📝 مفهوم بیش برازش (overfitting) در یادگیری ماشین

#اصطلاحات_هوش_مصنوعی

فرض کنیم که فردی که انگلیسی زبان نیست بخواهد زبان انگلیسی را یاد بگیرد. او هیچ دانش قبلی در مورد انگلیسی ندارد اما فقط می‌داند که ویلیام شکسپیر بزرگ‌ترین نویسنده انگلیسی زبان است. یک راه این است که او خود را در یک کتابخانه حبس کند و تمامی آثار شکسپیر را مطالعه کند. بعد از یک سال مطالعه، فرد به نیویورک می‌رود و با اولین نفری که میبیند، سلام و احوالپرسی می‌کند. اولین جمله‌ای که می‌گوید اینگونه است: «!Good dawning to thee, friend». فرد مقابل، با نگاهی تحقیر آمیز، زیرلب خواهد گفت که این مرد دیوانه است. در این حالت این فرد، یکی از بزرگ‌ترین خطاهای پایه‌ای در آموزش مدل را مرتکب شده‌ایم، overfitting در داده‌های آموزش.

در آموزش‌های data science، یک مدل overfit، مدلی تعریف می‌شود که واریانس زیاد و بایاس کمی روی داده‌های آموزش دارد، که منجر به تعمیم‌پذیری پایینِ مدل به داده‌های جدید می‌شود. بیایید این تعریف را روی مثالی که در ابتدا مطرح کردیم، بررسی کنیم. مدلی که می‌خواهیم بسازیم، برقراری ارتباط از طریق زبان انگلیسی است. داده‌های آموزشی، تمامی آثار شکسپیر هستند و داده تست، نیویورک است. اگر معیار ارزیابی، پذیرش عموم مردم باشد، در این صورت مدل ما در تعمیم به داده‌های تست، با شکست مواجه می‌شود. تا اینجا همه چیز واضح است، اما واریانس یا بایاس چه هستند؟

به میزان تغییرات مدل در پاسخ به داده‌های آموزشی، واریانس گفته می‌شود. از آنجایی که در مثال مطرح شده، داده‌های آموزش، خوانده و حفظ شده‌اند، مدل واریانس زیادی دارد و به شدت به داده‌های آموزشی وابسته است. اگر به مدلی که واریانسش زیاد است، یکسری داده‌های تست جدید نشان داده شود، عملکرد مطلوبی نخواهد داشت، چرا که به شدت به داده‌های آموزش وابسته است و داده‌های جدید متفاوت با داده‌های آموزش هستند. دقیقا شبیه دانش‌آموزی که تمامی مسائلِ کتاب ریاضی را حفظ کرده ولی در امتحان ریاضی وقتی با مسائل جدیدی روبه رو می‌شود، نمی‌تواند آن‌ها را حل کند.

بایاس، نشان‌دهنده‌ی قدرت تخمین‌ها در مورد داده است. در تلاش برای یادگیری زبان انگلیسی، ما هیچ فرض اولیه‌ای در مورد مدل انجام ندادیم و به نویسنده کتاب اعتماد کردیم تا او همه چیز را در مورد زبان، به ما یاد دهد. بایاسِ پایین ممکن است نکته‌ای مثبت به نظر برسد اما چرا باید به داده‌ها اعتماد کرد؟ هر پروسه طبیعی، نویز تولید می‌کند اما نمی‌توان اطمینان داشت که داده‌ها تمام نویز را در بر بگیرند. اغلب لازم است یکسری فرض‌های اولیه در مورد داده‌ها در نظر گرفته و در مدل، فضایی برای نوساناتی که در داده‌ها دیده نمی‌شوند، در نظر گرفت. در مثالی که قبلا مطرح شد، قبل از خواندن کتاب‌های شکسپیر، فرد باید در نظر می‌گرفت که خواندن کتاب‌ نمی‌تواند به تنهایی زبان انگلیسی را به او یاد دهد و او تنها کتاب‌ها را حفظ می‌کند.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

یلدا در زمان هخامنشیان از دید هوش مصنوعی🏛

در اون دوره تو تخت جمشید و بین شکوه ستون‌ها و کاخ‌های هخامنشی جشن گرفته می‌شده.

فکرشو کن: دورهمی‌های بزرگ، آتیشای روشن، انارای قرمز، هندونه‌های آبدار 🍉 و قصه‌هایی که تو بلندترین شب سال گفته می‌شدن.
یلدا همیشه نشون‌دهنده‌ی نور و امید بوده؛ چه اون موقع، چه حالا. این شب بهمون یادآوری می‌کنه که حتی طولانی‌ترین تاریکی‌ها هم یه جایی به طلوع ختم می‌شن.


📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝هوش مصنوعی استاد دانشگاه می‌شود!

«دانشگاه کالیفرنیا لس‌آنجلس» قصد دارد در سال آینده میلادی یک کلاس را با حضور هوش مصنوعی برای آموزش دانشجویان و پاسخ دادن به پرسش‌های آنها برگزار کند.

در زمستان ۲۰۲۵ یک کلاس ادبیات تطبیقی ​​در «دانشگاه کالیفرنیا لس‌آنجلس»(UCLA) برگزار خواهد شد که کتاب درسی، تکالیف خانه و منابع تدریس تولید شده توسط هوش مصنوعی را شامل می‌شود.

کلاس مذکور پیرامون بررسی ادبیات قرون وسطی تا قرن هفدهم است و مواد درسی توسط پلتفرم آموزشی «کودو»(Kudu) تولید می‌شوند. به گفته دانشگاه کالیفرنیا لس‌آنجلس، این اولین کلاس در بخش علوم انسانی با مواد درسی توسعه‌یافته توسط کودو خواهد بود.

📰 مطالعه بیشتر

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📌PanoDreamer

📝پانورامای سه بعدی از یک تصویر واحد با هوش مصنوعی

🔗 Discover More:
* Source code: Github
* Project Page: PanoDreamer
* Paper: Read the paper
* YouTube: Video Results

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝 اپل نگاه بسیار متفاوتی به هوش مصنوعی انسان‌گونه دارد

معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، دیدگاه متفاوت این شرکت نسبت به هوش مصنوعی عمومی را به اشتراک گذاشت.

درحالی‌که بسیاری از شرکت‌های فعال در حوزه‌ی هوش مصنوعی، روی توسعه‌ی هوش مصنوعی عمومی (AGI) تمرکز کرده‌اند، به‌ نظر می‌رسد که اپل رویکردی متفاوت در پیش گرفته است. مدیران ارشد این شرکت معتقدند که تولید زودهنگام هوش مصنوعی انسان‌گونه، در‌حال‌حاضر بیش‌ازحد خوش‌بینانه تلقی می‌شود و نیازمند پیشرفت‌های اساسی در زمینه‌های مختلف خواهد بود.

در مصاحبه‌ی وایرد با جان جیاناندریا، معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، او به‌صراحت بیان کرد که اپل علاقه‌ای به تولید هوش مصنوعی عمومی ندارد. او باور دارد که بسیاری از مشکلات اساسی در این حوزه هنوز حل نشده‌اند و رسیدن به هوش مصنوعی عمومی، نیازمند پیشرفت‌های قابل‌ توجهی در ابعاد مختلف صنعت مبتنی‌بر هوش مصنوعی است.

⚡️ مطالعه بیشتر

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝مفهوم underfitting در یادگیری ماشین

#اصطلاحات_هوش_مصنوعی

مشاهده شد که مدلی که overfit می‌شود، واریانس زیاد و بایاس کمی دارد. اما اگر واریانس کم و بایاس زیاد باشد چه؟ در این حالت گفته می‌شود که مدل، underfit است. underfitt یعنی اینکه مدل به جای اینکه داده‌ها را از نزدیک دنبال کند، از یادگیری آموزه‌هایی که در داده‌های آموزشی وجود دارد، چشم‌پوشی کرده و نمی‌تواند روابط موجود میان داده‌ها را کشف کند.

حال می‌خواهیم چنین مدلی را با کمک مثال قبل، توصیف کنیم. این‌بار فرد مورد نظر، داده‌های آموزشی را به یک سریال تغییر می‌دهد و به عنوان فرض اولیه، تنها جملاتی که با کلمات رایج the، be، to، of و a شروع می‌شوند، مهم قلمداد شده و از بقیه جملات چشم‌پوشی می‌شود. بعد از یک پروسه طولانیِ آموزش، فرد دوباره به نیویورک سفر می‌کند. اما این بار هم شکست می‌خورد. زیرا در این حالت، فرد تعداد کمی از جملات را می‌تواند درک کند و به خاطر بایاس، در درک ساختار زبان ناتوان است. در فرض اولیه که برای داده‌ها در نظر گرفته شد، زیاده روی شده و مدل underfit شد.


📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📽 بررسی کامل هوش اپل؛ هوش مصنوعی آیفون چیه؟

گفتیم تمام قابلیت‌های هوش اپل که در حال حاضر در دسترس هست و نیست رو بهتون بگیم. توی این ویدیو با قابلیت‌های جدید هوش اپل مثل Image Playground و Image Wand و Genmoji هم کار کردیم
و تجربمون رو گفتیم. هوش اپل متاسفانه همچنان ناقصه و در بعضی بخش‌ها اجازه دسترسی نمی‌ده.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝 هوش مصنوعی جدید گوگل به‌جای شما وب‌گردی می‌کند

ایجنت هوش مصنوعی گوگل می‌تواند به‌جای کاربر در وب‌سایت‌ها بچرخد و حتی خرید انجام دهد.

گوگل اولین دستیار هوش مصنوعی خود را رونمایی کرد که می‌تواند وب‌گردی کند. این دستیار پروژه‌ی مارینر (Project Mariner) نام دارد و بخشی از تحقیقات دیپ‌مایند محسوب می‌شود.

دستیار هوش مصنوعی گوگل می‌تواند کنترل مرورگر کروم را به‌دست بگیرد، نشانگر ماوس را روی صفحه حرکت می‌دهد، روی دکمه‌ها کلیک کند، فرم‌ها را پر کند و بدین‌ترتیب می‌تواند مانند انسان در وبسایت‌ها بچرخد و وب‌گردی و حتی خرید کند.

گوگل اعلام کرده است که دستیار هوش مصنوعی جدید خود که از جمنای استفاده می‌کند، به گروه کوچکی از آزمایش‌کنندگان منتخب ارائه می‌دهد.

📰 مطالعه بیشتر


📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

🎥 نمونه ای طنزآمیز از یادگیری ماشین😂

🚀 بفرست برای کسایی که اینجور اخبار رو دوست دارن.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

ربات انسان نما تویوتا، CUE، دومین عنوان رکوردهای گینس خود را برای طولانی ترین شوت موفق بسکتبال توسط ربات به دست آورد.

نسل ششم CUE6 می‌تواند موقعیت‌گیری کند، شوت بزند و حتی دریبل بزند - همه اینها در حالی که از اشتباهات خود در زمان واقعی درس می‌گیرد.

این رکوردشکنی با اندازه چشمگیر 24.7 متر در ناگاکوته ژاپن به ثبت رسید.

🚀 بفرست برای کسایی که اینجور اخبار رو دوست دارن.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

🎥ربات کشاورز
هم نشا می‌کنه
هم درو می‌کنه
رباتی که قراره تا #۶_ساله_آینده به بازار بیاید

📌 ویدئو توسط هوش مصنوعی ایجاد شده است. (در آینده ربات کشاورز به چه صورت خواهند بود)

🚀 بفرست برای کسایی که اینجور اخبار رو دوست دارن.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

🎥ربات‌ها در حال یادگیری از انسان‌ها


🔸 یک فیلم جدید نشان می‌دهد که ربات‌ها چگونه از انسان‌ها می‌آموزند تا با دقتی مشابه، کارهای پیچیده را انجام دهند. در این فیلم، یک کارگر با دست خود کار رنگ آمیزی را انجام می‌دهد، در حالی که سیستم رباتیک دقیقاً همین حرکات را شبیه‌سازی کرده و به ربات‌ها آموزش می‌دهد تا همان وظایف را بدون خطا و با دقت بالا انجام دهند. این فناوری به ربات‌ها اجازه می‌دهد تا وظایف تکراری و طاقت‌فرسا را بر عهده بگیرند و انسان‌ها را از کارهای خسته‌کننده و خطرناک رها کنند.

🔸 این پیشرفت نه تنها باعث صرفه‌جویی در انرژی کارگران می‌شود، بلکه به آن‌ها این امکان را می‌دهد که روی کارهای حساس‌تر و با کیفیت‌تر تمرکز کنند. ربات‌ها به‌واسطه این آموزش‌های دقیق، قادر به انجام فعالیت به‌طور یکنواخت و با دقت بالا هستند. این تکنولوژی نه تنها مشکلات کمبود نیروی کار را حل می‌کند، بلکه کارایی و دقت را در صنایع مختلف به طور چشمگیری افزایش می‌دهد.


🚀 بفرست برای کسایی که اینجور اخبار رو دوست دارن.


📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

#اصطلاحات_هوش_مصنوعی

📝مفهوم الگوریتم

اولین مورد از اصطلاحات هوش مصنوعی به الگوریتم اشاره دارد. الگوریتم به یک مجموعه پیوسته از قوانین گفته می شود که با استفاده از آن، هوش مصنوعی نسبت به حل مسئله اقدام می نماید. این مسئله می تواند یک مشکل ریاضیاتی یا برنامه نویسی باشد. الگوریتم های بازگشتی یک مثال خوب برای این مورد به حساب می آیند. الگوریتم ها کاربرد های زیادی در دنیای هوش مصنوعی دارند. اکثر ربات های طراحی شده متشکل از چندین الگوریتم پیچیده هستند.


📝 مفهوم یادگیری ماشین یا ML

یادگیری ماشین Machine Learning، به حالت یادگیری ربات های هوش مصنوعی اطلاق می شود. پس از ساخت هوش مصنوعی، ما باید آن را تربیت کنیم! اینجاست که به کار گیری یادگیری ماشین اهمیت زیادی پیدا می کند. در طی این حالت ربات های هوش مصنوعی یک دیتابیس عظیم را مورد بررسی قرار می دهند. آنها از دیتابیس اطلاعات مختلفی یاد گرفته و عملکرد خود را بر اساس نیاز های پروژه بهبود می بخشند. الگوریتم های پشت صحنه یادگیری ماشین باعث می شوند تا روابط میان اطلاعات در یک پایگاه داده مورد بررسی قرار گیرند.

📝مفهوم یادگیری عمیق یا DL

یادگیری عمیق یا DL، Deep learning به حالتی گفته می شود که هوش مصنوعی در طی آن از چندین شبکه مختلف استفاده می کند تا مباحث پیچیده را فرا گیرد. در طی این روند، هوش مصنوعی چندین شبکه عصبی مختلف را مورد استفاده قرار می دهد تا به درستی اطلاعات را پردازش کند. یادگیری عمیق عملکردی است که به هوش مصنوعی اجازه می دهد تا شبیه به انسان فکر کند و یاد بگیرد. البته که پیاده سازی مباحث مربوط به یادگیری عمیق به دانش و تخصص زیادی نیاز دارد.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝 تلگرام با کمک هوش مصنوعی میلیون‌ها گروه و کانال را حذف کرد

تلگرام با استفاده از هوش مصنوعی و با هدف کاهش محتواهای آسیب‌زا، اقدام به حذف برخی کانال‌ها و گروه‌های تلگرامی کرد.

تلگرام امسال برای پاکسازی پلتفرم خود تحت فشار قرار گرفته است. از اصلی‌ترین دلایل آن می‌توان به دستگیری پاول دوروف در فرانسه اشاره کرد. او به‌دلیل محتواهای آسیب‌زا منتشرشده در اپلیکیشن پیام‌رسان تلگرام، با اتهاماتی مواجه شد.

تلگرام اعلام کرد که در سال ۲۰۲۴ حدود ۱۵٫۴ میلیون گروه و کانال مرتبط با محتواهای آسیب‌زا مانند محتواهای کلاهبرداری و تروریسم را حذف کرده است.

تلگرام تأیید کرد که پاکسازی این پلتفرم از گروه‌ها و کانال‌های آسیب‌زا با کمک ابزارهای پیشرفته‌ی هوش مصنوعی تقویت شده است.

براساس کانال پاول دوروف، اطلاعات مربوط‌ به پاکسازی تلگرام در صفحه‌ای که با هدف اطلاع‌رسانی بهتر به کاربران درباره‌ی تلاش‌های نظارتی این پلتفرم ایجاد شده است، منتشر شد.

باتوجه‌به صفحه‌ی نظارتی تلگرام، بعد از دستگیری پاول دوروف در ماه آگوست (مرداد و شهریور)، این پلتفرم به‌طور قابل‌ توجهی بیشتر به اجرای قانون توجه می‌کند.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝 معرفی OpenAI | مهم‌ترین شرکت پیشتاز هوش مصنوعی

📆تاریخ تأسیس: 11 دسامبر 2015

🏢مستقر در سن‌فرانسیسکو، کالیفرنیا

🥏افراد شاخص: برت تیلور (رئیس هیئت‌مدیره)، سم آلتمن (مدیرعامل)

🪩وب‌سایت: openai.com

شرکت OpenAI بدون شک شناخته‌شده‌ترین شرکت هوش مصنوعی محسوب می‌شود؛ به بیان ساده، OpenAI شرکتی تحقیقاتی غیرانتفاعی با مأموریت ساخت هوش مصنوعی به نفع بشریت است. حوزه‌های تحقیقاتی این شرکت تا امروز مواردی ازجمله شبکه‌های عصبی مصنوعی و پردازش زبان طبیعی را پوشش داده است.

این شرکت را سال 2015 گروهی از چهره‌های برجسته ازجمله «سم آلتمن»، «ایلان ماسک»، «گرگ براکمن»، «رید هافمن» و «پیتر تیل» تأسیس کردند. آنها بیش از یک‌میلیارد دلار روی استارتاپ خود سرمایه‌گذاری اولیه کردند.

مهم‌ترین محصول OpenAI چت بات هوش مصنوعی ChatGPT است که اولین بار سال 2022 منتشر شد.

#شرکت_هوش_مصنوعی

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

🚨 آماده اید مغز خود را به یک ابر کامپیوتر تبدیل کنید؟

نورالینک در پستی در رسانه اجتماعی ایکس نوشت: ما هیجان زده هستیم که تایید و راه‌اندازی یک آزمایش امکان سنجی جدید را برای گسترش کنترل رابط مغز و رایانه با استفاده از ایمپلنت N1 اعلام کنیم.

رابط مغز و رایانه، سیستمی است که به فرد اجازه می‌دهد مستقیما دستگاه‌های بیرونی را با امواج مغزی خود کنترل کنند. این دستگاه با خواندن و رمزگشایی سیگنال‌های حرکتی مورد نظر از نورون‌ها کار می‌کند. رابط مغز و رایانه نورالینک شامل دستگاهی به اندازه یک سکه به نام N۱ است که توسط یک ربات با جراحی در مغز کاشته می‌شود.

سرعت فعلی؟ 9.5 بیت در ثانیه تا سال 2025، Neuralink قصد دارد به 40 BPS (سرعت مغز در سطح انسان) برسد و تا سال 2030 به 100 BPS ادامه دهد. این سریعتر از آن است که بتوانید با صدای بلند تایپ کنید یا حتی فکر کنید.

از بازگرداندن استقلال برای افراد فلج گرفته تا جایگزینی تلفن‌های هوشمند، اینجا جایی است که زیست‌شناسی با فناوری‌های پیشرفته روبرو می‌شود.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

#اصطلاحات_هوش_مصنوعی

📝 یادگیری بدون ناظر (Unsupervised Learning)

یادگیری بدون ناظر (Unsupervised Learning) یک تکنیک یادگیری ماشین است که در آن الگوریتم‌های یادگیری ماشین برای تجزیه‌و‌تحلیل و خوشه‌بندی مجموعه‌ی داده‌های بدون برچسب (Unlabeled) استفاده می‌شوند. این الگوریتم‌ها، بدون نیاز به دخالت انسان، الگوهای پنهان یا گروه‌های مختلف موجود در داده‌ها را کشف می‌کنند.

برای درک بهتر یادگیری بدون ناظر، مثال زیر را در نظر بگیرید.

یک نوزاد در خانواده‌ای زندگی می‌کند که یک سگ خانگی دارد. نوزاد بدون اینکه از قبل به او چیزی گفته باشند، سگ خانگی را می‌شناسد. چند هفته بعد، یک دوست خانوادگی یک سگ را به‌همراه خود به خانه‌ی آنان می‌آورد. نوزاد این سگ را قبلاً ندیده است، اما ویژگی‌های بسیاری را که به سگ‌ها مربوط است تشخیص می‌دهد (برای مثال، گوش‌ها، چشم‌ها، راه‌رفتن روی چهار پا) و به‌همین دلیل می‌داند که این موجود مانند سگ خانگی خودشان است. او حیوان جدید را به‌عنوان یک سگ تشخیص می‌دهد.

این مثال دقیقاً مثالی از یک یادگیری بدون ناظر است. نوزاد از داده‌ها یاد می‌گیرد که سگ‌ها دارای ویژگی‌های خاصی هستند. اگر این یادگیری باناظر بود، دوست خانوادگی آنان به نوزاد می‌گفت که این یک سگ است تا یاد بگیرد.

📝 یادگیری با نظارت

در یادگیری با نظارت، مدل ماشین‌لرنینگ با داده‌هایی آموزش داده می‌شود که در آن‌ها هر نمونه داده با یک پاسخ مناسب برچسب‌گذاری شده است. به عنوان مثال، اگر می‌خواهیم یک مدل ماشین‌لرنینگ را برای تشخیص چهره آموزش دهیم، مجموعه داده‌ای از تصاویر چهره‌های انسان و غیرانسان را با برچسب‌های «انسان» و «غیرانسان» در اختیار مدل قرار می‌دهیم. مدل ماشین‌لرنینگ از این داده‌ها یاد می‌گیرد که چگونه ویژگی‌های چهره انسان را از ویژگی‌های چهره غیرانسان تشخیص دهد.

مثال‌هایی از کاربرد یادگیری با نظارت:

🔘تشخیص چهره
🔘طبقه‌بندی ایمیل‌ها به دسته‌های «اسپم» و «غیراسپم»
🔘پیش‌بینی قیمت خانه‌ها
🔘تشخیص بیماری‌های مختلف از روی تصاویر پزشکی

🚀 بفرست برای کسایی که میخان با اصطلاحات هوش مصنوعی بیشتر آشنا بشن

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir

📝 گوگل Gemini 2.0 AI پانکراتیت را از طریق CT تشخیص داد!

📌 آیا این آینده رادیولوژی است، بدون شک.

پی نوشت : پانکراتیت حاد (acute pancreatitis) التهاب ناگهانی پانکراس است که می‌تواند به آسیب قلب، ریه‌ها و کلیه منجر شده و منجر به نارسایی آنها شود.

🚀 بفرست برای کسایی که به مسائل هوش مصنوعی در پزشکی علاقه مند هستند.

📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir