | یادگیری غیر نظارت شده)، «یادگیری نیمه‌نظارت شده» (Semi-Supervised Learning) و «یادگیری تقویتی» (Reinforcement Learning) قرار می‌گیرند. شایان ذکر است که پیرامون وجود دسته یادگیری نیمه‌نظارت شده، بین پژوهشگران اختلاف نظر وجود دارد. در ادامه به تعریف انواع روش‌های یادگیری ماشین پرداخته شده است.

‏روش‌های نظارت شده: در روش یادگیری نظارت شده، ورودی و خروجی الگوریتم از ابتدا مشخص است. در واقع، الگوریتم یادگیری ماشین نظارت شده، شروع به تجزیه و تحلیل روی مجموعه داده‌های ورودی (داده‌های آموزش | Train Data | Train Set) می‌کند. در نهایت، الگوریتم یادگیری نظارت شده پس از آموزش دیدن روی مجموعه داده دارای خروجی‌های مشخص، یک الگو و یا به بیان بهتر، مدلی را استنباط می‌کند که داده‌های ورودی بر اساس آن به داده‌های خروجی مبدل می‌شوند.

‏ماشین آموزش دیده قادر خواهد بود با استفاده از مدل استنباط شده، خروجی را برای نمونه داده‌های جدید با یک ضریب خطای مشخص، پیش‌بینی کند. این الگوریتم می‌تواند خروجی خود را با خروجی صحیح و از قبل تعیین شده مقایسه کند و خطاهای موجود را بیابد تا بر اساس آن مدل را اصلاح کند.


‏🔸 معرفی فیلم آموزش یادگیری ماشین فرادرس

‏طول مدت این دوره آموزشی بیست ساعت و پنجاه و نه دقیقه و مدرس آن، دکتر امیرحسین کیهانی‌پور است. این دوره آموزشی برای علاقه‌مندان و فعالان حوزه فناوری اطلاعات و ارتباطات، دانشجویان و فعالان حوزه‌های مهندسی کامپیوتر، علوم کامپیوتر، هوش مصنوعی، «علم داده» (Data Science)، علم اطلاعات و دانش‌شناسی، برنامه‌نویس‌ها و دیگر علاقه‌مندان به هوش مصنوعی و علم داده مناسب است. از جمله مباحث مورد بررسی در فیلم آموزش یادگیری ماشین می‌توان به کلیات و مفاهیم پایه در یادگیری ماشین، بررسی روش‌های کلاسیک یادگیری ماشین، یادگیری تقویتی و دیگر موارد اشاره کرد.

‏– None



مطالعه ادامه مطلب 👇👇

‏🔗 ماشین لرنینگ (Machine Learning) چیست ؟ — راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس