قسمت پنجم پادکست دموورژن با عنوان «اتریوم» در پخش کننده‌های پادکست نظیر CastBox و کانال تلگرام پادکست منتشر شد.

توی قسمت پنجم پاکست دمورژن سراغ بلاکچین اتریوم رفتیم. ما اینجا اولش می‌گیم اتریوم از کجا و چه جوری شروع شده بعدش قراره به صورت فنی بررسی کنیم که اتریوم چه جوری کار می‌کنه؟ قراردادهای هوشمند چی هستند؟ ماشین مجازی اتریوم چیه و چه جوری کار می‌کنه؟ توکن‌های استاندارد اتریوم و ERC20 و ERC721 که بحث NFT ها رو داره چیه؟ همچنین تعدادی از برنامه‌هایی که روی بستر اتریوم توسعه پیدا کردند رو باهم بررسی می‌کنیم. از لحاظ فنی هم یه مقایسه‌هایی بین بلاکچین بیتکوین و بلاکچین اتریوم داریم. اینکه اتریوم چی بوده و چی هست و چی می‌تونه بشه رو توی این پادکست بررسی می‌کنیم.

ادامه مطلب

یکی از مسئله‌هایی که در ساخت مدل های مبتنی بر یادگیری ماشین مشکل‌ساز می‌شود نبود دیتای کافی است. برای ساخت این مدل‌ها به دیتای زیادی نیاز است و برای اینکه بتوان این حجم از دیتا را در موضوع مورد نظر جمع آوری کرد باید هزینه بالایی برای برچسب گذاری دیتا توسط افراد پرداخت شود. این هزینه به قدری است که گاهی پروژه به خاطر نبود دیتا در مسئله شروع نمی‌شود.


مسئله‌ طبقه بندی، این بار بدون دیتا

ادامه مطلب

قسمت چهارم پادکست دموورژن با عنوان «داستان ماشین مترجم» در پخش کننده‌های پادکست نظیر CastBox و کانال تلگرام پادکست منتشر شد.

توی قسمت چهارم پاکست دمورژن سراغ مساله جا افتاده ماشین ترجمه رفتیم که ترند تغییراتی که در هفتاد سال گذشته داشته رو ببینیم. ایده‌ها و مشکلات مطرح در سه نسل مختلف ماشین‌های ترجمه رو با هم بررسی کردیم و توانایی‌ها و محدودیت‌هاشون رو دیدیم. مساله ماشین ترجمه، یا ترجمه اتوماتیک توسط کامپیوتر مساله‌ی مهمی هست که پیشرفت در اون به صورت مستقیم به کاربر نهایی سود می‌رسونه و اطلاعات قابل دسترسش رو بیشتر می‌کنه. اینکه چی بوده و چی هست و چی می‌تونه بشه رو توی این پادکست بررسی می‌کنیم.

ادامه مطلب

یکی از مواردی که می‌توان پیشرفت هوش مصنوعی را در آن دید، خلاقیت‌هایی‌ست که معمولا از کامپیوتر و ماشین انتظار نداریم. پیش از این در پست «گیت‌های منطقی که هنرمند هستند» به موضوع خلاقیت‌های هنری که توسط یادگیری ماشین امکان‌پذیر می‌شود پرداخته بودیم، این مقاله مربوط به استفاده از یادگیری ماشین در فرآیند داستان نویسی است. فعالیتی که پیچیده بوده و با خلاقانه و غیرقابل پیشبینی بودن، مسئله سختی برای یک سیستم کامپیوتری محسوب می‌شود. این مقاله ترجمه و بازنویسی از مقاله «Precursors to a Digital Muse» گوگل می‌باشد.


نویسنده خلید ورسان، در فستیوال نویسندگان نوظهور

ادامه مطلب

قسمت سوم پادکست دموورژن با عنوان «برنامه‌نویسی بدون کد، توهم و واقعیت» در پخش کننده‌های پادکست نظیر CastBox و کانال تلگرام پادکست منتشر شد.

توی قسمت سوم پادکست دموورژن، سراغ یه الگو و ترند تاثیرگذار توی برنامه‌نویسی رفتیم، اون هم ساده‌تر شدن و اتوماتیک شدن همه‌چیز هستش، می‌خوایم ببینیم این ترند تا الان چه دست آورد‌هایی توی Back-end و Front-end و ‌Data Science داشته، چه کارهایی می‌شه باهاش کرد، تعدادی ابزار رو باهم بررسی می‌کنیم که ابزارهای جدیدی در راستای این ترند هستند، توانایی‌ها و محدودیت‌هاشون رو می‌بینیم، توی راستای ساخت سریع یک سرویس از لحاظ فنی، برای نمونه Instagram و Tinder رو بررسی می‌کنیم، که چجوری میشه با این قابلیت‌های این ابزارهای ساده‌کننده این سرویس‌ها رو ساخت و کجاها ممکنه مشکل ایجاد بشه.

مقدمه
یادگیری عمیق حوزه‌های مختلف یادگیری ماشین که به صورت عام در رسانه‌ها به نام «هوش مصنوعی» شناخته می‌شود، را ارتقا بخشیده است. اما این مدل‌ها معمولا با داده‌های برچسب خورده کار می‌کنند، که یادگیری با ناظر نامیده می‌شود و افزایش حجم این داده‌ها، به افزایش کیفیت مدل یادگرفته شده ختم می‌شود. چیزی که در زمینه توسعه دادن یادگیری با ناظر در زمینه‌های مختلف مشکل‌ساز است، هزینه برچسب زدن داده‌هاست. این مشکل هزینه، بر روی مساله‌هایی که نیاز به یک متخصص برای برچسب گذاری دارند، تشدید هم می‌شود. برای مثال برچسب گذاری تصاویر پزشکی که وجود سرطان را مشخص کنند نیاز به نیروی متخصص حوزه پزشکی دارد، و تولید حجم بالای دادگان برچسب خورده پزشکی در زمان مناسب و حجم بالا امکان‌پذیر نیست. یادگیری نیمه‌نظارتی سعی می‌کند از دادگان بدون برچسب در کنار دادگان برچسب خورده، استفاده کرده و کیفیت نهایی مدل را افزایش دهد. در ادامه به بررسی مقاله FixMatch گوگل و نحوه رسیدن آن به کیفیت هیجان‌انگیز ۸۸ درصدی روی دیتاست CIFAR10 تنها با ۴۰ نمونه آموزشی می‌پردازیم.


نمونه تصاویر از کلاس‌های مختلف CIFAR-10

 

ادامه مطلب

متن پیشرو قسمت دوم در مورد هنرمولد است که از پست آقای جیسون بایلی که در این رابطه منتشر کرده ترجمه و خلاصه‌سازی شده است. توصیه می‌شود مطلب قبلی «چرا به هنر مولد عشق بورزیم؟ مقدمه هنرهای مرتبط قرن بیستم» را پیش از خواندن این متن بخوانید. اما مطالب مطرح شده به تنهایی نیز قابل درک هستند.


Path - Casey Reas, 2001

یکی از تعاریف ساده اما کاربردی هنر مولد این است که هنر مولدی هنری است که توسط کامپیوتر برنامه‌نویسی و تولید شده و در ذات تولید اثر هنری تصادفی بودن را دارد. این معمولا دو تصور اشتباه را برمی‌انگیزد که افراد را از تحسین زیبایی و ظرافت های هنر مولد باز می‌دارد.

ادامه مطلب

مقدمه

یکی از موضوعاتی که قبل از این هم به آن در پست «گیت‌های منطقی که هنرمند هستند» اشاره شد هنر بواسته هوش مصنوعی یا به طور کلی به کمک الگوریتم‌های کامپیوتری است. به تازگی مطلب جدیدی را آقای جیسون بایلی در این رابطه منتشر کرده که چرا باید این نوع هنر عشق بورزیم. به علت اینکه دیدگاه کاملا هنری و تاریخی به این موضوع داشته و همچنین از مثال‌های زیبایی استفاده کرده من تصمیم گرفتم که این مطلب رو به صورت خلاصه یا ترجمه فارسی در وبلاگ منتشر کنم، سعی کنم اصالت متن رو رعایت کنم این مطلب به علت اینکه از مقدار معمولی پست‌های وبلاگ حجم بیشتری داشت در قالب چند پست وبلاگ منتشر می‌شود.

ادامه مطلب

کمتر از یک ماه گذشته یک اپیزود در پادکست This Week In Machine Learning & AI منتشر شد که در قالب مصاحبه با آقای پرشانت واریر بود. آقای واریر که بنیانگذار شرکت Qure.ai در هند هست که در زمینه پردازش تصاویر اسکن‌های پزشکی بوسیله هوش مصنوعی فعالیت دارد. قبل از افتتاح این شرکت آقای واریر دکترای Computer Science رو از Georgia Institute of Technology از آمریکا می‌گیرند و بعد به هند برمی‌گردند. واریر در این مصاحبه به برخی تفاوت‌ها بین یک مقاله علمی و ساخت یک سرویس برای دنیای واقعی اشاره دارد که در نوع خودش جالب هست. می‌توانید در ادامه خلاصه مطالب گفته شده را بخوانید یا خود پادکست که به زبان انگلیسی هست را گوش بدهید.

ادامه مطلب

همانطور که در قسمت دوم پادکست اشاره شد ارزهای دیجیتال نیازمند به یک سری داوطلب هستند که فرآیند Mining را انجام دهند. چالشی که در این راستا وجود داشت این بود که دستگاه‌های خاص منظوره Mining که با نام ASIC Miner نیز شناخته می‌شوند در مصرف برق و عملکرد بسیار بهینه‌تر هستند و عملا سودی در استفاده از CPU کامپیوترهای خانگی در Mining وجود ندارد. این برنامه‌های Miner که با CPU دستگاه کار می‌کنند اما همچنان به کار خود ادامه می‌دهند و حتی وارد فروشگاه‌های موبایل نیز شده بودند. بیشتر این برنامه‌ها عملا به کاربر نهایی سودی نمی‌رسانند و بیشتر سود برای سازنده‌های برنامه و Poolهایی که این Minerها به آنها وصل می‌شدند بود. حالا هم گوگل و هم اپل این برنامه‌هارا از فروشگاه‌های خود حذف کردند و طبق قوانین جدیدی که گذاشتند تنها در صورتی برنامه‌های Mining مجاز هستند که از سرورهای Cloud و نه از دستگاه کاربر برای Mining استفاده کنند زیرا بجز مسائل سود کم Mining، این برنامه‌ها مصرف برق بالایی برق نیز داشته و از عوامل زود تمام شدن شارژ باتری موبایل بوده‌اند.
ادامه مطلب