شتابدهنده هوش مصنوعی اسمارتک

📚الگوریتم های یادگیری ماشین (قسمت بیست و هفتم) ✔️الگوریتم CNN(درس پنجم) نمونه کد پایتون

import numpy as np 
import tensorflow as tf 
import matplotlib.pyplot as plt 
from itertools import product 

# set the param 
plt.rc('figure', autolayout=True) 
plt.rc('image', cmap='magma') 

# define the kernel 
kernel = tf.constant([[-1, -1, -1], 
          [-1, 8, -1], 
          [-1, -1, -1], 
        ]) 

# load the image 
image = tf.io.read_file('Ganesh.jpg') 
image = tf.io.decode_jpeg(image, channels=1) 
image = tf.image.resize(image, size=[300, 300]) 

# plot the image 
img = tf.squeeze(image).numpy() 
plt.figure(figsize=(5, 5)) 
plt.imshow(img, cmap='gray') 
plt.axis('off') 
plt.title('Original Gray Scale image') 
plt.show(); 


# Reformat 
image = tf.image.convert_image_dtype(image, dtype=tf.float32) 
image = tf.expand_dims(image, axis=0) 
kernel = tf.reshape(kernel, [*kernel.shape, 1, 1]) 
kernel = tf.cast(kernel, dtype=tf.float32) 

# convolution layer 
conv_fn = tf.nn.conv2d 

image_filter = conv_fn( 
  input=image, 
  filters=kernel, 
  strides=1, # or (1, 1) 
  padding='SAME', 
) 

plt.figure(figsize=(15, 5)) 

# Plot the convolved image 
plt.subplot(1, 3, 1) 

plt.imshow( 
  tf.squeeze(image_filter) 
) 
plt.axis('off') 
plt.title('Convolution') 

# activation layer 
relu_fn = tf.nn.relu 
# Image detection 
image_detect = relu_fn(image_filter) 

plt.subplot(1, 3, 2) 
plt.imshow( 
  # Reformat for plotting 
  tf.squeeze(image_detect) 
) 

plt.axis('off') 
plt.title('Activation') 

# Pooling layer 
pool = tf.nn.pool 
image_condense = pool(input=image_detect, 
              window_shape=(2, 2), 
              pooling_type='MAX', 
              strides=(2, 2), 
              padding='SAME', 
              ) 

plt.subplot(1, 3, 3) 
plt.imshow(tf.squeeze(image_condense)) 
plt.axis('off') 
plt.title('Pooling') 
plt.show()

#آموزش   #یادگیری_ماشین  #machine_learning #الگوریتم_یادگیری_ماشین 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🤖تحول در تولید و زنجیره تامین با ربات ها! 🟣با استفاده از ربات ها در زنجیره تامین دیگه نیازی به جابجایی کالا به مسافت‌های طولانی نیست ربات‌ها دقیق‌تر و کم‌اشتباه‌تر کار می‌کنن و احتمال بروز مشکل کمتره. 🟣با جابجایی و تولید کمتر، به حفظ محیط زیست کمک می‌کنیم و اینکه ربات‌ها فقط به اندازه نیاز تولید می‌کنن و دیگه شاهد هدر رفتن منابع و مواد اولیه نیستیم. #ربات #robot 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🟢کمپانی OpenAI ظاهراً روی هوش مصنوعی جدیدی با توانایی‌های فوق‌بشری کار می‌کنه ❌شرکت openai، سازنده ChatGPT، در پروژه‌ای با اسم رمز توت فرنگی»(Strawberry) روی فناوری جدیدی برای مدل‌های هوش مصنوعی خود کار می‌کنه.با این فناوری، احتمالاً مدل‌های این شرکت میتونن قابلیت‌های استدلال پیشرفته انسان‌مانند یا حتی در سطح فوق‌بشری داشته باشن. ❌در سند داخلی این پروژه گفته شده که هدف Strawberry اینه که هوش مصنوعی این شرکت نه‌تنها پاسخ‌هایی به پرسش‌ها بده، بلکه توانایی این رو داشته باشه که در اینترنت به‌طور مستقل و قابل‌اعتماد بتونه اونچه رو OpenAI تحقیق عمیق می‌دونه، انجام بده. طبق گفته‌های محققان هوش مصنوعی، این توانایی همون چیزیه که تا به امروز مدل‌های هوش مصنوعی فاقد اون بودن. #اخبار_هوش_مصنوعی #اخبار 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🪟مایکروسافت یک مدل هوش مصنوعی تولید گفتار خارق‌العاده اما خطرناک ساخته. ✔️مایکروسافت نسخه جدیدی از مدل هوش مصنوعی تبدیل متن به گفتار خود به نام VALL-E 2 رو توسعه داده که از نظر طبیعی‌بودن صدای تولید‌شده عملکرد خارق‌العاده‌ای داره. بااین‌حال، مایکروسافت از این مدل به‌عنوان یک پروژه تحقیقاتی یاد کرده و به‌دلیل احتمال سوءاستفاده از اون، قصد نداره VALL-E 2 رو به‌صورت عمومی منتشر کنه. ✔️مایکروسافت VALL-E 2 یک ابزار تبدیل متن به گفتار (TTS) هست که می‌تونه تنها در چند ثانیه، صدای کاملاً شبیه به یک گوینده انسانی رو تولید کنه. محققان مایکروسافت می‌گن که VALL-E 2 قادر به تولید گفتار دقیق و طبیعی با صدایی قابل مقایسه با انسان هست. به عبارت دیگه صدای تولیدشده توسط این هوش مصنوعی ممکنه با صدای یک شخص واقعی اشتباه گرفته بشه! #اخبار_هوش_مصنوعی #اخبار 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🚗ماشین فرمول 1 خودران! ️ 🔵دانشجویان Revolve NTNU یه ماشین فرمول 1 خودران ساختن که می‌تونه توی پیست مسابقه بدون راننده حرکت کنه. 🔵تو این پروژه، از یه کنترل‌کننده PID با پیش‌خوران برای تنظیم Vx استفاده شده، در حالی که سرعت به طور قابل اعتمادی با استفاده از MPC برنامه‌ریزی می‌شه. 🔵دانشجوها از مثلث‌بندی Delaunay برای برنامه‌ریزی مسیر و از فیلتر کالمان با Graph SLAM برای موقعیت‌یابی و نقشه‌برداری استفاده می‌کنن.برای تشخیص مخروط‌ها هم از یه LiDAR استفاده شده! #هوش_مصنوعی 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🤖ربات BB-8 رباتی از جنگ ستارگان 🔘دانشجوهای دانشگاه پرینستون دارن یه ربات باحال می‌سازن که شبیه BB-8 تو جنگ ستارگان! 🔘این ربات می‌تونه به هر جهتی بچرخه و یه سر داره که انگار بالای بدنه‌اش شنا می‌کنه. تیکه‌های ویژه‌ای داخلش داره که باعث حرکت و تولید صدا می‌شه و می‌شه از راه دور هم کنترلش کرد.خیلی از قطعاتش هم با پرینتر سه بعدی چاپ شدن. ️ #ربات #robot 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

🧠ایلان ماسک: دومین بیمار نورالینک تا هفته آینده تراشه مغزی خودشو دریافت می‌کنه 🔵ایلان ماسک، بنیان‌گذار نورالینک، اعلام کرد که طی یک هفته آینده یا شاید بیشتر، دومین بیمار تراشه مغزی این شرکت رو دریافت می‌کنه. همچنین ماسک می‌گه که نورالینک امیدواره تا آخر سال جاری میلادی، تعداد بیمارهایی که تراشه مغزی اون رو دریافت کردن به یک عدد تک رقمی بالا برسه. 🔵ماسک می‌گه که هدف بلندمدت نورالینک ایجاد همزیستی نزدیک‌تر بین هوش انسانی و هوش دیجیتال هثت. به گفته این میلیاردر، نورالینک با این کار می‌تونه به مردم قدرت‌های فوق‌العاده بده. #اخبار_هوش_مصنوعی #اخبار 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

📚الگوریتم های یادگیری ماشین (قسمت بیست و ششم) ✔️الگوریتم CNN(درس چهارم) ✅مزایا: ‏1️⃣. می تونند در انواع وظایف تشخیص تصویر، مانند طبقه بندی تصویر، تشخیص اشیا و تقسیم بندی تصویر، با دقت خیلی خوب عمل کنند. 2️⃣.‏CNN ها می تونند بسیار کارآمد باشند، به خصوص زمانی که بر روی سخت افزارهای تخصصی مانند GPU پیاده سازی بشند. 3️⃣. نسبتاً در برابر نویز و تغییرات در داده های ورودی مقاوم هستند. ‏4️⃣.می شه به سادگی با تغییر معماری شبکه با انواع وظایف مختلف سازگار کرد. ✅معایب : 1️⃣.آموزش پیچیده و دشوار ، به خصوص برای مجموعه داده های بزرگ. 2️⃣.به منابع محاسباتی زیادی برای آموزش و استقرار نیاز  دارند. 3️⃣.برای آموزش به مقدار زیادی داده برچسب دار نیاز دارند. 4️⃣.درک تفسیرها و پیش بینی های خروجی ممکنه دشوار باشه کارایی یک CNN در وظایف دسته بندی تصاویر رو میشه با استفاده از معیارهای مختلفی ارزیابی کرد.مثل: 🟡درصد دقتی که تصاویر آزمایشی را درست طبقه بندی میکند،درصد درستی که تصاویر آزمایشی مطعلق به یک کلاس خاص پیش‌بینی می‌کنه و در واقع از اکن کلاس هستن. 🟡امتیاز F1 یک میانگین هارمونیک برای دقت و یادآوریه.که معیار خوبی برای ارزیابی عملکرد یک CNN در کلاس هایی هیت که نامتعادلند. #آموزش   #یادگیری_ماشین  #machine_learning #الگوریتم_یادگیری_ماشین 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram

📝جزوه جبر خطی برای یادگیری ماشین دانشگاه پنسیلوانیا آمریکا 👨🏻‍💻 اگه به تازگی می‌خواین وارد دنیای یادگیری ماشین بشین و با اصطلاحات پیچیده‌اش سر و کله بزنین، این کتاب براتون مثل یک نقشه راهه. ⬅️ این کتاب مباحث جبر خطی و بهینه‌سازی رو خیلی شفاف و کامل توضیح داده تا بتونین مفاهیمی مثل SVM، رگرسیون لاسو و... رو به خوبی متوجه بشین و تو این زمینه‌ها حرفی برای گفتن داشته باشین. خلاصه، اگه دوست دارین با پایه‌ای قوی برین سراغ آموزش یادگیری ماشین، این کتاب خیلی به دردتون می‌خوره. #آموزش 🚀شتابدهنده هوش مصنوعی اسمارتک 📱Instagram 🔵Telegram