در انگلیسی کامپیوتر به معنای محاسبه‌گر است، و این معنی خواه و ناخواه به آن ماهیتی از جنس اعداد و ارقام و محاسبه سود و زیان و کشیدن نمودار می‌بخشد. هرچند که با رشد کامپیوترهای شخصی شاهد استفاده از آن در بخش سرگرمی مانند بازی‌های کامپیوتری و دیدن فیلم و گوش سپردن به موسیقی نیز بوده‌ایم و برایمان جای تعجبی ندارد. اما استفاده جدیدتری از کامپیوتر در حال گسترش است که باری دیگر می‌تواند نگاه ما را به این وسیله تغییر دهد. دسته‌ای از هنرمندان مانند آقای Mario Klingemann هستند که در حال ارائه تعریفی جدید از هنر توسط کامپیوترها هستند. این‌ها از الگوریتم‌ها و فریم‌ورک‌های کامپیوتری که اکثرا مبتنی بر شبکه عصبی و Deep Learning بوده کمک گرفته و در برخی موارد از ایده‌ Generative Adversarial Networkها استفاده می‌کنند تا یک تصویر هنری تولید نمایند. در بخش عظیمی از این فرآیند تولید هنر، کامپیوتر و گیت‌های منطقی اثر گذاشته‌اند. روزی فکر می‌شد که کامپیوتر یک ماشین حساب پیشرفته است، روزی دیگر وسیله سرگرمی شد و حالا به نوعی می‌توانیم آنرا یک مبتکر و هنرمند بدانیم. دلیل پیشرفت‌های هوش مصنوعی به این سمت در سالهای اخیر متاثر از ارائه تکنیک‌هایی نظری برای افزایش کیفیت، گسترش فریمورک‌های سطح بالا و افزایش قدرت محاسباتی در شبکه‌های عصبی بخصوص به کمک کارت‌های گرافیکی و GPUها بوده است.

سرویس و پروژه ostagram
پروژه‌ای جالب و قابل توجه در این راستا به نام ostagram توسط آقای Sergey Morugin ایجاد و تکمیل شده است. که از یک شبکه عصبی کانولوشنی، یا convolutional neural network و همچنین الگوریتم استایل هنری که توسط Leon A. Gatys و Alexander S. Ecker و Matthias Bethge استفاده کرده و بر اساس یک عکس الگو و یک عکس ورودی، یک عکس خروجی متشکل از اعمال آن الگو در عکس ورودی را خروجی می‌دهد. شاید بپرسید چه تفاوتی با آن همه Effectهایی که در برنامه‌های مختلف ویرایش عکس داشتیم ایجاد کرده است؟ آن Effectها همگی برنامه‌نویسی شده و به صورت کاملا قطعی به کامپیوتر دستور داده شده بودند و شاید حاصل هفته‌ها تلاش یک برنامه‌نویس برای بهبود بوده باشند و به هیچ‌وجه اینگونه نبود که برنامه‌نویس از خروجی کار و ابتکاری که شبکه عصبی به آن داده شگفت زده شود. اما اینجا تصاویری تولید می‌شوند که برای همگان هرچند که متخصص همین حوزه نیز باشند شگفت‌آور است. شما نیز می‌توانید با ثبت نام در سایت ostagram.ru پس از ثبت‌نام با ارائه عکس ورودی و الگوی مدنظر خودتان، خروجی مطلوب را دریافت نمایید. در ادامه برخی از تصاویر صفحه اینستاگرامی ostagram.ru را با هم مرور می‌کنیم. برای دیدن تصاویر بیشتر می‌توانید از صفحه اینستاگرام ostagram.ru دیدن فرمایید.
ادامه مطلب

مقدمه
تئوری بازی‌ها مطالعه درگیری‌ها و همکاری‌ها بین تصمیم گیرندگان منطقی و هوشمند توسط مدلهای ریاضی است. ناگفته نماند که در اقتصاد و سیاست و علوم کامپیوتر و روانشناسی استفاده بالایی دارد. بازیکن‌های مدل شده ممکن است اشخاص، دولت‌ها، شرکت‌ها باشند تصمیمشان ممکن است انتخاب اینکه یک درگیری را پایان دهند، یک سهام را بفروشند، با طرف مقابل همکاری انجام دهند باشد. انگیزه‌هایشان ممکن است سود یا اهمیت دادن به دیگر بازیگرها باشد. این مدل‌سازی‌ها و دانستن آنها به ما کمک می‌کند در شرایطی که تضاد منافع وجود دارد چگونه تصمیم گیری نماییم و استراتژی‌های آن هرچند در سطح بسیار ساده اینجا مطرح می‌شود و فاقد اعتبار علمی لازم در علم تئوری بازی‌هاست اما به نظرم می‌تواند برای خواننده تا حدی راهگشا باشد.

ادامه مطلب

مقدمه

برخی مسائل در کامپیوتر هستند که تاکنون الگوریتم دقیق چندجمله‌ای برای حل آنان معرفی نشده است. برخلاف مسائلی که راه حل چندجمله‌ای دارند و همگی در کلاس P یا Polynomial قرار می‌گیرند، این مسائل در کلاس NP یا Nondeterministic Polynomial time قرار می‌گیرند. بحث پیرامون این مسائل زیاد هست شاید بپرسید اصلا چه اهمیتی دارند؟ خیلی از مسائل مهم مثل پیشبینی ساختار پروتئین الگوریتم از جنس NP هستند[منبع]. مساله پیشبینی ساختار پروتئین الگوریتم در ساخت دارو و بیوانفورماتیک اهمیت فراوانی دارد. برای دیدن مثال‌ها و توضیحات بیشتر می‌تونید این ویدیو از Youtube رو ببینید. اثباتهای زیادی در زمینه اینکه کلاس P همان کلاس NP هست و نیست از طرف محققین برجسته دنیا انجام شده. تا زمان نوشتن این مطلب ۱۱۶ عدد اثبات در زمینه برابر بودن یا نبودن در این صفحه ثبت شده که قابل توجه است.

در کلاس NP، یک زیرمجموعه به نام NP-Complete که به آن NPC نیز می‌گویند وجود دارد و وقتی می‌گوییم یک مساله مطعلق به کلاس NPC است یعنی تمامی مسائل NP به آن قابل کاهش هستند. یا به عبارت دیگر بین مسائل NP سخت‌ترین مسائل هستند. بقول مولوی که می‌گوید «چونک صد آمد نود هم پیش ماست» این مسائل اگر حل شوند بقیه مسائل هم با توجه به اینکه به این مسائل قابل تبدیل هستند و ساده‌تر هستند، توسط حل شدن اینها حل می‌شوند. دقت کنید که این یک رابطه یک طرفه است.

برای اثبات NPC بودن یک مساله باید دو مرحله را اثبات کنیم. ابتدا اینکه با داشتن جواب می‌توان در زمان چند جمله‌ای درست بودن جواب را بررسی کرد و همچنین باید ثابت کنیم که این مساله حداقل به اندازه یک مساله NPC دیگر سخت است. در نتیجه می‌توان آن مساله NPC دیگر را به مساله مورد نظر ما کاهش داد یا reduce کزد. شاید بپرسید پس اولین مساله NPC چطور ثابت شده است که NPC هست، وقتی که هیچ مساله NPC دیگری وجود ندارد؟ اثبات اولین مساله NPC که Circuit satisfiability problem است به شکلی دیگری انجام می‌شود که توصیه می‌کنم اثباتش رو حتما چک کنید به نوعی اثبات ترکیبی از سخت‌افزار و نرم‌افزار را باهم دارد. بعد از این اثبات می‌کنند مساله 3SAT نیز به اندازه این مساله سخت است و در ادامه بقیه الگوریتم‌ها از طریق یکدیگر و یا از طریق 3SAT اثبات می‌شوند.


مساله رنگ آمیزی

کمترین تعداد رنگی که با آن بتوان تمامی راس‌های گراف را رنگ‌آمیزی کرد، طوری که دو راس مجاور همرنگ نباشند چیست؟ مساله رنگ آمیزی در واقع همین سوال است. این مساله به ازای دو رنگ در زمان چند جمله‌ای قابل حل کردن می‌باشد. در ادامه ثابت می‌کنیم به ازای سه رنگ و بالاتر از آن NPC می‌باشد. این مساله یک نوع مساله بهینه‌سازی یا optimization problem است اما برای اثبات نیاز داریم به نوعی این مساله را به یک مساله تصمیم‌گیری یا decision problem تبدیل کنیم که جواب بله یا خیر داشته باشد. نسخه تصمیم‌گیری مساله رنگ آمیزی به این صورت است: با داشتن یک گراف و یک K آیا می‌توان این گراق را با K رنگ رنگ آمیزی کرد؟ در ادامه ما ابتدا به ازای K=3 این مساله را اثبات می‌کنیم و سپس به ازای Kهای بالاتر اثبات می‌کنیم.

ادامه مطلب