نمایش نتایج: از 1 به 2 از 2
  1. #1
    عضو باشگاه
    تاریخ عضویت
    Jan 2009
    عنوان کاربر
    عضو باشگاه
    ميانگين پست در روز
    0.13
    محل سکونت
    نصف جهان
    نوشته ها
    509
    Thanks
    394
    Thanked 838 Times in 316 Posts

    پیش فرض

    به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشینی (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.

    هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی‌ی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌ای دوپا با دریافت سیگنال پاداش و تنبیه باشد.
    طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده‌است. در سوی نظری‌ی آن پژوهش‌گران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو روی‌کرد هستند.


    تقسیم‌بندی مسایل

    یکی از تقسیم‌بندی‌های متداول در یادگیری ماشینی، تقسیم‌بندی بر اساس نوع داده‌های در اختیار عامل هوش‌مند است. به سناریوی زیر توجه کنید:
    فرض کنید به تازگی ربات‌ای سگ‌نما خریده‌اید که می‌تواند توسط دوربین‌ای دنیای خارج را مشاهده کند، به کمک میکروفن‌های‌اش صداها را بشنود، با بلندگوهایی با شما سخن بگوید (گیریم محدود) و چهارپای‌اش را حرکت دهد. هم‌چنین در جعبهٔ این ربات دستگاه کنترل از راه دوری وجود دارد که می‌توانید انواع مختلف دستورها را به ربات بدهید. در پاراگراف‌های آینده با بعضی از نمونه‌های این دستورات آشنا خواهید شد.
    اولین کاری که می‌خواهید بکنید این است که اگر ربات شما را دید خرناسه بکشد اما اگر غریبه‌ای را مشاهده کرد با صدای بلند عوعو کند. فعلا فرض می‌کنیم که ربات توانایی تولید آن صداها را دارد اما هنوز چهرهٔ شما را یاد نگرفته‌است. پس کاری که می‌کنید این است که جلوی چشم‌های‌اش قرار می‌گیرید و به کمک کنترل از راه دورتان به او دستور می‌دهید که چهره‌ای که جلوی‌اش می‌بیند را با خرناسه‌کشیدن مربوط کند. این‌کار را برای چند زاویهٔ مختلف از صورت‌تان انجام می‌دهید تا مطمئن باشید که ربات در صورتی که شما را از مثلاً نیم‌رخ ببیند به‌تان عوعو نکند. هم‌چنین شما چند چهرهٔ غریبه نیز به او نشان می‌دهید و چهرهٔ غریبه را با دستور عوعو‌کردن مشخص می‌کنید. در این حالت شما به کامپیوتر ربات گفته‌اید که چه ورودی‌ای را به چه خروجی‌ای مربوط کند. دقت کنید که هم ورودی و هم خروجی مشخص است و در اصطلاح خروجی برچسب‌دار [۱] است. به این شیوهٔ یادگیری، یادگیری باسرپرست [۲] می‌گویند.

    اینک حالت دیگری را فرض کنید. برخلاف دفعهٔ پیشین که به ربات‌تان می‌گفتید چه محرک‌ای را به چه خروجی‌ای ربط دهد، این‌بار می‌خواهید ربات خودش چنین چیزی را یاد بگیرد. به این صورت که اگر شما را دید و خرناسه کشید به نحوی به او پاداش دهید (مثلاً به کمک همان کنترل از راه دورتان) و اگر به اشتباه به شما عوعو کرد، او را تنبیه کنید (باز هم با همان کنترل از راه دورتان). در این حالت به ربات نمی‌گویید به ازای هر شرایطی چه کاری مناسب است، بلکه اجازه می‌دهید ربات خود کاوش کند و تنها شما نتیجهٔ نهایی را تشویق یا تنبیه می‌کنید. به این شیوهٔ یادگیری، یادگیری تقویتی [۳] می‌گویند.
    در دو حالت پیش قرار بود ربات ورودی‌ای را به خروجی‌ای مرتبط کند. اما گاهی وقت‌ها تنها می‌خواهیم ربات بتواند تشخیص دهد که آن‌چه می‌بیند (یا می‌شنود و...) را به نوعی به آن‌چه پیش‌تر دیده‌است ربط دهد بدون این‌که به طور مشخص بداند آن‌چیزی که دیده شده‌است چه چیزی است یا این‌که چه کاری در موقع دیدن‌اش باید انجام دهد. ربات هوش‌مند شما باید بتواند بین صندلی و انسان تفاوت قایل شود بی‌آنکه به او بگوییم این نمونه‌ها صندلی‌اند و آن نمونه‌های دیگر انسان. در این‌جا برخلاف یادگیری با سرپرست هدف ارتباط ورودی و خروجی نیست، بلکه تنها دسته‌بندی‌ی آن‌ها است. این نوع یادگیری که به آن یادگیری بی‌سرپرست [۴] مهم است چون دنیای ربات پر از ورودی‌هایی است که کس‌ای برچسب‌ای به آن‌ها اختصاص نداده اما به وضوح جزیی از یک دسته هستند.
    یادگیری بی‌سرپرست را می‌توان به صورت عمل کاهش بعد [۵] در نظر گرفت.
    از آن‌جا که شما سرتان شلوغ است، در نتیجه در روز فقط می‌توانید مدت محدودی با ربات‌تان بازی کنید و به او چیزها را نشان دهید و نام‌شان را بگویید (برچسب‌گذاری کنید). اما ربات در طول روز روشن است و داده‌های بسیاری را دریافت می‌کند. در این‌جا ربات می‌تواند هم به خودی‌ی خود و بدون سرپرست یاد بگیرد و هم این‌که هنگامی که شما او را راه‌نمایی می‌کنید، سعی کند از آن تجارب شخصی‌اش استفاده کند و از آموزش شما بهرهٔ بیش‌تری ببرد. ترکیب‌ای که عامل هوش‌مند هم از داده‌های بدون برچسب و هم از داده‌های با برچسب استفاده می‌کند به یادگیری نیم سرپرست [۶] می‌گویند.


    یادگیری باسرپرست

    مقالهٔ اصلی: یادگیری باسرپرست
    يادگيری تحت سرپرستی، يک روش عمومی در يادگيری ماشين است که در آن به يک سيستم، مجموعه جفت‌های ورودی – خروجی ارائه شده و سيستم تلاش می‌کند تا تابعی از ورودی به خروجی را فرا گيرد. يادگيری تحت سرپرستی نيازمند تعدادی داده ورودی به منظور آموزش سيستم است. با اين حال رده‌ای از مسائل وجود دارند که خروجی مناسب که يک سيستم يادگيری تحت سرپرستی نيازمند آن است، برای آن‌ها موجود نيست. اين نوع از مسائل چندان قابل جوابگويی با استفاده از يادگيری تحت سرپرستی نيستند. يادگيری تقويتی مدلی برای مسائلی از اين قبيل فراهم می‌آورد. در يادگيری تقويتی[۷]، سيستم تلاش می‌کند تا تقابلات خود با يک محيط پويا را از طريق خطا و آزمايش بهينه نمايد. يادگيری تقويتی مسئله‌ای است که يک عامل که می‌بايست رفتار خود را از طريق تعاملات آزمايش و خطا با يک محيط پويا فرا گيرد، با آن مواجه است. در يادگيری تقويتی هيچ نوع زوج ورودی- خروجی ارائه نمی‌شود. به جای آن، پس از اتخاذ يك عمل، حالت بعدی و پاداش بلافصل به عامل ارائه می‌شود. هدف اوليه برنامه‌ريزی عامل‌ها با استفاده از تنبيه و تشويق است بدون آنکه ذکری از چگونگی انجام وظيفه آن‌ها شود. در اين سمينار ابتدا مسئله يادگيری تقويتی معرفی شده و سپس الگوريتم‌های مختلف مطرح در آن بيان می‌شوند.


    پانوشته‌ها


    1. Labelled
    2. Supervised Learning
    3. Reinforcement Learning
    4. Unsupervised Learning
    5. Dimension Reduction
    6. Semi-Supervised Learning
    7. Reinforcement Learning



    منبع : ویکی پدیا

  2. #2
    كاربر سايت
    تاریخ عضویت
    Jul 2018
    عنوان کاربر
    كاربر سايت
    ميانگين پست در روز
    0.11
    نوشته ها
    51
    Thanks
    0
    Thanked 0 Times in 0 Posts

    پیش فرض پاسخ : یادگیری ماشینی

    در تترجمه رسمی آلمانی هر مدرک هويتي و هر سندي که داراي بار حقوقي و مدرکي باشد نياز به ترجمه رسمي آلماني براي آن ايجاد مي شود. مهمترين مدارکي که نياز به ترجمه رسمي آلماني پيدا مي‎‌کنند ترجمه رسمي آلماني مدارک تحصيلي (مقاطع ابتدايي، راهنمايي، دبيرستان و همه مدارک مربوط به وزارت علوم)، سندهاي ملکي، وکالتنامه‌ها، گواهي سوء پيشينه، گواهي اشتغال، سند ازدواج و طلاق، گواهي‌هاي پزشکي، برگه‌هاي معاملات قطعي، کليه گواهي‌نامه‌هاي مالي، مبايعه نامه، اجاره نامه، اقرار نامه، تعهدنامه و ترجمه رسمي آلماني کليه مدارک مربوط به شرکت‌ها اعم از اساسنامه، ترازنامه‌هاي مالي و حقوقي شرکتي است.


    ترجمه رسمي آلماني مدارک و اسناد براي ارائه به سازمان هاي مربوطه به روند کار در خارج از کشور و سفارت مورد نظر، يکي از کارهايي مي باشد که دغدغه افراد را در تشکيل خواهد داد.
    روندي مختصر و کامل در مورد مراحل ترجمه‌هاي رسمي آلماني :آنچه به عنوان منبع براي ترجمه رسمي آلماني در اختيار موسسه مترجم قرار مي دهيد، بايداصل مدارک و اسناد شما با مهر و امضاي رسمي سازمان يا ارگان صادر کننده آن مدرک باشد. اسناد کپي شده يا آنهايي که کپي برابر اصل هستند به اين منظور استفاده نمي شوند.
    اين اسناد مي بايست به يک دارالترجمه رسمي آلماني سپرده شود و آنها مراحل ترجمه را براي شما انجام دهند؛ به اين صورت که شما اجازه ترجمه رسمي آلماني اسناد خود را به صورت شخصي يا ارائه آن به افراد يا موسسات غير رسمي را نداريد. مهر و امضاي دارالترجمه رسمي آلماني براي تاييد ترجمه شما ضروري است.
    نکات مهم بعد از دريافت ترجمه رسمي آلماني مدارکبسياري از دارالترجمه هاي رسمي آلماني، مسئوليتي در قبال اشتباهات پيش آمده در ترجمه مدارک شما پس از تحويل بر عهده نخواهند گرفت، پس از تحويل مدارک و قبل از تحويل آن به قوه قضائيه، آن را به دقت مطالعه کرده و ايرادات را به مرکز مورد نظر اطلاع دهيد تا اصلاحات انجام شود.
    ايراداتي از قبيل تاريخ، شماره، معدل، املاي نام و نام خانوادگي و مسائل جزئي از اين دست، اشکالات رايج در ترجمه هاي رسمي آلماني هستند.
    حفظ و صيانت از اسنادي که در اختيار ما قرار مي گيرد همواره از اولويت هاي مديريت دارالترجمه رسمي آريان بوده است و کليه اصول نظارتي و صيانتي با بالاترين استانداردها در اين دفتر به کار گرفته مي شود تا اطمينان کامل براي مشتريان عزيز دارالترجمه رسمي آلماني آريان فراهم شود.
    ترجمه رسمی انگلیسی

کلمات کلیدی این موضوع

علاقه مندي ها (Bookmarks)

علاقه مندي ها (Bookmarks)

مجوز های ارسال و ویرایش

  • شما نمیتوانید موضوع جدیدی ارسال کنید
  • شما امکان ارسال پاسخ را ندارید
  • شما نمیتوانید فایل پیوست کنید.
  • شما نمیتوانید پست های خود را ویرایش کنید
  •  
در باره ما
پل های ارتباطی با ما
دوستان ما
سایت وی بی ایران با عنوان نخستین مرجع "رایگان" ویبولتین در ایران خدمات رسانی خود را در سال 1388 آغاز کرد . از لحظه تولد تاکنون وی بی ایران همواره سعی در بکارگیری شیوه های مدیریتی جدید و خدمات نوین داشته است . وی بی ایران مفتخر است که به هاست دی ال بازگشته و مجدداً توسط هاست دی ال پشتیبانی و میزبانی می شود .
ایمیل پست الکترونیکی مدیریت سایت : vbiran.co@gmail.com
ایمیلهمراه جهت پیامک : 8909043 - 0935