آرشیو دسته بندی: هوش مصنوعی – AI

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 […]

پس‌انتشار (Backpropagation) یکی از الگوریتم‌های اساسی در یادگیری عمیق (Deep Learning) است که برای آموزش شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANNs) استفاده می‌شود. این الگوریتم با استفاده از قاعده زنجیره‌ای (Chain Rule) در حسابان، گرادیان تابع هزینه نسبت به پارامترهای مدل را محاسبه می‌کند و سپس این گرادیان‌ها را برای به‌روزرسانی پارامترها استفاده می‌کند. این بخش قلب فرآیند آموزش شبکه […]

شرح مفصل هیپرپارامترها در یادگیری ماشین مقدمه: هیپرپارامترها چه هستند؟ هیپرپارامترها (Hyperparameters) تنظیمات خارجی یک مدل یادگیری ماشین هستند که مقدار آن‌ها قبل از شروع فرآیند یادگیری (آموزش) تعیین می‌شود. برخلاف پارامترهای مدل (Model Parameters) مانند وزن‌ها (weights) و بایاس‌ها (biases) در یک شبکه عصبی که مقادیرشان در طول فرآیند آموزش و از طریق یادگیری […]

مقدمه منظم‌سازی (Regularization) یکی از مفاهیم بنیادین و تکنیک‌های ضروری در یادگیری ماشین (Machine Learning) و به خصوص یادگیری عمیق (Deep Learning) است. هدف اصلی آن مقابله با یک مشکل رایج به نام بیش‌برازش یا افراط در یادگیری (Overfitting) است. بیش‌برازش (Overfitting): این پدیده زمانی رخ می‌دهد که یک مدل یادگیری ماشین آنقدر بر روی […]

مقدمه یادگیری انتقالی (Transfer Learning – TL) و یادگیری چندوظیفه‌ای (Multi-Task Learning – MTL) دو استراتژی قدرتمند در حوزه یادگیری ماشین و به‌ویژه یادگیری عمیق هستند. هدف اصلی هر دوی این رویکردها، فراتر رفتن از آموزش مدل‌ها به‌صورت مجزا و از صفر برای هر وظیفه است. آن‌ها با بهره‌گیری هوشمندانه از دانش کسب‌شده در وظایف […]

تشخیص اشیاء (Object Detection) یکی از وظایف مهم در حوزه بینایی کامپیوتر (Computer Vision) است که شامل شناسایی و مکان‌یابی اشیاء در تصاویر یا ویدیوها می‌شود. برخلاف دسته‌بندی تصاویر (Image Classification) که تنها کلاس تصویر را تشخیص می‌دهد، تشخیص اشیاء علاوه بر تشخیص کلاس شیء، موقعیت آن را نیز در تصویر مشخص می‌کند. این موقعیت معمولاً به‌صورت یک جعبه مرزی (Bounding […]

ترجمه ماشینی (Machine Translation – MT) به فرآیند استفاده از نرم‌افزارهای کامپیوتری برای ترجمه خودکار متن یا گفتار از یک زبان (زبان مبدأ) به زبان دیگر (زبان مقصد) اشاره دارد. این فناوری یکی از زیرشاخه‌های مهم پردازش زبان طبیعی (Natural Language Processing – NLP) است و هدف آن تسهیل ارتباط بین افراد و سازمان‌ها در سراسر جهان است. […]

یادگیری خودنظارتی (Self-Supervised Learning) یکی از رویکردهای نوین در یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) است که هدف آن یادگیری مدل‌ها بدون نیاز به داده‌های برچسب‌دار است. در این روش، مدل از ساختار و اطلاعات موجود در داده‌ها برای تولید برچسب‌های خود استفاده می‌کند و سپس از این برچسب‌ها برای آموزش استفاده می‌کند. این رویکرد به‌طور گسترده‌ای […]