• مجازی‌سازی با زیرو کلاینت TCPoint

مجازی‌سازی با زیرو کلاینت TCPoint

۱۰ دی ۱۳۹۸|۰ Comments

مجازی‌سازی با زیرو کلاینت TCPoint چگونه است؟ زیرو کلاینت TCPoint: زیرو کلاینت TCPoint یک دستگاه است که می‌تواند جایگزین رایانه‌ها باشد و سرویس رایانه‌ای موردنظر کاربران را به آن‌ها ارائه دهد. تفاوت زیرو کلاینت با [...]

  • Virtualization nopc Zero Client

مجازی‌سازی با زیرو کلاینت NOPC

۷ دی ۱۳۹۸|۰ Comments

مجازی‌سازی با زیرو کلاینت NOPC چگونه است؟ زیرو کلاینت: زیرو کلاینت ها یک درگاه (پنجره) هستند برای متصل شدن به یک رایانه‌ی مرکزی به‌عنوان سرور اصلی است. درواقع تمامی برنامه‌ها و سیستم‌عامل‌ها روی رایانه‌ی مرکزی [...]

  • مجازی سازی TS Plus

نرم‌افزار TSPlus چیست؟

۵ دی ۱۳۹۸|۰ Comments

نرم‌افزار مجازی‌سازی TSPlus چیست؟ یکی دیگر از راه های ساده و کاربری برای pc sharing استفاده از نرم‌افزار TSPlus است. این نرم‌افزار محصول یک کمپانی فرانسوی به همین نام است که به‌صورت تخصصی صرفاً اقدام به [...]

  • vCloud Point چیست؟

vCloud Point چیست؟

۳ دی ۱۳۹۸|۰ Comments

vCloud Point چیست؟ برای توضیح کار آیی و قابلیت‌های vCloud Point  اول باید بدانید که آن‌ها نوعی زیرو کلاینت هستند. زیرو کلاینت چیست؟ یک درگاه ( پنجره) است برای متصل شدن به یک رایانه‌ی مرکزی [...]

  • virtual_desktops

سرویس مجازی سازی WOIP

۱ دی ۱۳۹۸|۰ Comments

سرویس مجازی سازی WOIP مجازی سازی چیست؟ مجازی سازی دسکتاپ یک فناوری نرم افزاری است که محیط دسک تاپ و نرم افزارهای کاربردی مرتبط را از دستگاه فیزیکی که برای دستیابی به آن استفاده می [...]

  • مجازی‌سازی میز کار

مجازی‌سازی میز کار

۲۸ آبان ۱۳۹۸|۰ Comments

مجازی‌سازی میز کار مجازی‌سازی میز کار؛ امروزه سازمان‌ها به طور گسترده چالش‌های بزرگی را درزمینهٔ پیشرفت اقتصادی خود تجربه می‌کنند. دراین‌بین «فن‌آوری اطلاعات و ارتباطات» یکی از نقش‌های اصلی را برای متعادل‌سازی و همچنین سرعت [...]

تفاوت بین هوش مصنوعی، یادگیری عمیق و یادگیری ماشینی

هوش مصنوعی : اکثر افراد واژه‌های هوش مصنوعی، یادگیری عمیق و یادگیری ماشینی را به‌جای یکدیگر به کار می‌گیرند.

درصورتی‌که این‌ها مفاهیمی متفاوت هستند. اما تفاوت‌ها آن‎ها چیست؟

هوش مصنوعی

هوش مصنوعی

مفهوم هوش مصنوعی در سال ۱۹۵۶ در آمریکا مطرح شد.
هنگامی‌که مهندسان تلاش کردند یک برنامه کامپیوتری با تقلید از هوش بشری بنویسند.
هدفشان این بود که کامپیوترها وظایفی که مختص انسان بود را انجام دهند.
آلان تورینگ سال‌های آخر عمر خود را صرف این مطلب کرد که آیا کامپیوترها هم می‌توانند فکر کنند یا نه.
تورینگ در آزمایشی که طراحی کرد، اثبات کرد ماشین‌ها می‌توانند از خودشان رفتار هوشمندانه نشان دهند اما الزاماً هوشمند نیستند.
هوش مصنوعی اغلب به دودسته اصلی تقسیم‌بندی می‌شود.
سیستم هوش مصنوعی محدود که فقط در یک کار خاص باهوش است و سیستم هوش مصنوعی عمومی که ما در فرهنگ عامی بیشتر با این دسته آشنا هستیم.
به‌عنوان‌مثال اسکای‌نت در فیلم ترمیناتور و هال در فیلم ۲۰۰۱ مثال‌هایی از هوش مصنوعی عمومی می‌باشند.

یادگیری ماشینی

با توجه به این‌که مسائل با تکنیک‌های اولیه‌ای که در هوش مصنوعی استفاده می‌شد قابل‌حل نبود.
برای چیزهایی مثل خارج کردن معنی از متن و شناسایی تصاویر الگوریتم‌هایی با کد مشخص کار نمی‌کردند.
بنابراین مشخص شد که تنها تقلید رفتار انسان راه‌حل نیست و تقلید چگونگی یادگیری انسان‌ها نیز مهم است.
ایده اصلی پشت یادگیری ماشینی این است که مقدار زیادی داده به یک الگوریتم بدهید و اجازه دهید که از چیزها سر دربیاورد.
به‌عنوان‌مثال داده‌های معاملات مالی را به یک الگوریتم بدهید و از آن بخواهید که داده‌های جعلی را مشخص کند و اجازه دهید تا الگوریتم بفهمد چه چیزی کلاه‌برداری را نشان می‌دهد تا در آینده هم بتواند پیش‌بینی کند.

یادگیری ماشینی یک مسئله را به بخش‌های مختلف تقسیم می‌کند درنهایت هرکدام از بخش‌ها را به ترتیب حل و باهم ترکیب می‌کند تا یک پاسخ واحد به مسئله بدهد.
در یادگیری ماشینی، کامپیوتر یا ربات موردنظر این توانایی را دارد تا به‌مرورزمان به خود آموزش دهد و با مقایسه کردن خروجی‌ها و ورودی‌هایش به‌تدریج دقیق‌تر از قبل عمل کند.

یادگیری ماشینی

شباهت مغز انسان و شبکه هوش مصنوعی

دانشمندان نشان دادند که مغز از طریق یک شبکه پیچیده از نرون‌ها اطلاعات را تولید می‌کند.
مغز انسان از این اتصالات الکتریکی ساخته‌شده که مسیرهای عصبی را تولید می‌کند.
مسیرها از طریق بدن انسان اطلاعات را منتقل می‌کنند و امکان فکر کردن، حرکت و تنفس را به انسان می‌دهند.
اگر این مسیرها به‌طور مستقل از یکدیگر عمل می‌کردند انسان نمی‌توانست بین افکارش ارتباط برقرار کند و عکس‌العمل آرامی داشت.
رابطه بین همه این مسیرها لازمه موفقیت این سیستم است که پردازش هم‌زمان داده‌ها را ارتقا می‌دهد.
یادگیری عمیق دقیقا همانند این شبکه نورون‌ها است.
کامپیوترها می‌توانند با مدیریت هم‌زمان داده‌های زیاد، زمان لازم برای پردازش داده‌ها را به‌طور قابل‌ملاحظه ای کاهش دهند.
تکنیک یادگیری عمیق شبکه‌های عصبی مصنوعی را بهبود بخشیده است.

این شبکه‌ها از یک‌سری گره ورودی برای دریافت داده و گره خروجی برای نتیجه‌گیری داده و یک‌سری لایه گره که در وسط قرار دارد ساخته‌شده‌اند.
هدف، تبدیل داده ورودی به چیزی است که گره خروجی بتواند از آن استفاده کند.
در اینجاست که لایه‌های پنهان کاربرد دارند.
با پیشرفت داده در طول این گره‌های پنهان، شبکه عصبی در مورد این‌که کدام گره باید داده را به گره بعدی برساند به‌صورت منطقی تصمیم‌گیری می‌کند.

گوگل داده‌های زیاد خود را با استفاده از هوش مصنوعی مدیریت می‌کند. جیمیل به‌تازگی به‌صورت هوشمند پاسخ می‌دهد.

تفاوت هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق

با این‌که یادگیری ماشینی به ما این امکان را می‌دهد تا معنی بسیاری از داده‌هایی که ساخته‌ایم را متوجه شویم، به‌طور مستقل فکر نمی‌کند.
برنامه نویسان الگوریتم را طراحی و قوانینی که یادگیری ماشینی باید اجرا کند را اعمال می‌کنند.
البته این اقدام توسعه‌دهندگان عواقبی هم دارد.

یکی از عواقب یادگیری ماشینی به یکی از مهندسان گوگل در سال ۲۰۱۵ برمی‌گردد.
او دریافت که الگوریتم تشخیص چهره شرکت او، دوستان سیاه‌پوستش را با برچسب گوریل نشان می‌دهد.

گوگل سریعاً مشکل را با حذف کلمه گوریل از آموزش داده برطرف نمود.

یادگیری عمیق ما را یک‌قدم به هوش مصنوعی عمومی نزدیک‌تر می‌کند.
ساختارهای یادگیری عمیق نیاز به آموزش‌های اولیه ندارد و بر اساس اطلاعات و منطق سیستم تصمیم‌گیری می‌کنند.
شاید این مسئله که تصمیم شبکه از ابتدا برای ما شفاف و روشن نیست ناخوشایند باشد اما این بدان معناست که توانسته هوش انسان را کپی کند.

درنهایت می‌توان گفت که هوش مصنوعی، یادگیری ماشینی و یادگیری آموزش هدف خاصی را دنبال می‌کنند.
هوش مصنوعی نشان‌دهنده مفهومی شبیه به هوش انسانی در ماشین است درصورتی‌که یادگیری ماشینی و یادگیری آموزش تلاشی برای رسیدن به هوش مصنوعی عمومی می‌باشند.
تعداد شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند روزبه‌روز افزایش می‌یابد.

گردآوری و تنظیم توسط مجموعه شرکت های مهندسی دانش بنیان رها