دسته: هوش مصنوعی
-

یادگیری خودنظارتی
در این نوشته به مفهوم یادگیری خودنظارتی میپردازم؛ رویکردی که به کمک آن میتوان بدون تکیه بر دادههای برچسبخورده، از متنها، تصاویر و سایر دادههای خام الگو گرفت. با استفاده از مثالهایی مانند شبکههای خودرمزگذار و روش Word2Vec نشان میدهم چگونه فشردهسازی دادهها در فضای نهفته و بهرهگیری از مجاورت واژهها، امکان ساخت نمایش برداری…
-

صحبت به زبان ماشینها
مدلهای محاسباتی در بنیاد خود چیزی جز شبکهای از توابع ریاضی نیستند و تعامل با آنها مستلزم پذیرش زبان عدد و ساختارهای صوری است. از آنجا که این مدلها امکان تطبیق با زبان انسانی را ندارند، این وظیفه بر عهده ماست که شیوه ارتباط را با منطق آنها همسو کنیم. این نوشته به بررسی ویژگیهای…
-

شبکه عصبی چطور یاد میگیرد؟
شبکه عصبی میتواند متشکل از هزاران نورون و میلیونها پارامتر باشد. درهمتنیدگی توابع در شبکه عصبی، آن از سایر مدلهای یادگیری ماشین متمایز میکند. در این نوشته به جزئیات بیشتری از شبکه عصبی پرداخته و توضیح میدهم که یک شبکه عصبی، چطور یاد میگیرد.
-

شبکه عصبی به زبان ساده
یادگیری ماشین، رکن اصلی هوش مصنوعی است و شبکه عصبی، رکن اصلی یادگیری ماشین. اگر بگوییم شبکه عصبی هوش مصنوعی را به جایگاه کنونی رسانده، سخن گزافی نیست. در این نوشته، به زبان ساده توضیح میدهم که شبکه عصبی چیست و چگونه کار میکند.
-

عبور از محدودیتهای ذهن انسان در یادگیری ماشین
در بسیاری از روشهای یادگیری ماشین، ما به ماشین سرمشق میدهیم. یعنی مشخص میکنیم که ماشین، چطور تابع یا مدل نهایی را بسازد. این موضوع، میتواند نقطه قوت بسیاری از مدلها باشد. در عین حال، همین سرمشق دادن، باعث میشود محدودیتهای ذهن انسان به مدلهای یادگیری ماشین تحمیل شود. در این نوشته، به این موضوع…
-

یادگیری بدون نظارت
همیشه نمیتوانیم روی یادگیری ماشین نظارت داشته باشیم. این اتفاق اغلب زمانی رخ میدهد که دادههای برچسبگذاری شده در اختیارمان نباشد. در این شرایط، باید کاری کنیم که ماشین همچنان بتواند – به اصطلاح – یاد بگیرد. در این نوشته، توضیح میدهم که یادگیری بدون نظارت دقیقا چه معنایی دارد. همچنین با چند روش یادگیری…
-

انتخاب مواد اولیه برای یادگیری ماشین
از میان انبوه دادهها، بخش محدودی ممکن است به درد ما بخورد. اگر دادهها مواد اولیه آموزش مدلها باشند، باید آنهایی را انتخاب کنیم که بیشترین تاثیر را روی مدل نهایی میگذارند. در این نوشته، ضمن پرداختن به این موضوع، با مفاهیمی نظیر مهندسی ویژگی و کاهش ابعاد دادهها آشنا خواهیم شد.
-

یادگیری با نظارت
یادگیری با نظارت یعنی از دادههای برچسبگذاری شده برای آموزش یک مدل استفاده کنیم. به عبارتی، باید بدانیم به ازای یک ورودی مشخص، مدل باید چه خروجیای تولید کند. آگاهی از پاسخ درست، به نوعی ما را قادر میسازد تا روی یادگیری مدل، نظارت داشته باشیم.
-

چاقوی سوئیسی یادگیری ماشین
دنیای یادگیری ماشین، یک چاقوی همهکارهٔ سوئیسی دارد که برای حل کردن بسیاری از مسائل، از آن استفاده میشود. نام این چاقوی سوئیسی، «الگوریتم گرادیان کاهشی» یا Gradient Descent است. این الگوریتم در سال ۱۸۴۷، توسط آگوستین لویی کوشی، ریاضیدان و فیزیکدان فرانسوی طراحی شده است. در ادامه، توضیح میدهم که این الگوریتم چطور کار…