Forwarded from کانال آمار و علم داده (Amirhossein Gh)
Media is too big
VIEW IN TELEGRAM
کاربردهای یادگیری ماشین
یادگیری ماشین در دنیای امروز کاربردهای بیشماری دارد. ما خیلی وقتها در فعالیتهای روزمره از کمک یادگیری ماشین استفاده میکنیم؛ بدون اینکه لزوما متوجه آنها باشیم. علاوه بر اینها یادگیری ماشین در تجارت و کسبوکار هم کاراییهای زیادی دارد. در اینجا به برخی از کاربردهای یادگیری ماشین اشاره میکنیم.
تشخیص چهره
تشخیص تصاویر یکی از رایجترین کاربردهای یادگیری ماشین است. از راههای زیادی میشود برای هر تصویر ویژگیهای دیجیتال مشخص کرد که آن را از تصاویر دیگر متمایز و قابل تشخیص کند. مثلاً در عکسهای سیاهوسفید، شدت پیکسلها میتوانند یک روش علامتگذاری باشند. نقشه و الگوی قرارگرفتن این پیکسلها در کنار هم میتواند الگوریتمی را به وجود بیاورد که به کمک آن، رایانه یک شی یا یک چهره را در تصاویر گوناگون تشخیص دهد.
تشخیص گفتار
تشخیص گفتار، ترجمه کلام است به متن. در این تکنولوژی رایانه میتواند کلماتی که در یک ویدئو یا فایل صوتی گفته شده را تشخیص دهد و آنها را به متن تبدیل کند. رایانه الگوهای کلمات را بر اساس الگوی نوسانهای صدای و شدت فرکانسها در هر ثانیه پیدا میکند.
حتماً شما هم از این تکنولوژی در جستجوی صوتی گوگل یا دادن دستور صوتی به گوشی همراه خود برای گرفتن یک شماره یا پیدا کردن یک آدرس، استفاده کردهاید.
سامانههای توصیهگر
یکی دیگر از رایجترین و شناختهشدهترین کاربردهای یادگیری ماشین، توصیه محصول است. توصیه محصول که از پیشرفتهترین برنامهها در تکنیکهای یادگیری ماشین است. بسیاری از وبسایتهای فروش آنلاین و سرویسهای تجارت الکترونیک امروز از سامانههای توصیهگر استفاده میکنند. وبسایتها با استفاده از یادگیری ماشین رفتار شما را بر اساس سابقه خریدهای قبلی و الگوی جستجوی شما رصد میکنند و توصیههایی برای خرید به شما ارائه میدهند.
خدمات مالی
یادگیری ماشین در بخش مالی و بانکی ظرفیتهای بالا و محبوبیت زیادی دارد. یادگیری ماشین میتواند به بانکها و مؤسسات مالی برای تصمیمگیریهای هوشمندانه کمک کند. این تکنولوژی میتواند با رصد عملکرد افراد و مؤسسات پیشبینی کند که هر حسابی چه زمانی ممکن است بسته شود و از ضرر و زیانها جلوگیری کند. همچنین میتواند برای برنامهریزیهای مالی، الگوی هزینه مشتریان را پیدا کند. بهعلاوه، یادگیری ماشین میتواند انواع بازارها را تجزیهوتحلیل کند.
نمونههایی از کاربرد یادگیری ماشین در کسبوکارها
بسیاری از شرکتها در جهان از تکنولوژی یادگیری ماشین در ارائه خدمات خود استفاده و از این طریق درآمدهای کلانی به دست میآورند. در ادامه به نمونههایی از این خدمات اشاره میکنیم.
نتفلیکس
شرکت پخش فیلم و سریال آنلاین Netflix، با استفاده از یادگیری ماشین، از تاریخچه عادتهای میلیونها کاربر استفاده میکند تا بفهمد که بینندگانش بهاحتمال زیاد از تماشای چه فیلمها و سریالهایی لذت میبرند. این شرکت علاوه بر ارائه پیشنهادهای مرتبط به کاربران، با استفاده از این تکنولوژی ایدههایی برای ساخت فیلمها و سریالهایش به دست میآورد.
فیسبوک
بسیاری از شبکههای اجتماعی از یادگیری ماشین برای ساخت الگوریتمهایی برای شناخت ویژگیهای کاربران خود استفاده میکنند. برای مثال فیسبوک به فعالیتها، چتها، لایکها، پیغامهای کاربران و مدت زمانی که آنها برای مشاهده انواع مختلف پستها اختصاص میدهند توجه و از آنها دادههایی استخراج میکند. یادگیری ماشین از این دادهها و تجربیات درس میگیرد و به کاربران نوعی از پستها و یا افرادی را پیشنهاد میدهد که احتمالاً آنها را دوست خواهند داشت.
ویمو
واژه Waymo نام پروژه خودروهای خودران گوگل است. هدف این پروژه ساخت خودروهایی است که بدون راننده حرکت میکنند. در پروژه Waymo یادگیری ماشین از دادهها و تجربیاتش برای دیدن محیط اطراف، درک ابعاد و فاصله اشیاء، درنظرگرفتن شرایط جوی و پیشبینی رفتار عابران توسط خودرو استفاده میکند. با وجود متغیرهای بسیاری که در راهها و جادهها وجود دارند یک سیستم یادگیری ماشین پیشرفته برای موفقیت این پروژه لازم و ضروری است.
نقشه گوگل
اپ Google Maps در یکی از خدمات خود به مشتریان رستورانها برای سفارش غذا کمک میکند. مشتریان از طریق این اپلیکیشن میتوانند بفهمند که محبوبترین غذای هر رستورانی چیست. یادگیری ماشین این موضوع را بر اساس نظرات و عکسهایی که مشتریان از غذاها منتشر کردهاند میفهمد.
اگر مشتریان در نظرات خود از غذایی تعریف کرده باشند، Google Maps عکس ظرف غذا را با عکسهای دیگری که توسط بقیه مشتریان بارگذاری شده مطابقت میدهد و محبوبترین غذای آن رستوران را پیدا میکند. نقشه گوگل از یادگیری ماشین در بسیاری از خدمات دیگر خود از جمله مسیریابی نیز استفاده میکند.
#علم_داده
#یادگیری_ماشین
#data_science
#machine_learning
یادگیری ماشین در دنیای امروز کاربردهای بیشماری دارد. ما خیلی وقتها در فعالیتهای روزمره از کمک یادگیری ماشین استفاده میکنیم؛ بدون اینکه لزوما متوجه آنها باشیم. علاوه بر اینها یادگیری ماشین در تجارت و کسبوکار هم کاراییهای زیادی دارد. در اینجا به برخی از کاربردهای یادگیری ماشین اشاره میکنیم.
تشخیص چهره
تشخیص تصاویر یکی از رایجترین کاربردهای یادگیری ماشین است. از راههای زیادی میشود برای هر تصویر ویژگیهای دیجیتال مشخص کرد که آن را از تصاویر دیگر متمایز و قابل تشخیص کند. مثلاً در عکسهای سیاهوسفید، شدت پیکسلها میتوانند یک روش علامتگذاری باشند. نقشه و الگوی قرارگرفتن این پیکسلها در کنار هم میتواند الگوریتمی را به وجود بیاورد که به کمک آن، رایانه یک شی یا یک چهره را در تصاویر گوناگون تشخیص دهد.
تشخیص گفتار
تشخیص گفتار، ترجمه کلام است به متن. در این تکنولوژی رایانه میتواند کلماتی که در یک ویدئو یا فایل صوتی گفته شده را تشخیص دهد و آنها را به متن تبدیل کند. رایانه الگوهای کلمات را بر اساس الگوی نوسانهای صدای و شدت فرکانسها در هر ثانیه پیدا میکند.
حتماً شما هم از این تکنولوژی در جستجوی صوتی گوگل یا دادن دستور صوتی به گوشی همراه خود برای گرفتن یک شماره یا پیدا کردن یک آدرس، استفاده کردهاید.
سامانههای توصیهگر
یکی دیگر از رایجترین و شناختهشدهترین کاربردهای یادگیری ماشین، توصیه محصول است. توصیه محصول که از پیشرفتهترین برنامهها در تکنیکهای یادگیری ماشین است. بسیاری از وبسایتهای فروش آنلاین و سرویسهای تجارت الکترونیک امروز از سامانههای توصیهگر استفاده میکنند. وبسایتها با استفاده از یادگیری ماشین رفتار شما را بر اساس سابقه خریدهای قبلی و الگوی جستجوی شما رصد میکنند و توصیههایی برای خرید به شما ارائه میدهند.
خدمات مالی
یادگیری ماشین در بخش مالی و بانکی ظرفیتهای بالا و محبوبیت زیادی دارد. یادگیری ماشین میتواند به بانکها و مؤسسات مالی برای تصمیمگیریهای هوشمندانه کمک کند. این تکنولوژی میتواند با رصد عملکرد افراد و مؤسسات پیشبینی کند که هر حسابی چه زمانی ممکن است بسته شود و از ضرر و زیانها جلوگیری کند. همچنین میتواند برای برنامهریزیهای مالی، الگوی هزینه مشتریان را پیدا کند. بهعلاوه، یادگیری ماشین میتواند انواع بازارها را تجزیهوتحلیل کند.
نمونههایی از کاربرد یادگیری ماشین در کسبوکارها
بسیاری از شرکتها در جهان از تکنولوژی یادگیری ماشین در ارائه خدمات خود استفاده و از این طریق درآمدهای کلانی به دست میآورند. در ادامه به نمونههایی از این خدمات اشاره میکنیم.
نتفلیکس
شرکت پخش فیلم و سریال آنلاین Netflix، با استفاده از یادگیری ماشین، از تاریخچه عادتهای میلیونها کاربر استفاده میکند تا بفهمد که بینندگانش بهاحتمال زیاد از تماشای چه فیلمها و سریالهایی لذت میبرند. این شرکت علاوه بر ارائه پیشنهادهای مرتبط به کاربران، با استفاده از این تکنولوژی ایدههایی برای ساخت فیلمها و سریالهایش به دست میآورد.
فیسبوک
بسیاری از شبکههای اجتماعی از یادگیری ماشین برای ساخت الگوریتمهایی برای شناخت ویژگیهای کاربران خود استفاده میکنند. برای مثال فیسبوک به فعالیتها، چتها، لایکها، پیغامهای کاربران و مدت زمانی که آنها برای مشاهده انواع مختلف پستها اختصاص میدهند توجه و از آنها دادههایی استخراج میکند. یادگیری ماشین از این دادهها و تجربیات درس میگیرد و به کاربران نوعی از پستها و یا افرادی را پیشنهاد میدهد که احتمالاً آنها را دوست خواهند داشت.
ویمو
واژه Waymo نام پروژه خودروهای خودران گوگل است. هدف این پروژه ساخت خودروهایی است که بدون راننده حرکت میکنند. در پروژه Waymo یادگیری ماشین از دادهها و تجربیاتش برای دیدن محیط اطراف، درک ابعاد و فاصله اشیاء، درنظرگرفتن شرایط جوی و پیشبینی رفتار عابران توسط خودرو استفاده میکند. با وجود متغیرهای بسیاری که در راهها و جادهها وجود دارند یک سیستم یادگیری ماشین پیشرفته برای موفقیت این پروژه لازم و ضروری است.
نقشه گوگل
اپ Google Maps در یکی از خدمات خود به مشتریان رستورانها برای سفارش غذا کمک میکند. مشتریان از طریق این اپلیکیشن میتوانند بفهمند که محبوبترین غذای هر رستورانی چیست. یادگیری ماشین این موضوع را بر اساس نظرات و عکسهایی که مشتریان از غذاها منتشر کردهاند میفهمد.
اگر مشتریان در نظرات خود از غذایی تعریف کرده باشند، Google Maps عکس ظرف غذا را با عکسهای دیگری که توسط بقیه مشتریان بارگذاری شده مطابقت میدهد و محبوبترین غذای آن رستوران را پیدا میکند. نقشه گوگل از یادگیری ماشین در بسیاری از خدمات دیگر خود از جمله مسیریابی نیز استفاده میکند.
#علم_داده
#یادگیری_ماشین
#data_science
#machine_learning
Forwarded from دکتر امیرمحمد گلمحمدی
🎊#مرجع_تخصصی_مهندسی_صنایع🎊
#کنکور_ارشد_۱۴۰۱
#کنکور_دکتری_۱۴۰۱
🔸شروع تخفیفات ۴۰ و ۲۰ درصدی مهرماه ویژه دورههای آنلاین و مجموعه DVDها و پکیجهای آموزشی🔸
لینک مشاهده دورههای آنلاین🔻
http://iegolmohammadi.ir/courses/online-class/
🔸کد تخفیف Mehr40🔸
لینک مشاهده پکیجها و DVDهای آموزشی🔻
https://iegolmohammadi.ir/file_shop/
🔸کد تخفیف Mehr20🔸
#کنکور_ارشد_۱۴۰۱
#کنکور_دکتری_۱۴۰۱
🔸شروع تخفیفات ۴۰ و ۲۰ درصدی مهرماه ویژه دورههای آنلاین و مجموعه DVDها و پکیجهای آموزشی🔸
لینک مشاهده دورههای آنلاین🔻
http://iegolmohammadi.ir/courses/online-class/
🔸کد تخفیف Mehr40🔸
لینک مشاهده پکیجها و DVDهای آموزشی🔻
https://iegolmohammadi.ir/file_shop/
🔸کد تخفیف Mehr20🔸
کانال آمار و علم داده
کاربردهای برتر یادگیری عمیق #علم_داده #یادگیری_عمیق #data_science #deep_learning
اتوماسیون صنعتی
یکی از مهمترین کاربردهای یادگیری عمیق، در اتوماسیون صنایع است. از این علم برای بخشهای کنترل کیفی محصول، بستهبندی، تشخیص قطعات، بازوهای رباتیک و غیره استفاده میشود.
اتومبیلهای خودران
آزمایشگاههای هوش مصنوعی پیتسبورگ نهتنها روی پروژۀ اتومبیلهای بدون راننده کار میکند، بلکه چندین ویژگی هوشمند مانند گزینههای تحویل غذا با استفاده از اتومبیلهای بدون راننده را معرفی کرده است. نگرانی عمده برای توسعه دهندگان اتومبیلهای خودمختار، مدیریت این تکنولوژی بیسابقه است.
تجمیع اخبار و کشف اخبار تقلب
اکنون راهی برای فیلترکردن همه اخبار بد و نامناسب از مجموعۀ خبری وجود دارد. استفادۀ گسترده از یادگیری عمیق در جمعآوری اخبار به دلیل حمایت از شخصیسازی اخبار بر اساس خوانندگان است. اگرچه ممکن است این امر جدید به نظر نرسد، اما نوع جدیدتری از این تکنولوژی موجود است که بر اساس آن، اخبار با پارامترهای جغرافیایی، اجتماعی، اقتصادی برای هر فرد انجام میپذیرد.
پردازش زبان طبیعی
پردازش زبان طبیعی از طریق یادگیری عمیق سعی در یادگیری نکات ظریف زبانی و تنظیم پاسخهای مناسب دارد. پاسخ به سؤالات، مدلسازی زبان، طبقهبندی متن، یا تجزیهوتحلیل احساسات در سطح گستردهتر، همه زیرمجموعههای پردازش زبان طبیعی است که در آن یادگیری عمیق نقشبرجستهای دارد.
دستیارهای مجازی
محبوبترین کاربرد یادگیری عمیق دستیارهای مجازی شامل اَلِکسا، سیری و دستیار گوگل هستند. هر نوع تعامل با این دستیارها فرصتی را برای آنها فراهم میکند تا درباره صدا و لهجه شما بیشتر بدانند و در نتیجه یک تجربه ثانویۀ تعامل انسانی را برای شما فراهم میکنند. دستیاران مجازی از یادگیری عمیق برای کسب اطلاعات بیشتر در مورد موضوعات خود استفاده میکنند، از مکان موردعلاقه شما برای خوردن غذا گرفته تا مکانهای پربازدید و آهنگهای مورد علاقهتان.
سرگرمی
در مسابقات تنیس ویمبلدون 2018، شرکت آیبیام واتسون «IBM Watson» از یادگیری عمیق برای تجزیهوتحلیل احساسات و حالات بازیکنان از طریق صدها ساعت فیلم برای پخش تلویزیونی استفاده کرد. این موضوع باعث صرفهجویی مالی بسیاری شد. به لطف دیپ لرنینگ، آنها توانستند در پاسخگویی مخاطب و محبوبیت بازی یا بازیکن به یک مدل دقیقتر برسند.
تشخیص بصری
خودتان را تصور کنید که با انبوهی از تصاویر قدیمی روبرو هستید که برای شما یک نوستالژی محسوب میشوند. حال تصمیم میگیرید تعدادی از آنها را قاب بگیرید اما ابتدا میخواهید آنها را مرتب کنید. روشهای دستی و بهدوراز تکنولوژی تنها راه تحقق این امر در غیاب فراداده بود. حداکثر کاری که میتوانستید انجام دهید این بود که آنها را بر اساس تاریخ مرتب کنید اما تصاویر بارگیری شده فاقد این فراداده هستند. در آینده، با استفاده از یادگیری عمیق میتوان تصاویر را بر اساس مکانهای تشخیصدادهشده در عکسها، چهرهها، ترکیبی از افراد یا بر اساس رویدادها، تاریخها و … مرتب کرد.
تشخیص تقلب
دامنۀ دیگری که از دیپ لرنینگ سود میبرد، بخش بانکی و مالی است که وظیفۀ کشف تقلب با دیجیتالی شدن معاملات پول را برعهده دارد. رمزگذاران خودکار در نرمافزارهای «کراس» و «تنسور فلو» برای کشف تقلب در کارتهای اعتباری، درحالتوسعه هستند. پیشگیری و کشف تقلب بر اساس شناسایی الگوهای معاملات مشتری و امتیازات اعتباری، شناسایی رفتارهای ناهنجار و دور از انتظار انجام میشود.
مراقبتهای بهداشتی
خودتان را تصور کنید که با انبوهی از تصاویر قدیمی روبرو هستید که برای شما یک نوستالژی محسوب میشوند. حال تصمیم میگیرید تعدادی از آنها را قاب بگیرید اما ابتدا میخواهید آنها را مرتب کنید. روشهای دستی و بهدوراز تکنولوژی تنها راه تحقق این امر در غیاب فراداده بود. حداکثر کاری که میتوانستید انجام دهید این بود که آنها را بر اساس تاریخ مرتب کنید اما تصاویر بارگیری شده فاقد این فراداده هستند. در آینده، با استفاده از یادگیری عمیق میتوان تصاویر را بر اساس مکانهای تشخیصدادهشده در عکسها، چهرهها، ترکیبی از افراد یا بر اساس رویدادها، تاریخها و … مرتب کرد.
تشخیص بصری
برنامهها و سیستمهایی که از GPU استفاده میکنند، با ارائه کاراییها و امکانات جدید، به پزشکان و محققان علاقهمند به بهبود زندگی دیگران امکانات بیشتری ارائه میدهد. کمک به تشخیص زودهنگام، دقیق و سریع بیماریهای تهدیدکنندة زندگی، افزایش کلینیک پزشکان برای رفع کمبود پزشکان حاذق، نتایج آسیبشناسی و استانداردسازی دورۀ درمان و درک ژنتیک برای پیشبینی خطر ابتلا به بیماریها، برخی از موارد یادگیری عمیق هستند که در حوزۀ درمان روبهرشد هستند.
یکی از مهمترین کاربردهای یادگیری عمیق، در اتوماسیون صنایع است. از این علم برای بخشهای کنترل کیفی محصول، بستهبندی، تشخیص قطعات، بازوهای رباتیک و غیره استفاده میشود.
اتومبیلهای خودران
آزمایشگاههای هوش مصنوعی پیتسبورگ نهتنها روی پروژۀ اتومبیلهای بدون راننده کار میکند، بلکه چندین ویژگی هوشمند مانند گزینههای تحویل غذا با استفاده از اتومبیلهای بدون راننده را معرفی کرده است. نگرانی عمده برای توسعه دهندگان اتومبیلهای خودمختار، مدیریت این تکنولوژی بیسابقه است.
تجمیع اخبار و کشف اخبار تقلب
اکنون راهی برای فیلترکردن همه اخبار بد و نامناسب از مجموعۀ خبری وجود دارد. استفادۀ گسترده از یادگیری عمیق در جمعآوری اخبار به دلیل حمایت از شخصیسازی اخبار بر اساس خوانندگان است. اگرچه ممکن است این امر جدید به نظر نرسد، اما نوع جدیدتری از این تکنولوژی موجود است که بر اساس آن، اخبار با پارامترهای جغرافیایی، اجتماعی، اقتصادی برای هر فرد انجام میپذیرد.
پردازش زبان طبیعی
پردازش زبان طبیعی از طریق یادگیری عمیق سعی در یادگیری نکات ظریف زبانی و تنظیم پاسخهای مناسب دارد. پاسخ به سؤالات، مدلسازی زبان، طبقهبندی متن، یا تجزیهوتحلیل احساسات در سطح گستردهتر، همه زیرمجموعههای پردازش زبان طبیعی است که در آن یادگیری عمیق نقشبرجستهای دارد.
دستیارهای مجازی
محبوبترین کاربرد یادگیری عمیق دستیارهای مجازی شامل اَلِکسا، سیری و دستیار گوگل هستند. هر نوع تعامل با این دستیارها فرصتی را برای آنها فراهم میکند تا درباره صدا و لهجه شما بیشتر بدانند و در نتیجه یک تجربه ثانویۀ تعامل انسانی را برای شما فراهم میکنند. دستیاران مجازی از یادگیری عمیق برای کسب اطلاعات بیشتر در مورد موضوعات خود استفاده میکنند، از مکان موردعلاقه شما برای خوردن غذا گرفته تا مکانهای پربازدید و آهنگهای مورد علاقهتان.
سرگرمی
در مسابقات تنیس ویمبلدون 2018، شرکت آیبیام واتسون «IBM Watson» از یادگیری عمیق برای تجزیهوتحلیل احساسات و حالات بازیکنان از طریق صدها ساعت فیلم برای پخش تلویزیونی استفاده کرد. این موضوع باعث صرفهجویی مالی بسیاری شد. به لطف دیپ لرنینگ، آنها توانستند در پاسخگویی مخاطب و محبوبیت بازی یا بازیکن به یک مدل دقیقتر برسند.
تشخیص بصری
خودتان را تصور کنید که با انبوهی از تصاویر قدیمی روبرو هستید که برای شما یک نوستالژی محسوب میشوند. حال تصمیم میگیرید تعدادی از آنها را قاب بگیرید اما ابتدا میخواهید آنها را مرتب کنید. روشهای دستی و بهدوراز تکنولوژی تنها راه تحقق این امر در غیاب فراداده بود. حداکثر کاری که میتوانستید انجام دهید این بود که آنها را بر اساس تاریخ مرتب کنید اما تصاویر بارگیری شده فاقد این فراداده هستند. در آینده، با استفاده از یادگیری عمیق میتوان تصاویر را بر اساس مکانهای تشخیصدادهشده در عکسها، چهرهها، ترکیبی از افراد یا بر اساس رویدادها، تاریخها و … مرتب کرد.
تشخیص تقلب
دامنۀ دیگری که از دیپ لرنینگ سود میبرد، بخش بانکی و مالی است که وظیفۀ کشف تقلب با دیجیتالی شدن معاملات پول را برعهده دارد. رمزگذاران خودکار در نرمافزارهای «کراس» و «تنسور فلو» برای کشف تقلب در کارتهای اعتباری، درحالتوسعه هستند. پیشگیری و کشف تقلب بر اساس شناسایی الگوهای معاملات مشتری و امتیازات اعتباری، شناسایی رفتارهای ناهنجار و دور از انتظار انجام میشود.
مراقبتهای بهداشتی
خودتان را تصور کنید که با انبوهی از تصاویر قدیمی روبرو هستید که برای شما یک نوستالژی محسوب میشوند. حال تصمیم میگیرید تعدادی از آنها را قاب بگیرید اما ابتدا میخواهید آنها را مرتب کنید. روشهای دستی و بهدوراز تکنولوژی تنها راه تحقق این امر در غیاب فراداده بود. حداکثر کاری که میتوانستید انجام دهید این بود که آنها را بر اساس تاریخ مرتب کنید اما تصاویر بارگیری شده فاقد این فراداده هستند. در آینده، با استفاده از یادگیری عمیق میتوان تصاویر را بر اساس مکانهای تشخیصدادهشده در عکسها، چهرهها، ترکیبی از افراد یا بر اساس رویدادها، تاریخها و … مرتب کرد.
تشخیص بصری
برنامهها و سیستمهایی که از GPU استفاده میکنند، با ارائه کاراییها و امکانات جدید، به پزشکان و محققان علاقهمند به بهبود زندگی دیگران امکانات بیشتری ارائه میدهد. کمک به تشخیص زودهنگام، دقیق و سریع بیماریهای تهدیدکنندة زندگی، افزایش کلینیک پزشکان برای رفع کمبود پزشکان حاذق، نتایج آسیبشناسی و استانداردسازی دورۀ درمان و درک ژنتیک برای پیشبینی خطر ابتلا به بیماریها، برخی از موارد یادگیری عمیق هستند که در حوزۀ درمان روبهرشد هستند.
کانال آمار و علم داده
اتوماسیون صنعتی یکی از مهمترین کاربردهای یادگیری عمیق، در اتوماسیون صنایع است. از این علم برای بخشهای کنترل کیفی محصول، بستهبندی، تشخیص قطعات، بازوهای رباتیک و غیره استفاده میشود. اتومبیلهای خودران آزمایشگاههای هوش مصنوعی پیتسبورگ نهتنها روی پروژۀ…
شخصی سازی ها
اکنون هر پلتفرمی در تلاش است تا با استفاده از رباتهای چت، تجربۀ مصاحبت شبه بشری را به بازدیدکنندگان خود ارائه دهد. یادگیری عمیق به توانمندیهای غولهای تجارت الکترونیکی مانند آمازون، ای بِی و علیبابا کمک میکند تا تجربۀ شخصیسازی را در قالب بستهها و تخفیفات شخصی ارائه دهند.
تشخیص تأخیر رشد در کودکان
اختلالات گفتاری، اوتیسم و اختلالات رشد میتواند کیفیت خوب زندگی کودکان مبتلا به هر یک از این مشکلات را زیر سؤال ببرد. تشخیص و درمان بهموقع میتواند تأثیر شگفت انگیزی بر سلامت جسمی، روحی و روانی کودکان با توانایی متفاوت داشته باشد. ازاینرو، یکی از برترین کاربرد یادگیری عمیق، تشخیص زودهنگام و اصلاح مشکلات مرتبط با نوزادان و کودکان است. این تفاوت عمدۀ یادگیری عمیق و یادگیری ماشینی است. یادگیری ماشینی برای وظایف خاص مورداستفاده قرار میگیرد، اما یادگیری عمیق به حل جدیترین مشکلات بشر میپردازد.
کابرد یادگیری عمیق در پزشکی
بکارگیری شبکه های عصبی عمیق در کاربردهایی همچون دسته بندی تصاویر ماموگرافی ؛ بخش بندی تصویر پروستات و غیره در ادامه و تکمیل کاربردهای روشهای مبتنی بر شبکه های عصبی سنتی رشد کرده است. ولی کاربردهای نوینی در آنالیز تصاویر پیچیده میکروسکوپی با استفاده از شبکه های عصبی عمیق مطرح گردیده یکی از این کاربردها، استفاده از یادگیری عمیق در آنالیز تصاویر میکروسکوپی است.
اکنون هر پلتفرمی در تلاش است تا با استفاده از رباتهای چت، تجربۀ مصاحبت شبه بشری را به بازدیدکنندگان خود ارائه دهد. یادگیری عمیق به توانمندیهای غولهای تجارت الکترونیکی مانند آمازون، ای بِی و علیبابا کمک میکند تا تجربۀ شخصیسازی را در قالب بستهها و تخفیفات شخصی ارائه دهند.
تشخیص تأخیر رشد در کودکان
اختلالات گفتاری، اوتیسم و اختلالات رشد میتواند کیفیت خوب زندگی کودکان مبتلا به هر یک از این مشکلات را زیر سؤال ببرد. تشخیص و درمان بهموقع میتواند تأثیر شگفت انگیزی بر سلامت جسمی، روحی و روانی کودکان با توانایی متفاوت داشته باشد. ازاینرو، یکی از برترین کاربرد یادگیری عمیق، تشخیص زودهنگام و اصلاح مشکلات مرتبط با نوزادان و کودکان است. این تفاوت عمدۀ یادگیری عمیق و یادگیری ماشینی است. یادگیری ماشینی برای وظایف خاص مورداستفاده قرار میگیرد، اما یادگیری عمیق به حل جدیترین مشکلات بشر میپردازد.
کابرد یادگیری عمیق در پزشکی
بکارگیری شبکه های عصبی عمیق در کاربردهایی همچون دسته بندی تصاویر ماموگرافی ؛ بخش بندی تصویر پروستات و غیره در ادامه و تکمیل کاربردهای روشهای مبتنی بر شبکه های عصبی سنتی رشد کرده است. ولی کاربردهای نوینی در آنالیز تصاویر پیچیده میکروسکوپی با استفاده از شبکه های عصبی عمیق مطرح گردیده یکی از این کاربردها، استفاده از یادگیری عمیق در آنالیز تصاویر میکروسکوپی است.
کانال آمار و علم داده
پردازش زبان طبیعی- Natural Language Processing #علم_داده #پردازش_زبان_طبیعی #data_science #NLP
پردازش زبان طبیعی (natural language processing) که اغلب با نام NLP شناخته میشود، به توانایی کامپیوتر در درک گفتار انسان اشاره دارد. NLP یکی از کاربردهای کلیدی هوش مصنوعی (AI) است و از یادگیری ماشین استفاده میکند.
بسیاری از ابزارهایی که امروزه زندگی ما را آسان میکند، به لطف پردازش زبان طبیعی (NLP) امکان پذیر است؛ پردازش زبان طبیعی برای مشاغلی که با حجم زیادی از متنهای بدون ساختار مثل ایمیل، پیامک، مکالمات در رسانههای اجتماعی و سوشال مدیا، چتها، نظرسنجیها و بسیاری از دادههای متنی سر و کار دارند، کاربرد دارد.
با استفاده از پردازش زبان طبیعی (NLP) در سازمانها و شرکتها میتوان دادهها را تجزیه و تحلیل کرد و در تصمیم گیریها با دقت بیشتری عمل کرد.
کاربرد پردازش زبان طبیعی (NLP) در آموزش و پرورش
روش NLP میتواند به طور موثر در حوزه آموزش برای ارتقاء شیوههای یادگیری زبان و بهبود عملکرد تحصیلی دانشآموزان مورد استفاده قرار بگیرد. این برنامه با توسعه رویکردهای علمی که میتواند یک فرآیند برای استفاده از رایانه و اینترنت در جهت افزایش یادگیری باشد، هم زمان به توسعه یک روند موثر یادگیری در محیط آموزشی کمک میکند.
استفاده از NLP در فناوری بازاریابی
کاربردهای NLP در فناوریهای حوزه بازاریابی (MarTech) تکامل جدیدی برای هوش مصنوعی است. ابزارهای فناوری بازاریابی شامل چتباتها، جستجوی صوتی، تجزیه و تحلیل احساسات، خلاصهسازی خودکار، رونویسی ماشینی و… برای تغییر شکل فعالیت دپارتمانها و نقشها در حوزه بازاریابی بسیار کاربردی است.
استفاده از پردازش زبان طبیعی در بهداشت و درمان
از داده کاوی گرفته تا مرتب سازی اسناد، NLP به کارکنان مراقبتهای بهداشتی کمک میکند تا کار پیچیدهای را که پیشتر امکانپذیر نبود، سادهسازی کنند. با کمک روش تشخیص گفتار، پزشکان میتوانند به راحتی یادداشتها را برای دادههای مفید EHR رونویسی کنند. علاوه بر این، هنگامیکه NLP با یادگیری ماشین استفاده میشود، در روند کارآزماییهای بالینی کارآمد و پشتیبانی تصمیمگیری بالینی کمک شایانی به متخصصان خواهد شد. بنابراین، خطرات مربوط به تشخیص و درمان بیماری را کاهش میدهد. ادغام NLP در کدگذاری ژنتیکی و همچنین در تعیین فنوتیپها، الگوهای گفتاری و شرایط عصبی شناختی مانند بیماری آلزایمر کمک میکند.
استفاده از NLP در بانکداری
در بانکداری، پردازش زبان طبیعی به تجزیه و تحلیل انبوهی از اسناد کمک میکند. بنابراین، میتوان برای توافقنامههای وامهای تجاری از بینشهایی که به بانکها ارائه میدهد استفاده کرد. با ادغام NLP در سیستم بانکداری، بانکها میتوانند نیازها و رفتارهای مشتری را پیشبینی کنند. با کمک تکنیک نویسه خوان نوری (Optical Character recognition technique) و الگوریتم یادگیری ماشین مرتبط با NLP، نمونههایی از مشتری برای آموزش سیستم بدست میآید و بنابراین، خطرهای تقلب و کلاهبرداری تا حد زیادی کاهش مییابد. علاوه براین، باعث تسریع در شناخت مشتری بانکها و تحلیل سرمایهگذاری میشود.
کاربرد NLP در تولید
پردازش زبان طبیعی در بخش تولید به از بین بردن موانع بین انسان و بهبود ارتباطات و بهرهوری بیشتر و بهتر کمک میکند. سیستم هوش مصنوعی میتواند از دادههای جمعآوری شده در زبان طبیعی، گزارشهایی در زمان زمان واقعی تولید کند. به جای اعتماد به یک تحلیلگر داده، مدیران میتوانند گزارشها را به محض تولید دادهها، مشاهده نمایند و الگوها و روندها را برای تصمیمگیریهای مهم تجاری در زمانی نزدیک به زمان واقعی، تشخیص دهند.
پردازش زبان طبیعی در تجارت
سازمانهای تجاری از فناوریهای پردازش زبان طبیعی برای درک زبان بشر و پرسشهای انسانی استفاده میکنند. پلتفرم شرکتها به جای تلاش برای درک مفاهیم مبتنی بر الگوهای معمول استفاده از زبان انسان، به گراف دانش سفارشی (custom knowledge graph) متکی خواهند شد که برای هر برنامه، به صورت جداگانهای ایجاد میشود و در شناسایی مفاهیمی مربوطه به مشتریان مخصوص یک کسب و کار بسیار کاربردی خواهد بود.
کاربرد NLP در مراکز نظرسنجی
بسیاری از مراکز نظرسنجی و مراکز تماس، نیاز به تحلیل احساسات مشتریان و کاربران خود دارند تا بتوانند نظر دقیقتری نسبت به خدمات خود از مشتریان دریافت کنند. اینجاست که تجزیه و تحلیل احساسات با استفاده از پردازش زبان طبیعی به کمک این مراکز میآید.
با توجه به این که انسانها اغلب از طعنه و کنایه استفاده میکنند، درک زبان طبیعی در مورد ماشینها بسیار مشکل است. با این حال، تجزیه و تحلیل احساسات میتواند تفاوتهای ظریف در احساسات و نظرات را تشخیص دهد و میزان مثبت یا منفی بودن آنها را تعیین کند.
بسیاری از ابزارهایی که امروزه زندگی ما را آسان میکند، به لطف پردازش زبان طبیعی (NLP) امکان پذیر است؛ پردازش زبان طبیعی برای مشاغلی که با حجم زیادی از متنهای بدون ساختار مثل ایمیل، پیامک، مکالمات در رسانههای اجتماعی و سوشال مدیا، چتها، نظرسنجیها و بسیاری از دادههای متنی سر و کار دارند، کاربرد دارد.
با استفاده از پردازش زبان طبیعی (NLP) در سازمانها و شرکتها میتوان دادهها را تجزیه و تحلیل کرد و در تصمیم گیریها با دقت بیشتری عمل کرد.
کاربرد پردازش زبان طبیعی (NLP) در آموزش و پرورش
روش NLP میتواند به طور موثر در حوزه آموزش برای ارتقاء شیوههای یادگیری زبان و بهبود عملکرد تحصیلی دانشآموزان مورد استفاده قرار بگیرد. این برنامه با توسعه رویکردهای علمی که میتواند یک فرآیند برای استفاده از رایانه و اینترنت در جهت افزایش یادگیری باشد، هم زمان به توسعه یک روند موثر یادگیری در محیط آموزشی کمک میکند.
استفاده از NLP در فناوری بازاریابی
کاربردهای NLP در فناوریهای حوزه بازاریابی (MarTech) تکامل جدیدی برای هوش مصنوعی است. ابزارهای فناوری بازاریابی شامل چتباتها، جستجوی صوتی، تجزیه و تحلیل احساسات، خلاصهسازی خودکار، رونویسی ماشینی و… برای تغییر شکل فعالیت دپارتمانها و نقشها در حوزه بازاریابی بسیار کاربردی است.
استفاده از پردازش زبان طبیعی در بهداشت و درمان
از داده کاوی گرفته تا مرتب سازی اسناد، NLP به کارکنان مراقبتهای بهداشتی کمک میکند تا کار پیچیدهای را که پیشتر امکانپذیر نبود، سادهسازی کنند. با کمک روش تشخیص گفتار، پزشکان میتوانند به راحتی یادداشتها را برای دادههای مفید EHR رونویسی کنند. علاوه بر این، هنگامیکه NLP با یادگیری ماشین استفاده میشود، در روند کارآزماییهای بالینی کارآمد و پشتیبانی تصمیمگیری بالینی کمک شایانی به متخصصان خواهد شد. بنابراین، خطرات مربوط به تشخیص و درمان بیماری را کاهش میدهد. ادغام NLP در کدگذاری ژنتیکی و همچنین در تعیین فنوتیپها، الگوهای گفتاری و شرایط عصبی شناختی مانند بیماری آلزایمر کمک میکند.
استفاده از NLP در بانکداری
در بانکداری، پردازش زبان طبیعی به تجزیه و تحلیل انبوهی از اسناد کمک میکند. بنابراین، میتوان برای توافقنامههای وامهای تجاری از بینشهایی که به بانکها ارائه میدهد استفاده کرد. با ادغام NLP در سیستم بانکداری، بانکها میتوانند نیازها و رفتارهای مشتری را پیشبینی کنند. با کمک تکنیک نویسه خوان نوری (Optical Character recognition technique) و الگوریتم یادگیری ماشین مرتبط با NLP، نمونههایی از مشتری برای آموزش سیستم بدست میآید و بنابراین، خطرهای تقلب و کلاهبرداری تا حد زیادی کاهش مییابد. علاوه براین، باعث تسریع در شناخت مشتری بانکها و تحلیل سرمایهگذاری میشود.
کاربرد NLP در تولید
پردازش زبان طبیعی در بخش تولید به از بین بردن موانع بین انسان و بهبود ارتباطات و بهرهوری بیشتر و بهتر کمک میکند. سیستم هوش مصنوعی میتواند از دادههای جمعآوری شده در زبان طبیعی، گزارشهایی در زمان زمان واقعی تولید کند. به جای اعتماد به یک تحلیلگر داده، مدیران میتوانند گزارشها را به محض تولید دادهها، مشاهده نمایند و الگوها و روندها را برای تصمیمگیریهای مهم تجاری در زمانی نزدیک به زمان واقعی، تشخیص دهند.
پردازش زبان طبیعی در تجارت
سازمانهای تجاری از فناوریهای پردازش زبان طبیعی برای درک زبان بشر و پرسشهای انسانی استفاده میکنند. پلتفرم شرکتها به جای تلاش برای درک مفاهیم مبتنی بر الگوهای معمول استفاده از زبان انسان، به گراف دانش سفارشی (custom knowledge graph) متکی خواهند شد که برای هر برنامه، به صورت جداگانهای ایجاد میشود و در شناسایی مفاهیمی مربوطه به مشتریان مخصوص یک کسب و کار بسیار کاربردی خواهد بود.
کاربرد NLP در مراکز نظرسنجی
بسیاری از مراکز نظرسنجی و مراکز تماس، نیاز به تحلیل احساسات مشتریان و کاربران خود دارند تا بتوانند نظر دقیقتری نسبت به خدمات خود از مشتریان دریافت کنند. اینجاست که تجزیه و تحلیل احساسات با استفاده از پردازش زبان طبیعی به کمک این مراکز میآید.
با توجه به این که انسانها اغلب از طعنه و کنایه استفاده میکنند، درک زبان طبیعی در مورد ماشینها بسیار مشکل است. با این حال، تجزیه و تحلیل احساسات میتواند تفاوتهای ظریف در احساسات و نظرات را تشخیص دهد و میزان مثبت یا منفی بودن آنها را تعیین کند.
👍1
کانال آمار و علم داده
پردازش زبان طبیعی- Natural Language Processing #علم_داده #پردازش_زبان_طبیعی #data_science #NLP
با تحلیل احساسات کاربران میتوان رفتار آنها را زیر نظر گرفت و نظرات منفی را قبل از تشدید شدن مدیریت کرد. مثلا با پردازش زبان طبیعی میتوانید واکنش مشتریان را نسبت به آخرین کمپین بازاریابی و یا محصول جدیدتان بسنجید!
پردازش زبان طبیعی در مرکز تماس
در مراکز تماس طبقه بندی تماسهای گرفته شده بسیار اهمیت دارد. همچنین تحلیل مکالمات مرکز تماس میتواند دید واقع بینانه تری به مدیران مرکز تماس بدهد. به همین دلیل طبقه بندی مکالمات و تجزیه و تحلیل آن با پردازش زبان طبیعی بسیار کمک کننده است.
فرض کنید می خواهید صدها پاسخ باز به نظرسنجی اخیر در کسب و کار خود را تجزیه و تحلیل کنید. انجام دستی آن زمان زیادی را از شما میگیرد و در نهایت بسیار گران تمام میشود. اما اگر بتوانید یک مدل پردازش زبان طبیعی را آموزش دهید تا به طور خودکار داده های شما را در چند ثانیه با استفاده از دسته بندیهای از پیش تعیین شده و با استفاده از معیارهای خود برچسب گذاری کند، چقدر کمک کننده است؟
اگر به دنبال تجزیه و تحلیل مکالمات مرکز تماس خود هستید بد نیست سری به محصول آنالتیکس هوشتل نیز بزنید!
پردازش زبان طبیعی در وبسایتها
این روزها بسیاری از وبسایتها بخشی برای پاسخدهی آنلاین (لایو چت) و یا چتبات دارند. برای برخی از وبسایتها تحلیل و طبقه بندی سوالات پرسیده شده دراین دو بستر اهمیت دارد که برای این تجزیه و تحلیل از پردازش زبان طبیعی میتوان بهره برد. همچنین برای وبسایتهایی که چتبات دارند، ارائه پاسخ مناسب از طریق تولید زبان طبیعی طراحی شده است.
سیستمهای پاسخگویی بر پایه قانون، بر اساس کلمات کلیدی، پاسخ کاربر را میدهند اما چتباتها قابلیت یادگیری هرگونه تعامل هستند. چتباتهایی که مبتنی بر هوش مصنوعی و بر اساس پردازش زبان طبیعی تولید شده مانند باتاوا، میتوانند یک سوال که با جمله بتدی و غلط املایی و… نوشته شده است را پردازش، درک و پاسخ درست به آن را به کاربر بدهد.
کاربرد NLP در رسانهها
خبرگزاریها، روزنامهها، تلویزیون و رادیو، رسانههای جمعی هستند که روزانه اطلاعات بسیار زیادی را دریافت و منتشر میکنند. شاید برایتان سوال باشد که کاربرد پردازش زبان طبیعی در این رسانهها چیست؟
برای پاسخ به این سوال باید گفت که NLP از ۲ روش میتواند برای رسانهها کمک کننده باشد. در مرحله اول با استفاده از KWS یا همان استخراج کلمات کلیدی و همچنین استخراج موجودیتها میتوان موجودیت اخبار را استخراج و بر اساس ویژگیهای مد نظر، اخبار را خلاصه و دسته بندی کرد.
کاربرد دیگر پردازش زبان طبیعی برای رسانهها، برای خبرنگاران و تسریع در روند خبرنویسی آنها است.
خبرنگاران رسانهها با استفاده از NLP و ASR یا همان تبدیل گفتار به نوشتار میتوانند صوت گزارشها، نشستها و مصاحبههای خود را در کمترین زمان ممکن به متن تبدیل کنند و به روند کار خود سرعت ببخشند. یکی از سرویسهای تبدیل گفتار به نوشتار که در زبان فارسی قابل استفاده است، سرویس تبدیل گفتار به نوشتار فارس آوا است.
پردازش زبان طبیعی در مرکز تماس
در مراکز تماس طبقه بندی تماسهای گرفته شده بسیار اهمیت دارد. همچنین تحلیل مکالمات مرکز تماس میتواند دید واقع بینانه تری به مدیران مرکز تماس بدهد. به همین دلیل طبقه بندی مکالمات و تجزیه و تحلیل آن با پردازش زبان طبیعی بسیار کمک کننده است.
فرض کنید می خواهید صدها پاسخ باز به نظرسنجی اخیر در کسب و کار خود را تجزیه و تحلیل کنید. انجام دستی آن زمان زیادی را از شما میگیرد و در نهایت بسیار گران تمام میشود. اما اگر بتوانید یک مدل پردازش زبان طبیعی را آموزش دهید تا به طور خودکار داده های شما را در چند ثانیه با استفاده از دسته بندیهای از پیش تعیین شده و با استفاده از معیارهای خود برچسب گذاری کند، چقدر کمک کننده است؟
اگر به دنبال تجزیه و تحلیل مکالمات مرکز تماس خود هستید بد نیست سری به محصول آنالتیکس هوشتل نیز بزنید!
پردازش زبان طبیعی در وبسایتها
این روزها بسیاری از وبسایتها بخشی برای پاسخدهی آنلاین (لایو چت) و یا چتبات دارند. برای برخی از وبسایتها تحلیل و طبقه بندی سوالات پرسیده شده دراین دو بستر اهمیت دارد که برای این تجزیه و تحلیل از پردازش زبان طبیعی میتوان بهره برد. همچنین برای وبسایتهایی که چتبات دارند، ارائه پاسخ مناسب از طریق تولید زبان طبیعی طراحی شده است.
سیستمهای پاسخگویی بر پایه قانون، بر اساس کلمات کلیدی، پاسخ کاربر را میدهند اما چتباتها قابلیت یادگیری هرگونه تعامل هستند. چتباتهایی که مبتنی بر هوش مصنوعی و بر اساس پردازش زبان طبیعی تولید شده مانند باتاوا، میتوانند یک سوال که با جمله بتدی و غلط املایی و… نوشته شده است را پردازش، درک و پاسخ درست به آن را به کاربر بدهد.
کاربرد NLP در رسانهها
خبرگزاریها، روزنامهها، تلویزیون و رادیو، رسانههای جمعی هستند که روزانه اطلاعات بسیار زیادی را دریافت و منتشر میکنند. شاید برایتان سوال باشد که کاربرد پردازش زبان طبیعی در این رسانهها چیست؟
برای پاسخ به این سوال باید گفت که NLP از ۲ روش میتواند برای رسانهها کمک کننده باشد. در مرحله اول با استفاده از KWS یا همان استخراج کلمات کلیدی و همچنین استخراج موجودیتها میتوان موجودیت اخبار را استخراج و بر اساس ویژگیهای مد نظر، اخبار را خلاصه و دسته بندی کرد.
کاربرد دیگر پردازش زبان طبیعی برای رسانهها، برای خبرنگاران و تسریع در روند خبرنویسی آنها است.
خبرنگاران رسانهها با استفاده از NLP و ASR یا همان تبدیل گفتار به نوشتار میتوانند صوت گزارشها، نشستها و مصاحبههای خود را در کمترین زمان ممکن به متن تبدیل کنند و به روند کار خود سرعت ببخشند. یکی از سرویسهای تبدیل گفتار به نوشتار که در زبان فارسی قابل استفاده است، سرویس تبدیل گفتار به نوشتار فارس آوا است.
کانال آمار و علم داده
مفاهیم اولیه #بینایی_ماشین #علم_داده #پردازش_تصویر #پردازش_ویدیو #data_science #computer_vision #machine_vision #image_processing #video_processing
بینایی ماشین را میتوان یک رشته ی میان رشته ای از علوم مختلف دانست.به طوری که میتواند در علومی مثل کامپیوتر، برق و الکترونیک، صنایع، مکانیک و یا پزشکی مورد استفاده قرار گیرد.از طرفی بینایی ماشین با مفاهیمی چون پردازش تصویر و یا پردازش ویدیو ارتباطی تنگاتنگ دارد.به طوری که در بسیاری از موارد نمیتوان خط قرمز مشخصی بین آنها قائل شد.
وقتی سراغ مفاهیم اولیه پردازش تصویر و بینایی ماشین میرویم با این کلمات Computer Vision ، Machine Vision و Image Processing مواجه میشویم. پردازش تصویر(Image Processing) مفهومی جامع است. با این تعریف که یکی از شاخههای مدرن و متنوع هوش مصنوعی است که با ترکیب روشهای خاص و الگوریتمهای خاص بر روی یک تصویر، شما میتوانید پروژههای مختلفی را با کاربردهای خاص انجام دهید. وقتی شما میخواهید از این الگوریتمهای پردازشی استفاده کنید باید به سراغ یک پردازنده مانند کامپیوتر بروید و همچنین باید از یک دوربین برای گرفتن تصویر و فرستادن آن به کامپیوتر استفاده کنید. بعد از اینکه تصاویر از دوربین به کامپیوتر ارسال شد؛ شما باید از نرمافزارهای مربوط به این رشته استفاده کنید. در این صورت وقتی شما پروژهای را توسط این روش انجام دادید؛ در حقیقت از سیستم بینایی کامپیوتری (Computer Vision) استفاده کردهاید. در صنایع مختلف شما برای تعیین کیفیت و نوع ساخت و همچنین برای بازبینی و بررسی کالاهای صنعتی و کنترل آنها ازجمله نیمههادیها، اتومبیلها، مواد خوراکی و دارو از نیروی انسانی که با چشم کالاها را بازبینی کند نیاز دارید. در این صورت اگر شما از کامپیوتر، دوربینهای صنعتی، لنز و لایتینگ و دیگر تجهیزات مورد نیاز یک پروژه استفاده کردید و توسط این تجهیزات و با نوشتن برنامههای کامپیوتری توانستید در صنایع مختلف یکی از کارهایی را که نیروی انسانی توسط چشم انجام میدهد را انجام دهید شما در حقیقت یک سیستم بینایی ماشین (Machine Vision) ساختهاید.
در پست های آینده از کاربردهای بینایی ماشین در انواع موردهای مطالعاتی بیشتر بحث خواهیم کرد.
وقتی سراغ مفاهیم اولیه پردازش تصویر و بینایی ماشین میرویم با این کلمات Computer Vision ، Machine Vision و Image Processing مواجه میشویم. پردازش تصویر(Image Processing) مفهومی جامع است. با این تعریف که یکی از شاخههای مدرن و متنوع هوش مصنوعی است که با ترکیب روشهای خاص و الگوریتمهای خاص بر روی یک تصویر، شما میتوانید پروژههای مختلفی را با کاربردهای خاص انجام دهید. وقتی شما میخواهید از این الگوریتمهای پردازشی استفاده کنید باید به سراغ یک پردازنده مانند کامپیوتر بروید و همچنین باید از یک دوربین برای گرفتن تصویر و فرستادن آن به کامپیوتر استفاده کنید. بعد از اینکه تصاویر از دوربین به کامپیوتر ارسال شد؛ شما باید از نرمافزارهای مربوط به این رشته استفاده کنید. در این صورت وقتی شما پروژهای را توسط این روش انجام دادید؛ در حقیقت از سیستم بینایی کامپیوتری (Computer Vision) استفاده کردهاید. در صنایع مختلف شما برای تعیین کیفیت و نوع ساخت و همچنین برای بازبینی و بررسی کالاهای صنعتی و کنترل آنها ازجمله نیمههادیها، اتومبیلها، مواد خوراکی و دارو از نیروی انسانی که با چشم کالاها را بازبینی کند نیاز دارید. در این صورت اگر شما از کامپیوتر، دوربینهای صنعتی، لنز و لایتینگ و دیگر تجهیزات مورد نیاز یک پروژه استفاده کردید و توسط این تجهیزات و با نوشتن برنامههای کامپیوتری توانستید در صنایع مختلف یکی از کارهایی را که نیروی انسانی توسط چشم انجام میدهد را انجام دهید شما در حقیقت یک سیستم بینایی ماشین (Machine Vision) ساختهاید.
در پست های آینده از کاربردهای بینایی ماشین در انواع موردهای مطالعاتی بیشتر بحث خواهیم کرد.
کانال آمار و علم داده
مفاهیم اولیه #بینایی_ماشین #علم_داده #پردازش_تصویر #پردازش_ویدیو #data_science #computer_vision #machine_vision #image_processing #video_processing
بهبود عملکرد بینایی ماشین از طریق یادگیری عمیق:
دیجیتالسازی، کنترل تولیدات صنعتی را کاملاً در اختیار گرفته است و فرآیندهای مختلف بهعنوان بخشی از اینترنت صنعتی اشیا (IIoT) بیشتر و بیشتر خودکار میشوند. در اینترنت صنعتی اشیا که با عنوان اینداستری 4.0 نیز شناخته میشود، ماشینها و رباتهای مختلف کارهای تولید روزمره بیشتری را به عهده میگیرند. بهعنوانمثال در مونتاژ، رباتهای جمعوجور و متحرک جدید مانند رباتهای مشارکتی (cobots) ، اغلب شانهبهشانه همکاران انسانی خود مشغول کار و فعالیت هستند.
فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی (CNN) میتوانند نقصها را یاد بگیرند و از یکدیگر تشخیص دهند.
جریانهای تولید کاملاً خودکار و شبکهای جهانی اینترنت صنعتی اشیا که با تعامل ماشین-با-ماشین شناخته میشوند، برای شناسایی طیف وسیعی از اشیا موجود در جریان کالاها در کارخانهها و بقیه زنجیره فرآیند، به بینایی ماشین متکی هستند. بینایی ماشین، بهرهوری و ایمنی این جریانهای کاری را افزایش داده و به ابزاری ضروری برای مهندسانی که به دنبال اتوماسیون و سرعت بخشیدن به تولید هستند تبدیل گردیده است.
امروزه فرآیندهای یادگیری ماشینی و یادگیری عمیق میتوانند از نرخ شناخت قویتر اطمینان حاصل کنند.
نرمافزار بینایی ماشین بهعنوان «چشم تولید»، به عنصری اساسی در این فناوری تبدیل شده، پردازش دادههای غیر ساختاری مانند تصاویر دیجیتال و فیلم تولید شده توسط دوربینها شناسایی اشیا استفاده میشود، این نوع نرمافزار بسیار سریع کار کرده و به نرخ شناسایی بسیار بالا و قابلاطمینان دست مییابد و درنتیجه در صنایع مختلف در مورد طیف وسیعی از کارها مانند بازرسی عیب، تعیین موقعیت قطعه کار و مدیریت خودکار اشیا در رباتیک استفاده میشود.
آنالیز و ارزیابی مجموعه دادههای بزرگ
در تلاش برای مقاومسازی و سازگاری فرایند شناسایی، به اندازه حتی مقاومتر و سازگارتر از الزامات فرایندهای انعطافپذیر و شبکه اینترنت صنعتی اشیا، توسعهدهندگان نرمافزار بینایی ماشین، اعتماد بیشتر و بیشتری به روشهای حوزه هوش مصنوعی (AI) میکنند. یادگیری عمیق، زمینهای از یادگیری ماشین است که کامپیوترها را قادر میسازد تا از طریق معماریهایی مانند شبکههای عصبی کانولوشنی (CNN) آموزش دیده و یاد بگیرند.
ویژگی خاص هوش مصنوعی، فناوری یادگیری ماشین و یادگیری عمیق این است که بهمنظور آموزش بسیاری از طبقات مختلف و درنتیجه تمایز بیشتر بین اشیا، مقادیر زیادی از دادهها (دادههای بزرگ) را بهطور جامع، آنالیز و ارزیابی میکنند. این دادهها بهطور فزایندهای در اینترنت صنعتی اشیا (IIoT) تولید میشوند که میتواند شامل اطلاعات تصویر دیجیتال و همچنین دادههای حسگرها، اسکنرها و سایر اجزای فرآیندها باشد.
روشهایی مانند فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی (CNN) از حوزه هوش مصنوعی (AI) در حال ورود به بینایی ماشین هستند تا به سیستمهای پردازش تصویر کمک کنند تا بین نقصها تمایز قائل شده و فرایندهای شناسایی را دقیقتر کنند.
برای استفاده از یادگیری عمیق، ابتدا باید CNN ها آموزش ببینند. این فرایند آموزش به برخی از ویژگیهای خارجی که معمولاً مخصوص شیء هستند مانند رنگ، شکل، بافت و ساختار سطح ارتباط پیدا میکنند. اشیا بر اساس این خصوصیات به دستههای مختلف تقسیم میشوند تا بعداً بهتر بتوان آنها را تخصیص داد.
در روشهای مرسوم بینایی ماشین، یک توسعهدهنده بایستی با زحمت فراوان، تمام ویژگیهای فردی را بهصورت دستی تعریف و تأیید کند. در مقابل، با بهکارگیری یادگیری عمیق، از الگوریتمهای یادگیری خودکار بهمنظور یافتن و استخراج خودکار الگوهای منحصربهفرد در جهت ایجاد تمایز بین دستههای خاص استفاده میشود.
آموزش اشیا از طریق دستهبندی
روند آموزش دقیقاً چگونه کار میکند؟ کاربر ابتدا دادههای تصویری را که قبلاً با برچسب ارائه شدهاند، تهیه میکند. هر برچسب متناظر با علامتی است که هویت آن شیء خاص را نشان میدهد. سیستم مربوطه، این دادهها را تجزیهوتحلیل میکند و بر این اساس مدلهای متناظر با اشیایی که قرار است شناسایی شوند را ایجاد کرده یا «آموزش میدهد».
با توجه به این مدلهای شیء خودآموز، شبکه یادگیری عمیق اکنون قادر است دادههای تصویری تازه اضافه شده را به دستههای مناسب اختصاص دهد، بهطوریکه محتوای دادهها یا اشیای آنها نیز طبقهبندی شود. به لطف این اختصاص دهی به دستههای خاص، موارد مختلف میتوانند بهطور خودکار شناسایی شوند.
دیجیتالسازی، کنترل تولیدات صنعتی را کاملاً در اختیار گرفته است و فرآیندهای مختلف بهعنوان بخشی از اینترنت صنعتی اشیا (IIoT) بیشتر و بیشتر خودکار میشوند. در اینترنت صنعتی اشیا که با عنوان اینداستری 4.0 نیز شناخته میشود، ماشینها و رباتهای مختلف کارهای تولید روزمره بیشتری را به عهده میگیرند. بهعنوانمثال در مونتاژ، رباتهای جمعوجور و متحرک جدید مانند رباتهای مشارکتی (cobots) ، اغلب شانهبهشانه همکاران انسانی خود مشغول کار و فعالیت هستند.
فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی (CNN) میتوانند نقصها را یاد بگیرند و از یکدیگر تشخیص دهند.
جریانهای تولید کاملاً خودکار و شبکهای جهانی اینترنت صنعتی اشیا که با تعامل ماشین-با-ماشین شناخته میشوند، برای شناسایی طیف وسیعی از اشیا موجود در جریان کالاها در کارخانهها و بقیه زنجیره فرآیند، به بینایی ماشین متکی هستند. بینایی ماشین، بهرهوری و ایمنی این جریانهای کاری را افزایش داده و به ابزاری ضروری برای مهندسانی که به دنبال اتوماسیون و سرعت بخشیدن به تولید هستند تبدیل گردیده است.
امروزه فرآیندهای یادگیری ماشینی و یادگیری عمیق میتوانند از نرخ شناخت قویتر اطمینان حاصل کنند.
نرمافزار بینایی ماشین بهعنوان «چشم تولید»، به عنصری اساسی در این فناوری تبدیل شده، پردازش دادههای غیر ساختاری مانند تصاویر دیجیتال و فیلم تولید شده توسط دوربینها شناسایی اشیا استفاده میشود، این نوع نرمافزار بسیار سریع کار کرده و به نرخ شناسایی بسیار بالا و قابلاطمینان دست مییابد و درنتیجه در صنایع مختلف در مورد طیف وسیعی از کارها مانند بازرسی عیب، تعیین موقعیت قطعه کار و مدیریت خودکار اشیا در رباتیک استفاده میشود.
آنالیز و ارزیابی مجموعه دادههای بزرگ
در تلاش برای مقاومسازی و سازگاری فرایند شناسایی، به اندازه حتی مقاومتر و سازگارتر از الزامات فرایندهای انعطافپذیر و شبکه اینترنت صنعتی اشیا، توسعهدهندگان نرمافزار بینایی ماشین، اعتماد بیشتر و بیشتری به روشهای حوزه هوش مصنوعی (AI) میکنند. یادگیری عمیق، زمینهای از یادگیری ماشین است که کامپیوترها را قادر میسازد تا از طریق معماریهایی مانند شبکههای عصبی کانولوشنی (CNN) آموزش دیده و یاد بگیرند.
ویژگی خاص هوش مصنوعی، فناوری یادگیری ماشین و یادگیری عمیق این است که بهمنظور آموزش بسیاری از طبقات مختلف و درنتیجه تمایز بیشتر بین اشیا، مقادیر زیادی از دادهها (دادههای بزرگ) را بهطور جامع، آنالیز و ارزیابی میکنند. این دادهها بهطور فزایندهای در اینترنت صنعتی اشیا (IIoT) تولید میشوند که میتواند شامل اطلاعات تصویر دیجیتال و همچنین دادههای حسگرها، اسکنرها و سایر اجزای فرآیندها باشد.
روشهایی مانند فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی (CNN) از حوزه هوش مصنوعی (AI) در حال ورود به بینایی ماشین هستند تا به سیستمهای پردازش تصویر کمک کنند تا بین نقصها تمایز قائل شده و فرایندهای شناسایی را دقیقتر کنند.
برای استفاده از یادگیری عمیق، ابتدا باید CNN ها آموزش ببینند. این فرایند آموزش به برخی از ویژگیهای خارجی که معمولاً مخصوص شیء هستند مانند رنگ، شکل، بافت و ساختار سطح ارتباط پیدا میکنند. اشیا بر اساس این خصوصیات به دستههای مختلف تقسیم میشوند تا بعداً بهتر بتوان آنها را تخصیص داد.
در روشهای مرسوم بینایی ماشین، یک توسعهدهنده بایستی با زحمت فراوان، تمام ویژگیهای فردی را بهصورت دستی تعریف و تأیید کند. در مقابل، با بهکارگیری یادگیری عمیق، از الگوریتمهای یادگیری خودکار بهمنظور یافتن و استخراج خودکار الگوهای منحصربهفرد در جهت ایجاد تمایز بین دستههای خاص استفاده میشود.
آموزش اشیا از طریق دستهبندی
روند آموزش دقیقاً چگونه کار میکند؟ کاربر ابتدا دادههای تصویری را که قبلاً با برچسب ارائه شدهاند، تهیه میکند. هر برچسب متناظر با علامتی است که هویت آن شیء خاص را نشان میدهد. سیستم مربوطه، این دادهها را تجزیهوتحلیل میکند و بر این اساس مدلهای متناظر با اشیایی که قرار است شناسایی شوند را ایجاد کرده یا «آموزش میدهد».
با توجه به این مدلهای شیء خودآموز، شبکه یادگیری عمیق اکنون قادر است دادههای تصویری تازه اضافه شده را به دستههای مناسب اختصاص دهد، بهطوریکه محتوای دادهها یا اشیای آنها نیز طبقهبندی شود. به لطف این اختصاص دهی به دستههای خاص، موارد مختلف میتوانند بهطور خودکار شناسایی شوند.
کانال آمار و علم داده
مفاهیم اولیه #بینایی_ماشین #علم_داده #پردازش_تصویر #پردازش_ویدیو #data_science #computer_vision #machine_vision #image_processing #video_processing
بنابراین دیگر نیازی به یک تصویر نمونه برای مقایسه مستقیم هر شیء وجود ندارد. از این گذشته، فرایندهای یادگیری عمیق قادر به یادگیری موارد جدید بهطور مستقل از هم هستند. با در نظر گرفتن ویژگیهای تمام دادههای تصویر، میتوان به نتیجهگیری در مورد خصوصیات یک دسته خاص پرداخت که این امر سرعت شناسایی را بهطور قابلتوجهی بهبود میبخشد. این فرایند «استنتاج» نامیده میشود.
بنابراین، الگوریتمهای یادگیری عمیق در مورد برنامههای شناسایی نوری کاراکتر (OCR) ، یعنی برای شناسایی دقیق ترکیب حروف یا اعداد نیز بسیار مناسب هستند. با توجه به فرآیند آموزش گسترده، ویژگیهای معمول هر یک از کاراکترها، بر اساس دستههای تعریفشده مشخص میشوند. بااینحال، به دلیل وجود فونتهای مختلف که بعضی از آنها دارای ویژگیهای انحرافی مانند خطوط کج الفبایی هستند، ممکن است مشکلاتی در زمینه تخصیص آنها با قطعیت ایجاد شود.
بنابراین، الگوریتمهای یادگیری عمیق در مورد برنامههای شناسایی نوری کاراکتر (OCR) ، یعنی برای شناسایی دقیق ترکیب حروف یا اعداد نیز بسیار مناسب هستند. با توجه به فرآیند آموزش گسترده، ویژگیهای معمول هر یک از کاراکترها، بر اساس دستههای تعریفشده مشخص میشوند. بااینحال، به دلیل وجود فونتهای مختلف که بعضی از آنها دارای ویژگیهای انحرافی مانند خطوط کج الفبایی هستند، ممکن است مشکلاتی در زمینه تخصیص آنها با قطعیت ایجاد شود.
نرمافزار پیشرفته بینایی ماشین میتواند مشکل یادشده را برطرف کند. بهعنوانمثال نرمافزار مرلیک و هالکون از MVTec (مونیخ، آلمان؛www.mvtec.com ) دارای یک طبقهبندی کننده OCR بر اساس الگوریتمهای یادگیری عمیق است که از طریق بسیاری از فونتهای از قبل آموزش دادهشده میتوان به آن دسترسی داشت. درنتیجه، به لطف یک طبقهبندی کننده واحد، همهگیر و از قبل آموزشدیده، میتوان طیف گستردهای از انواع حروف، مانند انواع چاپ نقطهای، SEMI، صنعتی و مبتنی بر اسناد را با اطمینان شناسایی کرد.
اجتناب از زمان آموزش اضافی
بااینحال، شرکتها اغلب از استفاده از فناوریهای مبتنی بر هوش مصنوعی مانند یادگیری عمیق پرهیز میکنند زیرا به دلیل پیچیدگی این فناوریها، توسعهدهندگان نیاز به تخصص گستردهتری دارند. بهطورکلی روند آموزش برای شناسایی اشیا به تصاویر نمونه زیادی نیاز دارد.
برای دستیابی به میزان تشخیص کافی، ممکن است برای هر دسته حداکثر 100000 تصویر مقایسه موردنیاز باشد. حتی اگر دادههای نمونه لازم در دسترس باشد، فرایند آموزش زمان زیادی را به خود اختصاص میدهد. معمولاً کار برنامهنویسی برای شناسایی دستههای مختلف نقص و ایراد در حین بررسی خطا نیز بسیار پیچیده است. دلیل این امر آن است که برای این منظور به کارمندان ماهر و آموزش مناسب نیاز است.
راهحلهای مدرن بینایی ماشین که تا پیشازاین شامل تعداد زیادی از عملکردهای یادگیری عمیق میشده است، میتوانند مفید عمل کنند. نسخه جدید 17.12 نرمافزار استاندارد MVTec HALCON شرکتها را قادر میسازد تا بدون صرف وقت و هزینه زیاد، شبکههای عصبی کانولوشنی (CNN) را آموزش دهند. از این گذشته، این نرمافزار از قبل به دو شبکه مجهز شده است که بهصورت بهینه برای استفادههای صنعتی آموزش دیدهاند – و یکی از آنها برای دستیابی به سرعت بالا و دیگری برای حداکثر نرخ شناسایی، بهینهسازی شدهاند.
بنابراین فرآیند آموزش فقط با چند نمونه تصویر ارائهشده توسط مشتری کار میکند و به همین رو متناسب با کاربردهای مشخص مشتری است و درنتیجه شبکههای عصبی ایجاد شده میتوانند دقیقاً با نیازهای خاص مشتری مطابقت داشته باشند.
شرکتهای کاربر میتوانند با طبقهبندی آسان و نظاممند دادههای تصویر جدید، میزان کار برنامهنویسی موردنیاز را به میزان قابلتوجهی کاهش داده و در وقت و هزینه خود صرفهجویی کنند. شرکتها معمولاً نیازی به تخصص زیاد در زمینه هوش مصنوعی نداشته و میتوانند از کارکنان موجود خود بدون هیچ مشکل خاصی برای آموزش شبکه استفاده کنند.
شناسایی مؤثر و کارآمد نقصها
شناخت نقصها یک فرآیند زمانبر است زیرا ظاهر نقصهایی مانند خراشهای ریز در یک قطعه الکترونیکی هرگز نمیتواند از قبل بهطور دقیق توصیف شود. بنابراین، تهیه دستی الگوریتمهای مناسب که بتوانند هرگونه خطای قابلتصور را بر اساس تصاویر نمونه شناسایی کنند، بسیار دشوار است. یک متخصص باید صدها هزار تصویر را بهصورت دستی مشاهده کند و الگوریتمی را برنامهنویسی کند که بر اساس مشاهدات خود، خطا را با بیشترین دقت ممکن توصیف کند. این امر نیازمند زمان زیادی خواهد شد.
از طرف دیگر، فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی میتوانند بهطور مستقل برخی از ویژگیهای نقص را بیاموزند و بهطور دقیق دستههای مربوطه را تعریف کنند. بدین ترتیب، فقط 500 تصویر نمونه برای هر دسته موردنیاز است که فناوریهای یادشده بر اساس آنها، انواع مختلف نقص را آموزش داده و تأیید کرده و بهتبع آن دقیقاً تشخیص دهند.
این فرآیند فقط چند ساعت طول میکشد. بدین ترتیب نهتنها مقدار زمان موردنیاز به حداقل میرسد، بلکه نرخ تشخیص نیز بسیار بیشتر از دستههای نقص با برنامهنویسی دستی است. بنابراین، الگوریتمهای یادگیری خودکار به کاهش قابلتوجه خطاهای شناسایی کمک میکنند، درحالیکه خطاهای برنامهنویسی دستی میتواند شدیداً زیاد باشد.
اجتناب از زمان آموزش اضافی
بااینحال، شرکتها اغلب از استفاده از فناوریهای مبتنی بر هوش مصنوعی مانند یادگیری عمیق پرهیز میکنند زیرا به دلیل پیچیدگی این فناوریها، توسعهدهندگان نیاز به تخصص گستردهتری دارند. بهطورکلی روند آموزش برای شناسایی اشیا به تصاویر نمونه زیادی نیاز دارد.
برای دستیابی به میزان تشخیص کافی، ممکن است برای هر دسته حداکثر 100000 تصویر مقایسه موردنیاز باشد. حتی اگر دادههای نمونه لازم در دسترس باشد، فرایند آموزش زمان زیادی را به خود اختصاص میدهد. معمولاً کار برنامهنویسی برای شناسایی دستههای مختلف نقص و ایراد در حین بررسی خطا نیز بسیار پیچیده است. دلیل این امر آن است که برای این منظور به کارمندان ماهر و آموزش مناسب نیاز است.
راهحلهای مدرن بینایی ماشین که تا پیشازاین شامل تعداد زیادی از عملکردهای یادگیری عمیق میشده است، میتوانند مفید عمل کنند. نسخه جدید 17.12 نرمافزار استاندارد MVTec HALCON شرکتها را قادر میسازد تا بدون صرف وقت و هزینه زیاد، شبکههای عصبی کانولوشنی (CNN) را آموزش دهند. از این گذشته، این نرمافزار از قبل به دو شبکه مجهز شده است که بهصورت بهینه برای استفادههای صنعتی آموزش دیدهاند – و یکی از آنها برای دستیابی به سرعت بالا و دیگری برای حداکثر نرخ شناسایی، بهینهسازی شدهاند.
بنابراین فرآیند آموزش فقط با چند نمونه تصویر ارائهشده توسط مشتری کار میکند و به همین رو متناسب با کاربردهای مشخص مشتری است و درنتیجه شبکههای عصبی ایجاد شده میتوانند دقیقاً با نیازهای خاص مشتری مطابقت داشته باشند.
شرکتهای کاربر میتوانند با طبقهبندی آسان و نظاممند دادههای تصویر جدید، میزان کار برنامهنویسی موردنیاز را به میزان قابلتوجهی کاهش داده و در وقت و هزینه خود صرفهجویی کنند. شرکتها معمولاً نیازی به تخصص زیاد در زمینه هوش مصنوعی نداشته و میتوانند از کارکنان موجود خود بدون هیچ مشکل خاصی برای آموزش شبکه استفاده کنند.
شناسایی مؤثر و کارآمد نقصها
شناخت نقصها یک فرآیند زمانبر است زیرا ظاهر نقصهایی مانند خراشهای ریز در یک قطعه الکترونیکی هرگز نمیتواند از قبل بهطور دقیق توصیف شود. بنابراین، تهیه دستی الگوریتمهای مناسب که بتوانند هرگونه خطای قابلتصور را بر اساس تصاویر نمونه شناسایی کنند، بسیار دشوار است. یک متخصص باید صدها هزار تصویر را بهصورت دستی مشاهده کند و الگوریتمی را برنامهنویسی کند که بر اساس مشاهدات خود، خطا را با بیشترین دقت ممکن توصیف کند. این امر نیازمند زمان زیادی خواهد شد.
از طرف دیگر، فناوریهای یادگیری عمیق و شبکههای عصبی کانولوشنی میتوانند بهطور مستقل برخی از ویژگیهای نقص را بیاموزند و بهطور دقیق دستههای مربوطه را تعریف کنند. بدین ترتیب، فقط 500 تصویر نمونه برای هر دسته موردنیاز است که فناوریهای یادشده بر اساس آنها، انواع مختلف نقص را آموزش داده و تأیید کرده و بهتبع آن دقیقاً تشخیص دهند.
این فرآیند فقط چند ساعت طول میکشد. بدین ترتیب نهتنها مقدار زمان موردنیاز به حداقل میرسد، بلکه نرخ تشخیص نیز بسیار بیشتر از دستههای نقص با برنامهنویسی دستی است. بنابراین، الگوریتمهای یادگیری خودکار به کاهش قابلتوجه خطاهای شناسایی کمک میکنند، درحالیکه خطاهای برنامهنویسی دستی میتواند شدیداً زیاد باشد.
Forwarded from دکتر امیرمحمد گلمحمدی
⛔️Black Friday 2021⛔️
❤️🔥فقط ۲۴ ساعت❤️🔥
◀️ تا ساعت ۲۴ در روز جمعه؛ ۵ آذر
🔷۲۵٪ تخفیف ویژه تمامی DVDها و پکیجهای آموزشی🔷
🔸لینک مشاهده تمامی مجموعه DVDهای آموزشی و پکیجها👇👇👇
https://iegolmohammadi.ir/file_shop/
🎊کد تخفیف: black25🎊
🔹ارسال تهران از طریق پیک
🔹ارسال شهرستان از طریق پست
🔸پکیجهای آموزشی شامل کتاب + DVD میباشند.
❤️🔥فقط ۲۴ ساعت❤️🔥
◀️ تا ساعت ۲۴ در روز جمعه؛ ۵ آذر
🔷۲۵٪ تخفیف ویژه تمامی DVDها و پکیجهای آموزشی🔷
🔸لینک مشاهده تمامی مجموعه DVDهای آموزشی و پکیجها👇👇👇
https://iegolmohammadi.ir/file_shop/
🎊کد تخفیف: black25🎊
🔹ارسال تهران از طریق پیک
🔹ارسال شهرستان از طریق پست
🔸پکیجهای آموزشی شامل کتاب + DVD میباشند.
Forwarded from دکتر امیرمحمد گلمحمدی
🍉🍉🍉تخفیفات یلدایی🍉🍉🍉
❤️🔥۲۰ درصد تخفیف بر روی تمامی دورههای آنلاین❤️🔥
🎊کد تخفیف: Yalda🎊
🔻مشاهده تمامی دورههای آنلاین🔻
https://iegolmohammadi.ir/courses/online-class/
❤️🔥۲۰ درصد تخفیف بر روی تمامی دورههای آنلاین❤️🔥
🎊کد تخفیف: Yalda🎊
🔻مشاهده تمامی دورههای آنلاین🔻
https://iegolmohammadi.ir/courses/online-class/
Forwarded from دکتر امیرمحمد گلمحمدی
🍉🍉🍉تخفیفات یلدایی🍉🍉🍉
❤️🔥۲۰ درصد تخفیف بر روی تمامی پکیجها و DVDهای آموزشی❤️🔥
🎊کد تخفیف: Yalda🎊
🔻مشاهده تمامی پکیجها، کتابها و مجموعهDVDهای آموزشی🔻
https://iegolmohammadi.ir/file_shop/
❤️🔥۲۰ درصد تخفیف بر روی تمامی پکیجها و DVDهای آموزشی❤️🔥
🎊کد تخفیف: Yalda🎊
🔻مشاهده تمامی پکیجها، کتابها و مجموعهDVDهای آموزشی🔻
https://iegolmohammadi.ir/file_shop/
Forwarded from دکتر امیرمحمد گلمحمدی
❤️🔥#کنکور_ارشد_۱۴۰۱❤️🔥
❤️🔥#نکته_و_تست❤️🔥
🎊تخفیف ۲۰ درصدی فقط تا ساعت ۲۴ روز جمعه، ۱۵ بهمن🎊
👌🏻برای ثبتنام و مشاهده جزییات دورهها بر روی لینکها ضربه بزنید و یا به پشتیبان در تلگرام پیام دهید.
@iegolmohammadi
🔹دوره نکته و تست ۴ درس تخصصی🔹
طرحریزی + موجودی + کنترل کیفیت + کنترل پروژه
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔹نکته و تست ۳ درس تخصصی🔹
طرحریزی + موجودی + کنترل کیفیت
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست طرحریزی و موجودی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست طرحریزی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست موجودی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست کیفیت و پروژه🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
➖➖➖➖➖➖➖➖➖➖➖➖
🔷برای ثبتنام هر کدام از دوره علاوهبر سایت میتوانید به پشتیبان در تلگرام نیز پیام دهید.
@iegolmohammadi
❤️🔥#نکته_و_تست❤️🔥
🎊تخفیف ۲۰ درصدی فقط تا ساعت ۲۴ روز جمعه، ۱۵ بهمن🎊
👌🏻برای ثبتنام و مشاهده جزییات دورهها بر روی لینکها ضربه بزنید و یا به پشتیبان در تلگرام پیام دهید.
@iegolmohammadi
🔹دوره نکته و تست ۴ درس تخصصی🔹
طرحریزی + موجودی + کنترل کیفیت + کنترل پروژه
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔹نکته و تست ۳ درس تخصصی🔹
طرحریزی + موجودی + کنترل کیفیت
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست طرحریزی و موجودی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست طرحریزی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست موجودی🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
🔸نکته و تست کیفیت و پروژه🔸
👈🏻لینک ثبتنام و مشاهده جزییات👉🏻
❌کد تخفیف: bahman20❌
➖➖➖➖➖➖➖➖➖➖➖➖
🔷برای ثبتنام هر کدام از دوره علاوهبر سایت میتوانید به پشتیبان در تلگرام نیز پیام دهید.
@iegolmohammadi