نوشته های آموزشی

هوش مصنوعی و یادگیری ماشین صنایع مختلف را متحول ساخته است، اما آیا تا به حال تعجب کرده‌اید که این تکنولوژی‌ها چگونه از مغز انسان الهام می‌گیرند؟ در این مقاله، به دنیای نورون‌ها و شبکه‌های عصبی مصنوعی پی خواهیم برد و ارتباط آن‌ها با نورون‌های بیولو‌ژیکی را شرح خواهیم داد. در اخیر نقش آنها را در هوش مصنوعی و یادگیری ماشین  مورد بررسی قرار خواهیم داد.  نورون ها: بلاک های سازنده هوش  در مغز انسان، نورون ها واحدهای اساسی هستند که مسئول پردازش و انتقال اطلاعات هستند. هر نورون از یک جسم سلولی، دندریت و یک آکسون تشکیل شده است. جسم سلولی سیگنال های دریافتی از نورون های دیگر را پردازش می کند، در حالی که دندریت ها سیگنال ها را دریافت کرده و به جسم سلولی منتقل می کنند. آکسون سیگنال خروجی نورون را به نورون های دیگر متصل می کند و شبکه گسترده ای از تبادل اطلاعات را تشکیل می دهد.   نورون های مصنوعی: تقلید از طراحی طبیعت   نورون های مصنوعی که به عنوان پرسپترون یا گره نیز شناخته می شوند، رفتار نورون های بیولوژیکی را در شبکه های عصبی تقلید می کنند. آنها به عنوان واحدهای محاسباتی عمل می‌کنند، سیگنال‌های ورودی را دریافت کرده، محاسبات را انجام می‌دهند و سیگنال خروجی تولید می‌کنند. نورون های مصنوعی از الگوهای فعال سازی که در نورون های بیولوژیکی مشاهده شده  الهام گرفته اند. نورون ها ورودی‌های خود را با استفاده از یک تابع فعال‌سازی که خروجی نورون را بر اساس مجموع وزنی ورودی ها تعیین می کند پردازش می‌کنند. شکل ذیل نورون مصنوعی و ربط آن با نورون بیولوژیکی را نشان می دهد.  شبکه‌های عصبی مصنوعی:   شبکه‌های عصبی مصنوعی سیستم‌های پیچیده‌ای هستند که از چندین نورون مصنوعی تشکیل شده‌اند. این شبکه‌ها برای حل مشکلات خاصی با یادگیری از داده‌ها طراحی شده‌اند. شبکه های عصبی از لایه‌ها تشکیل می شوند، از جمله لایه ورودی، لایه‌های مخفی و لایه خروجی. هر لایه شامل یک یا چند نورون می باشد. نورون های هر لایه ورودی‌ها را دریافت می‌کنند، تابع فعال‌سازی را اعمال کرده و خروجی را به نورون های لایه بعدی منتقل می‌کنند. اتصالات وزنی بین نورون‌ها امکان مدل‌سازی روابط پیچیده و پیش‌بینی‌ها را فراهم می‌کند.  پیشخور یا نشر به جلو و پس انتشار: یادگیری از داده ها  در یادگیری نظارت شده، شبکه های عصبی با استفاده از داده های برچسب گذاری شده برای پیش بینی دقیق آموزش داده می شوند. برای درک بهتر این موضوع از مجموعه داده مسکن بوستون استفاده میکنیم. مجموعه داده بوستون شامل ویژگی های مختلفی برای هر محله در بوستون است، مانند تعداد اتاق ها، اوسط درآمد ساکنان، نسبت دانش آموز به معلم و غیره. هدف ما پیش‌بینی قیمت مسکن با استفاده از این ویژگی‌ها است. برای این منظور می توان از شبکه های عصبی استفاده کرد. با پیشکش نمودن معلومات در مورد ویژگی های مسکن، شبکه عصبی مصنوعی با استفاده از فرآیند پیشخور یا نشر به جلو، خروجی مربوط به قیمت مسکن را تولید می کند. در طول آموزش، شبکه خروجی پیش بینی شده را با قیمت واقعی مسکن مقایسه کرده و یک خطا (فرق بین قیمت پیش بینی شده و قیمت واقعی) را محاسبه می کند. سپس از طریق فرآیند پس انتشار، این خطا در شبکه به عقب منتشر می شود و وزن اتصالات تنظیم می شود تا خطا به حداقل برسد. یعنی تا اینکه فرق بین قیمت پیش بینی شده و قیمت واقعی مساکن کم گردد. در نتیجه، شبکه قادر به یادگیری الگوها و روابط بین ویژگی ها و قیمت مسکن می شود که منجر به پیش بینی های دقیق تر می شود. از طریق این فرآیند تکراری و یادگیری از مجموعه داده مسکن بوستون، شبکه عصبی بهبود می‌یابد و قادر به پیش‌بینی دقیق‌تر قیمت مسکن برای نمونه‌های جدید می‌شود. شبکه های عصبی عمیق:   شبکه‌های عصبی عمیق، شبکه‌های عصبی با چندین لایه پنهان بین لایه‌های ورودی و خروجی هستند. شبکه های عصبی عمیق به دلیل ساختار سلسله مراتبی خود در ثبت الگوهای پیچیده در داده ها برتری دارند. هر لایه پنهان می آموزد که سطوح مختلف انتزاع را استخراج و نمایش دهد و شبکه را قادر می سازد تا روابط پیچیده را درک کند. یادگیری عمیق با استفاده از شبکه های عصبی عمیق، در حوزه‌های مختلف از جمله تشخیص تصویر، پردازش زبان طبیعی و سنتز گفتار به موفقیت چشمگیری دست یافته است. برای مثال، با گرفتن تصاویری از گربه ها و سگ ها به عنوان داده ورودی، یک شبکه عصبی عمیق می تواند یاد بگیرد که بین آنها تمایز قائل شود و آنها را طبقه بندی کند.  نتیجه‌گیری درک اصول نورون‌ها و شبکه‌های عصبی پلی بین الهام بیولوژیکی و هوش مصنوعی را تأمین می‌کند. با درک اینکه نورون های مصنوعی چگونه رفتار نورون های بیولوژیکی را شبیه سازی یا تقلید می کنند و چگونه شبکه های عصبی داده ها را پردازش و یاد می گیرند، بینش هایی در مورد پایه های هوش مصنوعی و یادگیری ماشین به دست می آوریم. در مقاله بعدی به بررسی روند آموزش شبکه های عصبی از طریق یادگیری نظارت شده خواهیم پرداخت و گامی در جهت ساختن سیستم های هوشمند خواهیم برداشت.  انستیتوت باختر را در شبکه های اجتماعی ذیل دنبال کنید تا نوشته ها را از دست ندهید و این نوشته را لطفا به اشتراک بگذارید. نویسنده: دکتر بشیر کاظمی

آیا تا به حال فکر کرده اید که چگونه فیس بوک می داند که دقیقاً اعلان بازرگانی همان چیزی را که دوست دارید به شما نشان دهد؟  آیا شبکه های اجتماعی با استفاده از تلفن های هوشمند ما  به مکالمات ما گوش می دهند؟  آیا تا به حال به این فکر کرده اید که چگونه اینستاگرام یا تیک تاک دائماً محتوایی مشابه آنچه قبلاً دوست داشتید را به شما نشان می دهند؟  آیا می دانید آنها چگونه به طور دقیق صفحاتی را که هنوز ندیده اید ولی به احتمال زیاد مورد پسند شما قرار خواهند گرفت را،  به شما پیشنهاد می کنند تا دنبال و لایک کنید ؟   مطمئناً در مورد (چت جی پی تی) شنیده اید، یک مدل زبانی بزرگی هست که در جهان غوغا به پا نموده. این مدل زبانی می تواند هر متنی را که  به زبان های مختلف نوشته شده باشند، درک نموده اطلاعات کلیدی آن را استخراج کند و خلاصه های مختصر آن را ارائه دهد.  حتی میتواند نوشته هایی تولید کند که از متنی که توسط یک انسان نوشته شده غیر قابل تشخیص باشد. همچنین می تواند به سوالات در مورد موضوعات مختلف و گسترده پاسخ دهد. حتی قادر است محتوای خلاقانه، از جمله شعر، داستان، و اشعار آهنگ ها را، بر اساس درخواست ها یا مضامین داده شده تولید کند. حتماً تصاویر با کیفیت بالا که خیلی واقعی به نظر میرسند اما توسط مدل‌های هوش مصنوعی تولید شده‌اند را نیز دیده‌اید. مدل‌هایی مانند Dall-E، Stable Diffusion و Midjourney می‌توانند تصاویر واقعی از افراد، صحنه‌ها و مفاهیم انتزاعی را براساس توضیحات متنی تولید کنند. تصاویر زیر توسط Midjourney تولید شده است. توضیح متنی انگلیسی که در تولید این تصاویر استفاده شده با ترجمه فارسی در برابر تصویر مربوطه درج شده است.  Fashion photography of a anthropomorphic White Rhino dressed in large clothes from 1980s, wearing Air Jordan One sneakers , Sony Alpha α7, ISO1900, volumetric lighting  ترجمه فارسی: عکاسی مد از کرگدن سفید انسان‌نما با لباس‌های بزرگ دهه 1980، با کفش‌های کتانی Air Jordan One، سونی آلفا α7، ISO1900، نور حجمی منبع: Midjourney تصاویری از طفولیت رؤسای جمهور آمریکا که توسط هوش مصنوعی تخیل شده [President] [age], [Type of shot], [Shot details], studio photography, volumetric lighting, [clothing], [facial expression], [trait], realistic, [Focal Length], expressive, iconic, 4k –ar 2:3  ترجمه فارسی: [رئیس جمهور] [سن]، [نوع عکس]، [جزئیات عکس]، عکاسی استودیویی، نور حجمی، [لباس]، [حالت چهره]، [خصیصه]، واقع بینانه، [فاصله کانونی]، رسا، نمادین، 4k – -ar 2:3 منبع: Linus Ekenstam A cinematic wide shot of a hamster in a space suit floating away of space explosion, full body, action, cinematic, matrix filter, photorealistic, 8k, cinematic lighting, cinematic filter ترجمه فارسی: یک عکس عریض سینمایی از یک همستر در لباس فضایی که دور از انفجار فضایی شناور است، تمام بدن، اکشن، سینمایی، فیلتر ماتریکس، فوتورئالیستی، 8k، نورپردازی سینمایی، فیلتر سینمایی منبع: Midjourney نکته اینجاست که هوش مصنوعی به بخشی جدایی ناپذیر از دنیای مدرن ما تبدیل شده است که صنایع مختلف را متحول کرده و زندگی روزمره ما را شکل داده است. علی رغم پیشرفت و نشر  روزافزون آن، بسیاری از افرادی که پیشینه کمی در زمینه هوش مصنوعی و یا علوم فنی دارند، ممکن است به این موضوع  با دلهره نگاه کنند. در مجموعه ای از نوشته های آموزشی (که به طور منظم منتشر خواهد شد) هدفمندیم تا هوش مصنوعی را به شکل ساده شرح داده و مفهوم اصلی آن را به عموم علاقه مندان این موضوع، بدون در نظر داشت کتله خاصی (کسانی که در زمینه هوش مصنوعی و علوم فنی سابقه دارند) برسانیم. ​​در این نوشته که  اولین نوشته این مجموعه میباشد، در مورد منشاء و پیشرفت هوش مصنوعی در طول سال ها صحبت خواهیم کرد و کاربردهای آن را در زندگی روزمره خود برجسته خواهیم ساخت. ریشه هوش مصنوعی به دهه 1950 باز می گردد. دانشمندان پیشگام این بخش ساخت ماشین‌هایی را تصور می‌کردند که می‌توانستند هوش انسان را تقلید کنند و کارهایی را انجام دهند که معمولاً نیاز به فهم و توانایی فکری انسان دارند. با گذشت زمان، هوش مصنوعی از سیستم‌های مبتنی بر قوانین به الگوریتم‌های یادگیری ماشینی و یادگیری عمیق تبدیل شد که پایه و اساس سیستم‌های هوش مصنوعی مدرن هستند. در سال‌های اخیر، پیشرفت‌ها در توان محاسباتی، در دسترس بودن داده‌های بزرگ، و پیشرفت‌هایی در توسعه الگوریتم، هوش مصنوعی را به ارتفاعات جدیدی سوق داده است. تکنیک‌های یادگیری ماشینی سیستم‌های هوش مصنوعی را قادر می‌سازد تا از داده‌ها یاد بگیرند و عملکرد خود را در طول زمان بهبود بخشند. یادگیری عمیق، زیر مجموعه ای از یادگیری ماشینی، دستاوردهای قابل توجهی را در زمینه هایی مانند تشخیص تصویر، پردازش زبان طبیعی و تشخیص گفتار تسهیل کرده است. مدل‌های هوش مصنوعی می‌توانند یاد بگیرند که اشیاء را در تصاویر تشخیص دهند، متن را از یک زبان به زبان دیگر ترجمه کنند، متون طولانی را با برجسته کردن مفاهیم اصلی خلاصه کنند، ضبط‌های صوتی را رونویسی کنند یا متن را به صدا تبدیل کنند، تصاویر غیر قابل تشخیص از تصاویر واقعی تولید کنند و محتوای متنی خلاقانه را تنها بر اساس یک درخواست متنی تولید کنند. همانطور که در مثال های بالا نشان داده شده است. برخی از شناخته شده ترین کاربردهای هوش مصنوعی در زندگی روزمره ما عبارتند از: در نتیجه هوش مصنوعی از زمان پیدایش خود تا اکنون راه طولانی را پیموده و جنبه‌های مختلف زندگی ما را شکل داده است. از دستیاران شخصی گرفته تا پیشرفت‌هایی در مراقبت‌های بهداشتی، وسایل نقلیه خودران و تشخیص تقلب، هوش مصنوعی در حوزه‌های مختلفی کاربرد پیدا کرده است. پاسخ سوالاتی که در آغاز این نوشته عرضه شد هم در هوش مصنوعی نهفته است.  درک منشاء، پیشرفت و کاربردهای هوش مصنوعی به ما این توانایی را می‌دهد تا از مزایای آن استفاده کنیم و با چشم‌انداز فناوری در حال تکامل سازگار شویم. در نوشته های بعدی در این سلسله نوشته ها، ما به شکل عمیق‌تر به کاربردهای خاص هوش مصنوعی خواهیم پرداخت و مفاهیم آنها را بیشتر بررسی خواهیم کرد. منتظر بحث های هیجان انگیز و آموزنده و  جذاب در این زمینه باشید!  انستیتوت باختر را در شبکه های اجتماعی ذیل دنبال کنید تا نوشته ها را از دست ندهید و این نوشته … Read more