شبکه‌های عصبی که انواعی از آنها با نام یادگیری ژرف نیز شناخته می‌شوند توانسته‌اند در زمینه‌های مختلف برای شناسایی الگو و طبقه‌بندی بهترین نتایج را کسب کنند. این مدل‌ها از واحد‌های کوچکی به نام نورون ساخته می‌شوند که ساده شده سلول‌های نورونی مغز هستند و با دریافت ورودی تا حد مشخصی بر اساس یک تابع فعال ساز فعال شده و به نورون‌های بعدی سیگنال می‌فرستند. این مدل‌ها از میلیون‌ها متغیر ساخته شده‌اند که بر اساس داده‌های آموزشی و الگوریتم‌هایی مانند backpropagation مقدار دهی می‌شوند.  این شبکه‌ها حتی توانستند در مواردی مانند یک نتیجه از DeepMind گوگل از انسان هم بهتر رابطه بین اشیا در تصاویر را تشخیص دهند. اما این به معنای کامل بودن مدل‌های شبکه عصبی نیست.


ادامه مطلب

یک نکته خوب که در نرم‌افزار و ارتباط با کامپیوتر وجود دارد این است که بمرور انجام کارهای سخت و تخصصی برای اکثریت افراد امکان پذیر می‌شود. همین چندسال قبل بود که طراحی یک وبسایت زیبا بسیار و واکنشگرا زمانبر و تخصصی محسوب می‌شد. و سازنده می‌بایست به HTML و CSS و تا حدی Java Script مسلط می‌بود اما بعد از آن کتابخانه‌های زیادی مانند Bootstrap بوجود آمدند که انجام اینکار را برای سازنده ساده کنند همچنین وبسایت‌هایی مانند wix.com هم ساخت یک وبسایت را به راحتی Drag & Drop چند ایتم رساندند. این موضوع در مورد یادگیری ماشین نیز صادق است کتابخانه‌های خوبی مانند Theano و Tensorflow و Torch بوجود آمدند که در کار با شبکه‌های عصبی کاربر نیاز به دانستن جزئیات پیاده‌سازی مدل‌ها روی GPU نباشد سپس کتابخانه‌هایی مانند Keras برپایه Tensorflow و Torch ساخته شد که در سطح انتزاعی بالاتری کار می‌کرد و کار با آن ساده بود به تازگی گوگل پروژه‌ای به نام Teachable Machine را ساخته است که به کاربران عادی کامپیوتر تجربه ساخت و استفاده از یک مدل توسط دوربین کامپیوترشان و بدون نیاز به برنامه نویسی می‌دهد. از پروژه‌های مشابه می‌توان به Azure Machine Learning Studio که توسط مایکروسافت ساخته شده است اشاره کرد که توانایی ساخت یک مدل طبقه‌بند یا Classification ، درونیاب یا Regression و خوشه‌بند یا Clustering را به کاربر نهایی بدون برنامه نویسی و با چند Drag & Drop ساده می‌دهد. همچنین بعد از ساخت این مدل مایکروسافت این امکان را فراهم می‌کند که به صورت Web Service از این مدل ساخته شده در نرم‌افزارهایی که مورد نیاز است استفاده شود.

اهمیت موضوع

به مرور الگوریتم‌های یادگیری ماشین و که در خط مقدم هوش مصنوعی قرار دارند در حال افزایش تاثیرشان در زندگی روزمره کاربران هستند. می‌توان در این میان به سیستم‌های ترجمه ماشینی و پیشنهاد موسیقی مورد علاقه اشاره کرد. هرچند این سیستم‌ها برای کاربران نهایی ارزشمند هستند اما این کاربران نمی‌توانند متوجه چگونگی کارکرد این سیستم‌ها شوند، درک این موضوع برای کاربران نهایی باعث می‌شود با دانستن واقعیات و بدور از توقعات غیرواقعی بتوانند رابطه بهتری با این سیستم‌ها برقرار نمایند. پروژه Teachable Machine یا ماشین یادگیرنده گوگل به منظور تجربه ساخت یک تجربه از پردازش تصویر توسط کاربران ساخته شده است.

ادامه مطلب

یکی از جذابترین و جدیدترین ایده‌ها در هوش مصنوعی GANها هستند، به طوری که آقای یان لیسون که یکی از برجسته‌ترین دانشمندان حوزه هوش مصنوعی در دنیاست در موردشان گفته است «از دیدگاه من GAN و مشتقاتش جالب‌ترین ایده در ده سال گذشته در یادگیری ماشین بوده‌اند.» در این مطلب می‌خواهیم با GAN یا Generative Adversarial Networks آشنا شویم. قبل از این در مقاله «گیت‌هایی منطقی که هنرمند هستند» از GAN به عنوان یکی از روش‌هایی که ابتکار را به کامپیوتر هدیه می‌دهد، نام بردیم. جالب است بدانید که تاکنون علاوه بر تولید تصاویر در شناسایی نرم‌افزارهای مخرب در امنیت، ترجمه ماشینی در پردازش زبان طبیعی، رنگ آمیزی تصاویر، ساخت مدل سه بعدی از یک تصویر نیز از GANها استفاده شده است.

ادامه مطلب

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