Media is too big
VIEW IN TELEGRAM
🔹 گفتگو با آقای دکتر نیک آبادی، دبیر مسابقات هوش مصنوعی فیراکاپ آزاد ایران از شبکه 4 سیما برنامه «فوتون»
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
مجله هوش مصنوعی via @vote
❓بطور تقریبی چند درصد مطالب خبری و آموزشی کانال مجله هوش مصنوعی را مطالعه میکنید؟
anonymous poll
کمتر از 50 درصد – 120
👍👍👍👍👍👍👍 49%
بالای 80 درصد – 63
👍👍👍👍 26%
بین 50 تا 80 درصد – 63
👍👍👍👍 26%
👥 246 people voted so far.
anonymous poll
کمتر از 50 درصد – 120
👍👍👍👍👍👍👍 49%
بالای 80 درصد – 63
👍👍👍👍 26%
بین 50 تا 80 درصد – 63
👍👍👍👍 26%
👥 246 people voted so far.
✅ هوش مصنوعی تولید انواع دارو را ساده میکند
شرکت های داروسازی برای دستیابی به فرمول شیمیایی تولید دارو و حفاظت از این فرمول ها سالانه میلیاردها دلار هزینه می کنند، اما هوش مصنوعی می تواند این هزینه ها را کاهش دهد.
به گزارش «خبرنامه دانشجویان ایران» به نقل از دیجیتال ترندز، محققان کره جنوبی یک سیستم هوش مصنوعی جدید ابداع کرده اند که می تواند برای تولید داروهای موجود در جهان روش های جدیدی را کشف کند که ناقض حق کپی رایت شرکت های داروساز نباشد.
این ابتکار عمل موجب می شود شرکت های مختلف داروسازی بتوانند برای تولید داروهای مختلف بدون درگیری حقوقی با رقبای خود و صرف مبالغ کلان برای شناسایی روش های جدید، وارد عمل شوند.
نرم افزار هوش مصنوعی که بدین منظور ابداع شده، Chematica نام دارد و از طریق مهندسی معکوس و بررسی ترکیبات داروهای مختلف، روش های تازه ای برای تولید آنها پیشنهاد می دهد. نقطه قوت این نرم افزار درک بالای آن از فعل و انفعالات شیمیایی و آشنایی آن با حدود ۷۰ هزار قاعده ترکیب موارد شیمیایی مصنوعی است.
این نرم افزار درک بسیار مناسبی از واکنش های شیمیایی نیز دارد و لذا فرمول های دارویی پیشنهادی آن از حداقل اثرات جانبی منفی برخوردار هستند. کره ای ها مدعی هستند از دو دهه پیش به دنبال ابداع چنین نرم افزاری بوده اند و امیدوارند به زودی آن را برای استفاده گسترده آماده کنند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
شرکت های داروسازی برای دستیابی به فرمول شیمیایی تولید دارو و حفاظت از این فرمول ها سالانه میلیاردها دلار هزینه می کنند، اما هوش مصنوعی می تواند این هزینه ها را کاهش دهد.
به گزارش «خبرنامه دانشجویان ایران» به نقل از دیجیتال ترندز، محققان کره جنوبی یک سیستم هوش مصنوعی جدید ابداع کرده اند که می تواند برای تولید داروهای موجود در جهان روش های جدیدی را کشف کند که ناقض حق کپی رایت شرکت های داروساز نباشد.
این ابتکار عمل موجب می شود شرکت های مختلف داروسازی بتوانند برای تولید داروهای مختلف بدون درگیری حقوقی با رقبای خود و صرف مبالغ کلان برای شناسایی روش های جدید، وارد عمل شوند.
نرم افزار هوش مصنوعی که بدین منظور ابداع شده، Chematica نام دارد و از طریق مهندسی معکوس و بررسی ترکیبات داروهای مختلف، روش های تازه ای برای تولید آنها پیشنهاد می دهد. نقطه قوت این نرم افزار درک بالای آن از فعل و انفعالات شیمیایی و آشنایی آن با حدود ۷۰ هزار قاعده ترکیب موارد شیمیایی مصنوعی است.
این نرم افزار درک بسیار مناسبی از واکنش های شیمیایی نیز دارد و لذا فرمول های دارویی پیشنهادی آن از حداقل اثرات جانبی منفی برخوردار هستند. کره ای ها مدعی هستند از دو دهه پیش به دنبال ابداع چنین نرم افزاری بوده اند و امیدوارند به زودی آن را برای استفاده گسترده آماده کنند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
📗 شروع دوره مقدماتی پایتون
در کانال چالش پایتون با آی دی @pythonchallenge به زودی دوره جدید پایتون از طریق تلگرام برگزار خواهد شد. این سایت سابقه برگزاری دوره مقدماتی به 7000 دانشجو رو در گذشته داشته و به زودی دوره جدید مقدماتی را با سبک متفاوت نسبت به قبل و با امکان دریافت گواهی دوره برگزار خواهد کرد.
در صورت تمایل میتوانید از طریق آی دی کانال عضو گردید و از زمان شروع دوره مطلع گردید.
@pythonchallenge
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
در کانال چالش پایتون با آی دی @pythonchallenge به زودی دوره جدید پایتون از طریق تلگرام برگزار خواهد شد. این سایت سابقه برگزاری دوره مقدماتی به 7000 دانشجو رو در گذشته داشته و به زودی دوره جدید مقدماتی را با سبک متفاوت نسبت به قبل و با امکان دریافت گواهی دوره برگزار خواهد کرد.
در صورت تمایل میتوانید از طریق آی دی کانال عضو گردید و از زمان شروع دوره مطلع گردید.
@pythonchallenge
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✅ پیشرفت اتومبیل های خودران
ایتنا - فنون و تکنیک هایی که به هوش مصنوعی آموختند چطور با Go بازی کند، هنوز نتوانسته اند به خودروها آموزش دهند که چطور رانندگی کنند.
چندی پیش، فناوری آلفاگو از دیپ مایند، از یادگیری تقویتی (نوعی از یادگیری ماشین که بر اساس مجازات و پاداش استوار است)، برای شکست دادن بهترین بازیکن Go در جهان، استفاده کرد؛ هرچند که هرگز با وی هم بازی نشده بود.
به گزارش ایتنا به نقل از technologyreview ، این فناوری وعده ظهور روبات هایی را می دهد که می توانند تحت شرایط متغیر، به عملکرد خود ادامه دهند.
اما این تکنیک محدودیت های خاص خودش را هم دارد؛ چرا که حرکات خود را خیلی آهسته بهبود می دهد. البته این مسأله در آزمایشگاه یا در هنگام بازی چندان جدی نیست؛ ولی در کاربردهایی همچون اتومبیل های خودران، اصلاً مطلوب نیست.
گفتنی است پژوهشگران برای حذف نیاز به آموزش در جهان واقعی، راه های مختلفی توسعه داده اند. برای مثال، یک خودرو می تواند از اطلاعات ترافیکی برای رانندگی مطمئن و ایمن در جهان واقعی استفاده کند. اما این راهکار کاملی نیست.
وقتی که یک ماشین در رویارویی با موقعیت هایی فراتر از حوزه داده های آموزشی، ممکن است با خطاهای زیانباری روبرو شود. در یک نمونه، محققان دانشگاه نیویورک متوجه شدند که خودرو یاد گرفته است در حین حرکت، به یکباره ۹۰ درجه بچرخد؛ زیرا داده های آموزشی آن، شامل انواع حالات و شرایط مختلف نبود.
همین گروه تحقیقاتی به همراه مدیر پژوهش های هوش مصنوعی در فیس بوک، اکنون روش جدیدی را پیشنهاد داده اند که می تواند بر این مشکل غلبه کند.
به گزارش ایتنا ، آنها علاوه بر جریمه و پاداش خودرو در ازای رفتارهای مختلف، در صورتی که اتومبیل، خود در موقعیت هایی قرار دهد که برای آنها داده های آموزشی کافی در اختیار ندارد، باز هم آن را جریمه می کنند.
بدینترتیب، خودرو به جای گردشهای بیمهابا و ویراژهایی که سبب میشوند در جاهای ناشناخته قرار بگیرد، با احتیاط بیشتری عمل خواهد کرد.
هنگامی که محققان رویکرد جدید خود را آزمایش کردند، متوجه شدند که در مقایسه با روشهای پیشین، خودرو با امنیت بیشتری میتواند در خیابانهای پرترافیک تردد کند؛ اما از آنجا که هنوز هم با مهارتهای رانندگی انسانها فاصله دارد، باید کارهای بیشتری روی بهبود آن صورت بگیرد.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
ایتنا - فنون و تکنیک هایی که به هوش مصنوعی آموختند چطور با Go بازی کند، هنوز نتوانسته اند به خودروها آموزش دهند که چطور رانندگی کنند.
چندی پیش، فناوری آلفاگو از دیپ مایند، از یادگیری تقویتی (نوعی از یادگیری ماشین که بر اساس مجازات و پاداش استوار است)، برای شکست دادن بهترین بازیکن Go در جهان، استفاده کرد؛ هرچند که هرگز با وی هم بازی نشده بود.
به گزارش ایتنا به نقل از technologyreview ، این فناوری وعده ظهور روبات هایی را می دهد که می توانند تحت شرایط متغیر، به عملکرد خود ادامه دهند.
اما این تکنیک محدودیت های خاص خودش را هم دارد؛ چرا که حرکات خود را خیلی آهسته بهبود می دهد. البته این مسأله در آزمایشگاه یا در هنگام بازی چندان جدی نیست؛ ولی در کاربردهایی همچون اتومبیل های خودران، اصلاً مطلوب نیست.
گفتنی است پژوهشگران برای حذف نیاز به آموزش در جهان واقعی، راه های مختلفی توسعه داده اند. برای مثال، یک خودرو می تواند از اطلاعات ترافیکی برای رانندگی مطمئن و ایمن در جهان واقعی استفاده کند. اما این راهکار کاملی نیست.
وقتی که یک ماشین در رویارویی با موقعیت هایی فراتر از حوزه داده های آموزشی، ممکن است با خطاهای زیانباری روبرو شود. در یک نمونه، محققان دانشگاه نیویورک متوجه شدند که خودرو یاد گرفته است در حین حرکت، به یکباره ۹۰ درجه بچرخد؛ زیرا داده های آموزشی آن، شامل انواع حالات و شرایط مختلف نبود.
همین گروه تحقیقاتی به همراه مدیر پژوهش های هوش مصنوعی در فیس بوک، اکنون روش جدیدی را پیشنهاد داده اند که می تواند بر این مشکل غلبه کند.
به گزارش ایتنا ، آنها علاوه بر جریمه و پاداش خودرو در ازای رفتارهای مختلف، در صورتی که اتومبیل، خود در موقعیت هایی قرار دهد که برای آنها داده های آموزشی کافی در اختیار ندارد، باز هم آن را جریمه می کنند.
بدینترتیب، خودرو به جای گردشهای بیمهابا و ویراژهایی که سبب میشوند در جاهای ناشناخته قرار بگیرد، با احتیاط بیشتری عمل خواهد کرد.
هنگامی که محققان رویکرد جدید خود را آزمایش کردند، متوجه شدند که در مقایسه با روشهای پیشین، خودرو با امنیت بیشتری میتواند در خیابانهای پرترافیک تردد کند؛ اما از آنجا که هنوز هم با مهارتهای رانندگی انسانها فاصله دارد، باید کارهای بیشتری روی بهبود آن صورت بگیرد.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
📗 لیست مسابقات مرتبط با هوش مصنوعی:
1️⃣ دومین دوره مسابقات ملی دادهکاوی امیرکبیر
📆 5 بهمن آخرین روز ثبت نام می باشد.
🌐 http://autdmc.ir
2️⃣ اولین دوره مسابقه علوم داده دانشگاه شریف
📆 11 بهمن
🌐 http://datadays.sharif.edu
3️⃣ چهارمین دوره مسابقات بینالمللی هوش مصنوعی دانشگاه صنعتی امیرکبیر
📆 10 اسفند
🌐 http://autcup.aut.ac.ir
4️⃣ نبرد هوش مصنوعی شریف
📆 16 بهمن
🌐 https://aichallenge.sharif.edu
❇️ مخاطبین گرامی اگر مسابقه ای در حال برنامه ریزی و برگزاری هست و در لیست بالا نیست می توانید از طریق آی دی ادمین ارسال کنید تا جهت اطلاع رسانی در سایت قرار گیرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
1️⃣ دومین دوره مسابقات ملی دادهکاوی امیرکبیر
📆 5 بهمن آخرین روز ثبت نام می باشد.
🌐 http://autdmc.ir
2️⃣ اولین دوره مسابقه علوم داده دانشگاه شریف
📆 11 بهمن
🌐 http://datadays.sharif.edu
3️⃣ چهارمین دوره مسابقات بینالمللی هوش مصنوعی دانشگاه صنعتی امیرکبیر
📆 10 اسفند
🌐 http://autcup.aut.ac.ir
4️⃣ نبرد هوش مصنوعی شریف
📆 16 بهمن
🌐 https://aichallenge.sharif.edu
❇️ مخاطبین گرامی اگر مسابقه ای در حال برنامه ریزی و برگزاری هست و در لیست بالا نیست می توانید از طریق آی دی ادمین ارسال کنید تا جهت اطلاع رسانی در سایت قرار گیرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✍🏻 تیم فوتبالیکهترکیبوتاکتیکرابههوشمصنوعیسپرد
چندی قبل «آرسن ونگر»، سرمربی سابق آرسنال پیش بینی کرد که ربات ها جای مربی روی نیمکت را می گیرد و حالا ظاهرا پیش بینی وی به واقعیت نزدیک شده چرا که باشگاه فوتبال «وینگیت و فینشلی» برای انتخاب ترکیب و تاکتیک ها به استفاده از هوش مصنوعی روی آورده است.
این تیم که در رده هفتم فوتبال انگلستان فعالیت دارد، با همکاری شرکت فناوری «بیگ بنگ» سیستم هوش مصنوعی را پیاده سازی کرده که به مربیان اجازه می دهد اطلاعات مربوط به تیم مقابل را از طریق اسپیکر هوشمند به سیستم وارد کرده و تاکتیک پیشنهادی و حتی جملات روحیه بخش را از آن دریافت کنند. در صورتی که هر یک از بازیکنان اصلی در دسترس نباشند، سیستم راه حلی جایگزین را پیشنهاد می کند.
بیگ بنگ مربی هوشمند را به گونه ای طراحی کرده که با گذشت زمان و بر اساس نتایج قبلی هوشمندتر می شود. «دیو نورمن»، سرمربی این تیم لندنی با تاکید بر اینکه استفاده از این سیستم روش های کنونی فوتبال را تغییر نمی دهد گفت:
هوش مصنوعی قرار نیست جای مدیر یا مربیان را بگیرد اما تیم را با تغییرات زیربنایی و تکنولوژی ایجاد شده در ده سال اخیر سازگار می سازد.
مدیر این تیم هم با اشاره به اینکه هوش مصنوعی دنیای فوتبال را به کلی عوض نمی کند ابراز امیدواری کرد که وینگیت و فینشلی را نسبت به رقبا در موقعیتی بهتر قرار دارد و سه امتیاز بازی را برای آنها به ارمغان بیاورد.
هدف اولیه از طراحی مربی هوشمند توسط بیگ بنگ آشنا کردن جوانان این کشور با قالبت های هوش مصنوعی از طریق پیاده سازی آن در محبوبترین ورزش انگلیس بوده است. به گفته توسعه دهندگان سیستم مذکور بر پایه فناوری های موجود و دستیار هوشمند الکسا طراحی شده اما نباید انتظار داشت که پیشنهادهای آن حتما به برد تیم در پایان بازی منجر شود.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
چندی قبل «آرسن ونگر»، سرمربی سابق آرسنال پیش بینی کرد که ربات ها جای مربی روی نیمکت را می گیرد و حالا ظاهرا پیش بینی وی به واقعیت نزدیک شده چرا که باشگاه فوتبال «وینگیت و فینشلی» برای انتخاب ترکیب و تاکتیک ها به استفاده از هوش مصنوعی روی آورده است.
این تیم که در رده هفتم فوتبال انگلستان فعالیت دارد، با همکاری شرکت فناوری «بیگ بنگ» سیستم هوش مصنوعی را پیاده سازی کرده که به مربیان اجازه می دهد اطلاعات مربوط به تیم مقابل را از طریق اسپیکر هوشمند به سیستم وارد کرده و تاکتیک پیشنهادی و حتی جملات روحیه بخش را از آن دریافت کنند. در صورتی که هر یک از بازیکنان اصلی در دسترس نباشند، سیستم راه حلی جایگزین را پیشنهاد می کند.
بیگ بنگ مربی هوشمند را به گونه ای طراحی کرده که با گذشت زمان و بر اساس نتایج قبلی هوشمندتر می شود. «دیو نورمن»، سرمربی این تیم لندنی با تاکید بر اینکه استفاده از این سیستم روش های کنونی فوتبال را تغییر نمی دهد گفت:
هوش مصنوعی قرار نیست جای مدیر یا مربیان را بگیرد اما تیم را با تغییرات زیربنایی و تکنولوژی ایجاد شده در ده سال اخیر سازگار می سازد.
مدیر این تیم هم با اشاره به اینکه هوش مصنوعی دنیای فوتبال را به کلی عوض نمی کند ابراز امیدواری کرد که وینگیت و فینشلی را نسبت به رقبا در موقعیتی بهتر قرار دارد و سه امتیاز بازی را برای آنها به ارمغان بیاورد.
هدف اولیه از طراحی مربی هوشمند توسط بیگ بنگ آشنا کردن جوانان این کشور با قالبت های هوش مصنوعی از طریق پیاده سازی آن در محبوبترین ورزش انگلیس بوده است. به گفته توسعه دهندگان سیستم مذکور بر پایه فناوری های موجود و دستیار هوشمند الکسا طراحی شده اما نباید انتظار داشت که پیشنهادهای آن حتما به برد تیم در پایان بازی منجر شود.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✅ آگاهی از هوش مصنوعی، یکی از شروط شهروند آگاه در قرن بیست و یکم
ایتنا- مدیر ارشد فناوری شرکت مایکروسافت اعلام کرد که یکی از شروط اینکه شخصی در قرن بیست و یکم، یک شهروند آگاه و مطلع محسوب شود این است که آگاهی مناسبی از هوش مصنوعی داشته باشد.
کوین اسکات، مدیر ارشد فناوری شرکت مایکروسافت، بر این باور است که درک هوش مصنوعی به شهروندان کمک می کند که در آینده نه چندان دور، شهروندانی بهتر و نمونه شوند و به جامعه خود بیش از پیش کمک کنند.
وی گفت: «تصور من این است که اگر فردی بخواهد در قرن بیست و یکم، به عنوان یک شهروند آگاه به حساب بیاید، باید نسبت به هوش مصنوعی، اطلاعات کافی داشته باشد.»
به گزارش ایتنا به نقل از ونچربیت ، وی در ادامه صحبت های خود افزود: «هوش مصنوعی، چیزی است که به هر حال شهروندان مختلف با آن روبرو می شوند.»
اسکات به بیان دیدگاه های خود در زمینه آینده هوش مصنوعی پرداخت و مباحثی مانند نرم افزار شناسایی چهره و اتوماسیون ساخت و تولید را جزئی از پیشرفت های کاربردی هوش مصنوعی اعلام کرد.
وی نسبت به استفاده افراد از ماشین های هوشمند در آینده نزدیک ابراز امیدواری کرد و از افراد مختلف خواست که اطلاعات خود در حوزه هوش مصنوعی را افزایش د هند. البته وی بر این باور است شاید به روزرسانی مستمر اطلاعات برای برخی مشکل باشد و در این زمینه اظهار داشت: «این کار ممکن است چالش برانگیز باشد و حتی افرادی که در زمینه هوش مصنوعی متخصص هستند نیز برای به روزرسانی و ارتقای دائمی اطلاعات خود ره مشکل خواهند خورد.»
در سال های اخیر نمودار رشد و توسعه هوش مصنوعی در حوزه های مختلف و اساسی زندگی انسان مانند بهداشت و درمان، منازل، دولت ها و کسب و کارها همواره صعودی بوده است. در نظر گرفتن مباحث و دوره های آموزشی در زمینه هوش مصنوعی بسیارمهم است.
کاربردهایی مانند شناسایی چهره که بر اساس فناوری هوش مصنوعی طراحی و راه اندازی شده است، در زمینههای مختلفی میتواند به سازمانها و کسب و کارهای مختلف کمک کند و به همین خاطر آشنایی با مفاهیمی مانند هوش مصنوعی موجب میگردد که به افراد و شرکتها کمک کند که از مزایای این فناوری بهرهمند شوند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
ایتنا- مدیر ارشد فناوری شرکت مایکروسافت اعلام کرد که یکی از شروط اینکه شخصی در قرن بیست و یکم، یک شهروند آگاه و مطلع محسوب شود این است که آگاهی مناسبی از هوش مصنوعی داشته باشد.
کوین اسکات، مدیر ارشد فناوری شرکت مایکروسافت، بر این باور است که درک هوش مصنوعی به شهروندان کمک می کند که در آینده نه چندان دور، شهروندانی بهتر و نمونه شوند و به جامعه خود بیش از پیش کمک کنند.
وی گفت: «تصور من این است که اگر فردی بخواهد در قرن بیست و یکم، به عنوان یک شهروند آگاه به حساب بیاید، باید نسبت به هوش مصنوعی، اطلاعات کافی داشته باشد.»
به گزارش ایتنا به نقل از ونچربیت ، وی در ادامه صحبت های خود افزود: «هوش مصنوعی، چیزی است که به هر حال شهروندان مختلف با آن روبرو می شوند.»
اسکات به بیان دیدگاه های خود در زمینه آینده هوش مصنوعی پرداخت و مباحثی مانند نرم افزار شناسایی چهره و اتوماسیون ساخت و تولید را جزئی از پیشرفت های کاربردی هوش مصنوعی اعلام کرد.
وی نسبت به استفاده افراد از ماشین های هوشمند در آینده نزدیک ابراز امیدواری کرد و از افراد مختلف خواست که اطلاعات خود در حوزه هوش مصنوعی را افزایش د هند. البته وی بر این باور است شاید به روزرسانی مستمر اطلاعات برای برخی مشکل باشد و در این زمینه اظهار داشت: «این کار ممکن است چالش برانگیز باشد و حتی افرادی که در زمینه هوش مصنوعی متخصص هستند نیز برای به روزرسانی و ارتقای دائمی اطلاعات خود ره مشکل خواهند خورد.»
در سال های اخیر نمودار رشد و توسعه هوش مصنوعی در حوزه های مختلف و اساسی زندگی انسان مانند بهداشت و درمان، منازل، دولت ها و کسب و کارها همواره صعودی بوده است. در نظر گرفتن مباحث و دوره های آموزشی در زمینه هوش مصنوعی بسیارمهم است.
کاربردهایی مانند شناسایی چهره که بر اساس فناوری هوش مصنوعی طراحی و راه اندازی شده است، در زمینههای مختلفی میتواند به سازمانها و کسب و کارهای مختلف کمک کند و به همین خاطر آشنایی با مفاهیمی مانند هوش مصنوعی موجب میگردد که به افراد و شرکتها کمک کند که از مزایای این فناوری بهرهمند شوند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
This media is not supported in your browser
VIEW IN TELEGRAM
✍🏻 اپلیکیشنی ابداع شده که با کمک هوش مصنوعی بیماری های گیاهان را رصد می کند و با ارسال پیامکی به کشاورز او را مطلع می کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✍🏻 اپلیکیشنی ابداع شده که با کمک هوش مصنوعی بیماری های گیاهان را رصد می کند و با ارسال پیامکی به کشاورز او را مطلع می کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✅ تبدیل علائم مغزی به سخنرانی با هوش مصنوعی
محققان برای اولین بار موفق به ابداع الگوریتم هوش مصنوعی شده اند که قادر به تبدیل علائم مغزی بخش شنوایی مغز و تبدیل آنها به سخنرانی دقیق است.
به گزارش پایگاه خبری تیک (Tik.ir) ؛ سیستم رایانه ای که بدین منظور ابداع شده دقت بالایی دارد و راه را برای طراحی سیستم های ارتباطی متنوعی که از طریق مغز کنترل می شوند هموار خواهد ساخت.
مهندسان رایانه و متخصصان علم نانو در آمریکا با همکاری یکدیگر رابط کاربری خاصی را برای این سیستم هوش مصنوعی طراحی کرده اند که می تواند سیگنال ها و علائم مغزی را به کلمات و تصاویری مبدل کند که به سادگی قابل درک و تبادل باشند.
در آینده از این روش می توان برای کنترل انواع وسایل و ابزار محیطی از طریق مغز و بدون نیاز به هیچ گونه محصول واسطه ای بهره گرفت.
روش یادشده به درمان بیماران نیز کمک شایانی خواهد کرد، زیرا درک شرایط آنها را به صورت مستقیم برای پزشکان ممکن می کند. در آزمایشی که با استفاده از همین سیستم هوش مصنوعی بر روی تعدادی بیمار انجام شد محققان توانستند ۳۰ دقیقه از امواج مغزی آنها را ثبت کرده و به متن قابل درک از وضعیتشان مبدل کنند.
دقت سیستم یادشده برای درک علائم مغزی و تبدیل آنها به متن در حدود ۷۵ درصد است، اما پژوهشگران قصد دارند دقت سیستم یادشده را باز هم افزایش دهند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
محققان برای اولین بار موفق به ابداع الگوریتم هوش مصنوعی شده اند که قادر به تبدیل علائم مغزی بخش شنوایی مغز و تبدیل آنها به سخنرانی دقیق است.
به گزارش پایگاه خبری تیک (Tik.ir) ؛ سیستم رایانه ای که بدین منظور ابداع شده دقت بالایی دارد و راه را برای طراحی سیستم های ارتباطی متنوعی که از طریق مغز کنترل می شوند هموار خواهد ساخت.
مهندسان رایانه و متخصصان علم نانو در آمریکا با همکاری یکدیگر رابط کاربری خاصی را برای این سیستم هوش مصنوعی طراحی کرده اند که می تواند سیگنال ها و علائم مغزی را به کلمات و تصاویری مبدل کند که به سادگی قابل درک و تبادل باشند.
در آینده از این روش می توان برای کنترل انواع وسایل و ابزار محیطی از طریق مغز و بدون نیاز به هیچ گونه محصول واسطه ای بهره گرفت.
روش یادشده به درمان بیماران نیز کمک شایانی خواهد کرد، زیرا درک شرایط آنها را به صورت مستقیم برای پزشکان ممکن می کند. در آزمایشی که با استفاده از همین سیستم هوش مصنوعی بر روی تعدادی بیمار انجام شد محققان توانستند ۳۰ دقیقه از امواج مغزی آنها را ثبت کرده و به متن قابل درک از وضعیتشان مبدل کنند.
دقت سیستم یادشده برای درک علائم مغزی و تبدیل آنها به متن در حدود ۷۵ درصد است، اما پژوهشگران قصد دارند دقت سیستم یادشده را باز هم افزایش دهند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✍🏻 تبدیل علائم مغزی به سخنرانی با هوش مصنوعی
محققان برای اولین بار موفق به ابداع الگوریتم هوش مصنوعی شده اند که قادر به تبدیل علائم مغزی بخش شنوایی مغز و تبدیل آنها به سخنرانی دقیق است.
مهندسان رایانه و متخصصان علم نانو در آمریکا با همکاری یکدیگر رابط کاربری خاصی را برای این سیستم هوش مصنوعی طراحی کرده اند که می تواند سیگنال ها و علائم مغزی را به کلمات و تصاویری مبدل کند که به سادگی قابل درک و تبادل باشند.
در آینده از این روش می توان برای کنترل انواع وسایل و ابزار محیطی از طریق مغز و بدون نیاز به هیچ گونه محصول واسطه ای بهره گرفت.
روش یادشده به درمان بیماران نیز کمک شایانی خواهد کرد، زیرا درک شرایط آنها را به صورت مستقیم برای پزشکان ممکن می کند. در آزمایشی که با استفاده از همین سیستم هوش مصنوعی بر روی تعدادی بیمار انجام شد محققان توانستند ۳۰ دقیقه از امواج مغزی آنها را ثبت کرده و به متن قابل درک از وضعیتشان مبدل کنند.
دقت سیستم یادشده برای درک علائم مغزی و تبدیل آنها به متن در حدود ۷۵ درصد است، اما پژوهشگران قصد دارند دقت سیستم یادشده را باز هم افزایش دهند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
محققان برای اولین بار موفق به ابداع الگوریتم هوش مصنوعی شده اند که قادر به تبدیل علائم مغزی بخش شنوایی مغز و تبدیل آنها به سخنرانی دقیق است.
مهندسان رایانه و متخصصان علم نانو در آمریکا با همکاری یکدیگر رابط کاربری خاصی را برای این سیستم هوش مصنوعی طراحی کرده اند که می تواند سیگنال ها و علائم مغزی را به کلمات و تصاویری مبدل کند که به سادگی قابل درک و تبادل باشند.
در آینده از این روش می توان برای کنترل انواع وسایل و ابزار محیطی از طریق مغز و بدون نیاز به هیچ گونه محصول واسطه ای بهره گرفت.
روش یادشده به درمان بیماران نیز کمک شایانی خواهد کرد، زیرا درک شرایط آنها را به صورت مستقیم برای پزشکان ممکن می کند. در آزمایشی که با استفاده از همین سیستم هوش مصنوعی بر روی تعدادی بیمار انجام شد محققان توانستند ۳۰ دقیقه از امواج مغزی آنها را ثبت کرده و به متن قابل درک از وضعیتشان مبدل کنند.
دقت سیستم یادشده برای درک علائم مغزی و تبدیل آنها به متن در حدود ۷۵ درصد است، اما پژوهشگران قصد دارند دقت سیستم یادشده را باز هم افزایش دهند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✍🏻 هوش مصنوعی به کمک معلولان آمد
محققان دانشگاههای نورتوسترن و کارولینای شمالی پای مصنوعی را ساختند که با استفاده از هوش مصنوعی به بیماران کمک میکند تا راحتتر و سریعتر قدم بزنند.
استفاده از یک پای مصنوعی برای نخستین بار میتواند نگرانکننده باشد، این بدان معناست که بیماران تمایل دارند تا با استفاده از پاهای مصنوعی خود به راحتی قدم بزنند یا حتی بدوند.
در حال حاضر محققان معتقدند که استفاده از هوش مصنوعی برای این اندامها میتواند به بیمار کمک کند تا سریعتر و راحتتر قدم بزنند.
محققان دانشگاههای «نورتوسترن» و «کارولینای شمالی» درباره سیستمی صحبت کردهاند که میتواند در زمان تنظیم یک اندام مصنوعی مانند زانوی رباتیک، نوعی «یادگیری تقویتی» را اعمال کند. یادگیری تقویتی یکی از روشهای یادگیری در سیستمهای هوشمند است که براساس رابطه علت و معلولی عمل میکند.
آنچه اتفاق میافتد این است که هوش مصنوعی جنبههای مختلفی از جمله میزان سفت یا نرم بودن مفصل و میزان حرکت عمودی در پای مصنوعی را در نظر میگیرد و با تنظیم پا طبق اطلاعات، کمک میکند تا بیمار احساس راحتتری داشته باشد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
محققان دانشگاههای نورتوسترن و کارولینای شمالی پای مصنوعی را ساختند که با استفاده از هوش مصنوعی به بیماران کمک میکند تا راحتتر و سریعتر قدم بزنند.
استفاده از یک پای مصنوعی برای نخستین بار میتواند نگرانکننده باشد، این بدان معناست که بیماران تمایل دارند تا با استفاده از پاهای مصنوعی خود به راحتی قدم بزنند یا حتی بدوند.
در حال حاضر محققان معتقدند که استفاده از هوش مصنوعی برای این اندامها میتواند به بیمار کمک کند تا سریعتر و راحتتر قدم بزنند.
محققان دانشگاههای «نورتوسترن» و «کارولینای شمالی» درباره سیستمی صحبت کردهاند که میتواند در زمان تنظیم یک اندام مصنوعی مانند زانوی رباتیک، نوعی «یادگیری تقویتی» را اعمال کند. یادگیری تقویتی یکی از روشهای یادگیری در سیستمهای هوشمند است که براساس رابطه علت و معلولی عمل میکند.
آنچه اتفاق میافتد این است که هوش مصنوعی جنبههای مختلفی از جمله میزان سفت یا نرم بودن مفصل و میزان حرکت عمودی در پای مصنوعی را در نظر میگیرد و با تنظیم پا طبق اطلاعات، کمک میکند تا بیمار احساس راحتتری داشته باشد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
Forwarded from مجله هوش مصنوعی
📗 لیست مسابقات مرتبط با هوش مصنوعی:
1️⃣ دومین دوره مسابقات ملی دادهکاوی امیرکبیر
📆 5 بهمن آخرین روز ثبت نام می باشد.
🌐 http://autdmc.ir
2️⃣ اولین دوره مسابقه علوم داده دانشگاه شریف
📆 11 بهمن
🌐 http://datadays.sharif.edu
3️⃣ چهارمین دوره مسابقات بینالمللی هوش مصنوعی دانشگاه صنعتی امیرکبیر
📆 10 اسفند
🌐 http://autcup.aut.ac.ir
4️⃣ نبرد هوش مصنوعی شریف
📆 16 بهمن
🌐 https://aichallenge.sharif.edu
❇️ مخاطبین گرامی اگر مسابقه ای در حال برنامه ریزی و برگزاری هست و در لیست بالا نیست می توانید از طریق آی دی ادمین ارسال کنید تا جهت اطلاع رسانی در سایت قرار گیرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
1️⃣ دومین دوره مسابقات ملی دادهکاوی امیرکبیر
📆 5 بهمن آخرین روز ثبت نام می باشد.
🌐 http://autdmc.ir
2️⃣ اولین دوره مسابقه علوم داده دانشگاه شریف
📆 11 بهمن
🌐 http://datadays.sharif.edu
3️⃣ چهارمین دوره مسابقات بینالمللی هوش مصنوعی دانشگاه صنعتی امیرکبیر
📆 10 اسفند
🌐 http://autcup.aut.ac.ir
4️⃣ نبرد هوش مصنوعی شریف
📆 16 بهمن
🌐 https://aichallenge.sharif.edu
❇️ مخاطبین گرامی اگر مسابقه ای در حال برنامه ریزی و برگزاری هست و در لیست بالا نیست می توانید از طریق آی دی ادمین ارسال کنید تا جهت اطلاع رسانی در سایت قرار گیرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
📗دوره آموزشی تشخیص ایمیلهای اسپم با روش یادگیری Naive Bayes
▪️در این دوره تمامی مراحل لازم برای ساختن یک ماشین یادگیری تشخیص ایمیل اسپم آموزش داده میشود. آموزشها از مباحث تئوری احتمالات آغاز شده و تا یادگیری Bayesian ادامه مییابد. سپس مراحل لازم جهت پیاده سازی مباحث تئوری در پایتون از 0 تا 100 طی شده است.
▪️مخاطبان این دوره می توانند روش یادگیری Bayesian را که یکی از مشهورترین شیوه های یادگیری ماشین (Machine Learning) می باشد، بصورت تئوری فراگرفته و با بکار گیری آن در عمل به درک و شهود واقعی از آن برسند.
▪️مقدمات برنامه نویسی این دوره نیز بصورت کامل در آن آموزش داده می شود تا حتی عزیزانی که در حد مقدماتی و پایین تر با پایتون آَشنایی دارند، بتوانند با ما همراه باشند.
▪️پروژه عملی آموزش داده شده در این دوره می تواند در کاربرد های وسیع تر پردازش متن، از جمله تشخیص انواع متون از یکدیگر (مثل تشخیص متون سیاسی از غیر سیاسی، ورزشی از غیر ورزشی و ...) بکار گرفته شود.
▪️این دوره برای کسانی که پیش زمینه اندکی از ماشین لرنینگ و یا آمار و احتمالات در حد مقدماتی دارند مناسب می باشد.
▪️لازم به ذکر است جهت درک بهتر، در این دوره از هیچ کتابخانه آماده هوش مصنوعی و ماشین لرنینگ و دیپ لرنینگ استفاده نشده و تمامی مراحل لازم از 0 تا 100 پیاده سازی شده است.
سرفصل اولیه مطالب :
❇️ آموزش کتابخانه re (عبارت منظم)
Introduction
Metacharacters
Repeating metacharacters
Match functions
Module-level functions
Compilation flags
Modifying strings
❇️ تئوری احتمالات و قانون بیز
Introduction
Conditional probability
Total probability theorem
Bayes' theorem
❇️ پیاده سازی پروژه : دسته بندی ایمیل های اسپم
Introduction
Feature selection
Dictionary
Application of Bayes' theorem
Naive Bayes assumption
Chain rule
Joint likelihood
Parameter estimation
Implementation notes
🔴 هم اکنون میتوانید از طریق فرم زیر با پیش ثبت نام در این دوره، با آغاز دوره از زمان برگزاری مطلع گردید و هم کد تخفیفی به محض شروع دوره برایتان ارسال خواهد شد.
پیش ثبت نام دوره آموزشی تشخیص ایمیل های اسپم با روش یادگیری Naive Bayes
🔹 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge
▪️در این دوره تمامی مراحل لازم برای ساختن یک ماشین یادگیری تشخیص ایمیل اسپم آموزش داده میشود. آموزشها از مباحث تئوری احتمالات آغاز شده و تا یادگیری Bayesian ادامه مییابد. سپس مراحل لازم جهت پیاده سازی مباحث تئوری در پایتون از 0 تا 100 طی شده است.
▪️مخاطبان این دوره می توانند روش یادگیری Bayesian را که یکی از مشهورترین شیوه های یادگیری ماشین (Machine Learning) می باشد، بصورت تئوری فراگرفته و با بکار گیری آن در عمل به درک و شهود واقعی از آن برسند.
▪️مقدمات برنامه نویسی این دوره نیز بصورت کامل در آن آموزش داده می شود تا حتی عزیزانی که در حد مقدماتی و پایین تر با پایتون آَشنایی دارند، بتوانند با ما همراه باشند.
▪️پروژه عملی آموزش داده شده در این دوره می تواند در کاربرد های وسیع تر پردازش متن، از جمله تشخیص انواع متون از یکدیگر (مثل تشخیص متون سیاسی از غیر سیاسی، ورزشی از غیر ورزشی و ...) بکار گرفته شود.
▪️این دوره برای کسانی که پیش زمینه اندکی از ماشین لرنینگ و یا آمار و احتمالات در حد مقدماتی دارند مناسب می باشد.
▪️لازم به ذکر است جهت درک بهتر، در این دوره از هیچ کتابخانه آماده هوش مصنوعی و ماشین لرنینگ و دیپ لرنینگ استفاده نشده و تمامی مراحل لازم از 0 تا 100 پیاده سازی شده است.
سرفصل اولیه مطالب :
❇️ آموزش کتابخانه re (عبارت منظم)
Introduction
Metacharacters
Repeating metacharacters
Match functions
Module-level functions
Compilation flags
Modifying strings
❇️ تئوری احتمالات و قانون بیز
Introduction
Conditional probability
Total probability theorem
Bayes' theorem
❇️ پیاده سازی پروژه : دسته بندی ایمیل های اسپم
Introduction
Feature selection
Dictionary
Application of Bayes' theorem
Naive Bayes assumption
Chain rule
Joint likelihood
Parameter estimation
Implementation notes
🔴 هم اکنون میتوانید از طریق فرم زیر با پیش ثبت نام در این دوره، با آغاز دوره از زمان برگزاری مطلع گردید و هم کد تخفیفی به محض شروع دوره برایتان ارسال خواهد شد.
پیش ثبت نام دوره آموزشی تشخیص ایمیل های اسپم با روش یادگیری Naive Bayes
🔹 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge
💢 مسابقه هوش مصنوعی chillin wars دانشگاه علم و صنعت
⚠️ آخرین مهلت ثبت نام، ۱۵ بهمن ماه
🌐 ChillinWars.ir
🆔 @ChillinWars
🆔 @iustcesa
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
⚠️ آخرین مهلت ثبت نام، ۱۵ بهمن ماه
🌐 ChillinWars.ir
🆔 @ChillinWars
🆔 @iustcesa
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
✅ پروفسور ریچارد ساتن عنوان کرد: الگوریتم های هوش مصنوعی
ریچارد ساتن، استاد دانشگاه آلبرتا (کانادا) از پایه گذاران یادگیری تقویتی معتقد است که دستیابی به الگوریتم های قوی هوش مصنوعی تا سال 2030 محقق خواهد شد.
ریچارد ساتن (Richard Sutton)، یکی از پایه گذاران یادگیری تقویتی محاسباتی (computational reinforcement learning) محسوب می شود. وی با طرح هایی از جمله یادگیری تفاوت زمانی، روش های شبیه سازی سیاست و معماری Dyna، سهم قابل توجهی در این حوزه به خود اختصاص داده است.
ساتن در گفتگو با medium به سوالات مختلفی در زمینه علوم رایانه و هوش مصنوعی (AI) پاسخ می دهد:
تحصیلات خود را در رشته ای غیر مرتبط با علوم رایانه آغاز کردید؛ در این مورد کمی توضیح دهید.
مدرک کارشناسی را در رشته روانشناسی اخذ کردم و سپس در علوم رایانه ادامه تحصیل دادم. این کار را تغییر جهت نمی دانم؛ همواره علاقه مند بودم در مورد فرآیند یادگیری مطالعه کنم و این مبحثی است که در رشته روانشناسی به آن پرداخته می شود. پس از اخذ مدرک کارشناسی در سال 1977، بدلیل علاقه مندی به موضوع هوش مصنوعی (AI) و مسائل مرتبط با این حوزه، علوم رایانه را تا مقطع دکترا ادامه دادم.
پس از اخذ مدرک فوق دکترا از دانشگاه ماساچوست، امهرست در سال 1984، به مدت 10 سال در آزمایشگاه های GTE فعالیت کردم. از سال 1998 یکی از اعضای اصلی دپارتمان هوش مصنوعی آزمایشگاه AT&T بودم؛ از سال 2003 به عنوان استاد در دانشگاه آلبرتا (کانادا) مشغول تدریس شدم و سرپرستی آزمایشگاه یادگیری تقویتی و هوش مصنوعی (RLAI) را برعهده گرفتم.
دیدگاه من در مورد هوش مصنوعی از طریق (تحصیل در رشته) روانشناسی و مطالعه یادگیری انسان و حیوانات، رنگ دیگری پیدا کرد؛ بسیاری از متخصصان هوش مصنوعی از این پیش زمینه بی بهره بودند و روانشناسی، الهام بخش من در این مسیر بود.
توسعه یادگیری تقویتی از دهه 1970 آغاز شده است؛ آیا این روند کند نبوده است؟
یادگیری تقویتی (Reinforcement Learning) یکی از فعال ترین حوزه های پژوهشی در هوش مصنوعی محسوب می شود. من با کند بودن روند توسعه یادگیری تقویتی (RL) موافق نیستم، اما قبول دارم که افزایش منابع محاسباتی تأثیر زیادی در این زمینه داشه است. قدرت محاسبات، عامل افزایش استفاده از آن بوده است.
انتظار می رود که تا سال 2030، هوش مصنوعی (AI) قوی در اختیار داشته باشیم. این مسأله تنها به سخت افزار ارزان بستگی ندارد، بلکه نیازمند الگوریتم های قوی نیز هستیم. معتقدم که درحال حاضر، الگوریتم های قوی هوش مصنوعی در اختیار نداریم، اما می توانیم تا سال 2030 این الگوریتم ها را داشته باشیم.
تا 2030 کدام اهمیت بیشتری دارد: سخت افزار یا نرم افزار؟
این سوال مهمی است که آیا سخت افزار در اولویت است یا نرم افزار. به نرم افزار برای آزمایش سخت افزار نیاز داریم و در دسترس بودن سخت افزار، عامل رسیدن به نرم افزار است. ممکن است که تا 2030، سخت افزارهای کافی در اختیار داشته باشیم، اما همچنان به 10 سال زمان بیشتر برای توسعه الگوریتم های هوشمندتر نیاز داریم.
منافع هوش مصنوعی در روانشناسی و علوم اعصاب بسیار متنوع هستند. چرا تعامل میان هوش مصنوعی (AI)/ یادگیری تقویتی (RL) و روانشناسی/ علوم اعصاب حائز اهمیت است؟
تقویت پایه که یادگیری های مختلف را امکانپذیر می کند، اساسا در مغز یافت می شود. فرآیندهایی در مغز هستند که از قوانین مشابهی برخوردار هستند و با قوانین یادگیری تقویتی مدلسازی می شوند که مدل استاندارد سیستم جهانی (standard model of world system) در مغز گفته می شود.
مغز انسان، مدل مناسب یادگیری روانشناختی و مطالعه رفتارهای حیوانی است. در عین حال، این مدل بر مبنای یادگیری در شرایطی است که قادر به برنامه ریزی باشید. همچنین یک مدل تقویت شده از چگونگی برنامه ریزی و محل یادگیری توالی های مختلف است. با در نظر گرفتن هر دو گزینه، محققان هوش مصنوعی تلاش می کنند تا ذهن انسان را شکل داده و نقطه قوت آن را مشخص کنند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
ریچارد ساتن، استاد دانشگاه آلبرتا (کانادا) از پایه گذاران یادگیری تقویتی معتقد است که دستیابی به الگوریتم های قوی هوش مصنوعی تا سال 2030 محقق خواهد شد.
ریچارد ساتن (Richard Sutton)، یکی از پایه گذاران یادگیری تقویتی محاسباتی (computational reinforcement learning) محسوب می شود. وی با طرح هایی از جمله یادگیری تفاوت زمانی، روش های شبیه سازی سیاست و معماری Dyna، سهم قابل توجهی در این حوزه به خود اختصاص داده است.
ساتن در گفتگو با medium به سوالات مختلفی در زمینه علوم رایانه و هوش مصنوعی (AI) پاسخ می دهد:
تحصیلات خود را در رشته ای غیر مرتبط با علوم رایانه آغاز کردید؛ در این مورد کمی توضیح دهید.
مدرک کارشناسی را در رشته روانشناسی اخذ کردم و سپس در علوم رایانه ادامه تحصیل دادم. این کار را تغییر جهت نمی دانم؛ همواره علاقه مند بودم در مورد فرآیند یادگیری مطالعه کنم و این مبحثی است که در رشته روانشناسی به آن پرداخته می شود. پس از اخذ مدرک کارشناسی در سال 1977، بدلیل علاقه مندی به موضوع هوش مصنوعی (AI) و مسائل مرتبط با این حوزه، علوم رایانه را تا مقطع دکترا ادامه دادم.
پس از اخذ مدرک فوق دکترا از دانشگاه ماساچوست، امهرست در سال 1984، به مدت 10 سال در آزمایشگاه های GTE فعالیت کردم. از سال 1998 یکی از اعضای اصلی دپارتمان هوش مصنوعی آزمایشگاه AT&T بودم؛ از سال 2003 به عنوان استاد در دانشگاه آلبرتا (کانادا) مشغول تدریس شدم و سرپرستی آزمایشگاه یادگیری تقویتی و هوش مصنوعی (RLAI) را برعهده گرفتم.
دیدگاه من در مورد هوش مصنوعی از طریق (تحصیل در رشته) روانشناسی و مطالعه یادگیری انسان و حیوانات، رنگ دیگری پیدا کرد؛ بسیاری از متخصصان هوش مصنوعی از این پیش زمینه بی بهره بودند و روانشناسی، الهام بخش من در این مسیر بود.
توسعه یادگیری تقویتی از دهه 1970 آغاز شده است؛ آیا این روند کند نبوده است؟
یادگیری تقویتی (Reinforcement Learning) یکی از فعال ترین حوزه های پژوهشی در هوش مصنوعی محسوب می شود. من با کند بودن روند توسعه یادگیری تقویتی (RL) موافق نیستم، اما قبول دارم که افزایش منابع محاسباتی تأثیر زیادی در این زمینه داشه است. قدرت محاسبات، عامل افزایش استفاده از آن بوده است.
انتظار می رود که تا سال 2030، هوش مصنوعی (AI) قوی در اختیار داشته باشیم. این مسأله تنها به سخت افزار ارزان بستگی ندارد، بلکه نیازمند الگوریتم های قوی نیز هستیم. معتقدم که درحال حاضر، الگوریتم های قوی هوش مصنوعی در اختیار نداریم، اما می توانیم تا سال 2030 این الگوریتم ها را داشته باشیم.
تا 2030 کدام اهمیت بیشتری دارد: سخت افزار یا نرم افزار؟
این سوال مهمی است که آیا سخت افزار در اولویت است یا نرم افزار. به نرم افزار برای آزمایش سخت افزار نیاز داریم و در دسترس بودن سخت افزار، عامل رسیدن به نرم افزار است. ممکن است که تا 2030، سخت افزارهای کافی در اختیار داشته باشیم، اما همچنان به 10 سال زمان بیشتر برای توسعه الگوریتم های هوشمندتر نیاز داریم.
منافع هوش مصنوعی در روانشناسی و علوم اعصاب بسیار متنوع هستند. چرا تعامل میان هوش مصنوعی (AI)/ یادگیری تقویتی (RL) و روانشناسی/ علوم اعصاب حائز اهمیت است؟
تقویت پایه که یادگیری های مختلف را امکانپذیر می کند، اساسا در مغز یافت می شود. فرآیندهایی در مغز هستند که از قوانین مشابهی برخوردار هستند و با قوانین یادگیری تقویتی مدلسازی می شوند که مدل استاندارد سیستم جهانی (standard model of world system) در مغز گفته می شود.
مغز انسان، مدل مناسب یادگیری روانشناختی و مطالعه رفتارهای حیوانی است. در عین حال، این مدل بر مبنای یادگیری در شرایطی است که قادر به برنامه ریزی باشید. همچنین یک مدل تقویت شده از چگونگی برنامه ریزی و محل یادگیری توالی های مختلف است. با در نظر گرفتن هر دو گزینه، محققان هوش مصنوعی تلاش می کنند تا ذهن انسان را شکل داده و نقطه قوت آن را مشخص کنند.(تی نیوز)
🔯 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI