اگر خاطرتون باشه تو قسمت‌های قبل گفتیم یادگیری ماشین قبایل مختلفی دارند. قسمت قبلی هم راجع به الگوریتم‌های درختی صحبت کردیم. تو این قسمت هم می‌خوایم به یادگیری عمیق بپردازیم و به سؤالات زیر پاسخ بدیم:

- سیستم‌های یادگیری عمیق چطوری داده‌ها رو ذخیره می‌کنند و ارتباط‌شون با مغز ما چیه؟

- زمستان هوش مصنوعی چرا شکل گرفت؟

- این سیستم‌ها با چه موانعی شروع شدند؟ 

- و چی باعث شد که دوباره اوج بگیرند؟

(تو لینک پست این قسمت، چند تا ویدئوی جالب هم وجود داره که با هوش‌مصنوعی درست کردم. یه سری بهش بزنید. جالبه).

https://aprd.ir/ai-station-e24-deep-learning-algorithms

چند نفر از دوستان ازم سؤالاتی راجع به بازار کار و مهارت‌های مورد نیاز و شرایط کاری هوش مصنوعی پرسیدند، گفتم شاید بد نباشه چند کلامی راجع بهشون صحبت کنیم. 

سؤالات‌ دوستان:

- بازار کار در این زمینه‌ها در داخل و خارج در حال حاضر چگونه است؟

- نیاز بازار کار فعلی حول چه شغل‌هایی هست؟

- حدود دستمزد متخصصین یادگیری ماشین و تحلیل داده چقدر است؟

- آیا امکان دورکاری وجود دارد یا خیر؟

- شرکت در دوره‌های بوت کمپ رو تا چه حد توصیه می‌کنی؟

- تحصیلات آکادمیک چقدر مؤثره؟ 

- چه مهارت‌هایی رو باید بلد باشم؟ 

- چطوری می‌تونم خودم رو متمایز کنم؟

https://aprd.ir/ai-station-e23-ai-industry-state

امروز می‌خوایم به یکی از مهم‌ترین چالش‌های یادگیری ماشین بپردازیم. مسئله اینه که چطوری می‌تونیم مطمئن باشیم که چیزی که قبلاً جواب داده الان هم جواب میده؟ 

این سؤال اولین بار در قرن ۱۸ توسط آقای هیوم مطرح شد و همه چیز از تصمیم‌های روزانه‌مون تا برنامه‌های کامپیوتری پیچیده رو تحت تأثیر خودش قرار میده. نویسنده میگه که: «هر الگوریتم یادگیری تلاشی برای پاسخ به این سؤال هست». 

تو این قسمت به طور خلاصه به سه بخش می‌پردازیم. اول راجع به این صحبت می‌کنیم که افراد راجع به «یادگیری» چطوری فکر می‌کنند. دوم میگیم که چرا از نظر ریاضی یادگیری به نظر غیرممکنه و سوم این که راه‌حل متخصصان برای حل این مشکلات چی بوده؟ و روش‌های نمادین و درختی در یادگیری ماشین رو معرفی می‌کنیم و راجع راجع بهشون حرف می‌زنیم.

https://aprd.ir/ai-station-e22-tree-based-algorithms

تو این قسمت با سید محمدجواد فیض آبادی ثانی راجع به تفاوت‌های صنعت و اکادمیک و البته مدل‌های زبانی صحبت کردم. 

محمدجواد دانشجوی دکتری هوش مصنوعی دانشگاه صنعتی شریف هست و قبلاً هم تیم لید بخش دیتاساینس تپسل بوده. 

تو این گفتگو با هم دیگه راجع به تفاوت‌های زندگی در دانشگاه و صنعت صحبت می‌کنیم و قاعدتاً راجع به این که دکترا بخونیم یا خیر. در انتها هم با توجه به این که محمدجواد تز دکتراش در ارتباط با مدل‌های زبانی بزرگ هست، یه کم راجع به این مدل‌ها گپ می‌زنیم. من از گفتگو با سید لذت بردم. امیدوارم شما هم ببرید.

در ضمن اگر خواستید این ویدئو رو بصورت تصویری ببینید، می‌تونید از اینجا ببینید.

https://aprd.ir/ai-station-e21-seyyed-sani/

سلام. امیر پورمند هستم و با قسمت بیستم از ایستگاه هوش مصنوعی در خدمتتون هستم. 

تو دو قسمت قبلی، دو بخش از کتاب الگوریتم اصلی رو بازخوانی کردیم. خلاصه این که یادگیری ماشین یک الگوریتم یادگیرنده داره. الگوریتم یادگیرنده، داده ورودی و داده خروجی رو می‌گیره و الگوریتمی خروجی میده که اون کار رو انجام بده. 

مثلاً برای تشخیص اسپم، ورودی میشه ایمیل‌ها و خروجی میشه اون‌هایی که اسپم هستند. حالا اینها رو به الگوریتم یادگیرنده می‌دیم و خروجیش میشه یه الگوریتم تشخیص اسپم. 

تو بخش‌های قبل گفتیم که الگوریتم‌های یادگیرنده تعدادشون محدوده. تو این فصل می‌خوایم به یک سؤال بپردازیم. «آیا میشه با یک الگوریتم یادگیرنده همه چیز رو یاد بگیریم؟»

https://aprd.ir/ai-station-e20-master-algorithm-exists

سلام. امیر پورمند هستم و با قسمت نوزدهم از ایستگاه هوش مصنوعی در خدمتتون هستم.

تو قسمت قبل کتاب الگوریتم اصلی رو معرفی کردیم. من دیگه تکرار مکررات نمی‌کنم.

تو این فصل می‌خوایم راجع به انقلاب یادگیری ماشین صحبت کنیم. هنوز به قبایل یادگیرنده که گفتم سر نمی‌زنیم و نویسنده می‌خواد ذهن‌مون رو قلقلک بده و راجع به الگوریتم‌ها و تاثیر اون‌ها بر همه جنبه‌های زندگی بگه. یعنی اول میگیم الگوریتم چیه و بعد میگیم یادگیری ماشین چیه و بعد میگیم چه تأثیراتی داره که بهش انقلاب یادگیری ماشین میگن؟

https://aprd.ir/ai-station-e19-ml-revolution

اخیراً در حال مطالعه کتابی به نام «الگوریتم اصلی» نوشته پدرو دومینگوس هستم و به نظرم کتاب جالبی اومد. گفتم بشینیم با هم مطالعه کنیم. 

کتاب مال ۲۰۱۵ هست و انگلیسی هست و تا به حال به فارسی ترجمه نشده. محتوای کتاب به نظرم اصلاً قدیمی نیست و خیلی جلوتر از زمانه خودش نوشته شده. 

جامعه مخاطبی که برای کتاب در نظر گرفته شده، متنوع هست. از کسانی که به هوش مصنوعی علاقه‌ دارند. تا کسانی که می‌خوان در بیزنس ازش استفاده کنند یا به عنوان شهروند یا دانشجو یا حتی یک متخصص هوش مصنوعی. جامعه هدف بزرگی رو در نظر گرفته. سعیش هم این بوده که به زبان ساده یک فهم جدید و دسته‌بندی جدید از الگوریتم‌های یادگیری ماشین ارائه بده. با هدف اولیه این پادکست که توضیح مباحث فنی به زبان ساده است، همراهه. 

عملاً یک ترجمه کاملاً آزاد از این کتاب با سبک و بیان خودم برای شما خواهم گفت و اصلاً به متن وفادار نخواهم بود. یه جاهایی هم نظرات شخصیم رو میگم (و بین نظرات خودم و نویسنده تفکیک قائل خواهم شد). ترتیب مطالب رو عوض می‌کنم و مفاهیم رو ترکیب می‌کنیم و عملاً با واسطه من این کتاب رو می‌شنوید. 

تو این قسمت می‌خوایم از مقدمه این کتاب شروع کنیم. جایی که از خوندنش خیلی لذت بردم. امیدوارم شما هم ببرید. 

https://aprd.ir/ai-station-e18-master-algorithm-intro/

یکی از سؤالاتی که دیدم زیاد پرسیده میشه، اینه که رودمپ برای یادگیری هوش مصنوعی چیه؟

به نظرم سؤال اشتباهی هست و نمیشه جواب دقیقی بهش داد. 

سؤال درست اینه که رودمپ برای دیتاسایسنتیست چیه؟ یا رودمپ مهندس یادگیری ماشین چیه؟ یا رودمپ پروداکت منیجر هوش مصنوعی چیه؟ 

ولی اینجا به این سؤال‌ها هم نمی‌خوام پاسخ بدم؛ بلکه می‌‌خوام بگم که در فرآیند توسعه یک محصول مبتنی بر هوش مصنوعی چه افرادی نقش دارند و هر کس چیکار می‌کنه؟ 

شاید اگر این‌طوری بهش فکر کنیم بهتر بتونیم جایگاه خودمون رو در تیم متصور بشیم و مسیر شغلی‌مون رو راحت‌تر پیدا کنیم. 

پس تو این قسمت می‌خوام راجع به مسیر شغلی‌های مختلف در حوزه هوش مصنوعی صحبت کنم و این که چطور بفهمیم کدوم مسیر رو برای شروع انتخاب کنیم؟

https://aprd.ir/ai-station-e17-ai-career-path/

تو این قسمت از پادکست می‌خوام به یک سؤال بپردازم. سؤالی که از دوره ارشد برام وجود داشت و بهش فکر می‌کردم. 

بخش‌های مهم یک سیستم یادگیری عمیق چه چیزهایی هستند؟ یعنی اگر من یک مقاله یا روش جدید هوش‌مصنوعی رو خوندم، چه بخش‌هایی وجود دارند که معمولاً مهم‌ترن؟ کدوم بخش‌ها هستند که میشه ازشون ایده گرفت؟ 

به یک معنای دیگه اگر بخوام بگم، چطوری میشه به یادگیری عمیق به عنوان یک سیستم نگاه کرد؟ این سیستم چه اجزایی داره و هر جزء چگونه با بقیه بخش‌ها ارتباط برقرار می‌کنه؟ هدف این سیستم چیه و چطوری خودش رو به این هدف نزدیک می‌کنه؟ چطوری می‌فهمیم که به هدف نزدیک شده یا نه؟

چطوری می‌تونیم با نگاهی متفاوت توضیح بدیم که یادگیری عمیق چیه؟ و فلان روش جدید یادگیری عمیق چه دستاوردی در چه حوزه‌ای داشته؟ یا این که فلان روش جدید کجای این سیستم قرار می‌گیره و کجا به درد خورده؟

اینها سؤالاتی هست که امیدوارم بتونم بهشون پاسخ بدم. 

https://aprd.ir/ai-station-e16-deep-learning-system

چگونه می‌توان هوش مصنوعی رو در سازمان‌های بزرگ اجرا کرد؟

این سوالی هست که این قسمت حولش شکل گرفته و در این قسمت با آقای صفاریان‌زاده حول چالش‌ها و پروسه شکل‌گیری محصول در دنیای هوش مصنوعی صحبت کردیم. از این که با چه چالش‌هایی دست و پنجه نرم‌ کردند و چه راه‌حل‌هایی براش دادند. و فرآیند هشت مرحله‌ای‌شون رو در توسعه یک محصول رو برامون باز کردند. در آخر هم راجع به مسیر شغلی در هوش مصنوعی کمی گپ زدیم. 

به نظرم به طور خاص این قسمت برای مدیران محصول در زمینه هوش مصنوعی می‌تونه مفید باشه.

https://aprd.ir/ai-station-e15-saffarian-apply-ai