حسام حداد تکنولوژی، برنامه‌نویسی، هوش مصنوعی

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

ادامه مطلب

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

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