📌مقدمه ای بر یادگیری عمیق

✍این کتاب یک راهنمای مفید و جذاب برای آموزش تئوری یادگیری عمیق است، که محبوب ترین الگوریتم ها را به سبکی ساده آموزش می‌دهد و ریاضیات مورد نیاز برای یادگیری عمیق را به صورت گام به گام توضیح می دهد



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#علم_داده #DataScience
----------------------------------------------------
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

‏
📌نکته اموزشی

✍ترجمه‌های سرویس deepl نه‌تنها از گوگل ترنسلیت به‌مراتب بهتره بلکه در حدی خوبه که شما متن رو انگلیسی بنویسی و باهاش به آلمانی ترجمه کنی، خود آلمانی‌ها تقریباً متوجه نمی‌شن ترجمه شده (من بارها امتحان کردم و پرسیدم، هنوز ندیدم کسی بتونه از متن ترجمه شدش ایراد بگیره)
لینک سایت


📎منبع : توییتر
📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.
#ترنسلیت #ترجمه

——————————————————
🔹کانال هوش مصنوعی پرورش

🌐@parvvaresh_ch

📌هوش مصنوعی که شعر می‌گوید!

✍به تازگی برخی از هوش مصنوعی‌ها می‌توانند برای آهنگ‌ها شعر تولید کنند. اگرچه ممکن است این موضوع عجیب به نظر برسد، اما حقیقت این است که صنعت موسیقی چندین سال است که این نوع فناوری را قبول کرده است. این فناوری به صورت مسابقه نیز برگزار می‌شود به طور مثال مسابقه سالانه آهنگ هوش مصنوعی که در آن نوازندگان از سرتاسر جهان برای دیدن اینکه چه کسی می‌تواند بهترین موسیقی مبتنی بر هوش مصنوعی را ایجاد کند، یکی از نمونه‌های آن است.



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست هستیم

#هوش_مصنوعی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌نظارت هوش مصنوعی بر مجاری ادراری با استفاده از صدا!
✍یک الگوریتم هوش مصنوعی اکنون می‌تواند به صدای دفع ادرار بیماران گوش دهد تا با موفقیت و کارآمدی، جریان‌های غیرطبیعی و مشکلات مربوط به سلامتی مجاری ادراری آنها را شناسایی کند.

این ابزار یادگیری عمیق، “Audioflow” نامیده می‌شود و تاکنون تقریباً به اندازه‌ی یک دستگاه تخصصی مورد استفاده در کلینیک‌ها خوب عمل کرده و نتایج مشابهی را برای دستیاران اورولوژی ارائه کرده است.
یک هوش مصنوعی جدید قادر است از صدای جریان ادرار برای نظارت بر سلامت مجاری ادراری استفاده کند.



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#هوش_مصنوعی #پزشکی #یادگیری_عمیق
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌هوش مصنوعی، کودکان مبتلا به اوتیسم را شناسایی می‌کند

✍پژوهش جدیدی که به سرپرستی “دانشگاه نورث‌وسترن”(Northwestern University) انجام شده است، از یادگیری ماشینی استفاده می‌کند تا الگوهای گفتار را در کودکان مبتلا به اوتیسم شناسایی کند. نتیجه این پژوهش، بین زبان‌های انگلیسی و کانتونی هم‌خوانی داشت و نشان داد که بررسی ویژگی‌های گفتاری ممکن است روش مفیدی برای تشخیص دادن این بیماری باشد.

داده‌های مورد استفاده برای آموزش این الگوریتم، با ضبط صدای جوانان انگلیسی‌زبان و کانتونی‌زبان به دست آمد که به اوتیسم مبتلا نبودند و روایت خود را از داستانی بیان می‌کردند که در یک کتاب تصویری کودکانه و بدون کلمه‌ به نام “قورباغه! کجایی؟” آمده بود.



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#هوش_مصنوعی #الگوریتم
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

‏درست در شرایطی که پرآب‌ترین جلگه ‎ایران یعنی ‎خوزستان را محتاج آب آشامیدنی کرده‌اند، ‎امارات بزرگترین مزرعه عمودی و البته علمی جهان را افتتاح کرد که مصرف آب آن ۹۵ درصد کمتر از مزارع معمولی است. برای پرورش سبزیجات مزرعه بوستانیکا هیچگونه سم و مواد شیمیایی استفاده نمی‌شود و به ‏دلیل اینکه تمام پروسه تولید و توزیع بدون آلودگی است نیازی به شستن سبزیجات قبل از مصرف نیست. در این مزرعه از هوش مصنوعی و فناوری تحلیل داده استفاده شده و اداره آن هوشمند است. این سبزیجات در خطوط هوایی امارات استفاده می‌شوند و در فروشگاه‌ها هم عرضه خواهند شد.

✍️مریم شکرانی

📌تشخیص غیرتهاجمی سرطان مثانه به کمک هوش مصنوعی
✍شرکت های آمریکایی Techcyte و Cytobay درخصوص ارائه آزمایش تشخیصی دیجیتال غیر تهاجمی برای سرطان مثانه، با یکدیگر همکاری می کنند.

او Cytobay با هدف ایجاد یک روش غیرتهاجمی برای تشخیص سرطان و نظارت بر پیشرفت بیماری تاسیس شد.به گزارش سیناپرس، محققان گفته اند، فناوری جدید ما، ارزیابی پروفایل ‌های سیتومورفولوژیک و مولکولی تک سلولی را به‌ طور همزمان امکان ‌پذیر می ‌سازد. ما فرآیند تهیه اسلاید را برای برجسته کردن سلول های سرطان اپیتلیال و متعاقباً تشخیص سرطان مثانه به طور خودکار انجام داده ایم.

این Cytobay به Techcyte نزدیک شد تا از پلتفرم هوش مصنوعی آسیب شناسی بالینی آن برای تجزیه و تحلیل سلول ها و تکمیل فرآیند تشخیصی استفاده کند. مدیران اجرایی Cytobay افزوده اند، ما در آستانه یک تشخیص غیرتهاجمی جدید برای سرطان هستیم. همکاری ما با Techcyte به ما این امکان را می ‌دهد تا تشخیص‌ های سرطان را برای کسانی که بیشتر به آن نیاز دارند، به صورت دقیق و مقرون ‌به ‌صرفه ارائه دهیم.



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#هوش_مصنوعی #یادگیری_عمیق #مثانه
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

🔴 ثبت نام محافل گره آغاز شد‌.

🔺لینک ثبت نام دپارتمان مهندسی (گروه ۱ تا ۲۸):
https://forms.gle/gUu6D6oeXwZmXsww5

🔺 لینک ثبت نام دپارتمان علوم پزشکی (گروه ۲۹ و ۳۰):
https://forms.gle/ZTf8j7bqcASeT83y6

🔺 لینک ثبت نام دپارتمان المپیاد (گروه ۳۱):
https://forms.gle/wha14dQd25i3XHih6

🔹لینک ثبت نام در سایت gereh.mathcs.ir نیز موجود است.
🔹 اولویت تیم‌سازی با افرادی است که زودتر ثبت نام کرده‌اند.

📌کودکان مجازی تولید شدند
✍پژوهشگران موفق شده اند با تلفیق هوش مصنوعی و داده های روان شناسانه، کودکان مجازی تولید کنند که قادر به فکر کردن به روش مشابه کودکان باشند. این فناوری می تواند گام بزرگی در مطالعات روان شناسی کودک محسوب شود.

به تازگی پژوهشگران کودکان دیجیتالی را ایجاد کرده‌اند که در آن کودکان شبیه سازی شده، به گونه ‌ای برنامه‌ریزی شده ‌اند که «خاطره» داشته و مانند کودکان واقعی به سؤالات پاسخ دهند.

به تازگی اولین آواتارهای مجازی کودک توسط تیمی از محققان فنلاندی و ایتالیایی ساخته شد. در مطالعه‌ای که این تیم در سال ۲۰۱۴ منتشر کرد، افراد با کودکان دیجیتال مصاحبه کردند و هدف این بود که بفهمند آیا آنها از چیز بدی «خاطره» دارند یا خیر. بر اساس این یافته ها، محققان میزان تلقین پذیری کودکان را توضیح دادند.

به عنوان مثال اگر شخصی از یکی از کودکان آواتار سه بار سؤال پیشنهادی مشابهی را بپرسد، بار سوم کودک پاسخ او را از نه به بله تغییر می داد.



📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#شبکه_های_عصبی #داده #هوش_مصنوعی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌واحد های اندازه گیری کامپیوتر



📎منبع
📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#کامپیوتر
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

#کتاب
📌کیبورد شورت کات های مخصوص عاشقان دیتا



📋جمع اوری کننده : عیلرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#کتاب
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌راهنمایی
✍سایت learndigital . Witgoogel . com یک سایت معتبر و معروف خارجیه به وسیله این سایت شما میتونید بطور مستقیم از گوگل و دانشگاه The Open University انگلستان که یکی از معتبرترین دانشگاه های دنیاست مدرک آنلاین بین المللی معتبر که در بزرگترین دانشگاه های دنیا مورد تایید هست دریافت کنید ، کافیه وارد این سایت بشید و داخل دسته بندی های رایگان روی عبارت = fundamentals of Digital marketing کلیک کنید ، میتونید ۲۶ دوره آموزشی رو شرکت کنید . جالبه بدونید همه این دوره ها رایگان هستن در صورتی که توی ایران با هزینه‌های بسیار بالا تدریس میشن.



📎منبع : توییتر فارسی

🔵منتظر شنیدن نظرات شما زیر این پست

#دوره_اموزشی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌نمای کلی از ساختمان داده ها




📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#ساختمان داده
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌 Transfer Learaning
✍️ یکی از ایده های بسیار جذاب شبکه های عصبی مصنوعی Transfer Learning است....اگر بخواهم خیلی ساده توضیح بدهم میتوانم یک کودک را مثال بزنم که در حال یادگیری مفهوم مکعب است....ما برای اینکه به کودک یاد بدهیم که مکعب چیست، مستقیما تعداد زیادی مکعب به آن نشان نمیدهیم تا یاد بگیرد. بلکه در قدم اول مفهوم نقطه و خط و سپس مربع را به آن یاد میدهیم. سپس کافیست کودک یاد بگیرد که مکعب، از کنار هم قرار دادن 6 مربع در فضا تشکیل شده است. به عبارتی با یادگیری مفاهیم ساده تر از قبل، روند یادگیری مفهوم جدید برای کودک خیلی ساده تر میشود.

برای توضیح فنی تر و کمی حرفه ای تر باید شبکه عصبی ای را در نظر بگیرید که مثلا میخواهد انواع اتومبیل ها را طبقه بندی کند و با نشان دادن تصویر اتوموبیل، برند آن را تشخیص دهد. واضح است که برای آموزش این مدل، انرژی زیادی صرف یادگیری انواع خطوط و اشکال هندسی میشود. بنابراین اینجا ایده Transfer Learning به کار میرود.
کاری که انجام میشود این است، مدلی که از قبل مفاهیم خطوط را میفهمد را برمیداریم (به طور مثال بخشی از شبکه ResNet که روی میلیون ها داده از قبل Train شده است) سپس تعریف میکنیم که لایه های این مدل نباید Train شوند و پارامتر های آن باید ثابت باشند.
در قدم بعدی لایه های مدل خودمان را اضافه میکنیم که پارامتر های آن قابلیت Train شدن دارند و قرار است خصوصیات جدید را یاد بگیرند.
سپس دو مدل را به هم متصل میکنیم و با استفاده از مدل جدید میتوانیم تصاویر جدید را طبقه بندی کنیم.

✍️ شاید به نظر بیاید که کدنویسی این روند کار پیچیده ای باشد اما با keras به راحتی تمام این مراحل در چند خط کد قابل پیاده سازی است.
در مقاله زیر که توسط یکی از نویسندگان بزرگ شبکه های عصبی (Jason Brownlee) نوشته شده، تمام مراحل پیاده سازی این ایده توضیح داده میشود.
📎 لینک پیاده سازی

📋نویسنده متن : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#پیشرفته #شبکه_های_عصبی #مقاله #transfer_learning
——————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌normalization and it,s effect on breast cancer detection with MLP


✍️پیش پردازش داده (pre processing) یکی از مراحل مهم در هر پروژه یادگیری ماشین محسوب می‌شود.
در این نوت بوک قصد دارم به بررسی اهمیت استاندارد سازی(normalize) کردن داده برای classification توسط MLP(multi layer perceptron) بپردازم.
در این نوت بوک از دیتاست سرطان سینه (breast cancer) استفاده شده که هدفش تشخیص سرطان داشتن یا نداشتن فرد با توجه به پارامتر هایی مشخص هست.
نخست چندین نمودار از ویژگی های متفاوت رسم شده و سپس دو شبکه عصبی متفاوت روی دیتا ترین می‌شود؛
شبکه اول دارای تعداد لایه بیشتر و تعداد نورون بیشتر است اما شبکه دوم لایه ها و نورون های کمتری دارد.
در مدل دوم مشاهده می‌شود که به نتیجه بهتری دست یافته ایم.

استاندارد سازی (normalization) به انجام اعمالی رو داده ها می‌گویند که مقیاس داده ها را یکسان و قابل مقایسه با یکدیگر کنند.
دو متغیر میزان حقوق یک فرد و سن فرد رو در نظر بگیرید.
همونطور که میدونید حقوق به طور مثال از مرتبه هزاردلار در سال است اما سن عددی دو رقمی است.
بسیاری از الگوریتم های یادگیری ماشین به این اختلاف مقیاس بین داده ها حساس هستند .
استاندارد سازی روش های مختلفی دارد از جمله MinMaxScaling و StandardScaling و ......
که به کمک آن ها میتوان مقیاس داده ها را یکسان سازی کرد.

📎پیاده سازی

📋نویسنده متن : رامتین محمودی کاشانی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم

#MLP #شبکه_عصبی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Linear Regression and Classification


✍️یادگیری ماشینی چیست؟
فرض کنید می‌خواهیم مسئله‌ای را حل کنیم. یک راه این است که بنشینیم و یک سری کد مخصوص برای حل آن مسئله بخصوص بنویسیم. اما راه دیگر این است که از یک سری الگوریتم‌های عمومی استفاده کنیم. با این الگوریتم‌ها می‌شود بدون کد زدن اختصاصی برای هر مسئله، اطلاعات جالبی در مورد یک مجموعه داده به دست آورد. در واقع به جای کد زدن، داده‌ها را به عنوان ورودی به این الگوریتم‌های عمومی می‌دهیم و آنوقت الگوریتم خودش بر مبنای داده‌ها به طور خودکار منطق خودش را می‌سازد. اصطلاح «یادگیری ماشین»، یک اصطلاح کلی است که مجموعه‌ای از این الگوریتم‌های عمومی مختلف را در بر می‌گیرد.

بگذارید مثال بزنم. یکی از این الگوریتم‌های عمومی، الگوریتم طبقه بندی (Classification) است که داده‌ها را در گروه‌های مختلف قرار می‌دهد. با همین یک الگوریتم یکسان، هم می‌شود اعداد را در دست خط انسان تشخیص داد (طبقه بندی حروف و اعداد در دسته‌های جدا) و هم ایمیل‌ها را به دو دسته اسپم و غیر اسپم تقسیم کرد. حتی یک خط کد را هم لازم نیست تغییر بدهیم! الگوریتم یکسان است، اما مجموعه داده‌های آموزشی (Training Data Set) داده شده به آن متفاوت هستند و بنابراین منطق دسته‌بندی‌های نهایی در دو مورد هم با هم متفاوت خواهد بود.

در این جا، رگرسیون خطی و طبقه بندی را مورد بررسی قرار داره ایم

در لینک های زیر این دو الگوریتم به صورتی روان و کامل توضیح داده ایم.

📎Classification
📎Linear Regression



📋نویسنده متن و کد : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست هستیم

#Linear_Regression
#Classification
#ML
#مقدماتی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Genetic Algorithms: Feature selection


✍️ یکی از مباحث قدیمی علوم کامپیوتر که همچنان در شبکه های عصبی کاربرد دارد، الگوریتم ژنتیک است. در این مقاله کمی به توضیح این الگوریتم میپردازیم، سپس کاربرد آن در شبکه های عصبی مصنوعی را توضیح میدهیم، سپس به پیاده سازی این الگوریتم در پایتون اشاره میکنیم.

فرض کنید یک لیست از 0 و 1 داریم و میتوانیم به هر لیستی یک عدد نظیر کنیم (تابعی از فضای بردارهای باینری به اعداد حقیقی داریم). هدف ما یافتن لیستی از اعداد است که کمترین عدد ممکن را به ما بدهد. (میخواهیم مقدار بهینه این تابع را پیدا کنیم.)
مسئله نامبرده شده یک مسئله بهینه سازی باینری است و یکی از معروف ترین الگوریتم ها برای حل این مسئله الگوریتم ژنتیک است.

توضیح الگوریتم ژنتیک: در این الگوریتم که از نظریه داروین و تکامل الهام گرفته شده، ابتدا تعدادی لیست رندوم (جواب های احتمالی) تولید میکنیم و به آنها جمعیت اولیه ژن ها میگوییم و هدف ما این است که این جمعیت را به یک جمعیت بهینه برسانیم.
در هر نسل تعدادی عمل mutation و crossover روی ژن ها انجام میدهیم. در عمل mutation یک ژن را انتخاب و یکی از عناصر آن را به طور رندوم تغییر میدهیم و در عمل crossover به نحوی از دو ژن، دو ژن جدید تولید میکنیم.
سپس تعدادی ژن برتر (با تابع هدف بهتر) را از یک نسل به نسل دیگر منتقل میکنیم.
در نهایت انتظار میرود پس از چند نسل، ژن هایی در جمعیت یافت شوند که تابع هدف در آنها مقدار نزدیک به بهینه را میدهند.

✍️ اما این الگوریتم چه کاربردی در شبکه های عصبی دارد؟ فرض کنید میخواهیم یک مدل طراحی کنیم و نمیدانیم چه خصوصیاتی از مدل اگر وجود داشته باشد، مدل ما دقیق تر و سریع تر است. مثلا میخواهیم از بین 1000 فیچری که تصویر دارد، 100 تای آن ها را برای آموزش شبکه انتخاب کنیم.
در اینجا یک لیست از 1 و 0 متناظر با انتخاب شدن و نشدن هر فیچر در نظر میگیریم و هدف ما یافتن فیچر هایی ست که با انتخاب آن ها مدل سریع تر آموزش ببیند (یعنی یافتن یک لیست از 0 و 1 ها). همچنین تابع هدف ما، دقت و سرعت مدل در چند مرحله اول با انتخاب آن فیچر هاست و این دقیقا یک مسئله بهینه سازی باینری است که برای حل آن میتوان از الگوریتم ژنتیک استفاده کرد.

✍️ در کد زیر الگوریتم ژنتیک به طور کامل پیاده سازی شده است. برای استفاده از این کد ابتدا مدل GeneticAlgorithmModel را میسازید، سپس در تابع compile توابعی مثل crossover را به مدل ورودی میدهید و سپس با صدا زدن fit مدل شروع به اجرای الگوریتم میکند.
📎My code for Genetic Algorithm

📎یک ویدیو 10 دقیقه ای برای توضیح الگوریتم ژنتیک

📋نویسنده متن و کد : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#Genetic_Algorithms
#Evolutionary_Algorithms
#Feature_Selection
#الگوریتم_های_تکاملی
#پایتون
#پیشرفته
———————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌گجت هوش مصنوعی
🎥 تو این ویدیو مؤسس شرکت Emotiv گجت جدیدشو معرفی میکنه که میتونه به انسان 👤 توانایی دستور دادن به کامپیوتر 💻، با استفاده از مغز 🧠 رو بده.... همون چیزی که خیلیامون تو فیلما📺 دیدیم.... تو ویدیو خودش میگه که تا چند سال دیگه احتمالا کاربرد این گجت هوشمند 🧠 رو تو تلفن ها 📱 و صنایع ⚙ دیگه به خصوص صنعت گیمینگ 🎮 میبینیم.... با خودم گفتم چه جالب، تا چند وقت دیگه از دسته گیمینگ 🎮 خبری نیست، اما بعد به تاریخ 📆 ویدیو نگاه کردم و دیدم مال 11 سال پیشه‼️ به نظرتون چرا بعد این همه مدت این تکنولوژی عمومی نشده؟قابل تامله🤔

📋جمع آوری کننده: محمدرضا باطنی
📎منبع : TED.com
🔵 منتظر شنیدن نظرات شما در زیر این پست هستیم.

#کلیپ_هفته
#چهارشنبه_های_علمی

------------------------------
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Numpy library: advanced matrix calculations with numpy


✍️ یکی از مهارت های مهم در برنامه نویسی امروزه، تسلط و کار کردن با ماتریس ها یا به طور کلی، تنسور هاست.

فرض کنید یک لیست چند بعدی از اعداد داریم، مثلا از آنجایی که هر پیکسل یک تصویر رنگی، معادل سه عدد (قرمز، سبز، آبی) است، لیست ما میتواند 480*640*3 باشد. ما میخواهیم روی این اعداد، عملیات هایی انجام دهیم.
یک راه این است که از یک لیست سه بعدی استفاده کنیم و روی تمام عناصر این لیست، یک حلقه بزنیم for i,j,k و در داخل حلقه عملیات های لازم را بنویسیم.
اما راه دیگر استفاده از ماتریس ها (به‌طور کلی تنسور ها) است.
تنسور ها، مجموعه ای چند بعدی از اعداد اند که عملیات های مختلفی روی آن تعریف شده.

✍️ در زبان پایتون، این تنسور ها تحت عنوان numpy array ها شناخته میشوند و برای شروع به کار با این تنسور ها، کافی ست کتابخانه numpy را import کنید.
import numpy as np

✍️ همچنین، این آبجکت با کتابخانه های دیگر همخوانی خوبی دارد. به طور مثال در کد زیر فایل یک عکس از کامپیوتر خوانده شده و به یک آرایه نامپای (w, h, 3) تبدیل شده است.
from PIL import Image
image = Image.open("img.jpg")
image_array = np.array(image)


✍️ به دو دلیل، استفاده از numpy array ها به جای nested loop ها در پایتون، سرعت اجرای برنامه را به شدت افزایش میدهد.

1-کتابخانه numpy با زبان c نوشته شده است و سرعت زبان c حتی گاهی تا 200 برابر زبان پایتون میباشد.
2-با نوشتن برنامه با numpy array ها به سیستم اجازه میدهید بخشی از عملیات (که مستقل از بقیه عملیات ها هستند) به طور موازی با بقیه هسته های پردازنده انجام‌ شود و از قابلیت های multiprocessing در کامپیوتر خود استفاده میکنید.


✍️ در نوت بوک زیز، تمام نکات این کتابخانه به طور کامل و بدون هیچ پیش نیازی توضیح داده شده و به خصوص در بخش پیوست شده، کد های پیشرفته تر آورده شده است.
خواندن بخش پیوست شده به افرادی که آشنایی کمی با نامپای دارند، یا از ابتدای نوت بوک را مطالعه کرده اند توصیه میشود.

📎My code for Advanced programming with numpy (using where function and comperative operators)

📋نویسنده متن و کد : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#Numpy
#Numpy_library
#نامپای
#پایتون
#مقدماتی
———————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌ChatGPT


✍️چت جی پی تی بات مکالمه گر جدید شرکت OpenAI هست که این روز ها همه درباره آن صحبت میکنند. باتی که به گزارش نیویورک تایمز، بهترین ربات هوش مصنوعی تاریخ در دسترس عموم نامیده شده. در کم تر از یک هفته یک میلیون کاربر در آن ثبت نام کرده اند و اخیرا شایعه شده است که مایکروسافت قرار است ده میلیارد دلار روی آن سرمایه گذاری کند.

در این مقاله قصد داریم کمی به توانایی های بینظیر این چت بات اشاره کنیم. همچنين به بعضی از تغییراتی که در حال رخ دادن هست اشاره میکنیم و میفهمیم که چرا ممکن است در چند سال آینده شاهد یک انقلاب تکنولوژیک در جهان باشیم. (در صورت نیاز به منبع هر کدام از مطالب گفته شده میتوانید به من پیام دهید.)

✍️ پس از ورود به سایت چت جی پی تی با یک تکست باکس مواجه میشوید که فقط میتوانید از طریق آن متن رد و بدل کنید. اما این مدل زبانی چه کار هایی میتواند انجام دهد؟

1-پاسخ به سوال: پس از کمی کار با این بات متوجه میشوید برای گرفتن جواب خیلی از سوال های ساده تان ترجیح میدهید از چت جی پی تی استفاده کنید تا یک موتور جستجوگر. چه نیازی ست در گوگل سرچ کنید، وارد یکی از سایت ها شوید و شروع به خواندن بکنید تا به بخش مورد نظر برسید وقتی چت جی پی تی که روی همان متن ها آموزش داده شده میتواند جواب یک خطی برای شما تولید کند؟

2-تولید متن: چت جی پی تی میتواند در عرض چند ثانیه چند صفحه متن، شعر و محتوا های مختلف از زبان های مختلف و با شرایط مختلف تولید کند. برای مثال از او بخواهید مانند یک دزد دریایی صحبت کند و یک داستان بنویسد.

3-خلاصه سازی و تحلیل متن: برای مثال یک متن طولانی از متن بدهید و درباره متن از چت جی پی تی سوال کنید.

4-تولید کد: این یک قابلیت بینظیر چت جی پی تی است که از طریق آموزش مدل روی داده های کد های گیت هاب به دست آمده. شما میتوانید خصوصیات یک صفحه وب را برای او توصیف کنید و چت بات به شما کد Html میدهد. اکنون فرض کنید پشیمان شده اید و میخواهید کد را در فریم وورک React داشته باشید. کافی است فقط از چت بات بخواهید.

5-تصحیح کد: کافی ست اروری که کد شما میدهد را به همراه کد در تکست باکس کپی کنید و چت بات برای شما کد را تحلیل میکند و آن را عیب یابی میکند و کد را اصلاح میکند.

6-آموزگار: از او بخواهید به شما پایتون یاد بدهد. امتحان کنید. باور کنید که از خیلی از سایت های آموزشی بهتر یاد میدهد.

بازی کردن، مشاوره، وانمود کردن به صحبت به عنوان فردی دیگر، جوک گفتن و توصیه کننده فیلم و موسیقی و... فقط بخشی از کاربرد های بینظیر دیگر این چت بات هست.

در واقع حتی برای نوشتن همین متن از کمک خود چت جی پی تی استفاده کردم. حتی در چند ماه گذشته در اغلب مواقع برای عیب یابی کد به جای عیب یابی کد هایم با استراتژی مشهورِ:
google -> stackoverflow -> an indian guy respond -> ctrl+c -> ctrl+v
از استراتژی جدید و بهینه ترِ:
chatgpt -> click on copy -> ctrl+v
استفاده کردم.

واضح است که چنین چت بات قدرتمندی (به همراه رقبای احتمالی آن در آینده) قرار است دنیای برنامه نویسان را تحت تاثیر قرار دهد. اما چگونه؟

در یک ماه اخیر بینهایت ویدیو منتشر شده که در آن برخی افراد بدون یک خط کد زدن، یک اپلیکیشن کامل را با کمک چت جی پی تی نوشته اند. کافی ست چیزی که میخواهید را خوب توصیف کنید، به اندازه کافی حوصله داشته باشید و پس از هر ارور، مشکل را به چت بات گزارش دهید و دانش کمی درباره اتصال کردن کد ها به هم داشته باشید.
در یکی از گفتگو های جالبی که با چت جی چی تی خواندم، از او خواستند مانند یک سیستم عامل لینوکس کار کند و در کمال تعجب همین کار را کرد. در آن گفتگو در سیستم عامل فرضی تعدادی فولدر و فایل درست میشود و حتی یکی از فایل های با پسوند py با پایتون فرضی اجرا میشود. اما این سیستم با استفاده از هیچ الگوریتم کلاسیکی ساخته نشده و همه آن یک مدل زبانی است و حتی این فایل ها در هیچ حافظه کلاسیکی ذخیره نمیشوند بلکه در دل متن ها وجود دارد.

من فکر میکنم همانطور که در گذشته تمایزی بین سیستم های آنالوگ و دیجیتال وجود داشت، در آینده ای نزدیک شاهد ظهور سیستم عامل ها یا زبان های برنامه نویسی بر پایه زبان طبیعی باشیم و با دو نوع سیستم عامل کلاسیک(منطقی) و هوشمند(فازی) در طرف باشیم.

شما چه فکر میکنید؟ فکر میکنید برنامه نویسان آینده چه شکلی اند؟ آیا از افرادی با زمینه ریاضی به افرادی با زمینه روانشناسی تبدیل میشوند؟ یا هر دو؟

در کامنت های این پیام میتوانید به بحث بپردازید. همچنین می‌توانید اسکرین شات برخی از چت های جالب یا خنده داری که با چت جی پی تی داشته اید را با ما به اشتراک بگذارید.

📎آدرس چت جی پی تی

📋نویسنده متن : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#ChatGPT #مقدماتی
—————————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch