💎داده یعنی طلا، اما درک اون الماسه!
💡در یادگیری ماشین، مهم‌تر از اینکه چه الگوریتمی انتخاب کنیم، فهمیدن داده‌ها و ارتباطشون با مسئله‌ای هست که می‌خواهیم حل کنیم. اگه ندونیم با چه نوع داده‌ای سر و کار داریم و صرفا به صورت رندم الگوریتمی انتخاب کنیم، مثل اینکه داریم با چشمان بسته به دنبال کلید می‌گردیم! قبل از اینکه به سراغ ساخت مدل بریم، باید این سوالات رو ازخودمون بپرسیم:

🟣 چه سوالی می‌خوایم جواب بدیم؟ آیا داده‌هایی که جمع‌آوری کردیم می‌تونن سوالمونو جواب بدن؟
🟣چطور میشه سوال رو به یه مسئله یادگیری ماشین تبدیل کرد؟
🟣آیا داده‌های کافی برای حل مسئله داریم؟
🟣چه ویژگی‌هایی از داده استخراج کردیم و آیا برای پیش‌بینی‌های درست به کار میان؟
🟣چطور موفقیت رو توی مدلی که ساختیم اندازه‌گیری کنیم؟
🟣چطور راه‌حل یادگیری ماشین با بخش‌های دیگه تحقیق یا محصول تجاری من کار می‌کنه؟

📌 یادتون باشه، الگوریتم فقط یه تیکه از پازلِ حل مشکله. خیلی‌ها برای راه‌حل‌های پیچیده وقت می‌ذارن، بعد می‌فهمن مشکل درستی رو حل نکردن! حواستون به اهداف نهایی باشه. خیلی وقتا وقتی عمیقاً وارد جنبه‌های فنی یادگیری ماشین می‌شیم ، به راحتی اهداف نهایی رو فراموش می کنیم. پس ، هر فرضی که موقع ساخت مدل می‌کنیم، چه مستقیم چه غیرمستقیم، مهمه!

⬅️برگی از کتاب Introduction to Machine Learning with Python, A Guide for Data Scientists» اثر Andreas C. Müller and Sarah Guido

#گنجینه_کتاب
#یادگیری_ماشین

✉️@IDS_AI_ML
✉️@IDSchools

📱معرفی یه کانال یوتوب باحال برای عاشقان ریاضی و دنياى هوش مصنوعی

💡کانال یوتیوب 3 Blue1Brown رو میشناسید؟ فرقی نمیکنه به دنبال یادگیری ریاضیات به شکل سرگرم کننده هستین، یا اینکه کنجکاو دنیای هوش مصنوعی و یادگیری عمیق، این کانال یه گنجینه واقعی برای شماست

🔴خالق این کانال Grant Sanderson، با استفاده از انیمیشن های باحال و توضیحات فوق العاده واضح، حتی پیچیده ترین مفاهیم ریاضی، یادگیری ماشین و هوش مصنوعی رو براتون قابل فهم میکنه.
از مباحث پایه ریاضی مثل حسابان و جبر، تا شبکه های عصبی و یادگیری عمیق ، همه چی تو این کانال پیدا میشه.

‼️اگه دوست دارید دنیای ریاضیات و هوش مصنوعی رو به شیوه ای نوین و جذاب درک کنین، حتما سری به این کانال پرمحتوا بزنین.

📱لینک کانال : 3 Blue1Brown
#کافه_یوتوب

✈️@IDS_AI_ML
✈️@IDSchools

🤩نحوه پیدا کردن زیرنویس فارسی برای ویدیوهای یوتوب🤩
🔴منبع : اختصاصی مدارس میان‌رشته‌ای

#کافه_یوتوب
#کافه_یادگیری

✈️@IDS_AI_ML
✈️@IDSchools

😄برای یادگیری علومی مثل هوش مصنوعی، یه سری پیش نیاز لازم داریم تا مفاهیم اختصاصی مربوط به اون رو درک کنیم. آکادمی نورومچ برای آمادگی دوره‌ی DeepLearning، پیش نیازهایی تدارک دیده، اونا پیشنهاد می‌کنن که دانش خودتون رو در زمینه‌های برنامه نویسی پایتون و برخی مفاهیم کلیدی ریاضی تقویت کنین. حتی اگه تازه‌ وارد دنیای کدنویسی شدین! این موسسه با معرفی منابع و مطالبی کاربردی راهتون رو برای ورود به این حوزه راحت‌تر کرده.

⬅️برنامه نویسی پایتون

♾ درسنامه‌های W0D1 and W0D2
♾ دوره‌‌های Software carpentry 1-day Python tutorial یا free Edx course Using Python for Research
♾ سایت scipy lecture notes
♾ کتاب Python data science handbook
اگه برنامه نویسی متلب بلدین و می خواین پایتون یاد بگیرین:
♾ سایت cheatsheet
♾ کتاب Neural data science : a primer with MATLAB® and Python


⬅️ریاضیات

🔴 جبرخطی
♾ درسنامه‌های W0D3
♾ ویدیو‌های lecture series
♾ آکادمی Khan academy
♾ تمارین linear algebra in Python

🔴 آمار و احتمال
♾ درسنامه‌های W0D5
♾ فصول ۶ و ۷ کتاب Russ Poldrack’s book “Statistical thinking of the 21st century

🔴حسابان
♾ کتاب Gilbert Strang’s book
♾ فصول ۰ و۱ کتاب Differential equations for engineers

#نورومچ
#یادگیری_عمیق
#یادگیری_ماشین
✈️@IDS_AI_ML
✈️@IDSchools

🤩کتاب "Deep Learning with Python" اثر François Chollet، متخصص برجسته در حوزه یادگیری عمیق و همچنین خالق Keras، دریچه‌ای به سوی دنیای پیچیده و جذاب یادگیری عمیق با پایتون است. این کتاب که به عنوان مرجعی ارزشمند در این حوزه شناخته می‌شود، برای افرادی که با زبان برنامه‌نویسی پایتون آشنایی دارند، نوشته شده است

🟢محتوا:

⬅️فصل ۱ - ?What is deep learning
با مفاهیم هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، و همچنین مفاهیم کلیدی و کاربردهای آن ها در دنیای واقعی آشنا می‌شوید.

⬅️فصل ۲ - The mathematical building blocks
به مبانی شبکه‌های عصبی مصنوعی، عملیات تنسورها و بهینه سازی می‌پردازد.

⬅️فصل ۳ - Introduction to Keras and TensorFlow
با Keras ، کتابخانه قدرتمند یادگیری عمیق در پایتون، آشنا می‌شوید و یاد می‌گیرید که چگونه با استفاده از Keras مدل‌های یادگیری عمیق خود را بسازید و آموزش دهید.

⬅️فصل ۴ - Getting started with neural networks: Classification and regression
با نحوه‌ی ساخت و راه‌اندازی مدل‌های یادگیری عمیق برای مسائل طبقه‌بندی و رگرسیون آشنا می‌شوید.

⬅️فصل ۵ - Fundamentals of machine learning
مفاهیم بنیادین یادگیری ماشین که زیربنای یادگیری عمیق نیز هستند، مورد بررسی قرار می‌گیرند.

⬅️فصل ۶ - The universal workflow of machine learning
با مراحل کلی و مشترک در پروژه‌های یادگیری ماشین آشنا می‌شوید.

⬅️فصل ۷ - Working with Keras: A deep dive
به صورت عمیق‌تر با کتابخانه‌ی Keras برای پیاده‌سازی مدل‌های یادگیری عمیق کار خواهید کرد.

⬅️فصل ۸ - Introduction to deep learning for computer vision
با کاربردهای یادگیری عمیق در پردازش تصویر و بینایی کامپیوتر آشنا می‌شوید.

⬅️فصل ۹ - Advanced deep learning for computer vision
مباحث پیشرفته‌تری در زمینه‌ی بینایی کامپیوتر با یادگیری عمیق را فرا خواهید گرفت.

⬅️فصل ۱۰ - Deep learning for timeseries
با نحوه‌ی به‌کارگیری یادگیری عمیق برای تحلیل داده‌های سری زمانی مانند داده‌های مالی یا آب و هوا آشنا می‌شوید.

⬅️فصل ۱۱ - Deep learning for text
با کاربردهای یادگیری عمیق در پردازش زبان طبیعی مانند تحلیل احساسات و استخراج متن آشنا می‌شوید.

⬅️فصل ۱۲ - Generative deep learning
با انواع مدل‌های یادگیری عمیق که برای تولید داده‌های جدید به کار می‌روند، آشنا می‌شوید.

⬅️فصل ۱۳ - Best practices for the real world
نکات مهم و تجربی برای پیاده‌سازی موفق پروژه‌های یادگیری عمیق در دنیای واقعی را فرا می‌گیرید.

⬅️فصل ۱۴ - Conclusions
جمع‌بندی کلی از مباحث کتاب و چشم‌انداز آینده‌ی یادگیری عمیق ارائه می شود

#معرفی_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

📎فایل کتاب Deep Learning With Python _ Francois_Chollet

#گنجینه_کتاب
#یادگیری_عمیق
✈️@IDS_AI_ML
✈️@IDSchools

💡فرض کنین یه سری داده ورودی همراه با لیبل مشخص دارین که مشخص می کنن کدوم داده متعلق به کدوم کلاس هست.
🔴شبکه‌های عصبی عمیق با تنظیم وزن‌ها بر اساس نمونه‌های آموزشی یاد می‌گیرن. هر لایه وظیفه خاص خود رو بر روی داده ورودی انجام می ده، که توسط وزن های اون لایه تعریف می شن. هدف نهایی این هست که وزن‌هایی پیدا کنیم که خروجی شبکه را با خروجی هدف (برای مثال، طبقه‌بندی یک تصویر به عنوان گربه) مطابقت بده. تابع خطا اندازه‌گیری می‌کنه که خروجی فعلی تا چه حد با خروجی هدف فاصله داره. این خطا توسط بهینه‌ساز برای تنظیم وزن‌ها در جهتی که خروجی را بهبود می‌ده، استفاده می‌شه. در ابتدا، وزن‌ها تصادفی هستن و عملکرد شبکه ضعیفه، اما با پردازش نمونه‌های بیشتر توسط شبکه، وزن‌ها تنظیم شده و امتیاز خطا کاهش پیدا می‌کنه. این حلقه‌ی آموزشی بارها تکرار می‌شه تا زمانی که خطا به حداقل برسه و در نتیجه شبکه‌ای به دست می‌‌یاد که می تونه ورودی‌ها را به درستی به خروجی‌های هدف نگاشت کنه.

🔴به عبارت دیگه، شبکه عصبی عمیق داده‌ها را از طریق یک سری لایه‌های متصل که هر کدوم حاوی وزن هستند، پردازش می‌کنه. وزن‌ها بر اساس نمونه‌های آموزشی تنظیم می‌شن تا خروجی شبکه با خروجی هدف مطابقت داشته باشه.

⬅️برگی از کتاب "Deep Learning with Python" اثر François Cholle

#گنجینه_کتاب
#یادگیری_عمیق
✈️@IDS_AI_ML
✈️@IDSchools

😮با نکات فوق العاده Jia-Bin Huang، مهارت های خود را ارتقا دهید
ایشون به عنوان دانشیار مهندسی کامپیوتر دانشگاه Illinois, Urbana-Champaign ، در صفحه‌ی گیتهاب خودشون نکات مفیدی برای دانشجویان، علی الخصوص تحصیلات تکمیلی در مسیر پرپیچ و خم ریسرچ به اشتراک گذاشته

🔣نگاهی داشته باشیم به تیتر موضوعات

⬅️تحقیق
این بخش کل فرآیند تحقیق را در بر می گیرد، از پیدا کردن موضوع و انجام آزمایش ها تا غلبه بر مشکلات و پیگیری یافته هایتان
⬅️کار با اساتید راهنما
این بخش توصیه‌هایی را برای همکاری مؤثر با استادان راهنما و مشاوران ارائه می‌دهد، از جمله راهبردهای ارتباطی و نکات مدیریت زمان
⬅️نوشتن
این بخش راهنمایی در مورد نوشتن مقالات تحقیقاتی واضح، مختصر و ساختارمند ارائه می دهد، از جمله مقدمه، بخش کارهای مرتبط، شکل ها، جداول و استنادها
⬅️ارائه
این بخش جنبه‌های مختلف ارائه تحقیقات شما را پوشش می‌دهد، از جمله آماده کردن اسلایدها، سازماندهی سخنرانی، ایجاد تصاویر مؤثر و رسیدگی به سوالات مخاطبان
⬅️ارتباطات
این بخش نکاتی را در مورد ارتباط واضح در زمینه‌های مختلف، از جمله ارائه‌های تحقیقاتی، ایمیل‌ها و محتوای ویدیویی ارائه می‌دهد
⬅️حرفه
این بخش راهنمایی برای هدایت مسیر تحصیلی شما ارائه می دهد، از درخواست برای برنامه های تحصیلات تکمیلی و کارآموزی تا پیدا کردن موقعیت استادی
⬅️بهره وری
این بخش راهبردهایی برای مدیریت موثر زمان و ایجاد یک روال تحقیقاتی پربار ارائه می دهد
⬅️شبکه سازی
این بخش نکاتی را برای برقراری ارتباط با سایر پژوهشگران در کنفرانس‌ها و از طریق ایمیل ارائه می‌دهد
⬅️مالی
این بخش به برنامه ریزی مالی برای دانشجویان تحصیلات تکمیلی می پردازد.

برای استفاده از نکات و تجارب ارزشمند این استاد، حتما سری به گیتهاب ایشون بزنین

🌐صفحه گیتهاب استاد
🌐صفحه‌ی آکادمی استاد
#گیتهاب

✈️@IDS_AI_ML
✈️@IDSchools

🎲خیلی وقتا که رزومه‌ی افراد مطرح رو می‌بینیم ، چه بسا غبطه می‌خوریم و تمرکزمون صرفا روی موفقیت ها و نتایج خوب بوده، ولی مسیری که برای این موفقیت ها پیمودن و پر از چالش ها و شکست ها بوده رو نادیده می‌گیریم.

🔼پیرو پست قبلی در مورد استاد Jia-Bin Huang، ایشون علاوه بر به اشتراک گذاشتن رزومه موفقیت‌های آکادمیشون، رزومه ی شکست‌هاشون رو هم قرار دادن که خوندنش خالی از لطف نیست.

🌐صفحه گیتهاب استاد
🌐صفحه‌ی آکادمی استاد
#گیتهاب
✈️@IDS_AI_ML
✈️@IDSchools

🤩#کافه_یادگیری 🤩
✈️@IDS_AI_ML
✈️@IDSchools

👤آقای Garry Kasparov، نامی که در دنیای شطرنج به عنوان یک اسطوره شناخته می شود، فراتر از یک قهرمان بود. او با نبوغ و استعداد خارق العاده خود، انقلابی در این بازی پیچیده ایجاد کرد و نام خود را در تاریخ شطرنج جاودانه ساخت.

💡داستان Kasparov، حکایتی از درخشش و پشتکار بی نظیر است. او از سنین پایین، استعداد ذاتی خود را در شطرنج به نمایش گذاشت و با غلبه بر حریفان قدرتمند، پله های ترقی را به سرعت طی کرد. در سن 22 سالگی، به جوانترین قهرمان جهان در تاریخ شطرنج تبدیل شد و نام خود را به عنوان یکی از بزرگترین شطرنج بازان تمام دوران ثبت کرد.

🧠اما میراث Kasparov به کسب جام ها و افتخارات محدود نمی شود. او با شجاعت و جسارت، پا به عرصه ای جدید گذاشت و با رویارویی با ماشین های هوش مصنوعی (AI) که به طور فزاینده ای پیشرفته می شدند، به پیشگامی در دنیای شطرنج و هوش مصنوعی تبدیل شد.

🔻مشهورترین چالش Kasparov، سری مسابقات او با Deep Blue، یک ابررایانه قدرتمند متعلق به شرکت IBM بود. در سال 1996، کاسپاروف در یک نبرد فکری نفسگیر، Deep Blue را شکست داد و قدرت ذهن انسان را به رخ جهانیان کشید. با این حال، مسابقه مجدد آنها در سال 1997 نقطه عطفی در تاریخ شطرنج رقم زد. Deep Blue با اتکا به قدرت پردازش خام خود، در یک رقابت تاریخی،Kasparov را مغلوب کرد.

💥 این رویداد، جرقه ای برای گفتگویی جهانی در مورد آینده رقابت انسان و ماشین شد. برخی آن را پایان سلطه انسان در شطرنج می دیدند، اما Kasparov با دیدگاهی عمیق تر، آن را به عنوان چالشی برای کشف پتانسیل هوش مصنوعی در ارتقای بازی در نظر گرفت.

➡️فیلم بالا سخنرانی ایشون در TED سال ۲۰۱۷ هست.

#چهره‌های_برجسته
✈️@IDS_AI_ML
✈️@IDSchools

📱معرفی یه کانال یوتوب باحال برای دوستداران دنیای هوش مصنوعی و تحقیقات جدید

📱کانال TwoMinutePapers

⁉️آیا تا به حال فکر کردین که تحقیقات پیشرفته در هوش مصنوعی (AI) چطور انجام میشن و دستاوردشون چیه؟

🟡به روز ماندن در مورد آخرین پیشرفت ها در این زمینه هم می‌تونه زمان‌بر و هم سخت باشه. اما چه خوب میشه اگر بتونیم مفاهیم پیشگامانه مقالات برجسته رو در چند دقیقه درک کنیم...

📱این کانال عالی یوتیوب، خلاصه های مختصر و جذاب از مقالات تحقیقاتی اخیر هوش مصنوعی رو ارائه میده. هر ویدیو به طور عمیق به موضوع خاصی می پردازه و ایده های پیچیده رو به روشی آسون برای درک بهتر توضیح می ده.

💡چه علاقه‌مند به فناوری باشین، چه دانشجوی کنجکاو، Two Minute Papers راهنمای عالی شما برای دنیای جذاب هوش مصنوعی هست.

🔣ویژگی‌های کانال:

🟣کوتاه و شیرین: ویدیوها به طور معمول کوتاه هستنن و تو مدت زمان کم می‌تونین تماشا کنین.
🟣توضیحات واضح: مفاهیم پیچیده به بخش‌های کوچک تقسیم می‌شن و راحت تر درک میشن.
🟣موضوعات گسترده: همه چیز رو از هوش مصنوعی برای بازی‌سازی و فیلمسازی تا آخرین پیشرفت‌ها در پردازش زبان طبیعی رو پوشش میده.

📱لینک کانال : TwoMinutePapers

#کافه_یوتوب

✉️@IDS_AI_ML
✉️@IDSchools

😮می‌خواید از دل انبوه اطلاعات، دانش و بینش ارزشمند استخراج کنید؟ پس با کتاب «Data Mining Concepts and Techniques» همراه باشید.
⬅️این کتاب، مرجعی کامله که شما رو قدم به قدم با فرآیند کشف دانش از داده یا داده‌کاوی آشنا می‌کنه.

🔣محتوا:
🔴فصل ۱ - Introduction
با داده‌کاوی و نقش آن در کشف دانش، انواع مختلف داده‌هایی که می‌تواند پردازش کند، دانش‌های گوناگونی که می‌تواند استخراج کند و ارتباط آن با سایر رشته‌ها و کاربردهایش را پوشش می‌دهد.
🔴فصل ۲ - Data, measurements, and data preprocessing
به انواع داده‌ها ، آمار داده‌ها ، اندازه‌گیری شباهت و فاصله ، کیفیت داده، پاکسازی داده، ادغام داده و تبدیل داده و کاهش بعد می‌پردازد.
🔴فصل ۳ - Data warehousing and online analytical processing
به انبار داده‌ها، معماری‌های آن‌ها ، مدل‌سازی انبار داده، اندازه‌گیری‌ها و... را پوشش می‌دهد.
🔴فصل ۴ -Pattern mining: basic concepts and methods
کشف الگوهای بنیادین - از تحلیل سبد خرید تا کشف قوانین انجمن و ارزیابی آنها را توضیح می‌دهد.
🔴فصل ۵ - Pattern mining: advanced methods
این فصل به انواع الگو ها و روش‌های کشف آن‌ها می‌پردازد
🔴فصل ۶ - Classification: basic concepts and methods
این فصل اصول طبقه‌بندی را شامل یادگیری درخت تصمیم، طبقه‌بندهای خطی، ارزیابی مدل و تکنیک‌های بهبود دقت را به صورت خلاصه توضیح می‌دهد.
🔴فصل ۷ - Classification: advanced methods
بعد از طبقه‌بندی اولیه، این فصل به سراغ بهبود آن با انتخاب و مهندسی ویژگی می‌رود. همچنین روش‌های طبقه‌بندی پیشرفته‌تر، طبقه‌بندی با داده‌های پیچیده و دیگر تکنیک‌ها معرفی می‌شوند.
🔴فصل ۸ - Cluster analysis: basic concepts and methods
با مفاهیم و روش های خوشه‌بندی آشنا می کند
🔴فصل ۹ - Cluster analysis: advanced methods
به مباحث پیشرفته‌تر در زمینه‌ی خوشه‌بندی می پردازد
🔴فصل ۱۰ - Deep learning
مفاهیم و روش های یادگیری عمیق را توضیح می دهد
🔴فصل ۱۱ - Data mining trends and research frontiers
به مفاهیم و روش های تشخیص داده‌های پرت می پردازد
🔴فصل ۱۲ -Data mining trends and research frontiers
جمع‌بندی کلی از مباحث کتاب و چشم‌انداز آینده‌ی داده‌کاوی ارائه می شود

#️⃣#معرفی_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

📎 فایل کتاب «Data Mining Concepts and Techniques»
#معرفی_کتاب
✈️@IDS_AI_ML
✈️@IDSchools

🟡ما در سیل انبوهی از داده ها غرق شده ایم - داده های علمی، پزشکی، جمعیت شناختی، مالی و بازاریابی. مردم زمانی برای نگاه کردن به این حجم از داده ها ندارند. توجه انسان به یک منبع گران بها تبدیل شده است. بنابراین، باید راه‌هایی برای تجزیه و تحلیل خودکار داده‌ها، طبقه‌بندی خودکار، خلاصه سازی خودکار، کشف و توصیف خودکار روندها در آن و همچنین شناسایی خودکار ناهنجاری‌ها پیدا کنیم.

💻رایانه‌ای شدن جامعه ما، توانایی‌های ما را برای تولید و جمع‌آوری داده از منابع مختلف به‌طور قابل توجهی افزایش داده است. حجم عظیمی از داده‌ها تقریباً در تمام جنبه‌های زندگی ما جاری شده است. این رشد انفجاری در داده‌های ذخیره‌شده یا گذرا، نیاز فوری به تکنیک‌های جدید و ابزارهای خودکاری را ایجاد کرده است که می‌توانند به‌طور هوشمندانه به ما در تبدیل مقادیر عظیم داده به اطلاعات و دانش مفید کمک کنند. این امر منجر به پیدایش یک زمینه امیدوارکننده و شکوفا در علم کامپیوتر به نام داده‌کاوی (Data Mining) و کاربردهای مختلف آن شده است.

🔳 داده‌کاوی که به طور عامیانه با عنوان "کشف دانش از داده (Knowledge Discovery from Data - KDD) نیز شناخته می‌شود، استخراج خودکار یا آسان الگوهایی است که دانش ضمنی ذخیره‌شده یا ثبت‌شده در پایگاه‌های داده بزرگ، انبارهای داده، وب، سایر مخازن عظیم اطلاعات یا جریان‌های داده را نشان می‌دهد.

◽️ به عنوان یک حوزه میان‌رشته ای، از کار در زمینه های مختلف از جمله آمار، یادگیری ماشین، تشخیص الگو، فناوری پایگاه داده، بازیابی اطلاعات، پردازش زبان طبیعی، علم شبکه، سیستم های مبتنی بر دانش، هوش مصنوعی، محاسبات با کارایی بالا و بصری سازی داده بهره می برد.

⬅️برگی از کتاب "Data Mining Concepts and Techniques"

#گنجینه_کتاب

✉️@IDS_AI_ML
✉️@IDSchools

🧠«هدف هوش مصنوعی جایگزینی انسان با ماشین نیست، بلکه همکاری آن‌ها برای دستیابی به نتایج بهتر است.»

👤آقای John McCarthy، معمار هوش مصنوعی
این چهره‌ی ماندگار هوش مصنوعی، تاثیر به‌سزایی در این حوزه داشته است. او با ابداع اصطلاح «هوش مصنوعی»، توسعه‌ی زبان برنامه‌نویسی LISP و اهمیت دادن به اخلاق در هوش مصنوعی، مسیر این علم را تغییر داد. ایده‌های پیشرو و سهم‌های فکری او همچنان الهام‌بخش نسل‌های بعدی محققان و نوآوران است.

💡نقش کلیدی او در تولد هوش مصنوعی
ایشون با سازماندهی کنفرانس Dartmouth در ۱۹۵۶، نقشی اساسی در تولد هوش مصنوعی ایفا کرد. این کنفرانس که محل گردهمایی پژوهشگران علاقه‌مند به هوش ماشین بود، به عنوان نقطه‌ی آغاز این علم شناخته می‌شود. او در همین کنفرانس، برای نخستین بار اصطلاح «هوش مصنوعی» را به کار برد.

💥 زبان LISP: انقلابی در هوش مصنوعی
این زبان به عنوان ابزاری برای پردازش نمادین، به کامپیوترها توانایی کار با نمادهای دانش و استدلال بر اساس آن‌ها را بخشید. این زبان به زبان اصلی تحقیقات هوش مصنوعی تبدیل شد و نقشی اساسی در توسعه‌ی سیستم‌های خبره، پردازش زبان طبیعی و دیگر کاربردهای هوش مصنوعی ایفا کرد.

#چهره‌های_برجسته

✈️@IDS_AI_ML
✈️@IDSchools

🤩پلتفرم Hugging Face Spaces یک پلتفرم آنلاین برای اشتراک‌گذاری و استفاده از مدل‌های یادگیری ماشین است. به عبارتی، این فضا مخزن عظیمی از ابزارهای هوش مصنوعی کاربردی را در اختیار عموم قرار می‌دهد.

🟡در این پلتفرم، افراد متخصص و علاقه‌مندان به هوش مصنوعی می‌توانند مدل‌های یادگیری ماشین خود را برای استفاده دیگران به اشتراک بگذارند. همچنین، کاربران عادی نیز می‌توانند به راحتی از این مدل‌ها برای انجام کارهای مختلف استفاده کنند، بدون اینکه نیاز به دانش تخصصی برنامه‌نویسی داشته باشند.

⬅️حالا بیایید با یکی از این فضاهای جالب به نام Face to All آشنا شویم!

✅ ابزار Face to All، یک ابزار مبتنی بر هوش مصنوعی است که به عنوان فیلتری برای تصاویر پرتره عمل می‌کند. این ابزار با استفاده از مدل‌های یادگیری عمیق، می‌تواند چهره‌های موجود در تصاویر را تغییر دهد. با انتخاب Style و همچنین Prompt مورد نظر، تصاویر خود را می توانید به صورت آثار هنری در بیاورید.

🌐لینک Face to All
🌐لینک Huggingface
🌐لینک Huggingface Space
#Huggingface

✉️@IDS_AI_ML
✉️@IDSchools