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.

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.

تبریک به اقا سجاد و اقای قادری بابت قبولی در دانشگاه علم و صنعت و تربیت مدرس🌹🌹❤️❤️

تبریک به اقای مهرجو دانشجوی دوره فشرده بابت قبولی صنایع سیستم در دانشگاه خواجه نصیر❤️🌹

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.

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.

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.

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.

⛔️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.

🍉🍉🍉تخفیفات یلدایی🍉🍉🍉

❤️‍🔥۲۰ درصد تخفیف بر روی تمامی دوره‌های آنلاین❤️‍🔥

🎊کد تخفیف: Yalda🎊

🔻مشاهده تمامی دوره‌های آنلاین🔻
https://iegolmohammadi.ir/courses/online-class/

🍉🍉🍉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/

❤️‍🔥#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

❤️‍🔥#کنکور_ارشد_۱۴۰۱❤️‍🔥
❤️‍🔥#نکته_و_تست❤️‍🔥

🔹دوره آنلاین نکته و تست ۴ درس تخصصی، ویژه کنکور ارشد ۱۴۰۱🔹

🔸طرحریزی: ۲۴، ۲۵ و ۲۶ اسفند ۱۴۰۰؛
🔸موجودی: ۱۰، ۱۱ و ۱۲ فروردین ۱۴۰۱؛
🔸کنترل کیفیت: ۶، ۷ و ۸ فروردین ۱۴۰۱؛
🔸کنترل پروژه: ۱۷، ۱۸ و ۱۹ فروردین ۱۴۰۱؛
 
◀️هزینه دوره: ۹۹۹ هزار تومان
◀️هزینه با تخفیف ۲۰ درصد: ۷۹۹ هزار تومان

❌کد تخفیف: bahman20❌

👈🏻ثبت‌نام و مشاهده جزئیات دوره👉🏻



👌🏻برای سوال در مورد دوره و ثبت‌نام علاوه بر لینک بالا می‌توانید به پشتیبان نیز پیام دهید.
@iegolmohammadi

🎊#کنکور_ارشد_۱۴۰۱🎊
🎊#نکته_و_تست🎊

🔹دوره آنلاین نکته و تست ۳ درس تخصصّی، ویژه کنکور ارشد ۱۴۰۱🔹

🔸طرحریزی: ۲۴، ۲۵ و ۲۶ اسفند ۱۴۰۰؛
🔸موجودی: ۱۰، ۱۱ و ۱۲ فروردین ۱۴۰۱؛
🔸کنترل کیفیت: ۶، ۷ و ۸ فروردین ۱۴۰۱؛
 
◀️هزینه دوره: ۸۹۹ هزار تومان
◀️هزینه با تخفیف ۲۰ درصد: ۷۱۹ هزار تومان

❌کد تخفیف: bahman20❌

👈🏻ثبت‌نام و مشاهده جزئیات دوره👉🏻


👌🏻برای سوال در مورد دوره و ثبت‌نام علاوه بر لینک بالا می‌توانید به پشتیبان نیز پیام دهید.
@iegolmohammadi

🎊#کنکور_ارشد_۱۴۰۱🎊
🎊#نکته_و_تست🎊

🔹دوره آنلاین نکته و تست کیفیت و پروژه، ویژه کنکور ارشد ۱۴۰۱🔹

🔸کنترل کیفیت: ۶، ۷ و ۸ فروردین ۱۴۰۱؛
🔸کنترل پروژه: ۱۷، ۱۸ و ۱۹ فروردین ۱۴۰۱؛
 
◀️هزینه دوره: ۴۹۹ هزار تومان
◀️هزینه با تخفیف ۲۰ درصد: ۳۹۹ هزار تومان

❌کد تخفیف: bahman20❌

👈🏻ثبت‌نام و مشاهده جزئیات دوره👉🏻



👌🏻برای سوال در مورد دوره و ثبت‌نام علاوه بر لینک بالا می‌توانید به پشتیبان نیز پیام دهید.
@iegolmohammadi

سوالات آمار و احتمال کنکور دکتری ۱۴۰۱

پاسخ سوالات آمار کنکور دکترای ۱۴۰۱

سوال ۱۶ عینا در کلاس نکته و تست حل شده بود

سوال ۲۷ آشنایی با توزیع نرمال دومتغیره مهم نبود اما با اینحال برای اینکه دانشجویان در صورت مواجهه با این سبک سوالات شوکه نشوند با اینکه در سیلابس کنکور نبود توزیع نرمال p متغیره در کلاس آمار تدریس شده و بردار و ماتریس و تابع چگالی آن کاملا به دانشجویان معرفی شد

#ارشد_۱۴۰۱
#نکته_و_تست

🔷نکته و تست ۴ درس تخصصّی🔷
🔸طرحریزی: ۲۴، ۲۵ و ۲۶ اسفند ۱۴۰۰؛
🔸موجودی: ۱۰، ۱۱ و ۱۲ فروردین ۱۴۰۱؛
🔸کنترل کیفیت: ۶، ۷ و ۸ فروردین ۱۴۰۱؛
🔸کنترل پروژه: ۱۷، ۱۸ و ۱۹ فروردین ۱۴۰۱؛

💢ثبت‌نام و مشاهده جزییات💢


🔹برای ثبت‌نام و هرگونه سوال در مورد این دوره علاوه بر سایت میتوانید به پشتیبان در تلگرام نیز پیام دهید.
@iegolmohammadi