PrinceofAI Weekly

هفته نامه شماره هفتاد و سوم

اخبار:

مدل جدید یادگیری عمیق از ویدئو برای اندازه گیری رشد جنین استفاده می کند

محققان دانشگاه پلیموث یک مدل هوش مصنوعی یادگیری عمیق به نام Dev-ResNet توسعه داده‌اند که می‌تواند رویدادهای رشدی کلیدی در رشد جنینی را از طریق فیلم‌برداری شناسایی کند. این مدل از شبکه های عصبی کانولوشنال سه بعدی برای تجزیه و تحلیل تغییرات بین فریم های ویدئویی استفاده می کند و می تواند رویدادهایی مانند عملکرد قلب، خزیدن، جوجه ریزی و مرگ را در جنین حلزون حوضچه تشخیص دهد. این مطالعه نشان می‌دهد که Dev-ResNet می‌تواند به‌طور قابل اعتمادی این رویدادها را شناسایی کند و بینش‌های جدیدی را در مورد چگونگی تأثیر دما بر ویژگی‌های رشدی نشان داده است. محققان بر این باورند که این مدل کاربرد گسترده ای در همه گونه ها دارد و می تواند برای مطالعه چگونگی تأثیر تغییرات آب و هوا و سایر عوامل خارجی بر رشد انسان و حیوان استفاده شود. این تکنیک می تواند درک زیست شناسی رشد را تسریع کند و به حفاظت از گونه ها کمک کند. محققان این مدل و مستندات را در دسترس سایر دانشمندان قرار داده اند تا از آنها استفاده کنند.

صنعت:

آوردن هوش مصنوعی مولد به صنعت فضایی

خدمات وب آمازون (AWS) در حال آماده شدن برای سرمایه گذاری از پتانسیل هوش مصنوعی مولد (AI) برای تغییر صنعت فضایی و سایر بخش ها است. بیش از 60 درصد از مشتریان فضایی و هوافضای AWS در حال حاضر از نوعی هوش مصنوعی استفاده می کنند و این شرکت رشد مشابهی را در پذیرش هوش مصنوعی مولد در چند سال آینده پیش بینی می کند. هوش مصنوعی مولد از مدل های یادگیری عمیق برای ایجاد محتوا یا پاسخ به سؤالات بر اساس الگوهای موجود در مجموعه داده های بزرگ استفاده می کند. AWS سازماندهی داخلی خود را برای تمرکز بر هوش مصنوعی مولد سازماندهی کرده است و یک تیم تخصصی برای همکاری با مشتریان برای توسعه قابلیت‌های جدید ایجاد کرده است. این شرکت سه حوزه اصلی را برای استفاده از هوش مصنوعی مولد در فضا می بیند: تجزیه و تحلیل جغرافیایی، طراحی فضاپیما و مدیریت صورت فلکی. AWS همچنین برای تسریع در پذیرش این قابلیت‌های محاسباتی نوظهور، بورسیه‌های تحصیلی و آموزش رایگان هوش مصنوعی ارائه می‌دهد.

مقاله:

A survey of deep learning applications in cryptocurrency

این مطالعه به بررسی کاربرد روش های یادگیری عمیق در تحقیقات ارزهای دیجیتال می پردازد. ابتدا به مدل‌های یادگیری عمیق محبوب مورد استفاده در برنامه‌های مالی، از جمله شبکه‌های عصبی کانولوشنال، شبکه‌های عصبی تکراری، شبکه‌های باور عمیق و یادگیری تقویتی عمیق نگاه می‌کند. سپس این مطالعه مروری بر ارزهای دیجیتال، از جمله تاریخچه و ارزهای نماینده آنها ارائه می دهد.

بررسی ادبیات، وظایف مدل‌سازی مختلف در تحقیقات ارزهای دیجیتال، از جمله پیش‌بینی قیمت، ساخت نمونه کارها، تجزیه و تحلیل حباب‌ها، معاملات غیرعادی، مقررات معاملات و عرضه اولیه سکه را پوشش می‌دهد. این مطالعه مطالعات بررسی‌شده را بر اساس رویکردهای مدل‌سازی، داده‌های تجربی، نتایج آزمایش‌ها و نوآوری‌های خاص مورد بحث و ارزیابی قرار می‌دهد.

این مطالعه با اطلاع‌رسانی به جهت‌های تحقیقاتی آینده و کانون‌های یادگیری عمیق در تحقیقات ارزهای دیجیتال به پایان می‌رسد. این بررسی پتانسیل روش‌های یادگیری عمیق را در رسیدگی به چالش‌های مختلف در تحقیقات ارزهای دیجیتال برجسته می‌کند و کاوش بیشتر در این زمینه را تشویق می‌کند.

آموزش:

درخت تصمیم در یادگیری ماشین چیست؟

درخت تصمیم (decision tree) ابزار قدرتمندی است که در یادگیری ماشین برای کارهای طبقه‌بندی و رگرسیون استفاده می‌شود. با تقلید از یک ساختار درختی کار می کند، که در آن:

-گره ریشه کل مجموعه داده را نشان می دهد

-شاخه ها نقاط تصمیم گیری متفاوتی را بر اساس ویژگی های داده ها نشان می دهند.

-برگ ها نشان دهنده نتایج یا پیش بینی های نهایی هستند.

همانطور که الگوریتم درخت را می سازد، داده ها را بر اساس مرتبط ترین ویژگی ها به زیر مجموعه های کوچکتر و خالص تر تقسیم می کند. این یک سری قوانین if-then-else ایجاد می کند که می تواند برای پیش بینی داده های جدید استفاده شود.

در اینجا چند نکته کلیدی وجود دارد که باید در مورد درخت تصمیم بدانید:

-یادگیری نظارت شده: آنها به داده های برچسب دار نیاز دارند، به این معنی که داده ها باید هم ویژگی های ورودی و هم یک متغیر هدف مربوطه داشته باشند.

-تفسیر آسان: ساختار درختی درک منطق پشت پیش بینی ها را آسان می کند.

-می تواند داده های طبقه ای و پیوسته را مدیریت کند: این باعث می شود آنها برای مشکلات مختلف یادگیری ماشین همه کاره باشند.

با این حال، درختان تصمیم نیز می توانند مستعد بیش از حد برازش شوند اگر به دقت کنترل نشوند. این بدان معنی است که مدل ممکن است در داده های آموزشی عملکرد خوبی داشته باشد اما به خوبی به داده های دیده نشده تعمیم ندهد.

کدینگ:

کتابخانه sys در پایتون چیست؟

کتابخانه sys در پایتون یک ماژول داخلی است که دسترسی به پارامترها و توابع خاص سیستم را فراهم می کند. اساساً به شما امکان می دهد با خود مفسر پایتون تعامل داشته باشید و محیط زمان اجرا را دستکاری کنید.