در حال آمادهسازی...
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
هوش مصنوعی ابری؛ اجرای مدل‌های هوش مصنوعی روی سرورهای ابری مثل AWS یا Azure به جای کامپیوتر شخصی. مزیت آن دسترسی به توان پردازشی و مدل‌های قدرتمند بدون نیاز به تهیه و نگهداری سخت‌افزار سنگین است.
مشاهدهٔ جزئیاتخوشهبندی؛ گروه‌بندی خودکار داده‌های مشابه بدون برچسب‌های از پیش تعریف‌شده. این روش برای کشف گروه‌های طبیعی در داده، مانند دسته‌بندی مشتریان بر اساس رفتار، کاربرد زیادی دارد.
مشاهدهٔ جزئیاتتولید کد؛ استفاده از مدل‌های زبانی برای نوشتن یا تکمیل کد برنامه‌نویسی. ابزارهای تولید کد می‌توانند نوشتن کد، تکمیل بخش‌های ناقص، توضیح کد و ایجاد تست را سریع‌تر کنند، اما خروجی آن‌ها باید بررسی شود.
مشاهدهٔ جزئیاتمحاسبات شناختی؛ سیستم‌هایی که تلاش می‌کنند رفتار و فکر انسان را شبیه‌سازی کنند. این اصطلاح بیشتر برای سیستم‌هایی به کار می‌رود که قصد دارند درک، استدلال یا تعامل شبیه انسان را در یک کاربرد مشخص فراهم کنند.
مشاهدهٔ جزئیاتتوان محاسباتی؛ مجموع ظرفیت پردازش در دسترس برای آموزش و اجرای مدل؛ معمولا با نوع شتاب‌دهنده، تعداد آن و ساعات مصرف سنجیده می‌شود.
مشاهدهٔ جزئیاتبینایی کامپیوتر؛ شاخه‌ای از هوش مصنوعی که به درک و تحلیل تصاویر و ویدیوها می‌پردازد. کاربردهای آن شامل تشخیص چهره و اشیا، بررسی تصاویر پزشکی، کنترل کیفیت و تحلیل ویدیو است.
مشاهدهٔ جزئیاترانش مفهوم؛ تغییر تدریجی الگوهای داده در طول زمان که باعث افت عملکرد مدل می‌شود. اگر رفتار داده‌های واقعی تغییر کند، مدلی که قبلا دقیق بوده ممکن است به مرور نیاز به پایش و بازآموزی داشته باشد.
مشاهدهٔ جزئیاتماتریس درهم‌ریختگی؛ جدول برای نمایش تعداد پیش‌بینی‌های درست و غلط برای هر کلاس. از این جدول می‌توان مواردی مانند مثبت کاذب و منفی کاذب را دید و فهمید مدل در کدام کلاس‌ها بیشتر خطا می‌کند.
مشاهدهٔ جزئیاتزمینه؛ اطلاعاتی که همراه درخواست در اختیار مدل قرار می‌گیرد تا مدل بتواند پاسخ مرتبط‌تر و دقیق‌تری تولید کند.
مشاهدهٔ جزئیاتمهندسی زمینه؛ طراحی و مدیریت اطلاعاتی که به مدل داده می‌شود تا در هر مرحله زمینه مناسب برای تولید پاسخ بهتر را داشته باشد.
مشاهدهٔ جزئیاتبازیابی زمینه؛ پیدا کردن اطلاعاتی که باید به‌عنوان زمینه در اختیار مدل قرار گیرد تا پاسخ دقیق‌تر شود.
مشاهدهٔ جزئیاتپنجره متن؛ حداکثر مقداری از متن که یک مدل زبانی می‌تواند در یک درخواست پردازش کند. هرچه پنجره متن بزرگ‌تر باشد، مدل می‌تواند اطلاعات بیشتری از یک مکالمه یا سند را هم‌زمان در نظر بگیرد.
مشاهدهٔ جزئیاتبندیت زمینه‌ای؛ روش یادگیری تقویتی که تصمیم را بر اساس ویژگی‌های وضعیت فعلی انتخاب می‌کند و همان‌جا از نتیجه یاد می‌گیرد.
مشاهدهٔ جزئیاتیادگیری پیوسته؛ توانایی سیستم برای آپدیت شدن و یادگیری از داده‌های جدید در طول زمان. در این رویکرد مدل یا سیستم به شکل مداوم با داده‌های جدید به‌روزرسانی می‌شود؛ البته کیفیت داده جدید باید کنترل شود.
مشاهدهٔ جزئیاتهمگرایی؛ نقطه‌ای در آموزش که در آن خطا کم تغییر می‌کند و مدل به حالت پایدار رسیده است. همگرایی مناسب معمولا نشان می‌دهد فرآیند بهینه‌سازی به ناحیه‌ای رسیده که تغییرات آن کوچک شده‌اند.
مشاهدهٔ جزئیاتمدل هسته؛ مدل اصلی هوش مصنوعی که قابلیت‌های دیگر روی آن سوار می‌شوند. مدل‌های دیگر یا قابلیت‌های محصول می‌توانند بر پایه این مدل اصلی ساخته یا تنظیم شوند.
مشاهدهٔ جزئیاتهمبستگی؛ شدت و جهت رابطه خطی دو متغیر؛ همبستگی بالا به‌تنهایی اثبات علیت نیست و تفسیر آن باید با دانش موضوعی همراه شود.
مشاهدهٔ جزئیاتتابع هزینه؛ فرمولی برای محاسبه خطای مدل که هدف آموزش کاهش آن است. در زمان آموزش، الگوریتم تلاش می‌کند پارامترهای مدل را طوری تغییر دهد که مقدار این تابع کمتر شود.
مشاهدهٔ جزئیاتارزیابی انتقادی؛ بازبینی نقادانه داده، روش، محدودیت و میزان اعتبار نتیجه پیش از پذیرش خروجی یا ادعای مدل.
مشاهدهٔ جزئیاتزیان آنتروپی متقابل؛ تابع خطای متداول برای مسائل طبقه‌بندی. هرچه احتمال اختصاص‌داده‌شده به پاسخ درست کمتر باشد، این تابع معمولا خطای بیشتری ایجاد می‌کند.
مشاهدهٔ جزئیاتاعتبارسنجی متقابل؛ روش تقسیم داده‌ها به چند بخش برای ارزیابی پایدارتر عملکرد مدل. این روش کمک می‌کند ارزیابی مدل فقط به یک تقسیم تصادفی خاص از داده‌ها وابسته نباشد.
مشاهدهٔ جزئیاتبهینهسازی مستقیم ترجیحات؛ روشی برای تنظیم مدل بر اساس ترجیح انسان بین پاسخ‌های مختلف، بدون نیاز به ساخت یک مدل پاداش جداگانه.
مشاهدهٔ جزئیاتتقویت داده؛ ایجاد نسخه‌های کمی تغییرکرده از داده‌های موجود برای افزایش حجم داده آموزشی. برای تصویر می‌توان کارهایی مثل چرخش یا تغییر جزئی انجام داد و برای برخی داده‌های دیگر نیز روش‌های مناسب افزایش داده وجود دارد.
مشاهدهٔ جزئیاتتمیز کردن داده؛ حذف خطاها، مقادیر ناقص و تناقض‌ها از مجموعه‌داده. داده تمیزتر معمولا باعث می‌شود تحلیل‌ها و مدل‌های یادگیری ماشین قابل اعتمادتر شوند.
مشاهدهٔ جزئیات