چین از یک سیستم هوش مصنوعی برای تست خودروها استفاده می‌کند که می‌تواند در فقط ۳ ساعت، بیش از ۱۰۰۰ قابلیت و عملکرد خودرو را به‌صورت دقیق بررسی کند. 🌐https://eitaa.com/science_ai

🤖رشد حیرت‌آور صنعت هوش مصنوعی و رباتهای انسان نما در مدت یکسال مقایسه نمایش جشن سال نو چینی سال ۲۰۲۵ و ۲۰۲ 🌐https://eitaa.com/science_ai

🌐https://eitaa.com/science_ai

معرفی اقدام فاخر مرکز تحقیقات کامپیوتری علوم اسلامی (نور)؛ 📽 آغاز به کار سامانه گفت‌وگوی هوشمند با کتاب ▫️مطالعه، دیگر فقط خواندن نیست، حالا یک گفتگوست! 🔹وقتی کتاب‌ها شروع به حرف زدن می‌کنند! ▫️تصور کنید به‌جای ساعت‌ها جست‌وجو، پرسش خود را بنویسید و در چند لحظه، پاسخی تحلیلی همراه با متن کامل منبع پیشِ‌روی شما باشد! 🔹«سامانه گفت‌وگوی هوشمند با کتاب»، این تجربه را ممکن کرده است؛ تجربه‌ای که تمرکز پژوهشگر را از «یافتن» به «فهمیدن» منتقل می‌کند. 🔸 شاید تغییر چارچوب کلان دانش، دقیقاً از همین‌جا آغاز شود! سامانه گفت‌وگوی هوشمند با کتاب: 🌐noorlib.ir/chatbot سامانه «گفتگوی هوشمند با احادیث»: chattohadith.inoor.ir🌐 سامانه «گفتگوی هوشمند با تفاسیر» : chattotafsir.inoor.ir🌐 # وقتی که بهترین سخت افزار استان داشته باشی کمترین اتفاق اینه 🌐https://eitaa.com/science_ai

آموزش هوش Backpropagation میاد میگه: «اوکی… کجای راه رو اشتباه رفتیم؟» بعد از آخرین لایه شروع می‌کنه و خطا رو برعکسِ مسیر جلو رفتن پخش می‌کنه. مثل این که بری ببینی توی یه زنجیره تصمیم‌ها، دقیقاً کدوم حلقه باعث خراب شدن نتیجه شده. بعد چی میشه؟ وزن‌ها (همون عددهای مهم داخل شبکه) یه ذره تنظیم می‌شن. نه خیلی زیاد، نه خیلی کم… فقط به اندازه‌ای که دفعه بعد بهتر بشه. 📌 خلاصه‌ی ساده: ۱-جلو میره → جواب میده ۲-خطا حساب میشه ۳-خطا برمیگرده عقب ۴-وزن‌ها اصلاح میشن ۵-دوباره تلاش می‌کنه مثل آدمی که اشتباه می‌کنه، برمی‌گرده فکر می‌کنه، و دفعه بعد کمتر سوتی میده 😄 اینجوری شبکه عصبی کم‌کم باهوش‌تر میشه — نه با حفظ کردن، با اصلاح کردن. درس زندگی: توی زندگیتون هم خوبه که منصفانه برسی کنید خطاهاتونو #آموزش هوش 🌐https://eitaa.com/science_ai

آموزش کامل‌: فرایند بک‌پراپگیشن : Backpropagation (انتشار رو به عقب) این فرآیند قلب تپنده‌ی یادگیری در شبکه‌های عصبی هست. من توی کلاس این مفهوم را با یه مثال توضیح میدم و بعد با مشتقات زنجیره ای اون رو بررسی میکنم سناریو: خط تولید کارخانه و بازی پیدا کردن مقصر تصور کن یک کارخانه بزرگ داری (شبکه عصبی) که کارش تولید یک غذای خاص (مثلاً قرمه‌سبزی) است. این کارخانه یک سری ایستگاه (لایه) داره و در هر ایستگاه یک کارگر (نورون) ایستاده که مسئول اضافه کردن یک ماده خاص یا تغییر دماست. فرآیند به این صورت است: ۱. مرحله رفت (Forward Pass): حدس زدن مواد اولیه (Input) وارد میشه. هر کارگر مقداری ادویه یا حرارت (Weight) به غذا اضافه می‌کنه و میده به نفر بعدی. در نهایت غذا آماده میشه و میره زیر تست مشتری. مشتری غذا رو می‌چشه و میگه: "افتضاحه! خیلی شوره!" این نظر مشتری همون محاسبه Loss یا خطاست. ۲. مرحله برگشت (Backpropagation): عیب‌یابی هوشمند حالا مشکل اصلی اینجاست: ما می‌دونیم غذا شوره، اما نمی‌دونیم کار کی بوده! آیا نفر آخر نمک ریخته؟ یا نفر وسطی آب‌لیمو کم ریخته که شوری حس میشه؟ یا مواد اولیه از اول شور بوده؟ اینجاست که Backpropagation مثل یک بازرس ویژه وارد عمل میشه. اما نکته کلیدی اینه: این بازرس از در خروجی شروع می‌کنه و میاد عقب. 1. بازرس میره سراغ نفر آخر: می‌پرسه "تو چقدر نمک زدی؟" اگر نفر آخر بگه "من فقط گرم کردم"، بازرس می‌فهمه که تغییر دادن رفتار این آدم تاثیر زیادی روی شوری نداره. پس زیاد سرزنشش نمی‌کنه (گرادیان کم). 2. بازرس میره سراغ نفر ماقبل آخر: می‌بینه این آقا یک مشت نمک ریخته. بازرس می‌فهمه که منشأ اصلی خطا اینجاست. پس بهش یک تذکر سفت و سخت میده: "دفعه بعد دستت رو کمتر تکون بده" (گرادیان زیاد). 3. بازرس همینطور میره تا دم در ورودی: و سهم هر کس رو در خراب شدن قرمه‌سبزی مشخص می‌کنه. منطق اصلی: "سهم تو در خرابکاری چقدر بود؟" ---- کل مفهوم Backpropagation در یک جمله خلاصه میشه: ما کل خطای نهایی رو خرد می‌کنیم و بر اساس "میزان تاثیرگذاری"، بین تمام کارگران (وزن‌ها) تقسیم می‌کنیم. اگر این مرحله نباشه، شبکه عصبی فقط می‌فهمه که "اشتباه کرده"، اما نمی‌فهمه کجای کارش اشتباه بوده و چطوری باید اصلاحش کنه. --- سه نکته کلیدی که باید بدونی: 1. ارتباطات زنجیره‌ای: بازرس نمی‌تونه مستقیم بپره وسط کارخونه. باید حتماً سلسله مراتب رو رعایت کنه. چون خطایی که نفر وسط انجام داده، روی کار نفر آخر تاثیر گذاشته. پس برای فهمیدن خطای نفر وسط، اول باید بفهمیم نفر آخر چه تاثیری از اون گرفته. 2. جهت و شدت: بازرس به هر کارگر دو تا چیز میگه: * جهت: باید نمک رو زیاد کنی یا کم؟ (مثبت یا منفی بودن گرادیان). * شدت: خیلی تغییر بده یا یه ذره؟ (بزرگی عدد گرادیان). 3. یادگیری یعنی تکرار این پروسه: وقتی بازرس رفت تا اول خط، همه فهمیدن چقدر باید خودشون رو تغییر بدن. حالا Optimizer (بهینه‌ساز) میاد و تنظیمات همه رو اعمال می‌کنه. دفعه بعد که غذا پخته بشه، احتمالاً "کمتر شور" خواهد بود. --- خلاصه: بک‌پراپگیشن یعنی انتقال خبر خطا از انتهای شبکه به ابتدای شبکه، تا بفهمیم هر نورون چقدر در نتیجه‌ی غلط نهایی مقصر بوده و دقیقاً چقدر باید رفتارش رو تغییر بده تا دفعه بعد نتیجه بهتر بشه. #آموزش_هوش

نمی‌دونم خوشتون اومد یا نه🤔 این سری بحث هارو در ماه مبارک رمضان می‌زارم🤓 از یه چیز خفن هم رونمایی میکنم🤖 انشاالله با دعای آقا جان امام علی ع🤲 #آموزش_هوش

به اذن عالی اعلا، به احترام علی شروع میکنم این ماه را به نام علی ماه رمضان مبارک 🌙 https://eitaa.com/science_ai

خیلی یهو پریدم شبکه بازگشتی. اما الان از اول شروع میکنیم 🧠 شبکه عصبی واقعاً چیه؟ اسمش پیچیده‌ست، ولی ایده‌ش ساده‌ست: یه تلاش هوشمندانه که کامپیوتر بتونه مثل مغز ما «یاد بگیره». فرض کن می‌خوای به یه بچه یاد بدی فرق گربه و سگه چیه 🐱🐶 اول عکس رو می‌بینه (ورودی)، بعد مغزش ویژگی‌ها رو بررسی می‌کنه: گوش، چشم، فرم صورت (لایه‌های مخفی)، آخرش یه حدس می‌زنه (خروجی). اگر اشتباه گفت؟ بهش می‌گی «نه، این گربه بود!» اونم برمی‌گرده و خودش رو اصلاح می‌کنه. 🔁 این چرخه‌ی «حدس > اشتباه > اصلاح» بارها تکرار میشه تا کم‌کم دقیق بشه. خلاصه: شبکه عصبی یعنی یاد گرفتن با آزمون و خطا. دیپ‌لرنینگ هم یعنی لایه‌های بیشتر برای فهمیدن چیزهای پیچیده‌تر. درس زندگی: هرموقع اشتباه کردید برگردید https://eitaa.com/science_ai #آموزش_هوش

اینم کاملش شبکه عصبی (Neural Network) واقعاً چیه؟ خیلی وقتا کلمه "شبکه عصبی" رو می‌شنویم و فکر می‌کنیم با یه چیز خیلی عجیب و غریب طرفیم. اما بیاید یک بار برای همیشه، خیلی ساده و بدون فرمول‌های ریاضی بازش کنیم. شبکه عصبی در واقع یه تلاش بامزه از سمت کامپیوتره که می‌خواد ادای مغز من و تو رو در بیاره! حالا چطوری کار می‌کنه؟ 🤔 فرض کن می‌خوای به یک بچه (که هنوز هیچی نمی‌دونه) یاد بدی که فرق "گربه" و "سگ" چیه. ۱. لایه ورودی (Input Layer): اولش عکس یه گربه رو نشونش میدی. چشم‌های بچه این اطلاعات رو میگیره. توی شبکه عصبی هم ما داده‌ها (مثلاً پیکسل‌های عکس) رو می‌ریزیم توی لایه اول. ۲. لایه‌های مخفی (Hidden Layers) : اینجا اتفاقات اصلی میفته. این لایه‌ها مثل یه سری غربال یا فیلتر عمل می‌کنن. - لایه‌های اول چیزای ساده رو می‌بینن: خط‌ها، منحنی‌ها. - لایه‌های عمیق‌تر چیزای پیچیده‌تر رو می‌فهمن: شکل گوش، بافت پشم، فرم بینی. این لایه‌ها پر از "نورون" هستن که به هم وصلن. هر اتصال یه وزن (Weight) داره. وزن یعنی چقدر این ویژگی مهمه؟. ۳. لایه خروجی (Output Layer): شبکه بر اساس چیزایی که دیده یه حدس می‌زنه. مثلاً با اعتماد به نفس میگه: این سگه! (در حالی که عکس گربه بود). اینجا همون جاییه که "یادگیری" (Learning) شروع میشه! وقتی شبکه اشتباه میکنه، ما (یا تابع هزینه) میگیم: "اشتباه گفتی! این گربه بود." شبکه عصبی برمی‌گرده عقب (که بهش میگیم Backpropagation) و از خودش می‌پرسه: "کجای کار لنگ می‌زد؟ کدوم نورون به اون گوش‌های تیز گربه توجه نکرد؟" بعد شروع می‌کنه به تنظیم کردن اون "پیچ‌های تنظیم" یا همون وزن‌ها. اتصالات رو انقدر کم و زیاد می‌کنه تا دفعه بعد اگه یه عکس مشابه دید، احتمال اینکه بگه "گربه" بیشتر بشه. خلاصه ماجرا: شبکه عصبی یعنی بارها اشتباه کردن، برگشتن، اصلاح کردن و دوباره تلاش کردن. انقدر این کار رو تکرار می‌کنه تا خطاش به صفر نزدیک بشه. دقیقاً مثل وقتی که می‌خوایم رانندگی یا دوچرخه‌سواری یاد بگیریم. دیپ لرنینگ هم یعنی همین Hidden Layersرو زیادتر کنیم تا بتونه مسائل خیلی پیچیده‌تر رو حل کنه. #آموزش_هوش

بفرستید برای همه دوستاتون تا ایران عزیز قوی تر کنیم #برای_ایران #رمضان #آموزش_هوش https://eitaa.com/science_ai

🎥 جمینای وارد دنیای موسیقی شد؛ تولید آهنگ‌های ۳۰ ثانیه‌ای با مدل جدید Lyria 3 🔹گوگل مدل صوتی Lyria 3 را به جمینای اضافه کرده تا کاربران بتوانند تنها با یک دستور متنی، آهنگ‌های ۳۰ ثانیه‌ای بسازند یا قطعات موجود را ریمیکس کنند. این مدل در قابلیت Dream Track یوتوب نیز برای ساخت موسیقی پس‌زمینه Shorts استفاده می‌شود و امکان کنترل جزئیاتی مثل تمپو و سبک درام‌زنی را فراهم می‌کند. جمینای حتی می‌تواند براساس عکس یا ویدیو آهنگ تولید کند و مدل تصویری Nano Banana نیز کاور هنری می‌سازد. 🔹گوگل می‌گوید Lyria 3 نسبت به مدل‌های قبلی، موسیقی «واقع‌گرایانه‌تر و پیچیده‌تر» تولید می‌کند و توانایی ساخت شعر را هم دارد. خروجی‌ها فعلاً به کلیپ‌های ۳۰ ثانیه‌ای محدود هستند و همه آهنگ‌ها با واترمارک SynthID منتشر می‌شوند. این قابلیت اکنون فعال است و کاربران بالای ۱۸ سال می‌توانند به زبان‌هایی مانند انگلیسی، اسپانیایی، آلمانی، فرانسوی، هندی، ژاپنی، کره‌ای و پرتغالی از آن استفاده کنند. https://eitaa.com/science_ai