#neural_machine_translation #nmt
#ترجمه_ماشینی وظیفه تبدیل خودکار متن از یک زبان منبع را به متن زبان دیگر دارد. با توجه به دنباله ای از متن در یک زبان مبدا ، بهترین ترجمه واحد از آن متن به زبان دیگر وجود ندارد. این به دلیل انعطاف پذیری طبیعی زبان انسان است که این مسئله چالش ترجمه اتوماتیک ماشین را دشوار می کند و از مسائل دشوار هوش مصنوعی میباشد.

ترجمه عصبی ماشینی یا (Neural Machine Translation) یک رویکرد ترجمه ماشینی است که یک شبکه عصبی مصنوعی بزرگ را برای پیش بینی احتمال دنباله ای از کلمات، اعمال می کند. بر خلاف ترجمه ماشین آماری ، که حافظه و زمان بیشتری را مصرف می کند ، ترجمه ماشین عصبی ، بخش های تشکیل دهنده خود را تا به انتها آموزش می دهد تا حداکثر عملکرد را داشته باشد.

سیستم های NMT به سرعت در حال پیشروی در ترجمه ماشینی هستند و اخیراً از مدل های سنتی سیستم های ترجمه پیشی گرفته اند.

#Data_science
کار در اکسل با پایتون
کتابخانه PyXLL این امکان را می‌دهد که به وسیله پایتون با اکسل کار کنید.

ویدیوی آموزشی

@silicon_brain

سایت آرکایو ویژگی جدیدی تحت عنوان «Connected Papers» اضافه کرده تا محققان بتوانند در قالب #گراف مقالات مرتبط رو مشاهده کنند!
@silicon_brain

هوش مصنوعی در کشاورزی:
هوش مصنوعی در کشاورزی یا به اصطلاح کشاورزی دقیق، بیماری و آفات و تغذیه نامناسب در گیاهان را تشخیص می‌دهد و شرایط آب و هوایی را پیش‌بینی می‌کنند. بوسیله پهبادهای مجهز به AI از روی تصاویر، مزارع در کمترین زمان تجزیه و تحلیل می‌شوند و مناطق مشکل‌دار و پیشرفت‌های بالقوه شناسایی می‌شوند.

شرکت های درگیر با یادگیری ماشین یا محصولات مبتنی بر هوش مصنوعی برای کشاورزی، هواپیماهای بدون سرنشین و ماشین سازی خودکار با پیشرفت تکنولوژی در آینده، برنامه های مفیدتری را برای این بخش فراهم می کنند که به جهان کمک می کند تا با مسائل مربوط به تولید مواد غذایی مقابله کند.

چه کارهای دیگری در کشاورزی رو در نظر دارید که بتوان به کمک ai پیش‌ برد؟

@silicon_brain

#Analogy
در ادبیات به چیزی که شبیه چیز دیگر است گوییم اما در هوش مصنوعی و درک زبان طبیعی به طور کلی به شباهت بین جفت کلمات (نه معنا و سمانتیک) گویند.

آنالوژی یا قیاس را به لطف تعبیه‌های محتوایی موجود می‌توان با جمع یا تفریق تعبیه‌ها حل کرد: به مثال کلاسیک زیر توجه کنید

"Man is to king as woman is to queen"

جمع تعبیه woman با تفاضل تعبیه‌های شاه و مرد به ما تعبیه ملکه را می‌دهد.

این مفهوم با پیشرفت هوش مصنوعی در nlp جا افتاده هست.


@silicon_brain

#Recommender_systems
#GNN
علی‌بابا، آمازون و خیلی از کمپانی‌های تجارت الکترونیک، از شبکه‌های عصبی گرافی برای قدرت بخشیدن به سیستم‌های توصیه‌گر استفاده می‌کنند.

تعاملات کاربران با محصولات در سیستم‌های تجارت الکترونیک که بصورت #گرافی ظاهر می‌شوند، شبکه‌های عصبی گرافی مصنوعی (GNN) می‌تواند نقش بسزایی را در تولید سیستم توصیه‌گر قوی را دارد.

برای مثال مدل علی‌بابا غول خرده‌فروشی چینی با نام Aligraph، گرافی با 400 میلیون گره و بصورت توزیع شده ساخته شده است.

🔶با شبکه‌های عصبی گرافی آشنا هستید؟

@silicon_brain

#Vanishing_gradient
#Exploding_Gradient
وقتی گرادیان‌های خطا بزرگ می شوند، منجر به تغییرات زیادی در وزن شبکه عصبی در حین آموزش می‌شوند که به آن مسئله گرادیان انفجاری می‌گویند.
مقادیر وزن‌ها می‌توانند آنقدر بزرگ شوند که دچار سرریز شوند و منجر به مقادیر nan شوند. این عامل باعث میشود مدل ناپایدار باشد و در مقابل مشکل گرادیان محوشونده برعکس روی گرادیان‌های گوچک اتفاق می‌افتد و هردو عامل باعث عدم یادگیری در مدل می‌شوند.


🔶شبکه‌های عصبی بازگشتی ساده (RNN) مشکل محو شدن گرادیان دارند. راه حل مشکلشان چی بود؟

@silicon_brain

#gdl #geometric_deep_learning #geometric
در دهه های ی گذشته یادگیری عمیق بر روی داده های تعریف شده در حوزه های اقلیدسی متمرکز بوده است مانند: شبکه های CNN و شبکه های RNN و به موفقیت های بسیاری در این زمینه دست یافته است .
در حالی که در بعضی از زمینه ها مانند: زیست شناسی، فیزیک، علوم شبکه، سیستم های پیشنهادی، گرافیک رایانه ای ممکن است مجبور باشیم با داده های تعریف شده در حوزه های غیر اقلیدسی (به عنوان مثال نمودارها و manifold ها) سر و کار داشته باشیم. اینجاست که GEOMETRIC DEEP LEARNING
مطرح میشود. یادگیری عمیق ژئومتریک از لحاظ گسترش تکنیک های یادگیری عمیق بر روی نمودار و manifold ها کاربرد دارد.

@silicon_brain

یادگیرنده پایدار و ناپایدار چیست؟
#Stable_learner #unstable_learner

یادگیرنده ای را پایدار گوییم که در صورت اعمال تغییرات اندک در ورودی مقدار خروجی تغییر نکند و classifier همان مقدار قبلی را بدهد. مانند knn که یک stable learner می‌باشد.
در مقابل یادگیرنده ای را ناپایدار گوییم که در صورت تغییرات اندک در ورودی مقدار خروجی نیز تغییر کند و classifier مقدار جدیدی را برگرداند. مانند شبکه های عصبی و درخت تصمیم و رگرسیون خطی که unstable learner می‌باشند.
@silicon_brain

#colab #google_colab
اخیرا گوگل کولب گزینه ای اضافه کرده که بعد از اتمام اجرای کد به شما نوتیفیکشن ارسال میشه.
این آپشن مناسب برای زمانیه که کد خودتون رو به اجرا گذاشتید و مشغول کار دیگری هستین...

جهت فعال‌سازی مسیر زیر را در گوگل کولب دنبال کنید:
Tools -> Settings -> Site -> Show desktop notif..

@silicon_brain

تقلب نامه کد پایتون و R برای الگوریتم های یادگیری ماشین
#cheatsheet #python #r

زمانی که اخبار جعلی (Fake News) در شبکه های اجتماعی دست به دست میشوند و بین کاربران به اشتراک گذاشته میشوند(چه بصورت ناخواسته و چه بصورت هدف دار)، الگوی انتشاری مثل انتشار بیماری های عفونی از خود نشان میدهد.
از این رو برای درک الگوی انتشار اخبار جعلی احتمالا میتوان از مدل های اپیدمی استفاده کرد.
@silicon_brain