آرشیو نویسنده: هادی محمدیان

مقدمه:تحلیل احساسات، که گاهی اوقات نظرکاوی (Opinion Mining) نیز نامیده می‌شود، شاخه‌ای حیاتی و پویا در حوزه پردازش زبان طبیعی (NLP) و هوش مصنوعی (AI) است. هدف اصلی آن، شناسایی، استخراج، کمّی‌سازی و مطالعه حالات عاطفی (Affective States) و اطلاعات ذهنی (Subjective Information) بیان‌شده در داده‌های متنی است. به زبان ساده‌تر، این فناوری تلاش می‌کند […]

مقدمه:تولید متن، یکی از شاخه‌های پیشرفته و بسیار فعال در پردازش زبان طبیعی (NLP) و هوش مصنوعی (AI)، به فرآیند ایجاد خودکار متن‌های منسجم، معنادار و شبیه به زبان انسان توسط ماشین اطلاق می‌شود. این فناوری فراتر از درک یا طبقه‌بندی متن رفته و وارد حوزه خلق محتوا می‌شود. هدف نهایی، ساخت مدل‌هایی است که […]

مقدمه:سیستم‌های توصیه‌گر (یا موتورهای پیشنهاددهنده) در قلب بسیاری از تجربیات آنلاین مدرن قرار دارند. آن‌ها نوعی از سیستم‌های فیلتر اطلاعات هستند که هدفشان پیش‌بینی “رتبه” یا “ترجیح”ی است که یک کاربر به یک آیتم (مانند محصول، فیلم، مقاله، آهنگ، یا حتی فرد دیگر) می‌دهد. با تحلیل حجم عظیمی از داده‌های مربوط به رفتار گذشته کاربران، […]

مقدمه:هوش مصنوعی خلاق، که اغلب به عنوان بخشی از هوش مصنوعی مولد (Generative AI) در نظر گرفته می‌شود، نشان‌دهنده یک جهش قابل توجه در قابلیت‌های ماشین است. این حوزه بر توسعه سیستم‌های هوش مصنوعی تمرکز دارد که قادر به خلق آثار بدیع و اصیل هستند؛ آثاری که به طور سنتی نیازمند خلاقیت، تخیل و شهود […]

مقدمه:تحلیل داده‌های بزرگ (Big Data Analytics) به فرآیند پیچیده استخراج دانش، کشف الگوهای پنهان، شناسایی روندها و به دست آوردن بینش‌های معنادار از مجموعه داده‌های بسیار بزرگ، متنوع و با سرعت تولید بالا (که اغلب با ویژگی‌های حجم، سرعت، تنوع، صحت و ارزش – 5Vs – توصیف می‌شوند) اشاره دارد. با انفجار داده‌ها در دهه‌های […]

مقدمه:هوش مصنوعی در فضای ابری (Cloud AI) به مجموعه‌ای از خدمات، ابزارها و زیرساخت‌های مبتنی بر هوش مصنوعی اشاره دارد که توسط ارائه‌دهندگان خدمات ابری (Cloud Service Providers – CSPs) مانند آمازون وب سرویسز (AWS)، مایکروسافت آژور (Azure)، و پلتفرم ابری گوگل (GCP) ارائه می‌شوند. این رویکرد، قدرت محاسباتی عظیم، مقیاس‌پذیری و انعطاف‌پذیری رایانش ابری […]

مقدمه:نورون مصنوعی، که گاهی اوقات به آن واحد (Unit) یا پرسپترون (Perceptron) (به خصوص در مدل‌های اولیه) نیز گفته می‌شود، سنگ بنای محاسباتی شبکه‌های عصبی مصنوعی (ANNs) است. این مفهوم مستقیماً از ساختار و عملکرد نورون‌های بیولوژیکی در مغز الهام گرفته شده است، اما یک مدل ریاضیاتی بسیار ساده‌شده از آن است. وظیفه اصلی یک […]

مقدمه:توابع فعال‌سازی، اجزای محاسباتی حیاتی و غیرقابل جایگزینی در نورون‌های مصنوعی و در نتیجه، در کل شبکه‌های عصبی مصنوعی (ANNs) هستند. همانطور که در متن اشاره شد، نقش اصلی و بنیادین آن‌ها، معرفی غیرخطی بودن (Non-linearity) به مدل است. بدون این غیرخطی بودن، یک شبکه عصبی چندلایه، هر چقدر هم عمیق باشد، از نظر ریاضیاتی […]

مقدمه:تابع هزینه (که به آن تابع زیان، تابع خطا یا تابع هدف/Objective Function هم گفته می‌شود، اگرچه تابع هدف می‌تواند شامل جملات تنظیم (Regularization) نیز باشد) یک جزء حیاتی در چارچوب یادگیری ماشین و به‌ویژه یادگیری عمیق است. این تابع اساساً یک معیار کمّی برای اندازه‌گیری میزان “بدی” یا “نادرستی” عملکرد مدل در یک مجموعه […]

مقدمه:الگوریتم‌های بهینه‌سازی در هسته فرآیند “یادگیری” در مدل‌های یادگیری ماشین و یادگیری عمیق قرار دارند. هدف اصلی آموزش یک مدل، یافتن مجموعه‌ای از پارامترها (مانند وزن‌ها و بایاس‌ها در شبکه عصبی) است که باعث می‌شود مدل بهترین عملکرد را بر اساس داده‌های مشاهده شده داشته باشد. “بهترین عملکرد” معمولاً به معنای کمینه کردن یک تابع […]