رویداد مسئله محور هوش مصنوعی
با محوریت حل مسائل واقعی و ارزیابی راه حل های هوشمند

شروع ثبت نام: 1 دی ماه
مسابقه و ارسال نتایج: 20 بهمن ماه
برگزاری رویداد: 29 بهمن ماه
مکان: پژوهشگاه ارتباطات و فناوری اطلاعات- طبقه دوم- سالن شهید اتابکی

لینک ثبت نام:
challenges.iranailab.ir

جوایز نقدی به ترتیب برای ۳ تیم برتر:
چالش های اول و دوم:
تیم اول: ۲۰۰ میلیون تومان
تیم دوم: ۱۰۰ میلیون تومان
تیم سوم: ۵۰ میلیون تومان

چالش های سوم تا پنجم:
تیم اول: ۱۰۰ میلیون تومان
تیم دوم: ۶۰ میلیون تومان
تیم سوم: ۴۰ میلیون تومان

#رویداد
#مسأله_محور
#هوش_مصنوعی
#پژوهشگاه_ارتباطات_و_فناوری_اطلاعات
#مرکز_تحقیقات_مخابرات_ایران
#وزارت_ارتباطات_و_فناوری_اطلاعات
#ITRC
#IEEE

@itrc_news

📘 بینایی ماشین (Computer Vision) چیست؟

بینایی ماشین یکی از زیرمجموعه‌های مهم هوش مصنوعی است که به سیستم‌ها این توانایی را می‌دهد تا تصاویر و ویدئوها را ببینند، تحلیل کنند و درک کنند؛
تقریباً شبیه کاری که چشم و مغز انسان انجام می‌دهد.
به زبان ساده:
بینایی ماشین یعنی کامپیوتر بتواند از روی تصویر یا ویدئو بفهمد چه چیزی در آن وجود دارد.👁️🤖

🔹 بینایی ماشین چگونه کار می‌کند؟(به زبان ساده)
1️⃣ تصویر یا ویدئو به‌عنوان داده وارد سیستم می‌شود
2️⃣ مدل‌های یادگیری ماشین (معمولاً یادگیری عمیق) الگوهای تصویری را استخراج می‌کنند
3️⃣ سیستم اشیاء، چهره‌ها، متن یا حرکات را تشخیص می‌دهد
4️⃣ بر اساس این درک، تصمیم یا پیش‌بینی انجام می‌شود
⚪️ امروزه بیشتر سیستم‌های بینایی ماشین بر پایه‌ی شبکه‌های عصبی عمیق ساخته می‌شوند.

🔹 نمونه کاربردهای بینایی ماشین

⚪️ تشخیص چهره
● باز کردن قفل گوشی
● سیستم‌های احراز هویت

⚪️ شناسایی اشیاء (Object Detection)
● خودروهای خودران
● تحلیل تصاویر دوربین‌های شهری

⚪️ پردازش تصاویر پزشکی
● تشخیص تومور
● تحلیل تصاویر MRI و X-ray

⚪️ بینایی صنعتی و تجاری
● کنترل کیفیت در کارخانه‌ها
● اسکن بارکد و تشخیص کالا

✨ بینایی ماشین یکی از ستون‌های اصلی فناوری‌های هوشمند امروزی است و بدون آن، بسیاری از پیشرفت‌ها در پزشکی، حمل‌ونقل و امنیت ممکن نبود.

✅️ در پست‌های بعدی، مفاهیم کلیدی بینایی ماشین و نقش یادگیری عمیق در آن را به‌صورت جداگانه بررسی می‌کنیم.

📌 منابع:
🔘 IBM — Computer Vision
🔘 Stanford University
🔘 MIT — Computer Vision Overview

#️⃣ #بینایی_ماشین #هوش_مصنوعی #یادگیری_عمیق #فناوری #پای_ویژن
#ComputerVision #ArtificialIntelligence #DeepLearning #AI

🌐 @PyVision

میلاد حضرت مسیح (ع) مبارک باد.🎄

به همه‌ی هموطنان مسیحی عزیز،
میلاد فرخنده‌ی حضرت مسیح (ع)، پیام‌آور عشق، صلح و مهربانی را صمیمانه تبریک می‌گوییم.✨🕊️


Merry Christmas 🎄

Warmest wishes to our dear Christian compatriots on the birth of Jesus Christ (Peace Be Upon Him). ✨🕊️

🌐 @PyVision

📘 ۱۰ اصطلاح مهم در یادگیری ماشین
قسمت دوم

1️⃣1️⃣ Training
فرآیند آموزش مدل با استفاده از داده‌های آموزشی

1️⃣2️⃣ Validation
بررسی عملکرد مدل در حین آموزش برای جلوگیری از خطا

1️⃣3️⃣ Overfitting
یادگیری بیش‌ازحد داده آموزش و عملکرد ضعیف روی داده جدید

1️⃣4️⃣ Underfitting
ساده بودن بیش‌ازحد مدل و ناتوانی در یادگیری الگوها

1️⃣5️⃣ Bias
خطای ناشی از ساده‌سازی بیش‌ازحد مدل(سوگیری)

1️⃣6️⃣ Variance
حساسیت بیش‌ازحد مدل به داده‌های آموزشی

1️⃣7️⃣ Cross Validation
روش ارزیابی مدل با تقسیم داده به چند بخش

1️⃣8️⃣ Accuracy
درصد پیش‌بینی‌های درست مدل

1️⃣9️⃣ Precision
نسبت پیش‌بینی‌های درست مثبت به کل پیش‌بینی‌های مثبت

2️⃣0️⃣ Recall
نسبت نمونه‌های مثبت شناسایی‌شده به کل نمونه‌های مثبت واقعی

✨ این مفاهیم برای ارزیابی، تحلیل و بهبود مدل‌ها ضروری هستند.

📌 منابع:
🔘 Google Machine Learning Glossary
🔘 Scikit-learn Documentation
🔘 Stanford CS229

#️⃣ #یادگیری_ماشین #مدل_سازی #تحلیل_داده #هوش_مصنوعی
#MachineLearning #MLMetrics #DataScience #AI #PyVision

🌐 @PyVision

📘 سیستم‌های خبره (Expert Systems) چیست؟

سیستم‌های خبره یکی از شاخه‌های کلاسیک هوش مصنوعی هستند که هدف آن‌ها شبیه‌سازی توانایی تصمیم‌گیری یک متخصص انسانی در یک حوزه‌ی مشخص است.
این سیستم‌ها به‌جای یادگیری از حجم عظیم داده‌ها، از دانش و قوانین استخراج‌شده از خبرگان استفاده می‌کنند. 🧠🤖
به زبان ساده:
سیستم خبره یعنی ماشینی که مثل یک متخصص فکر می‌کند و مشاوره می‌دهد.

🔹 اجزای اصلی سیستم‌های خبره
1️⃣ Knowledge Base (پایگاه دانش / علم)
شامل قوانین، حقایق و دانش تخصصی یک حوزه بسان قوانین تشخیص بیماری

2️⃣ Inference Engine (موتور استنتاج)
بخشی که با استفاده از قوانین، نتیجه‌گیری و تصمیم‌گیری می‌کند، بسان اگر «علائم A و B وجود دارد» → «احتمال بیماری X»

3️⃣ User Interface (رابط کاربری)
محل تعامل کاربر با سیستم، پرسش‌وپاسخ برای دریافت اطلاعات از کاربر

🔹 سیستم‌های خبره چگونه کار می‌کنند؟ (خیلی خلاصه)
1️⃣ کاربر اطلاعات اولیه را وارد می‌کند
2️⃣ موتور استنتاج، قوانین پایگاه دانش را بررسی می‌کند
3️⃣ سیستم به یک نتیجه یا پیشنهاد می‌رسد
4️⃣ خروجی به‌صورت توصیه یا تصمیم نمایش داده می‌شود


🔹 نمونه کاربردهای سیستم‌های خبره

⚪️ پزشکی
● تشخیص بیماری
● پیشنهاد روش درمان

⚪️ صنعت و مهندسی
● عیب‌یابی تجهیزات
● نگهداری پیش‌بینانه

⚪️ کسب‌وکار و بازارهای مالی
● تحلیل ریسک
● پشتیبانی تصمیم‌گیری مدیریتی

⚪️ آموزش
● سیستم‌های آموزش هوشمند
● راهنمایی گام‌به‌گام کاربران


✨ سیستم‌های خبره از اولین کاربردهای موفق هوش مصنوعی بودند و هنوز هم در حوزه‌هایی که دانش تخصصی و قوانین مشخص وجود دارد، بسیار مؤثر هستند.

✅️ در پست‌های بعدی، تفاوت سیستم‌های خبره با یادگیری ماشین و کاربردهای ترکیبی آن‌ها را بررسی می‌کنیم.


📌 منابع:
🔘 Encyclopaedia Britannica — Expert System
🔘 IBM — Expert Systems Overview
🔘 MIT — Knowledge-Based Systems

#️⃣ #سیستم_خبره #هوش_مصنوعی #تصمیم_گیری #فناوری
#ExpertSystems #ArtificialIntelligence #DecisionSupport #AI

🌐 @PyVision

📘 ۱۰ اصطلاح تکمیلی و پیشرفته یادگیری ماشین
قسمت سوم

2️⃣1️⃣ Loss Function
معیاری برای اندازه‌گیری میزان خطای پیش‌بینی مدل

2️⃣2️⃣ Cost Function
میانگین خطاهای مدل روی کل داده‌ها

2️⃣3️⃣ Optimization
فرآیند کمینه‌سازی خطا و بهبود عملکرد مدل

2️⃣4️⃣ Gradient Descent
الگوریتم بهینه‌سازی مبتنی بر گرادیان تابع خطا

2️⃣5️⃣ Learning Rate
میزان تغییر پارامترهای مدل در هر گام آموزش

2️⃣6️⃣ Hyperparameter
تنظیماتی که قبل از آموزش مدل تعیین می‌شوند

2️⃣7️⃣ Feature Scaling
نرمال‌سازی مقادیر ویژگی‌ها برای بهبود آموزش

2️⃣8️⃣ Regularization
کاهش پیچیدگی مدل برای جلوگیری از بیش‌برازش

2️⃣9️⃣ Confusion Matrix
جدول ارزیابی عملکرد مدل‌های دسته‌بندی

3️⃣0️⃣ Pipeline
زنجیره‌ای از مراحل پردازش داده و آموزش مدل

✨ این مفاهیم نقش کلیدی در بهینه‌سازی و حرفه‌ای‌سازی مدل‌ها دارند.

📌 منابع:
🔘 Google Machine Learning Glossary
🔘 Scikit-learn Documentation
🔘 Stanford CS229

#️⃣ #یادگیری_ماشین #بهینه_سازی #مدل_سازی #علم_داده #پای_ویژن
#MachineLearning #Optimization #DeepLearning #DataScience

🌐 @PyVision

📚 مرور کتاب‌ها
قسمت دوم

در این پست مروری داریم بر مجموعه از کتاب‌های منتخب حوزه ریاضیات و آمار، یادگیری ماشین و یادگیری عمیق که در کانال معرفی شده است.

🔹 فهرست کتاب‌ها:
1. Mathematics for Machine Learning

2. Deep Learning

3. The Elements of Statistical Learning

4. Introduction to Mathematical Statistics

5. Algebra, Topology, Differential Calculus, and Optimization Theory

6. Probabilistic Machine Learning: An Introduction

7. Linear Algebra Done Right

8. Introduction to Probability for Data Science

9. The Mathematical Engineering of Deep Learning

10. Practical Statistics for Data Scientists

✳️ این مجموعه برای کسانی مناسب است که می‌خواهند پایه‌های ریاضی و آماری لازم برای کار حرفه‌ای در Data Science و Machine Learning را عمیق‌تر یاد بگیرند.

✳️ This series is suitable for those who want to learn more deeply the mathematical and statistical foundations necessary for professional work in Data Science and Machine Learning.

📥 برای دانلود و مطالعه، به پست‌های مربوطه در کانال مراجعه کنید.

🌐 @PyVision

آخرین تحولات پایتون و هوش مصنوعی در پست بعدی 👇🏽

#️⃣ #اخبار_فناوری #هوش_مصنوعی #پایتون
#TechNews #ArtificialIntelligence #Python

🌐 @PyVision

📰 خبر های فناوری | پایتون و هوش مصنوعی

بر اساس تازه‌ترین مطالب منتشرشده در وب‌سایت GeeksforGeeks، دنیای Python و Artificial Intelligence در سال ۲۰۲۵ با دو روند مهم همراه است:
تکامل تدریجی پایتون و رشد شتابان هوش مصنوعی چندوجهی(Multimodal AI).

🔹 آخرین وضعیت Python
مطابق گزارش GeeksforGeeks، انتشار نسخه‌ای با عنوان Python 4.0 در آیندهٔ نزدیک برنامه‌ریزی نشده است. توسعه‌دهندگان اصلی، از جمله خالق پایتون، ترجیح می‌دهند مسیر Python 3.x را با انتشار نسخه‌های بهینه‌تر (مانند 3.11، 3.12 و 3.13) ادامه دهند.
تغییرات بنیادین مثل حذف GIL یا ناسازگاری گسترده با افزونه‌های C تنها دلایل احتمالی برای یک جهش بزرگ به نسخه ۴ خواهند بود.

🔹 اکوسیستم کتابخانه‌های پایتون
مقالات جدید این سایت نشان می‌دهد که در سال ۲۰۲۵، قدرت اصلی پایتون همچنان در تنوع و بلوغ کتابخانه‌های آن است؛ موضوعی که این زبان را برای حوزه‌هایی مانند علم داده، یادگیری ماشین و توسعه نرم‌افزار بسیار جذاب نگه می‌دارد.

🔹 هوش مصنوعی در ۲۰۲۵
خبرها در GeeksforGeeks تمرکز ویژه‌ای بر روندهای نوین AI دارد؛ از جمله:

● مدل‌های زبانی بزرگ (LLMs)
● هوش مصنوعی مولد
● سیستم‌های چندوجهی (Multimodal AI) که متن، تصویر و ویدئو را هم‌زمان پردازش می‌کنند

این اخبار بیشتر جنبهٔ کاربردی دارند و، ابزارها و روندهای روز را برای توسعه‌دهندگان معرفی می‌کنند.

🔹 روندهای کلان AI و ML
موضوعاتی مانند توضیح‌پذیری مدل‌ها، Edge AI، یادگیری فدرال (Federated Learning / با یادگیری محلی متفاوت است)، اخلاق و کاهش سوگیری الگوریتم‌ها همچنان در مرکز توجه قرار دارند.

✳️ به طور خلاصه، پایتون با ثبات و تکامل تدریجی مسیر خود را ادامه می‌دهد، در حالی که هوش مصنوعی با سرعت بالا و رویکردهای چندوجهی در حال تغییر شکل آیندهٔ فناوری است.

🔮 شما کدام را محتمل‌تر می‌دانید؟
ادامهٔ تکامل آرام پایتون یا یک جهش بزرگ؟
هوش مصنوعی تک‌وجهی یا کاملاً چندوجهی؟
نظرتان را با ما به اشتراک بگذارید.

📌 منابع:
🔘 Latest Update on Python 4.0
🔘 Top 20 Python Libraries To Know in 2025
🔘 Future of AI in 2025: Top Trends and Predictions
🔘 Artificial Intelligence Archives – GeeksforGeeks
🔘 Top 20 Trends in AI and ML to Watch in 2024

#️⃣ #پایتون #هوش_مصنوعی #اخبار_فناوری #برنامه_نویسی
#Python #ArtificialIntelligence #AITrends #TechNews

🌐 @PyVision

🟦 اصطلاحات پایه یادگیری عمیق (Deep Learning)
قسمت اول

1️⃣ Deep Learning
رویکردی از یادگیری ماشین که با شبکه‌های عصبی چندلایه، الگوهای پیچیده را از داده‌های حجیم یاد می‌گیرد.

2️⃣ Neural Network (NN)
مدلی محاسباتی متشکل از نورون‌های مصنوعی که روابط غیرخطی بین ورودی و خروجی را یاد می‌گیرد.

3️⃣ Artificial Neuron
واحد پایه شبکه عصبی که مجموع وزن‌دار ورودی‌ها را پردازش می‌کند.

4️⃣ Layer
مجموعه‌ای از نورون‌ها در یک سطح مشخص از شبکه عصبی.

5️⃣ Hidden Layer
لایه‌های میانی که ویژگی‌های پنهان و سطح بالای داده را استخراج می‌کنند.

6️⃣ Weights
پارامترهای قابل یادگیری که اهمیت هر ورودی را مشخص می‌کنند.

7️⃣ Bias
پارامتر کمکی برای افزایش انعطاف‌پذیری مدل و جابه‌جایی تابع تصمیم.

8️⃣ Activation Function
تابعی غیرخطی که توان یادگیری روابط پیچیده را به شبکه می‌دهد.

9️⃣ Loss Function
معیاری برای سنجش فاصله پیش‌بینی مدل از مقدار واقعی.

🔟 Training
فرآیند تنظیم وزن‌ها با هدف کمینه‌سازی خطا.

📌 منابع:
🔘 Deep Learning Book
🔘 Stanford CS231n – Neural Networks
🔘 TensorFlow Glossary

#️⃣ #یادگیری_عمیق #شبکه_عصبی #هوش_مصنوعی
#DeepLearning #NeuralNetworks #AI

🌐 @PyVision

❓️ خروجی کد زیر چیست؟
❓️What's the output?

def add(x, y=[]):
    y.append(x)
    return y

print(add(1))
print(add(2))
print(add(3))

#️⃣ #تعریف_تابع #چالش_پایتون #آموزش_پایتون #برنامه_نویسی
#PythonFunctions #PythonChallenge #CodingConcepts #LearnPython

🌐 @PyVision