سلام دوستان، خوشحالم که باز هم با هم هستیم. امروز در مورد سه نوع #یادگیری_ماشین صحبت می‌کنم.

۱-یادگیری نظارتی
۲-یادگیری تقویتی
۳-یادگیری بدون نظارت

یادگیری نظارتی: این نوع یادگیری ماشین بر اساس داده‌های آموزش با برچسب کار می‌کنه. به عنوان مثال، اگه ما بخوایم یک مدل رو آموزش بدیم تا بتونه تشخیص بده یک تصویر شامل یک سگ هست یا نه، ما به مدل تصاویری از سگ‌ها (برچسب “سگ”) و تصاویری که سگ در اونها نیست (برچسب “سگ نیست”) می‌دیم.

یادگیری تقویتی: این نوع یادگیری ماشین یکم متفاوته. در اینجا، مدل (یا “عامل”) از تعامل با محیط یاد می‌گیره. در واقع عامل اقداماتی انجام می‌ده، محیط بهش پاسخ می‌ده، و عامل با دریافت “پاداش” یا “تنبیه”، رفتار خودش رو تغییر می‌ده. این روش در بازی‌های کامپیوتری و رباتیک زیاد استفاده می‌شه.

یادگیری بدون نظارت: ما داده‌هایی داریم که برچسب خاصی ندارن و از مدل می‌خواییم که بدون داشتن برچسب‌ها، الگوها و ساختارهای مخفی در داده‌ها رو کشف کنه.
مثلا فرض کنید یک دسته عکس از حیوانات داریم، ولی نمی‌دونیم هر عکس متعلق به چه حیوانی هست. در اینجا، ما از یک مدل یادگیری بدون نظارت می‌تونیم بخواییم که عکس‌ها رو بر اساس شباهت‌ها دسته‌بندی کنه. ممکنه مدل بدون اینکه ما بهش بگیم کدوم عکس مربوط به کدوم حیوان هست، عکس‌های گربه‌ها رو در یک دسته، و عکس‌های سگ‌ها رو در دسته دیگه قرار بده.

بعدا در مورد چگونگی کارکرد این ۳ نوع یادگیری بیشتر صحبت میکنم. تا اون موقع این مطلب یادتون بمونه که: ماشین لازم نیست همیشه همه چیز رو بدونه، گاهی اوقات اجازه می‌دیم خودش چیزهایی رو کشف کنه، مثل یه بچه! 🕵️‍♂️

🦾 @techwich

درود دوستان، امروز میخواییم با هم خیلی مختصر مفهوم داده رو مرور کنیم:

داده، مجموعه ای از واقعیت های خام و پردازش نشده است که بر اساس اون‌ها می‌شه تصمیم‌گیری کرد یا به فهم و درک بهتری از یک موضوع یا زمینه خاص رسید. داده‌ها می‌تونند به صورت اعداد، کلمات، تصاویر، صدا و … باشن.

برای مثال، تمام نمرات یک دانش آموز در دروس مختلف در یک ترم داده هستند. یعنی مثلاً نمره ۱۸ در ریاضی، نمره ۱۶ در فیزیک، نمره ۲۰ در شیمی و…

این اعداد تنها داده هستند، اطلاعات خام و بدون هیچ تفسیر یا پردازش خاصی. حالا اگه ما از این داده ها استفاده کنیم و میانگین نمرات دانش آموز رو محاسبه کنیم، می تونیم بگیم که داده پردازش شده و تبدیل به اطلاعات شده. حالا میتونیم از اون برای تصمیم‌گیری و فهم بهتر استفاده کنیم، مثلاً برای ارزیابی عملکرد کلی دانش آموز در ترم.

🦾 @techwich

🧠درود به همگی، تو این ویدیو خیلی ساده از هوش مصنوعی گفتیم😉

https://www.instagram.com/reel/CtmnlfEIB_U/?igshid=MmJiY2I4NDBkZg==


🦾 @techwich

درود به همگی، امیدوارم حالتون خوب باشه.

در ادامه مطالب آموزشی #هوش_مصنوعی ، امروز قراره به یادگیری نیمه‌نظارتی بپردازیم. این نوع یادگیری ماشینی ترکیبی از یادگیری نظارتی و یادگیری بدون نظارت هست. در یادگیری نیمه‌نظارتی، ما از ترکیبی از داده‌های برچسب‌دار و بدون برچسب استفاده می‌کنیم. یعنی برخی از داده‌ها برچسب دارند و برخی دیگه ندارند.
هدف اینه که مدل با استفاده از این ترکیب، بهتر بتونه داده‌ها رو درک کنه و الگوهای پنهان رو پیدا کنه. این روش در مواقعی که دسترسی به داده‌های برچسب‌دار محدوده خیلی مفیده.

و‌ اما یک مثال از کاربردش:

فرض کنید شما یک فروشگاه آنلاین دارید و با ایمیل مارکتینگ میخوایید برای مشتریانتون تبلیغ ارسال کنید.
شما یک لیست بزرگ از مشتریانتون دارید، اما بر اساس تبلیغ های قبلی و رفتار مشتریان فقط از رفتار بعضی‌ از مشتریانتون خبر دارید میدونید آیا واقعاً از تبلیغاتتون خوششون میاد یا نه. به این دسته از مشتریان، که رفتارشون رو می‌دونید، “برچسب‌دار” می‌گیم.
اما برای بقیه مشتریان، یعنی اونهایی که نمی‌دونید از تبلیغات شما خوششون میاد یا نه، نمی‌دونید چه برچسبی بزنید. به این دسته از مشتریان “بدون برچسب” می‌گیم.

یادگیری نیمه‌نظارتی اینجا کاربرد داره. با استفاده از این روش، شما می‌تونید یک الگو یا “قاعده” از رفتار مشتریان “برچسب‌دار” خودتون بسازید. بعد با استفاده از این الگو، می‌تونید حدس بزنید که کدوم مشتریان “بدون برچسب” واقعاً از تبلیغات شما خوششون میاد. در نتیجه، شما می‌تونید تبلیغاتتون رو هدفمندتر کنید.

امیدوارم توضیحاتم کافی باشه و متوجه شده باشید.
البته اگه متوجه نشدید نگران نباشید. تو محتوای تصویری بیشتر دربارش توضیح میدم😉

🦾 @techwich

Threads
اپلیکیشن جدید متا پنجشنبه لانچ میشه. این اپ مثل توییتر متن محور هست.

@techwich

نمایش پیکر منسوب به دو موجود بیگانه

اینم پادکست مهترین اخبار تکنولوژی برای دوستانی که هفته گذشته موفق به دیدن برنامه تکویچ نشدند 🎧

🦾 @techwich

از دوشنبه منتظر گزارش روزانه تیم تکویچ از کنگره جهانی موبایل بارسلون باشید🦾

این هم خودرو برقی شیائومی که در کنگره جهانی موبایل ۲۰۲۴ رونمایی شد🤩

🔥تجربه حس لامسه در واقعیت گسترده!!!

ویژگی های جدید اندرویید 🤩

ویژه برنامه تکویچ از جدید ترین های حوزه تکنولوژی در کنگره جهانی موبایل بارسلون۲۰۲۴ 😎

https://youtu.be/SSQEJ5AfNTM?si=y2R9D-s6i1futSJ-

درود به همگی👋🏽
همونطور که میدونید مدل هوش مصنوعی GPT-4o در مراسم امروز معرفی شد.
اما قبل از اینکه این مدل جدید رو معرفی کنم، اول بریم سراغ به‌روزرسانی مهم GPT-4o برای ما فارسی زبان ها.


از ۵۰ زبانی که در مدل جدید ساپورت میشه، ۲۰ زبان به عنوان نماینده فشرده‌سازی توکن‌ها در خانواده‌های مختلف زبانی توسط توکنایزر جدید انتخاب شدند که فارسی هم یکیش بوده و با ۱.۹ برابر کمتر از ۶۱ به ۳۲ رسیده.

توکنایزیشن زبان در چت جی پی تی به فرآیندی گفته می‌شه که طی اون متن ورودی به واحدهای کوچکتری به نام توکن‌ها‌تقسیم می‌شه. این توکن‌ها می‌تونند کلمات، عبارات یا حتی بخش‌هایی از کلمات باشند. فرآیند توکنایزیشن به مدل کمک می‌کنه تا متن رو بهتر درک کنه و بر اساس اون پاسخ‌های دقیق‌تری ارائه بده. به زبان ساده‌تر، توکنایزیشن زبان روشی هست که جی پی تی از اون برای تجزیه و تحلیل و فهمیدن متنی که بهش داده می‌شه استفاده می‌کنه.

وقتی می‌گیم توکنایزیشن یک زبان دو برابر کمتر شده، به این معناست که مدل میتونه متن‌هایی به اون زبان رو با استفاده از تعداد کمتری توکن نسبت به قبل پردازش کنه.

اما به‌روزرسانی:

مدل هوش مصنوعی GPT-4o برپایه مدل قبلی OpenAI ساخته شده و از جهات مختلفی بهبود پیدا کرده.

وب سرویس این مدل هوش مصنوعی دو برابر سریع‌تر و 50 درصد ارزان‌تر شده و محدودیتش
۵ برابر نسبت به GPT-4 توربو کاهش پیدا کرده.

یکی از ارتقاهای بزرگ این مدل جدید گفتار هم زمان و زنده است. درواقع GPT-4o به‌جای اینکه ابتدا صدا رو به متن تبدیل کنه و بعد اون رو بفهمه می‌تونه به خود صدا گوش بده.


GPT-4o یک گام به سوی تعاملات طبیعی‌تر بین انسان و کامپیوتر هست. این مدل می‌تونه هر ترکیبی از متن، صوت و تصویر رو به عنوان ورودی قبول کنه و هر ترکیبی از متن، صوت و تصویر رو به عنوان خروجی تولید کنه.
این مدل به ورودی‌های صوتی در کمتر از ۲۳۲ میلی‌ثانیه پاسخ میده و با میانگین زمان پاسخ ۳۲۰ میلی‌ثانیه، مشابه با زمان واکنش انسان در یک گفتگو هست.

این مدل در متن‌های انگلیسی و برنامه‌نویسی، عملکردی شبیه به GPT-4 Turbo داره و در متون زبان‌های غیرانگلیسی بهبود چشمگیری داشته. GPT-4o به ویژه در درک بینایی و صوت نسبت به مدل‌های موجود بهتر شده.

پیش از GPT-4o، شما می‌تونستید از حالت صوتی برای صحبت با ChatGPT استفاده کنید که میانگین تأخیرش 2.8 ثانیه برای GPT-3.5 و 5.4 ثانیه برای GPT-4 بود.
قبلا برای این کار از سه مدل جداگانه استفاده می شد: یک مدل ساده که صدا رو به متن تبدیل می‌کرد، GPT-3.5 یا GPT-4 که متن رو دریافت و متن خروجی تولید می‌کرد، و یک مدل ساده دیگه که متن رو به صوت تبدیل می‌کرد.
این فرآیند باعث می‌شد که GPT-4، اطلاعات زیادی رو از دست بده و نمی‌تونست به طور مستقیم لحن، چندین گوینده، یا صداهای پس‌زمینه رو متوجه بشه و قادر به بیان خنده، آواز خواندن یا احساسات نبود.

در به‌روزرسانی جدید، مدل جدید به طور کامل و از ابتدا تا انتها برای متن، بینایی و صوت آموزش داده‌ شده، به این معنی که همه ورودی‌ها و خروجی‌ها توسط همون شبکه عصبی پردازش می‌شن.
در واقع GPT-4o اولین مدل OpenAI هست که تمام این مدیاها رو ترکیب می‌کنه.

مدل هوش مصنوعی GPT-4o در اختیار تمام کاربران شامل کاربران سرویس رایگان و پولی این شرکت قرار می‌گیره اما قابلیت جدید Voice Mode از چند هفته آینده به‌صورت آلفا برای کاربران ChatGPT Plus در دسترس قرار میگیره.



@techwich