✅ آموزش الگوریتم هوش مصنوعی جهت حذف نویز و آرتیفکت در تصویر توسط محققان NVIDAI!
👨‍💻نویسنده: محمد نوری زاده چرلو

✍ چه اتفاقی میافته اگه شما به یک تکنولوژی هوش مصنوعی دست یابید که بتونه تمام نویزها و آرتیفکتهای تصویر را حذف کند؟! 🧐
حتی نویزهایی که در تصاویر با شدت روشنایی پایین هستند؟ عالیه نه؟😃
خب حالا اگه اون الگوریتمه متن و واترمارکها رو هم بتونه از تصویر حذف کنه چی؟! دیگه خیلی عالیه نه؟!😇
🔺گفته میشه که هر تکنولوژی هم میتونه استفاده #خوب ازش بشه و هم #بد، ولی این هیچ وقت نباید #نوآوری‌هارو متوقف کنه.
🔺 در آخرین تحقیقات #پردازش_تصویر ، NVIDIA در گزارشی گفته است که تیمشون تونستن یک AIی را آموزش دهند که می تونه از طریق یک رویکرد #یادگیری_عمیق، #نویز عکس های دانه دار (grainy image) رو حذف کنه. این گروه برای انجام این پروژه با دانشگاه آالو و MIT همکاری کرده است.
🔹معمولا مدل #هوش_مصنوعی نیاز داره که به تصویر بدون نویز و تصویر نویزی نگاه کنه و #تفاوت بین دو تصویر رو بفهمه و از این طریق یاد بگیره که نویز تصاویر نویزی رو حذف و یا کم کنه. (چیزی که ما تو دوره شبکه عصبی و پردازش تصویر با بچه ها کار میکنیم)
اما نکته قابل توجه اینه که این مدل هوش مصنوعی ارائه شده تنها به نمونه های مشابه تصاویر نویزی نگاه میکنه و نویز تصویر را حذف میکنه!!🤔🙄
هیچ تصویر بدون نویز (تر و تمیز) به مدل AI نشون داده نشده و ولی با این حال الگورتیم تونسته به صورت خودکار یاد بگیره که چطوری تصاویر رو بهبود بده و نویزشون رو از بین ببره!

🔹 محققان بیان کرده اند که: این امکان پذیره که یاد بگیریم سیگنالهای نویزی رو بدون مشاهده تصاویر بدون نویز بازسازی کنیم، اونم با عملکرد نزدیک و یا برابر با مدلهایی که با نگاه کردن به تصاویر بدون نویز، نویز تصویر رو کم می کنند!
"تیم GPU های NVIDIA Tesla P100 با چارچوب یادگیری عمیق TensorFlow cuDNN-accelerated استفاده کرده اند. این تیم مدل خود را در 50،000 عکس در مجموعه اعتبار سنجی ImageNet آموزش دادند.

💡انتظار میره که این مدل هوش مصنوعی در حوزه پزشکی جهت #بهبود تصاویر #پزشکی #MRI که معمولا به پردازشهای گسترده ای برای حذف نویز دارند، استفاده شوند.
همچنین میتواند در بهبود تصاویری که در معرض تابش طولانی تلسکوپها(که برای آستروفوفوگرافی استفاده میشوند) در آسمان شب قرار میگیرند استفاده شوند.
این الگوریتم همچنین میتواند زمان پردازش تصاویر جهت کاهش نویز را کم کند!
🔹 ولی اینکه این الگوریتم باعث می شود احتمال #سرقت تصاویر بالا بره برای ما یه سوالی هست که در سر ما میگذرد!
مرجع:
https://www.google.com/amp/s/www.firstpost.com/tech/news-analysis/nvidia-researchers-have-trained-an-ai-to-remove-noise-and-text-from-images-4725191.html/amp

#خبر
#هوش_مصنوعی
#پردازش_تصویر

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅#هوش_مصنوعی مایکروسافت می تواند تصاویر را به شعر چینی تبدیل کند

👩‍🏫نویسنده: هما کاشفی امیری

🖍مایکروسافت به تازگی چت بات Xiaolce خود را توسعه داده است؛ این چت بات یک AI مکالمه به زبان چینی است که می تواند تصاویر را به اشعار تبدیل کند. مطمئن نیستیم که این کار بتواند الهام بخش شاعری باشد، اما یک گام جالب برای تقلید از انسان است.
این اولین AI نیست که شعر می سراید، اما اولین AI ای است که اشعاری به زبانی چینی با الهام از تصاویر می نویسد.
🔸در میان محققان یادگیری ماشین، مسئله آموزش AI برای اینکه توصیفات متنی برای تصاویر تولید کند یکی از حوزه های رایج است. اگر در نهایت AI به حد قابلیت های انسان برسد و جهان را همانطور که ما می بینیم ببیند، در نهایت می توانیم به او یاد دهیم که همان کارهایی که ما می کنیم بکند و همه چیز را آنگونه که ما می بینیم ببیند.
🔸ما به عنوان موجودات انسانی می توانیم به تصاویر نگاه کنیم و نتایجی از آن بگیریم، اشیا داخل آن را شناسایی کنیم، ویژگی های صورت افراد را توصیف کنیم. #بینایی_ماشین، #شبکه_های_عصبی و #یادگیری_عمیق این امکان را برای ماشین ها فراهم آورده اند تا این کاری که ما می کنیم را به خوبی انجام دهند، اما شاید قابلیت کامپیوترها برای تقلید از ما هنوز به اندازه ی یک کودک باشد.
🔸یکی از کارهایی که می توان کرد تا هوش مصنوعی توصیف بهتری از تصویر ارائه دهد این است که مدل یادگیری ماشین تا زمانی که خروجی آن از کار انسان غیرقابل تشخیص باشد، ادامه پیدا کند.
🔸یکی دیگر از راهکارها این است که از روش هایی استفاده کنیم که ماشین ها بهتر از ما تقلید کنند به این معنی که سعی کنند کارهای دشوار پردازش زبان طبیعی را انجام دهند. سرودن شعر بسیار پیچیده تر از توضیحات ساده برای متن است.
🔸خوب این مدلی که در مورد آن صحبت می کنیم چطور کار می کند؟ محققان یک تعداد دستور را به عنوان ورودی به سیستم می دهند و یک شبکه عصبی می سازند که در نهایت یک شعر می سراید و یک سمت دیگر این شبکه عصبی در مورد کیفیت آن داوری می کند. اگر سمت داور به این نتیجه برسد که دستورات رعایت شده اند و شعر از دید انسان به اندازه ی کافی خوب است، آن را به عنوان خروجی ارائه می دهد. خود ما نتایج را بررسی می کنیم، اگر به اندازه ی کافی خوب نباشد آن را دوباره وارد سیستم می کنیم تا زمانی که بهترین شعر نتیجه حاصل شود.
منبع:
https://thenextweb.com/artificial-intelligence/2018/08/10/microsofts-ai-can-convert-images-into-chinese-poetry/
#خبر
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

Microsoft’s AI can convert images into Chinese poetry
Microsoft researchers recently unveiled a new ability for XiaoIce: it's a Chinese language poet that's inspired by images.

✅هوش مصنوعی چگونه علم را تغییر می دهد؟

👩‍🏫نویسنده: هما کاشفی امیری

✍️گادی سینگر از اعضای شرکت اینتل معتقد است چالش های اصلی در راه هستند: استفاده از هوش مصنوعی برای تغییر شیوه های بررسی علمی

🔶در اولین رویداد AI DevCon اینتل، رئیس اینتل و مدیر معماری گروه محصولات هوش مصنوعی این شرکت، نقش خود را در تقاطع علم تبیین کرده و بیان کردند که دانشمندان چگونه باید به هوش مصنوعی نزدیک شوند و چرا هوش مصنوعی پویاترین و هیجان انگیزترین فرصت برای آنهاست

🤔هوش مصنوعی چگونه علوم را تغییر می دهد؟
اکتشاف علمی در مرحله ی گذار است و بهتر است نحوه ی اکتشاف علمی 100 سال گذشته را با دهه های 50 و 60 مقایسه کنیم تا به این تفاوت پی ببریم. در دهه ی 60، میزان داده ی جمع آوری شده زیاد بود اما دانشمندان می توانستند اطلاعاتی که در هر زمینه ی علمی از جمله آب و هوا، زلزله شناسی، زیست شناسی، داروسازی، اکتشاف داروهای جدید بود را تحلیل کنند. امروزه حجم داده ها تا حدی زیاد شده است که افراد دیگر این توانایی را ندارند که به تنهایی آن را تحلیل کنند. ترکیب حجم زیاد این اطلاعات با روش های محاسبات مدرن و یادگیری عمیق، فرصت های جدید و هیجان انگیزی پدید آورده است.

در یک مورد که از قدرت یادگیری عمیق استفاده می کند، شناسایی الگوهای بسیار ضعیف در یک مجموعه داده ی نویزی حتی بدون وجود مدل ریاضیاتی دقیق از عنصر مورد جستجوست

🔶در مورد حوادث کیهانی که در کهکشان های دور اتفاق می افتد فکر کنید، شما به دنبال ویژگی های پدیده ای هستید که می توان آن را یک مجموعه داده ی بسیار بسیار بزرگ در نظر گرفت. این مثال یک نمونه جستجو بدون پرسش واضح است، اما تنها کافی است به سیستم یادگیری عمیق خود داده هایی را تزریق کنید وآموزش دهید در نهایت سیستم شما، یک الگوی خاص را پیدا خواهد کرد.

🔶گاهی اوقات می دانید به دنبال چه هستید اما نمی دانید چطور آن را پیدا کنید
برای مثال نمی توانید معادله ریاضیاتی دقیقی را برای مدل جستجوی خود تعریف کنید. داده برای تست روش های سعی و خطا و تحلیل big data خیلی بزرگ است و یا ویژگی های کافی برای جستجوی الگو در اختیار ندارید. یادگیری عمیق می تواند به شما کمک کند که در یک مجموعه داده ی چند بعدی و نویزی، به خوبی کلاسبندی کنید.

منبع:
https://m.phys.org/news/2018-05-artificial-intelligence-science.html
#خبر
#هوش_مصنوعی
#big_data
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

How is artificial intelligence changing science?
Intel's Gadi Singer believes his most important challenge is his latest: using artificial intelligence (AI) to reshape scientific exploration.

✅انسان یا ماشین: هوش مصنوعی در تشخیص سرطان پوست از متخصصین پوست هم بهتر عمل می کند

👩‍🏫نویسنده: هما کاشفی امیری

🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.

🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.

🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.

🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.

🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.

🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html

#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...

❇️🌐 بهترین زبانهای برنامه نویسی برای علوم داده، تجزیه و تحلیلهای پیشرفته و یادگیری ماشین در سال 2018
👨‍💻 نویسنده: محمد نوری زاده چرلو

✍ در سال 2018، زمینه علوم داده همچنان به سرعت در حال رشد است. در نتیجه تراشه های پردازش سریع و زبانهای برنامه نویسی قابل خواندن، از جمله به روز رسانی بسته، علوم داده امروزه، هم برای مشتریان و هم برای متخصصان در دسترس است.
اگر بخواهید سفر خود را در Science Data آغاز کنید، مقدار منابع موجود فراتر از هر زمانی است که شما برای تسلط بر تمام زبان های برنامه نویسی در دسترس داشته باشید. بنابراین، به دلیل تحول در بوتکمپ های اطلاعاتی از جمله #هوش_مصنوعی، #یادگیری_عمیق و برنامه‌های مهندسیِ داده، برای یادگیری شما در سفر علمی داده های خود، زبانهای برنامه نویسی را پشنهاد میکنم.
برخی از زبانهای برنامه نویسی برتر در سال 2018 عبارتند از:

1- #پایتون نسبت به جاوا برای اکثر دانشمندان یادگیری ماشین که روی تجزیه و تحلیل احساسات کار میکنند، در اولویت بیشتری قرار دارد.
جدا از استفاده پایتون در توسعه وب، پایتون اهمیت خود را در #داده_کاوی، محاسبات علمی و سایر حوزه ها نشان می دهد. پایتون گسترده و انعطاف پذیر است، بنابراین بسیاری از توسعه دهندگان ترجیح می دهند از پایتون به عنوان یک زبان برنامه نویسی استفاده کنند. برنامه های مدرن امروزه مانند #Instagram و #Pinterest با استفاده از زبان برنامه نویسی پایتون ساخته شده و توسعه داده می‌شوند. در ایالات متحده در سطوح آکادمیک، پایتون تبدیل به یک زبان برنامه نویسی محبوب شده است و به عنوان یک زبان برنامه نویسی تدریس می شود. برخی از نکات مهم عبارتند از:
پایتون یک زبان عمومی است که کمک می کند تا سیستم تولید به عملیات تبدیل شود.
پایتون برای توسعه برنامه های کاربردی بهترین است.
قدرت پایتون در دقت است.
ضعف پایتون در کمبود کد معماری است.

2- زبان برنامه نویسی R:
یک زبان برنامه نویسی مبتنی بر محاسبات آماری و گرافیکی است. میتوان مدل و نمونه ی اولیه را با R بررسی کرد.
عمدتا برای باز کردن الگوها در بلوک های بزرگ داده استفاده می شود که کار دانشمندان را آسان تر می کند. #گوگل، #فیس_بوک، #بانک_مرکزی آمریکا و #نیویورک_تایمز همه از R استفاده می کنند و همچنان استفاده های تجاری آن گسترش می یابد. نکات مهمی که باید زبان برنامه نویسی R در نظر گرفت:
برای درک و اکتشاف داده های آماری بهترین است.
قدرت آن در داشتن الگوریتمهای زبان ماشین زیاد در توابع خود است.
پکیجهای کمی دارد(ضعف).

3- جاوا: #جاوا یک زبان برنامه نویسی خوب برای یک برنامه نویس تازه کار است. به عنوان یک زبان برنامه نویسی قابل خواندن، از برنامه نویسی کاربردی پشتیبانی می‌کند.

4- متلب: #متلب یک زبان برنامه نویسی برای #محاسبات_عددی است که در سال 1984 توسط math’s work توسعه داده شد. متلب، حدود یک میلیون نفر کاربر دارد که از زمینه های مختلف مهندسی، مثل اقتصاد، و علوم داده هستند. متلب برای محاسبات عددی طراحی شده است و در آزمایشگاهای HPC همانند پایتون استفاده می شود. برای کسانی که برنامه نویسی را بلد هستند، یادگیری پایتون راحت خواهد بود. برنامه نویسی متلب مبتنی بر C، C ++ و زبانهای برنامه نویسی جاوا است.


5- زبان برنامه نویسی C: یکی از قدیمترین زبان برنامه نویسی در میان سایر زبانهای برنامه نویسی است. C به عنوان مادر همه زبان های در نظر گرفته شده است و یک زبان برنامه نویسی ضروری برای ساخت الگورتیم های پیش بینی شده، است. زبانهای دیگر مثل C++، جاوا، C# به نوعی فرزندان C هستند.

منبع:

https://process.filestackapi.com/cache=expiry:max/resize=width:700/compress/MMfuMl7lQAOOdFv5FxhQ

https://www.codementor.io/dyako/the-best-programming-languages-for-data-science-and-machine-learning-in-2018-nkfl0ukgs

#زبان_برنامه_نویسی
#پایتون
#جاوا
#متلب
#مهندسی_پزشکی
#هوش_مصنوعی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅راهی جدید برای توضیح شبکه های عصبی

👩‍🏫نویسنده: هما کاشفی امیری

✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.

منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

✅یادگیری عمیق چیست؟ یک راهنمای ساده با 8 مثال عملی

👩‍🏫نویسنده: هما کاشفی امیری

✍️اخیراً در این رابطه که ماشین ها می توانند کارهای انسان ها در کارخانه ها، انبارها، ادارات و خانه را به خوبی انجام دهند بحث های زیادی صورت گرفته است. با وجود اینکه تکنولوژی به سرعت در حال رشد است ممکن است عباراتی چون هوش مصنوعی، یادگیری ماشین، یادگیری عمیق همچنان برای شما گیج کننده باشد. می خواهیم 8 مثال عملی را ارائه کنیم که استفاده ی واقعی از تکنولوژی یادگیری عمیق را روشن سازد
با ما همراه باشید😊
یادگیری عمیق چیست؟🤔
حوزه ی هوش مصنوعی اساساً به این معناست که ماشین ها می توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. این تعریف مشمول یادگیری ماشین هم می شود که در آن نیز ماشین ها یاد می گیرند با استفاده از تجربه و کسب مهارت و بدون دخالت انسان یاد بگیرند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن شبکه های عصبی مصنوعی، الگوریتم های الهام گرفته از مغز انسان از میزان زیادی از داده های مربوطه یاد می گیرند. همانطور که ما از تجربیات خود یاد می گیریم، الگوریتم های هوش مصنوعی می توانند یک تسک را چندین بار انجام دهند و هر بار نتایج خود را بهبود بخشند. ما به یادگیری عمیق اشاره کردیم زیرا شبکه های عصبی، لایه های متعدد (عمیقی) دارند که به آنها قابلیت یادگیری می دهد.
یادگیری ماشین به ماشین ها کمک می کند تا مسائل پیچیده را حتی زمانی که از یک مجموعه داده ی بسیار متنوع، بدون ساختار استفاده می کنیم تشخیص دهد. هرچقدر الگوریتم ها عمیق تر یادبگیرند، عملکرد بهتری دارند.
8 نمونه عملی از یادگیری عمیق
در عصری هستیم که ماشین ها می توانند مسائل پیچیده را بدون دخالت انسان حل کنند. آنها با چه مشکلاتی روبرو خواهند شد. در ادامه کارهایی را معرفی می کنیم که یادگیری عمیق به خوبی پشتیبانی می کند و همچنان با تزریق داده های بیشتر، الگوریتم های آنها در حال توسعه هستند:
1️⃣دستیاران مجازی
دستیاران مجازی مانند Alexa یا Siri یا Cortana ارائه دهندگان خدمات آنلاین از یادگیری عمیق برای درک گفتار و زبان انسانی استفاده می کنند تا گفتار آنها را در زمانی که با یکدیگر صحبت می کنند بفهمند.
2️⃣ترجمه
الگوریتم های یادگیری عمیق می توانند به طور خودکار ترجمه کنند. این قابلیت برای مسافران، تاجران و افراد دولتی بسیار مفید است.
3️⃣چشم اندازی برای کامیون های تحویل بار بدون راننده، هواپیماهای بدون سرنشین و اتومبیل های خودمختار
اینکه یک وسیله ی نقلیه ی خودمختار واقعیت های جاده را درک می کند و چگونه به آنها پاسخ می دهد و اینکه آیا در روبرویش خیابان است یا وسیله ی نقلیه ی دیگر همگی با الگوریتم های یادگیری عمیق و تزریق داده ی زیاد به آنها صورت می گیرد.
4️⃣چت بات ها و ربات های خدماتی
چت بات ها و ربات ها می توانند در بسیاری از شرکت ها به مشتریان خدمات ارائه دهند و به شیوه ای هوشمند و مفید سوالات متنی و شفاهی را به لطف الگوریتم های یادگیری عمیق بپرسند و پاسخ دهند.
5️⃣رنگ آمیزی تصاویر
تبدیل تصاویر سیاه و سفید به رنگی کاری بود که به طور سنتی توسط انسان انجام می شد. امروزه الگوریتم های یادگیری عمیق می توانند با استفاده از زمینه ها و اشیا در تصاویر و شناسایی آنها به طور زیبایی بازسازی و رنگ آمیزی کنند که نتایج آنها زیبا و چشمگیر است.
6️⃣تشخیص چهره
یادگیری عمیق برای تشخیص چهره نه تنها برای اهداف امنیتی بلکه برای تگ کردن افراد در پست های فیس بوک نیز مورد استفاده قرار می گیرد. و ممکن است در آینده اقلام جنس های مورد نیاز خود را در فروشگاه برداریم و تنها با یک برنامه ی تشخیص چهره مبالغ را پرداخت کنیم.
7️⃣پزشکی و داروسازی
از تشخیص بیماری و تومور تا نسخه ی داروهای شخصی، یادگیری عمیق بسیار موثر بوده و مورد توجه بزرگ ترین شرکت های دارویی و پزشکی است.
8️⃣خرید و سرگرمی شخصی
آیا تابحال در این رابطه فکر کرده اید که Netflix چطور به شما تماشای ویدیوی بعدی را پیشنهاد می کند؟ و یا اینکه آمازون لیستی از اجناس را پیشنهاد می دهد که احتمال دارد آنها را در آینده خریداری کنید و شما شگفت زده می شوید که اینها دقیقا همان اجناسی است که نیاز دارید؟ بله همه ی اینها کار یادگیری عمیق است.😊

منبع:
https://www.forbes.com/sites/bernardmarr/2018/10/01/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/#63e59b8f8d4b

#خبر
#هوش_مصنوعی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖➖➖
✔️ @OnlineBME

✅الگوریتم یادگیری عمیق، آلزایمر را 6 سال زودتر از پزشکان تشخیص می دهد.
اخیرا الگوریتم جدیدی مبتنی بر یادگیری عمیق مطرح شده است که می تواند تصاویر اسکن PET فرد بیمار را بررسی کند و بیماری آلزایمر را شش سال زودتر از روش های رایج تشخیص کنونی تشخیص دهد. در این مطالعه از یادگیری ماشین برای تعیین الگوهای ظریف در تصاویر پزشکی استفاده شده است، که این الگوها توسط فرد انسانی قابل روئیت نیستند.

👩‍💻نویسنده: مهتاب فرجی

یکی از راه های تشخیص بیماری آلزایمر براساس نوعی تصویربرداری مغزی است که اسکن fluorodeoxyglucose PET-8(FDG-PET) نامیده میشود. از این نوع اسکن قبلا برای تشخیص چندین نوع سرطان استفاده شده است، اما اخیرا کارآیی خود را در تشخیص آلزایمر و همچنین در برخی از انواع بیماری های زوال عقلی نشان داده است.
این مطالعه، الگوریتم یادگیری ماشین را بر روی 2100 تصویر مغزی FDG-PET آموزش داد. درحالی که پزشکان از ارزیابی این تصاویر برای تشخیص بیماری آلزایمر استفاده می کنند، در مطالعه ی جدیدی که توسط Jae Ho Sohn انجام شده است، الگوریتم یادگیری عمیق قادر به تعیین الگوهایی ظریف در دیتای تصویر برای تشخیص بیماری آلزایمر است.

ادامه مطالب را در سایت زیر بخوانید👇👇
http://onlinebme.ir/deep-learning-algorithm-detects-alzheimers-up-to-six-years-before-doctors/
#خبر
#تشخیص_آلزایمر
#یادگیری_عمیق
#یادگیری_ماشین
#هوش_مصنوعی

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

✅ معرفی دوره های آنلاین و رایگان یادگیری عمیق

🌀 در سایت زیر دوره های آنلاین برخی از دانشگاه های معتبر جهان که اخیرا برگزار می شوند و به صورت کاملا رایگان هستند رو معرفی کرده ایم.
علاقه مندان می توانند به سایت زیر مراجعه کرده و در دوره های آنلاین شرکت کنند.
👇👇👇

http://onlinebme.ir/list-of-free-deep-learning-courses-online/

#دوره_های_آنلاین
#رایگان
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

🌐 پیشرفت فوق العاده هوش مصنوعی در تولید تصاویر جعلی

👨‍💻 نویسنده: محمد نوری زاده چرلو

✍️ اخیرا مقاله ای توسط محققان Nvidia منتشر شده است که در آن گزارش داده اند که با استفاده از هوش مصنوعی، تصاویر جعلی رنگی ایجاد می کنند که این تصاویر به اندازه ای واقع گرایانه هستند که تشخیص جعلی بودن این تصاویر بسیار سخت شده است و تصاویر تولید شده با تصاویر 4 سال قبل زمین تا آسمان متفاوت هستند.


اطلاعات بیشتر...👇👇👇
http://onlinebme.com/ai-image-generation-fake-faces-people/

#هوش_مصنوعی
#یادگیری_عمیق
#تصاویرجعلی

#سفارش_ترجمه:
✔️ @OnlineBME_Admin
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME