چندتا از کتابهای خیلی خوبی که می توان واسه دیتا و ساخت مدل ازشون استفاده کرد اینها رو پیشنهاد میدم
#کتاب
@Data_experts

🌐چند کاربرد از big data & AI🌐

‍ 🔹️🔹️کاربردهای بلاک چین🔹️🔹️

🔘فناوری‌های نوین، ارتباط بدون واسطه‌ی مردم راامکانپذیرکرده است. اکنون تماس‌های صوتی و تصویری، ایمیل‌ها، عکس‌ها و پیامهای فوری، با اطمینان، تا هر فاصله‌ای بین فرستنده و گیرنده جابه جا می شوند. ولی هنگامی که پای پول به میان می‌آید، هنوز برای انجام تراکنش باید به شخص سومی به عنوان واسطه اعتماد کرد.

▫️فنآوری بلاک چین این وضعیت را به صورت بنیادی دگرگون می کند. بلاک چین با بهره گیری از ریاضی و رمزنگاری، پایگاه داده‌ای باز و نامتمرکز برای تراکنش‌های ارزشمندی مانند پول، کالا، ملک (دارایی)، کار و یا حتی رای، فراهم و ثبت می‌کند که همگان می‌توانند  درستی این داده‌ها را کنترل و تصدیق کنند.

◾در آینده اقتصاد جهانی به سمت "دارایی های توزیع شده" و "اعتماد" پیش خواهد رفت، به گونه‌ای که هر کسی که به اینترنت دسترسی دارد می تواند در تراکنش‌های بلاک چین نقش داشته باشد.واینگونه شایددیگربه سازمانهای اعتمادساز واسطه، نیازی نباشد. 

▫️▫️برخی پیش بینی می کنند که تا کمتر از ۱۰ سال آینده از این فناوری در دریافت مالیات بهره گرفته شود.با این فناوری مهاجران کشورهایی که در آن سیستم های بانکی محدود است، آسانتر به کشورهایشان پول خواهند فرستاد. 

◾کلاهبرداری‌های مالی به طور چشمگیری کاهش خواهد یافت. چون هر تراکنش در یک دفتر کل عمومی و توزیع شده ثبت می شود، که هر کسی که به اینترنت وصل باشد به آن دسترسی خواهد داشت.

▫️درخواست و قراردادهایی را در نظر بگیرید که خود کنترل هستند! ویااسناد اثبات مالکیت ایده‌ها مانند پتنت ها!

◾بلاک چین منبعی همگانی برای اعتماد خواهد شد که مرکزیت آن در اختیار و کنترل هیچکس نیست.ولی پذیرش این فناوری برای همگان نیز آسان نیست. چرا که بخش بزرگی از سرویس‌های اعتماد ساز، از بانکداری گرفته تا دفترهای اسناد رسمی،درقیمت خدماتی که می دهند،اندازه نیاز ما به آنها ودربعضی موارد، حتی فلسفه وجودیشان، با چالش روبرو خواهند شد.
@Data_experts

✅مايکروسافت ویندوز هوش مصنوعی عرضه می کند

یکی از حوزه هایی که مایکروسافت مدتی است بی سروصدا در حال فعالیت بر روی آن بوده، هوش مصنوعی است. گفته می شود ثمره فعالیت های این شرکت در این زمینه عرضه ویندوز تازه ای به نام ویندوز ام ال است که یک پلتفورم دارای قابلیت خودآموزی است.

رونمایی از این ویندوز احتمالا در یک ماه آینده و همزمان با به روزرسانی تازه ویندوز ۱۰ صورت می گیرد. برنامه نویسان با استفاده از این ویندوز قادر به طراحی برنامه های همراه هوشمند هستند. این ویندوز با ویندوز کلود مایکروسافت موسوم به آزور هم سازگاری دارد. هوشمندی ویندوز ام ال استفاده بهینه از سخت افزار رایانه و به خصوص پردازنده گرافیکی را هم ممکن می کند.

مایکروسافت پیش از این هم با عرضه دستیار صوتی هوشمند کورتانا تلاش کرده بود توانایی های خود را در این عرصه به رخ بکشد. برنامه مترجم این شرکت هم از هوش مصنوعی قابل قبولی برخوردار است.

@Data_experts

✅بررسی رابطه میان حرکات چشم و شخصیت با استفاده از هوش مصنوعی

🌐دانشمندان استرالیایی، نوعی هوش مصنوعی با قابلیت خواندن ذهن ابداع کرده‌اند که می‌تواند با بررسی مردمک چشم و پلک زدن، شخصیت انسان را پیش‌بینی کند.

🌐در بررسی این سیستم، ۴۲ دانشجو، هنگام قدم زن در اطراف محوطه دانشگاه، عینک‌های هوشمند ردیابی چشم را استفاده و همچنین، پرسش‌نامه‌هایی را در ارتباط با شخصیت خود پر کردند.این پرسش‌نامه براساس "مدل پنج عاملی شخصیت" (FFM) تنظیم شده بود. براساس این مدل، شخصیت از پنج بعد اصلی تشکیل شده است که عبارتند از: روان‌رنجوری، برون‌گرایی، سازگاری، استقبال از تجربه و وظیفه‌شناسی.

🌐ویژگی‌های شخصیتی، الگوی رفتاری، تفکر و احساس شخص را شکل می‌هند. بررسی‌ها حاکی از ارتباط میان ویژگی‌های شخصیتی و حرکات چشم هستند و نشان می‌دهند افرادی که ویژگی‌های شخصیتی مشابهی دارند، چشم‌های خود را به یک شکل حرکت می‌دهند.

🌐پژوهشگران دریافتند افراد مبتلا به اختلال عصبی، سریع‌تر پلک می‌زنند درحالی‌که افراد علاقمند به تجربه‌های جدید، چشمان خود را از سوی به سوی دیگر حرکت می‌دهند. افراد کنجکاو، تمایل بیشتری به نگاه کردن به اطراف خود دارند و افراد روشنفکر، زمان بیشتری را برای خیره شدن به تصاویر انتزاعی صرف می‌کنند.

🌐در این بررسی، نوسان مردمک چشم افرادی که حس وظیفه‌شناسی زیادی داشتند، به مراتب بالاتر بود. افراد مثبت‌اندیش، نسبت به افراد منفی‌نگر، زمان کمتری را برای نگاه کردن به محرک‌های عاطفی منفی مانند تصویری از سرطان پوست، صرف کردند.
@Data_experts

✅ گفت وگوی راحت و ثمربخش با ربات های مشاور!

تحقیقات جدید برای اولین بار نشان داده است که ربات اجتماعی می تواند یک مصاحبه انگیزشی مفید و لذت بخش (MI) ارائه دهد که روش مشاوره ای برای حمایت از تغییر رفتار طراحی شده است. محققان اظهار کردند که نظر کاربران درباره ربات های مشاور مثبت است.

بسیاری از شرکت کنندگان در این مطالعه در دانشگاه پلیموث، ماهیت غیرواقعی ربات Humanoid NAO را تحسین کردند، زیرا آن ها ماهیت غیرانسانی دارند.آنها بسیار علاقه مند به بحث با ربات بودند، زیرا که ربات در میان گفته های آن ها مداخله ندارد و می توانند به راحتی با او گفت وگو کنند.

نتایج این مطالعه همچنین نشان می دهد که ربات به هدف اساسی MI دست یافته است و توانسته است افراد را تشویق به تغییر کند.MI (مصاحبه انگیزشی) یک تکنیک است که مشاور را در حمایت و تشویق فردی برای تغییر علاقه مند می کند.

نتایج تحقیقات اولیه نشان می دهد که پیشرفت در هوش مصنوعی، توانسته است نظر مساعد کاربران درباره ربات های مشاور راجلب کند.یافته های این بررسی در مجله Medical Internet Research منتشر شده است.
@Data_experts

✅مایکروسافت با استفاده از هوش مصنوعی به کمک معلولین می‌آید

سال پیش در کنفرانس Microsoft Build2017، مایکروسافت پروژه‌ی اما را معرفی کرد که مختص ساخت دستگاه‌ها و ابزارهایی برای معلولین بود. در این پروژه یک ساعت هوشمند معرفی شد که به افراد مبتلا به پارکینسون کمک می‌کرد که بتوانند بنویسند.

حال این شرکت تحقیقات خود را در این زمینه گسترش داده وقصد دارد با استفاده از هوش مصنوعی به کمک افراد معلول بیاید.
در کنفرانس Microsoft Build2018 این شرکت یک پروژه‌‎ی پنج ساله با 25 میلیون بودجه را معرفی کرد که برای کمک رسانی به یک میلیارد معلول در سراسر دنیا از طریق هوش مصنوعی تعیین شده است.

مایکروسافت منابع و پول خود را در اختیار توسعه دهندگان، دانشگاه‎ها، سازمان‎های غیردولتی و مخترعین قرار می‌دهد تا با استفاده از هوش مصنوعی موقعیت‌ها و دستگاه‌هایی را بسازند که به افراد معلول در کار، زندگی روزمره و ارتباطات انسانی آن‌ها کمک کند.

شرکت ردموند که در این پروژه با مایکروسافت همکاری دارد معتقد است که هوش مصنوعی قدرت بالقوه زیادی برای کمک به افرادی دارد که مشکل بینایی، شنوایی، یادگیری، حرکتی، مغزی و شناختی دارد.
@Data_experts

✅اتومبیل های خودران برای جاده های کشورها

وسایل نقلیه خودمختار امروزه نیاز به نقشه های سه بعدی با برچسب هاي دستی دارند،اما سیستم MapLite CSAIL امکان ناوبری(navigation) را فقط با GPS و سنسور فراهم می کند.

حرکت در جاده هایی که رانندگان خودران کمتر در اتومبیل ها رانندگی می کنند یک کار دشواری است. شرکت هایی مانند گوگل فقط ناوگان خود را در شهرهای بزرگ آزمایش می کنند.

سیستم MapLite ترکیبی از اطلاعات GPS ساده است که شما می توانید در نقشه های Google با مجموعه ای از سنسورها که شرایط جاده را مشاهده می کند را پیدا کنید.

این مقاله در ماه May (به زودی) در کنفرانس بین المللی رباتیک و اتوماسیون (ICRA)در بریزبن استرالیا، توسط Ort, Rus و Liam Paull فارغ التحصیل دکترا ، که در حال حاضر استادیار دانشگاه مونترال است،ارائه خواهد شد. https://icra2018.org/

سیستم های موجود هنوز هم به شدت بر روی نقشه تکیه می کنند، فقط با استفاده از سنسورها و الگوریتم های بینایی برای اجتناب از برخورد با اجسام پویا مانند پیاده ها و اتومبیل های دیگر است.
در مقابل آنها، MapLite با استفاده از حسگر برای تمام جنبه های ناوبری، با استفاده از داده های GPS تنها به منظور به دست آوردن تخمین تقریبی از محل خودرو است.

سیستم MapLite هنوز محدودیت هایی دارد. به عنوان مثال، هنوز به اندازه کافی برای جاده های کوهستان قابل اعتماد نیست، زیرا برای تغییرات چشمگیر در ارتفاعات، حساب نمی شود.

این پروژه به طور جزئی توسط بنیاد ملی علوم و تحقیقات پژوهشی تویوتا پشتیبانی شده است.

@Data_experts

#R2 #R2adj #R^2 #AdjustedR
statistics - Adjusted R Squared

@Data_Experts

Check out @ahmedjr_16’s Tweet: https://twitter.com/ahmedjr_16/status/1051539812258213889?s=09



@Data_experts

Big Data For Dummies
یکی از 10 کتاب برتر تاریخ تو بحث بیگ دیتا

@data_experts

یادگیری عمیق چیست و چه کاربردهایی دارد؟
ترنس سجنوفسکی، یک عصب‌‌پژوه محاسباتی در موسسه مطالعات بیولوژیکی سالک است. او می‌گوید که کلیدواژه‌‌هایی نظیر یادگیری عمیق و شبکه‌های عصبی همه جا به چشم می‌‌خورند؛ اما درک بیشتر مردم درمورد این مفاهیم، کاملاً اشتباه است.
سجنوفسکی، پیشگام در مطالعه‌‌ی الگوریتم‌‌های یادگیری و نویسنده‌‌ی کتاب انقلاب یادگیری عمیق (که هفته‌‌ی آینده از انتشارات MIT منتشر می‌‌شود) است. او استدلال می‌کند که ما راجع به مباحثی نظیر هوش مصنوعی قاتل یا ربات‌هایی که قرار است جایگزین ما شوند، تفکری اعتیادآمیز داریم؛ این در حالی است که در سایه‌‌ی این طرز تفکر، پتانسیل‌‌های هیجان‌انگیز پیش‌‌ رو در زمینه‌های علوم کامپیوتر و اعصاب ونیز اتفاقاتی که در صورت تلاقی هوش مصنوعی با هوش انسانی رخ خواهند داد، کاملاً به حاشیه رانده شده‌‌اند.
ترنس سجنوفسکی می‌گوید که درک عموم درمورد مفاهیمی نظیر «یادگیری عمیق» و «شبکه‌های عصبی»، کاملاً اشتباه است. مشکل این است که مردم در مورد مقیاس زمانی، اشتباه می‌کنند. آن‌ها انتظار دارند که خیلی زود، تغییراتی بسیار بزرگ روی دهد.
منبع : زومیت
@Data_Experts

مردم کلماتی مانند «هوش مصنوعی»، « شبکه‌های عصبی»، «یادگیری عمیق» و «یادگیری ماشینی» را با یکدیگر اشتباه می‌‌گیرند، اما این‌‌ها مفاهیمی متفاوتی هستند. تفاوت آن‌‌ها در چیست؟

تعریف مفهوم هوش مصنوعی به سال ۱۹۵۶ در آمریکا بازمی‌گردد؛ زمانی که مهندسان تصمیم گرفتند تا یک برنامه رایانه‌ای با تقلید از هوش بشری بنویسند. در دل هوش مصنوعی، یک مفهوم جدید با نام یادگیری ماشین خلق شد. در این روش، به‌جای آن که شما یک برنامه‌ی گام‌به‌گام برای انجام یک کار بنویسید (که یک رویکرد سنتی در زمینه‌‌ی هوش مصنوعی است)، اطلاعات فراوانی در مورد آن‌‌چه که می‌خواهید بفهمید، جمع‌آوری ‌می‌کنید. برای مثال، تصور کنید که قصد دارید که اشیا را از یکدیگر تشخیص دهید، بنابراین شروع به جمع‌‌آوری تعداد زیادی از تصاویر مربوط به آن‌‌ها می‌‌کنید. سپس با یادگیری ماشین، یک فرایند خودکار آغاز می‌‌شود که ویژگی‌های مختلف اشیا را تجزیه‌‌و‌‌تحلیل می‌کند. در نهایت، سیستم تشخیص می‌‌دهد که فلان تصویر مربوط به یک خودرو است؛ درحالی‌که تصویر دیگر یک منگنه را نشان می‌‌دهد.

یادگیری ماشین یک عرصه‌‌ی بسیار وسیع است که پیدایش آن به مدت‌‌ها قبل بازمی‌گردد. در اصل، این علم با نام تشخیص الگو شناخته می‌‌شد، اما به‌‌مرور الگوریتم‌‌ها، از نظر ریاضی، بسیار وسیع‌تر و البته پیچیده‌تر شدند. در یادگیری ماشین، از دو مفهوم شبکه‌های عصبی (با الهام‌ از ساختار مغز) و یادگیری عمیق استفاده می‌‌شود. الگوریتم‌های یادگیری عمیق، دارای معماری ویژه‌ای با تعداد لایه‌‌های فراوان است که در یک شبکه جریان می‌‌یابند. بنابراین، یادگیری عمیق بخشی از یادگیری ماشین و یادگیری ماشین خود بخشی از هوش مصنوعی به حساب می‌‌آید.

@Data_Experts

یادگیری عمیق چه قابلیت‌‌هایی نسبت به سایر برنامه‌‌ها دارد؟

نوشتن یک برنامه، کاری بسیار دشوار است. در گذشته، رایانه‌ها چنان کند بودند و حافظه نیز به حدی گران‌‌قیمت بود که ناچار به علم منطق روی آورده شد؛ این همان علمی است که رایانه‌‌های فعلی بر اساس آن کار می‌‌کنند. منطق، زبان پایه‌‌ی ماشین‌‌هاست که توسط آن، اطلاعات به‌‌صورت بیت به بیت پردازش می‌‌شوند. اما رایانه‌ها همچنان بسیار کند و محاسبات بسیار پرهزینه بود.

اما اکنون هزینه‌‌ی محاسبات روز به روز کمتر می‌شود و از سوی دیگر هزینه‌‌ی نیروی کار مدام در حال افزایش است. هزینه‌‌ی محاسبات به حدی ارزان شده است که تهیه‌‌ی یک رایانه برای یادگیری یک برنامه، به صرفه‌تر از استخدام یک فرد برای نوشتن همان برنامه است. در این برهه از زمان، یادگیری عمیق شروع به حل مسائلی کرد که هیچ انسانی تا آن زمان برای آن برنامه‌‌ای ننوشته بود؛ حوزه‌‌هایی مانند بینایی رایانه‌‌‌ای و ترجمه، نمونه‌‌هایی از این پیشرفت بودند.

یادگیری فرایندی به‌‌شدت محاسباتی است، اما شما فقط نیاز دارید یک‌ بار برنامه بنویسید و سپس با دادن اطلاعات مختلف به آن، می‌توانید مسائل مختلف را حل کنید. دیگر نیازی نیست که شما حتماً در یک موضوع متخصص باشید؛ چرا که هزاران برنامه‌‌ی کاربردی درمورد هر موضوعی می‌توان یافت که در آن با حجم زیادی از اطلاعات سروکار داریم.
@Data_Experts

به نظر می‌رسد که امروزه «یادگیری عمیق» در همه جا مطرح است؛ این مفهوم چگونه تا این حد فراگیر شد؟

من در حقیقت می‌توانم به یک لحظه‌‌ی خاص از تاریخ اشاره کنم: دسامبر ۲۰۱۲ در نشست NIPS (که بزرگ‌ترین کنفرانس هوش مصنوعی است)، متخصص رایانه‌ای به‌نام جف هینتون به همراه دو تن از دانشجویان کارشناسی ارشد خود نشان داد که با در اختیار داشتن یک مجموعه‌‌‌ی داده‌ی بسیار بزرگ به‌‌نام ایمیج‌‌نت شامل ۱۰ هزار دسته‌‌بندی و ۱۰ میلیون تصویر، می‌‌توان خطای طبقه‌بندی را با کمک یادگیری عمیق، تا ۲۰ درصد کاهش داد.

معمولاً در این مجموعه‌‌داده‌ها، میزان خطا در هر سال کمتر از یک درصد کاهش می‌یافت. حالا نتیجه‌‌ی ۲۰ سال پژوهش، تنها در عرض یک سال حاصل شده بود. این دستاورد، واقعاً به معنای باز شدن دریچه‌‌ی یک سد بود.

@Data_Experts

در حقیقت، ایده‌‌ی یادگیری عمیق از علم اعصاب سرچشمه می‌گیرد. نگاهی به موفق‌ترین شبکه‌های یادگیری عمیق بیندازید؛ نام این شبکه، شبکه‌ی عصبی پیچشی یا سی.ان.ان (CNN) است که توسط یان لیکون توسعه یافته است.

اگر به معماری CNN توجه کنید، می‌‌بینید که آن مجموعه‌‌ای از تعداد زیادی واحدهای مجزا نیست؛ بلکه آن‌ها به یک روش بنیادی با یکدیگر در ارتباط هستند که به نوعی یادآور سیستم مغز است. یکی از بخش‌های مغز (که به نحو احسن در سیستم بینایی و قشر بینایی مورد مطالعه قرار گرفته است) نشان می‌دهد که در مغز دو دسته سلول‌ شامل انواع ساده و پیچیده وجود دارند. اگر به معماری CNN هم توجه کنید، خواهید دید آن‌‌جا هم دو دسته سلول متناظر با سلول‌های ساده و سلول‌های پیچیده وجود دارند. این تشابه به‌‌طور مستقیم از درک سیستم بینایی در مغز ناشی شده است.

یان، کورکورانه به کپی‌‌سازی قشر مغز نپرداخته است. او پیش‌‌تر انواع مختلفی از تغییرات را امتحان کرده بود، اما در نهایت او به همان ساختاری رسید که پیش‌‌تر طبیعت به آن رسیده بود. این یک نتیجه‌‌ی مهم است. موضوعات فراوانی در هم‌گرایی طبیعت و هوش مصنوعی وجود دارد که باید یاد بگیریم و مسلما هنوز مسیری طولانی در پیش روی ما قرار دارد.

@Data_Experts

درک ما از علوم رایانه تا چه میزان به درک ما از مغز وابسته است؟

بیشتر دستاوردهای ما در زمینه‌‌ی هوش مصنوعی، براساس دانشی است که ما در دهه ۶۰ درباره مغز فراگرفتیم. ما در حال حاضر مقدار زیادی از این دانش را کسب کرده‌‌ایم و بخش اعظم این دانش در معماری رایانه گنجانیده شده ‌است.

آلفاگو (AlphaGo) برنامه‌ای که قهرمان بازی Go را شکست داد، تنها یک مدل‌‌سازی از قشر مغز محسوب نمی‌شود؛ بلکه همچنین مدلی از بخشی از مغز به‌‌نام هسته‌های قاعده‌‌ای است که برای ایجاد یک توالی از تصمیمات برای رسیدن به یک هدف، نقشی مهم دارد. الگوریتمی به‌‌نام تفاوت‌های زمانی نیز وجود دارد که در دهه‌ی ۸۰ توسط ریچارد ساتون توسعه یافت؛ چنانچه این الگوریتم به‌همراه یادگیری عمیق مورد استفاده قرار گیرد، می‌توان شاهد عملکرد‌‌های پیچیده‌‌ای بود که پیش‌ از این دیده نشده است.

به‌مرور که درمورد معماری مغز یاد می‌گیریم و در کنار آن می‌‌آموزیم که چطور می‌توان این معماری را با سیستم مصنوعی ادغام کرد، قابلیت‌های بیشتری به‌دست خواهیم آورد تا از نقطه‌‌ای که هم‌‌ اکنون در آن هستیم، فراتر برویم.

@Data_Experts