هوش مصنوعي، علم داده و يادگيري ماشين

در اين وبلاگ قصد داريم شما را با هوش مصنوعي و علم داده آشنا كنيم.

كشف و ساخت دارو

۱۸ بازديد

استفاده از يادگيري ماشيني در كشف دارو پتانسيل‌هاي زيادي دارد؛ از غربالگري اوليه تركيبات دارويي گرفته تا ميزان موفقيت پيش‌بيني شده بر اساس فاكتورهاي بيولوژيكي. 
بازيكنان اصلي اين حوزه، اعضاي گروه يادگيري باليني MIT مي باشد. آن‌ها اكنون تحقيقات دقيق پزشكي را روي توسعه الگوريتم‌ها براي درك بهتر فرايندهاي بيماري و طراحي براي درمان موثر بيماري‌هايي مانند ديابت نوع ۲متمركز شده‌اند. پروژه‌ي هانوفر مايكروسافت نيز با استفاده از فناوري‌هاي يادگيري ماشين و همكاري با موسسه سرطان نايت بر روي توسعه‌ي فناوري هوش مصنوعي بر روي درمان دقيق سرطان و با تمركز بر رويكرد شخصي‌سازي تركيبات دارويي براي لوسمي حاد ميلوئيد (AML) فعاليت مي‌كند.
همچنين انجمن سلطنتي انگلستان در رابطه با پروژه هانوفر يادآور مي‌شود كه يادگيري ماشين در توليد bio-manufacturing براي داروسازي آماده بهره‌برداري است. داده‌هاي حاصل از آزمايشات اين پتانسيل را دارند كه به توليد كنندگان داروسازي كمك كنند زمان مورد نياز براي توليد دارو را كاهش دهند.

 

براي مطالعه يك مقاله كامل و جامع درمورد كاربرد يادگيري خودكار در پزشكي به بيگ پرو1 سر بزنيد.

آمار استنباطي

۱۶ بازديد

محقق ابتدا آماره ها را محاسبه و سپس به كمك تخمين و آزمون فرض آماري، آنها را به پارامترهاي جامعه تعميم مي‌دهد. در واقع به علت اينكه نمي توان به تمامي اعضاي جامعه دسترسي داشت ، نمونه گيري انجام ميشود و براي تعميم نتايج نمونه به جامعه از امار استنباطي استفاده مي‌كنيم.در آزمون‌ هاي آماري هدف تعيين اين موضوع است كه آيا داده هاي نمونه شواهد كافي براي رد يك حدس يا فرضيه را دارند يا خير؟ انتخاب نادرست آزمون آماري موجب خدشه دار شدن نتايج تحقيق مي‌شود.

براي مطالعه بيشتر درمورد آزمون هاي آمار استنباطي و مطالب بيشتر در اين باره روي لينك زير كليك كنيد.

https://bigpro1.com/fa/what-is-inferential-statistics/

آمار توصيفي

۱۷ بازديد

آمار توصيفي، مجموعه اي از روش هايي است كه براي سازمان دهي، خلاصه كردن، تهيه جدول، رسم نمودار، توصيف و تفسير داده هاي جمع آوري شده از نمونه آماري به كار گرفته مي شود. يك مجموعه داده آماري شامل مجموعه اي از مقادير يك يا چند متغير است. بنابراين، آمار توصيفي شامل آن بخش از آمار است كه به ويژگي ها و آماره هاي مربوط به نمونه آماري تحقيق مي پردازد. اين آمار اغلب در قالب آماره هاي توصيفي، جداول يك بعدي، نمودارها، شاخص هاي گرايش به مركز (مد، ميانه و ميانگين)و شاخص هاي گرايش به پراكندگي (دامنه تغييرات، واريانس، انحراف استاندارد، چولگي، كشيدگي و چارك بندي) نمايش داده مي شود.


براي مطالعه بيشتر درمورد آمار توصيفي و انجام تحليل آماري پروژه خود به بيگ پرو1 مراجعه كنيد.

شبكه عصبي و كاربردهاي آن

۱۷ بازديد

شبكه هاي عصبي، قدرت دهنده ي ياد گيري عميق هستند و درحالي كه ممكن است آن ها شبيه به جعبه سياه باشند ، آن ها در اعماق خود سعي مي كنند همان كاري كه هر مدل ديگري سعي در انجام دارد را انجام دهند؛ تا پيش بيني هاي خوبي ارائه كنند.

كاربرد

•امور مالي، بيمه ، بانكها

•تخمين سهام، تجويز وام

•بازاريابي، تجارت

•پيش بيني فروش، نمايش نمودار مشتري

• پزشكي

•تشخيص و تجويز درمان

• صنعت

•كنترل كيفيت، كنترل ماشين آلات

•بازشناسي الگو

اگر به مطالعه بيشتر درمورد شبكه عصبي علاقه منديد و يا پروژه يادگيري عميق داريد كه بايد انجام دهيد روي لينك زير كليك كنيد.

https://bigpro1.com/fa/neura-networks/

سيستم هاي تصميم يار DSS

۱۶ بازديد

نوعي سيستم اطلاعاتي كامپيوتري هستند كه از فعاليت هاي تصميم گيري پشتيباني مي كنند. DSSسيستم و زيرسيستم تعاملي مبتني بر كامپيوتر است كه براي كمك به تصميم گيرندگان فناوري هاي ارتباطات، داده ها، اسناد، دانش و / يا مدل ها براي انجام وظايف پردازش تصميم گيري طراحي شده است. "كاربردهاي سيستم هاي تصميم يار"
سيستم تصميم يار ممكن است اطلاعات را به صورت گرافيكي ارائه كند و يا يك سيستم متخصص يا هوش مصنوعي (AI) باشد. اين سيستم با هدف كمك به مديران اجرايي يا ديگر گروه هاي دانش ورز طراحي مي شود. "مزاياي سيستم هاي تصميم يار"
اطلاعاتي كه برنامه تصميم يار جمع آوري و ارائه مي كند شامل (الف) دسترسي به تمام دارايي هاي اطلاعاتي، از جمله منابع داده هاي ارتباطي؛ ارقام داده هاي مقايسه اي؛ ارقام پيش بيني شده براساس داده يا پيش فرض هاي جديد؛ پيامدهاي جايگزين هاي مختلف تصميمگيري با توجه به تجربه قبلي در يك زمينه خاص مي باشد. انواع سيستم هاي تصميم يار مختلفي وجود دارد كه مي توان در پنج دسته طبقه بندي كرد.
جهت ايجاد سيستم پشتيبان پويا از وبسايت بيگ پروكمك بگيريد.

يادگيري بدون نظارت

۱۷ بازديد

در يادگيري بدون نظارت، الگوريتم بر اساس ويژگي هاي داده هاي آموزش به تنهايي، بدون برچسب هاي مربوطه، نمونه ها را به طبقات مختلف تقسيم مي كند. نمونه هايي از اين الگوريتم ها خوشه بندي k-means براي كشف گروه هايي از نمونه هاي مشابه در داده هاي ارائه شده، تجزيه و تحليل مولفه هاي اصلي و خود رمزگذاران است.

براي مطالعه بيشتر درمورد يادگيري بدون نظارت اينجا كليك كنيد.