Amir Farahanchi با هوش مصنوعی، می‌توانیم راه‌حل‌هایی بسازیم که چندی پیش شبیه داستان‌های علمی تخیلی به نظر می‌رسیدند. امکان پیشرفت های باورنکردنی در مراقبت های بهداشتی، مدیریت مالی، حفاظت از محیط زیست و سایر زمینه ها برای ساختن دنیایی بهتر برای همه.
اهداف یادگیری
در این ماژول، با انواع راه حل هایی که هوش مصنوعی می تواند امکان پذیر کند و ملاحظاتی برای اقدامات هوش مصنوعی مسئول آشنا خواهید شد.
مقدمه ای بر هوش مصنوعی
هوش مصنوعی ما را قادر می‌سازد نرم‌افزاری شگفت‌انگیز بسازیم که می‌تواند مراقبت‌های بهداشتی را بهبود بخشد، مردم را قادر به غلبه بر معایب فیزیکی، توانمندسازی زیرساخت‌های هوشمند، ایجاد تجربیات سرگرمی باورنکردنی و حتی نجات سیاره زمین کند!
هوش مصنوعی ما را قادر می‌سازد نرم‌افزاری شگفت‌انگیز بسازیم که می‌تواند مراقبت‌های بهداشتی را بهبود بخشد، مردم را قادر به غلبه بر معایب فیزیکی، توانمندسازی زیرساخت‌های هوشمند، ایجاد تجربیات سرگرمی باورنکردنی و حتی نجات سیاره زمین کند!
هوش مصنوعی چیست؟
به زبان ساده، هوش مصنوعی نرم افزاری است که رفتارها و قابلیت های انسان را تقلید می کند. عملکردهای کلیدی عبارتند از:
- یادگیری ماشینی – این اغلب پایه و اساس یک سیستم هوش مصنوعی است، و روشی است که ما به یک مدل کامپیوتری برای پیش‌بینی و نتیجه‌گیری از داده‌ها «آموزش» می‌دهیم.
- بینایی کامپیوتر – قابلیت‌هایی در هوش مصنوعی برای تفسیر بصری جهان از طریق دوربین‌ها، ویدئوها و تصاویر.
- پردازش زبان طبیعی – قابلیت‌هایی در هوش مصنوعی برای رایانه برای تفسیر زبان نوشتاری یا گفتاری و پاسخگویی مشابه.
- هوشمندی اسناد – قابلیت‌هایی در هوش مصنوعی که با مدیریت، پردازش و استفاده از حجم بالایی از داده‌های موجود در فرم‌ها و اسناد سروکار دارد.
- دانش کاوی – قابلیت‌هایی در هوش مصنوعی برای استخراج اطلاعات از حجم زیادی از داده‌های اغلب بدون ساختار برای ایجاد یک مخزن دانش قابل جستجو.
- هوش مصنوعی مولد – قابلیت‌هایی در هوش مصنوعی که محتوای اصلی را در قالب‌های مختلف از جمله زبان طبیعی، تصویر، کد و موارد دیگر ایجاد می‌کند.
اکنون در این قسمت به بررسی مفاهیم اولیه “یادگیری ماشینی” می پردازیم.
یادگیری ماشین را درک کنید
یادگیری ماشین پایه و اساس اکثر راه حل های هوش مصنوعی است. از دهه ۱۹۵۰، محققان که اغلب به عنوان دانشمندان داده شناخته می شوند، روی رویکردهای مختلف هوش مصنوعی کار کرده اند. بیشتر کاربردهای مدرن هوش مصنوعی ریشه در یادگیری ماشینی دارند، شاخه ای از هوش مصنوعی که ترکیبی از علوم کامپیوتر و ریاضیات است.
ماشین ها چگونه یاد می گیرند؟
پاسخ از داده ها است. در دنیای امروز، ما حجم عظیمی از داده ها را در طول زندگی روزمره خود ایجاد می کنیم. از پیام‌های متنی، ایمیل‌ها و پست‌های رسانه‌های اجتماعی که می‌فرستیم تا عکس‌ها و ویدیوهایی که با تلفن خود می‌گیریم، حجم عظیمی از اطلاعات تولید می‌کنیم. داده های بیشتری هنوز توسط میلیون ها حسگر در خانه ها، اتومبیل ها، شهرها، زیرساخت های حمل و نقل عمومی و کارخانه های ما ایجاد می شود.
دانشمندان داده می‌توانند از همه این داده‌ها برای آموزش مدل‌های یادگیری ماشینی استفاده کنند که می‌توانند بر اساس روابطی که در داده‌ها پیدا می‌کنند، پیش‌بینی و استنتاج کنند.
مدل های یادگیری ماشین سعی می کنند رابطه بین داده ها را به تصویر بکشند. به عنوان مثال، فرض کنید یک سازمان حفاظت از محیط زیست از داوطلبان می خواهد تا گونه های مختلف گل وحشی را با استفاده از یک اپلیکیشن تلفن شناسایی و فهرست بندی کنند. انیمیشن زیر نشان می دهد که چگونه می توان از یادگیری ماشین برای فعال کردن این سناریو استفاده کرد.
- تیمی از گیاه شناسان و دانشمندان داده های مربوط به نمونه های گل وحشی را جمع آوری می کنند.
- تیم نمونه ها را با گونه های صحیح برچسب گذاری می کند.
- داده‌های برچسب‌گذاری شده با استفاده از الگوریتمی پردازش می‌شوند که روابط بین ویژگی‌های نمونه‌ها و گونه‌های برچسب‌گذاری شده را پیدا می‌کند.
- نتایج الگوریتم در یک مدل محصور شده است.
- هنگامی که نمونه های جدید توسط داوطلبان پیدا می شود، مدل می تواند برچسب گونه صحیح را شناسایی کند.
رویکردهای هوش مصنوعی برای تکمیل وظایف با پیچیدگی بسیار بیشتر پیشرفت کرده است. این مدل های پیچیده اساس قابلیت های هوش مصنوعی را تشکیل می دهند.
یادگیری ماشینی در Microsoft Azure
Microsoft Azure سرویس یادگیری ماشینی Azure را ارائه می دهد – یک پلت فرم مبتنی بر ابر برای ایجاد، مدیریت و انتشار مدل های یادگیری ماشین. استودیوی یادگیری ماشینی Azure چندین ویژگی را ارائه می دهد مانند:
Automated machine learning: این ویژگی افراد غیر متخصص را قادر می سازد تا به سرعت یک مدل یادگیری ماشینی موثر از داده ها ایجاد کنند.
Azure Machine Learning designer: یک رابط گرافیکی که امکان توسعه بدون کد راه حل های یادگیری ماشین را فراهم می کند.
Data metric visualization: آزمایشات خود را با تجسم، تجزیه و تحلیل و بهینه کنید.
Notebooks: کد خود را در سرورهای مدیریت شده Jupyter Notebook بنویسید و اجرا کنید که مستقیماً در استودیو ادغام شده اند.
برای مطالعه بیشتر به مسیر آموزشی هوش مصنوعی در Microsoft Learn مراجعه کنید.
0 مورد نقد و بررسی
Tags: #ai
