معرفی شبکه‌های عصبی

شبکه‌های عصبی مصنوعی، شاخه‌ای از هوش مصنوعی است که امروزه کاربردهای فراوانی در حوزه‌های مختلف از جمله پیش بینی، داده‌کاوی، پردازش تصویر، علوم پزشکی و مهندسی، اقتصاد و …دارند. شبکه عصبی، بنای علم یادگیری عمیق(Deep Learnig) است و یادگیری عمیق هم خود، پایه و اساس یادگیری ماشین(Machine Learning). همه این مفاهیم با هم، علمِ هوش مصنوعی را تشکیل می‌دهند.

شبکه‌ عصبی مصنوعی چیست؟

شبکه‌های عصبی مصنوعی(Artificial Neural Network)، که معمولاً شبکه‌های عصبی(Neural Network) نامیده می‌شوند، سیستم‌های محاسباتی هستند که از شبکه‌های عصبی بیولوژیکی مغز انسان و حیوان الهام گرفته شده‌اند. هدف از به کارگیری شبکه عصبی این است که بتوان قابلیت‌های مغز انسان، از جمله یادگیری، حفظ کردن و ایجاد ارتباط بین داده‌ها را شبیه سازی کرده و برای حل مسائل پیچیده استفاده کرد.

شبکه مغز انسان و حیوان تشکیل شده از میلیون‌ها سلول عصبی به نام “نورون”(Neuron) و مسیرهای ارتباطی بین آن‌ها به نام “سیناپس” (Synapse)است که پیام‌ها را از نورونی به نورون دیگر منتقل می‌کنند.

 

ساختار شبکه عصبی مصنوعی

شبکه عصبی مصنوعی، مجموعه‌ای از گره‌های متصل به هم هستند که نورون‌های مصنوعی نام دارند و سلول‌های عصبی مغز بیولوژیکی را مدل می‌کنند. هر اتصال بین نورون‌ها، مانند سیناپس‌های مغز بیولوژیکی، می تواند سیگنالی را به نورون دیگر منتقل کند. 

به نورون‌ها و سیناپس‌ها معمولاً عددی حقیقی نسبت داده می‌شود که “وزن”(Weight) نام دارند. این اعداد در ابتدا به صورت تصادفی مقداردهی می‌شوند و سپس با پیشرفت یادگیری تنظیم می شوند.

هر “سیگنال” در شبکه عصبی یک عدد حقیقی است. نورون مصنوعی که یک سیگنال دریافت می کند، آن را توسط تابع‌های غیر خطی پردازش می‌کند و سیگنال خروجی را تولید می‌کند و به نورون‌های متصل به خود می‌فرستد.

به تابعی که خروجی نورون را با استفاده از مجموعه ورودی‌های آن محاسبه می‌کند “تابع فعالسازی”(Activation Function) می‌گویند. تابع فعالسازی فعالیت(روشن) یا عدم فعالیت(خاموش) نورون را مشخص می‌کند.

“بایاس”(Bias) مقداری حقیقی است که تابع فعال‌سازی برای بهبود عملکرد شبکه عصبی، به ورودی خود اضافه می‌کند.

معرفی لایه‌ها در شبکه عصبی

شبکه های عصبی از ۳ لایه تشکیل می‌شوند. لایه ورودی، پنهان و خروجی  که به ترتیب وظیفه دریافت داده‌ها، پردازش و تحویل خروجی را برعهده دارند

لایه ورودی: یک بردار است که تعداد مولفه‌های آن، تعداد نورون‌های ورودی هستند.

لایه پنهان: هر لایه‌ی پنهان برداری است از مجموعه‌ای از نورون‌ها که نورون‌های لایه ورودی را به نورون‌های لایه خروجی متصل می‌کنند. تعداد لایه‌های پنهان بسته به نوع شبکه عصبی متفاوت است. در شکل بالا شبکه عصبی با یک لایه مخفی داریم.

لایه خروجی: نشان دهنده خروجی شبکه عصبی است که گاه برداری ۱ بعدی است و گاه بیش از یک بعد دارد.

آموزش شبکه عصبی مصنوعی

شبکه‌های عصبی با پردازش نمونه‌های آموزشی که “ورودی”(Input) و “نتیجه”(Output) در آن‌ها مشخص است آموزش می‌بینند و ارتباطات وزنی میان این دو را تشکیل می دهند تا در ساختار داده‌های شبکه خود ذخیره کنند.

در فرآیند آموزش شبکه مرحله تعیین خطا با تعیین تفاوت بین خروجی پردازش شده شبکه (اغلب پیش بینی) و خروجی هدف انجام می شود. این مقدار خطای شبکه است.

شبکه با توجه به یک قانون یادگیری و استفاده از این مقدار خطا، ارتباطات وزنی خود را تنظیم می کند. تنظیمات پی در پی باعث می شود شبکه عصبی خروجی‌ای تولید کند که درصد شباهت بیشتری با خروجی هدف دارد.

به عنوان مثال، در تشخیص تصویر، شبکه‌ها یاد می‌گیرند که با تجزیه و تحلیل نمونه‌هایی از تصاویر که به صورت دستی با برچسب “گربه” یا “بدون گربه” برچسب گذاری شده‌اند تصاویر حاوی گربه‌ها را شناسایی کنند.

 

 

برخی از انواع شبکه‌های عصبی مصنوعی

 

۱) شبکه‌های عصبی FeedForward (پیش خورد)

شبکه عصبی feedforward یک شبکه عصبی مصنوعی است که در آن سیناپس‌ها بین نورون‌ها چرخه یا دور ایجاد نمی کنند.

شبکه عصبی feedforward اولین و ساده ترین نوع شبکه عصبی مصنوعی بود که ابداع شد. در این شبکه، اطلاعات از نورون‌های ورودی، از طریق نورون‌های لایه‌های پنهان (در صورت وجود)  به نورون‌های خروجی فقط در  جهت  جلو حرکت می کنند. هیچ چرخه یا حلقه‌ای در این شبکه وجود ندارد.

۱-۱) شبکه تک لایه‌ی پرسپترون (Single-Layer Perceptron)

ساده ترین نوع شبکه عصبی، شبکه تک لایه‌ی پرسپترون است که از یک لایه نورون خروجی تشکیل شده‌است. ورودی‌های شبکه از طریق وزن‌ها و مقادیر بایاس پردازش شده و به نورون‌های خروجی ارسال می‌شوند. در این مرحله مقادیر محاسبه شده به تابع فعال‌سازی داده می‌شود. اگر مقدار محاسبه شده بالاتر از مقدار آستانه باشد (به طور معمول ۰) تابع فعال‌سازی نورون را روشن می کند و مقدار فعال شده را می گیرد (معمولا ۱). در غیر این صورت مقدار غیرفعال را می گیرد (معمولا -۱).

۱-۲) شبکه‌های چند لایه‌ی پرسپترون (Multi-layer Perceptron)

این کلاس از شبکه‌ها از چندین لایه واحد محاسباتی تشکیل شده است که معمولاً به صورت feedforward بهم متصل می شوند. هر نورون در یک لایه اتصال خود را به نورون‌های لایه بعدی هدایت می‌کند. شبکه‌های چند لایه از انواع تکنیک‌های یادگیری استفاده می کنند که معروف‌ترین آنها پس‌انتشار(Backpropagation) است. در این تکنیک، مقادیر خروجی با پاسخ صحیح مقایسه می‌شوند تا مقدار تابع خطای از پیش تعریف شده محاسبه شود.

۱-۳) برخی دیگر از شبکه‌های feedforward

به طور کلی ، هر گراف جهت‌دار بدون دور می‌تواند به عنوان یک شبکه عصبی feedforward در نظر گرفته شود. نورون‌های بدون والدین به عنوان ورودی و نورون‌های بدون فرزند به عنوان خروجی تعیین می‌شوند. این مدل را می‌توان به عنوان شبکه های چند لایه مشاهده کرد که بعضی از یال‌ها از لایه ها عبور نمی‌کنند ، یا لایه‌ها را از ورودی‌ها به عقب می‌شمارند یا از ورودی‌ها به جلو می‌شمارند. مانند شبکه‌های عصبی پیچیده CNN) Convolutional Neural Network).

۲) شبکه‌های عصبی Recurrent Neural Network (بازگشتی)

 

شبکه عصبی بازگشتی (RNN) دسته ای از شبکه‌های عصبی مصنوعی است که در آن اتصالات بین نورون‌ها در امتداد یک توالی زمانی می‌باشد. منظور از توالی زمانی، داده‌هایی است که با گذر زمان انتقال می‌یابند. مثل  قیمت سهام‌ها، اطلاعات ثبت شده از حس‌گرها و سوابق پزشکی  که همگی با جلو رفتن زمان تغییر می‌کنند. RNN ها از شبکه‌های عصبی feedforward مشتق شده اند. از(RNN) در حوزه هایی مانند پردازش زبان طبیعی و تشخیص گفتار استفاده می‌کنیم.

… و اما

با توجه به کاربرد‌های روز افزون شبکه‌های عصبی تلاش‌های بسیاری در راستای رفع نواقص این شبکه‌ها انجام شده است . یکی از دلایلی که باعث محدود شدن کاربرد شبکه‌های عصبی می شود مرحله آموزش می باشد . برای آموزش شبکه های عصبی همواره نیاز به گروه بزرگی از اطلاعات ورودی می باشد . در

عین حال تنظیم پارامتر های آموزش شبکه کاری بسیار دشوار بوده و نیاز به تجربه و زمان دارد.

 

نوشته شبکه‌ی عصبی مصنوعی فراتر از مغز انسان؟! اولین بار در ویکدمی. پدیدار شد.

چرا ریاضی؟

رابطه‌ی هوش‌ مصنوعی و ریاضیات را می‌توان این‌گونه بیان کرد: 

کسی که در حوزه‌ی هوش‌مصنوعی فعالیت می‌کند و ریاضی نمی‌داند مانند سیاستمداریست که نمی‌داند چگونه دیگران را قانع کند.

یادگیری ماشین مجموعه‌ای از عملیات ریاضی‌ است و بر اساس اصول ریاضی مثل جبر خطی، حساب دیفرانسیل، آمار و احتمال ساخته شده است. داشتن درک ریاضی برای فهمیدن مفاهیم یادگیری ماشین بسیار ضروری‌است.

 

 دلایل اهمیت ریاضی برای یادگیری ماشین:

• دانش ریاضی به شما کمک می‌کند که الگوریتم یادگیری ماشین درست و مناسب را برای مسئله‌ی پیش رو انتخاب کنید
• تخمین میزان اعتماد ما به نتیجه مدل با تولید فاصله اطمینان مناسب و اندازه گیری عدم قطعیت، به درک ریاضی نیاز دارد
• مدل مناسب بسیاری از جنبه‌ها مانند معیارها، زمان آموزش، پیچیدگی مدل، تعداد پارامترها و تعداد ویژگی‌ها را در نظر می‌گیرد که برای درک همه این جنبه‌ها به ریاضیات احتیاج داریم
• با دانستن ریاضیاتِ مدل‌های
• یادگیری ماشین، می‌توانید مدل شخصی‌سازی شده‌ای را مناسب با مسئله‌ی خودتان توسعه دهید

 

کدام مباحث ریاضی در یادگیری ماشین مهم اند؟

با این که قصد یادگیری ریاضیات وجود دارد، مسئله این است که کدام مباحث را نیاز است برای یادگیری ماشین یاد بگیرید. به هر حال ریاضی بسیار گسترده است. مباحثی که نیاز داریم برای یادگیری ماشین بلد باشیم:

• جبر خطی (Linear Algebra)
  جبرخطی یکی از شاخه‌های ریاضیات است که در یادگیری ماشین و علوم‌داده نقش فوق‌العاده‌ای دارد و مهم‌ترین مهارت ریاضی در یادگیری‌ ماشین به حساب می‌آید. بیشتر مدل‌های یادگیری ماشین می‌توانند به فرم ماتریسی بیان شوند. مجموعه‌ داده اغلب به صورت ماتریس نمایش داده می‌شود و امکان اجرای عملیات ماتریسی را روی داده به ما می‌دهد. جبر خطی در پیش‌پردازش داده، تبدیل داده و ارزیابی داده استفاده می‌شود.
  سرفصل‌ها: بردارها، ماتریس‌ها، مقادیر و بردارهای ویژه، تحلیل مولفه‌ی اصلی، تجزیه مقادیر منفرد

• حساب دیفرانسیل و انتگرال (Calculus)
  برای تنظیم دقیق نتایج استفاده می‌شود و به کمک آن می‌توانیم کارایی الگوریتم‌ها را بهینه کنیم. در واقع ما به حساب دیفرانسیل و انتگرال چند متغیره احتیاج داریم چون معمولا توابعی که با آن‌ها سر و کار داریم بیش از یک متغیر دارند.
  سرفصل‌ها: توابع، مشتق نرده‌ای، گرادیان، حساب بردار و ماتریس، الگوریتم‌های گرادیان

 

 

• احتمال (Probability)
  به کمک علم احتمال می‌توانیم امکان اتفاق افتادن وقایع را در یادگیری ماشین پیش‌بینی کنیم.
  سرفصل‌ها: قواعد ابتدایی و کلی، متغیرهای تصادفی- پیوسته و گسسته، امید ریاضی، واریانس، توزیع- توام و شرطی، توزیع‌های معروف: دوجمله‌ای، برنولی، پواسون، نمایی و گوسی

• آمار(Statistics)
  از آمار برای گرفتن نتایج منطقی از مجموعه‌داده‌ی داده شده استفاده می‌شود.
  سرفصل‌ها: توزیع، گرایش مرکزی، کج بودن، ضریب همبستگی خطی، قضیه حد مرکزی، آزمایش فرضیه

• سایر
  سرفصل‌ها: تئوری اطلاعات، زنجیره‌ی مارکف

چگونه یاد بگیریم؟

حال با این که می‌دانیم چه مباحثی را باید بلد باشیم، هنوز هم مباحث برای یادگیری گسترده هستند. یادمان باشد که می‌خواهیم ریاضیات را برای یادگیری ماشین یاد بگیریم؛ نه فقط هر مبحثی در ریاضی را. به همین دلیل نیاز داریم که ارتباط مباحث را با الگوریتم‌های یادگیری ماشین بدانیم. 

برای مثال، ممکن است با استفاده از کتابخانه‌های موجود برای یک زبان برنامه‌نویسی (مثل sklearn در پایتون) از مدل رگرسیون خطی استفاده کرده باشید و بلد باشید چگونه از آن استفاده کنید ولی ندانید که این الگوریتم دقیقا چطور کار می‌کند. در اینجا با جستجو با اصطلاحات جدیدی روبه‌رو می‌شوید که شما را به سمت مفاهیم توابع خطی و رگرسیون خطی هدایت می‌کند و می‌توانید ریاضیات آن را بهتر متوجه شوید. 

باید توجه داشت که مباحث یادگیری ماشین و علوم داده درهم‌ تنیده هستند ولی مفاهیم و تصویر کلی آن‌ها از ریاضی متفاوت است به همین دلیل لازم است هنگام یادگیری ریاضیات تمرکز روی یادگیری ماشین باشد. در علوم داده، داده‌ی موجود آنالیز و فرضیه‌ها آزمایش می‌شوند به همین دلیل بیشتر تمرکز روی مباحث احتمالی است. در حالی‌که ریاضی در یادگیری ماشین متفاوت است و تمرکز روی جبر خطی به عنوان پردازش ابتدایی بیشتر مدل‌هاست و از حساب دیفرانسیل برای بهینه‌سازی استفاده می‌شود که پشتوانه‌ی بیشتر الگوریتم‌های یادگیری ماشینی است که استفاده می‌کنیم. البته منظور این نیست که یادگیری مباحث علوم داده بی‌فایده است. برعکس، این مباحث حتی می‌توانند به عنوان پیش‌نیاز یادگیری ماشین باشند.

 

برای مطالعه مقاله هوش مصنوعی در اسپاتیفای اینجا کلیک کنید!

منبع؟

با توجه به آن‌چه پیش تر در مورد نوع یادگیری ریاضی برای یادگیری ماشین متذکر شدیم، لازم است منابع در راستای یادگیری ماشین باشند. به همین دلیل در ادامه دوره‌های آموزشی، کتاب و آموزش‌های ویدئویی را معرفی می‌کنیم که برای یادگیری مفید خواهند بود.

منابع آموزشی:

• آموزش‌های سایت Coursera
  سایت Coursera در سه دوره مجزا ریاضیات مورد نیاز این حوزه را آموزش می‌دهد. این سه دوره که از طریق لینک دوره‌های ریاضیات ماشین لرنینگ قابل دسترسی هستند، عبارتند از جبرخطی و حساب دیفرانسیل چندمتغیره و PCA.

• دوره‌ی ریاضیات یادگیری ماشین دانشگاه MIT
  در این لینک مشخصات این دوره به تفصیل گفته‌شده است. مباحث این دوره به سه بخش اصلی تقسیم می‌شوند:
  • The Statistical Theory of Machine Learning
  • Algorithms and Convexity
  • Online Learning

کتاب‌ها:

• یکی از منابع مهم یادگیری مباحث ریاضی، کتاب «ریاضیات برای یادگیری ماشین» است. در این کتاب مباحث زیر در فصل‌های مجزا پوشش داده شده است که نشان می‌دهد این کتاب نسبتا منبع جامعی‌است.
  1. Linear Algebra جبر خطی 
  2. Analytic Geometry هندسه تحلیلی
  3. Matrix Decompositions تجزیه ماتریس
  4. Vector Calculus حساب برداری
  5. Probability and Distribution احتمال و توزیع
  6. Continuous Optimization بهینه‌سازی پیوسته

• کتاب دیگری که می‌توانید با آن شروع کنید، کتاب Mathematics for Machine Learning است که نوشته‌ی Garrett Thomas در سال ۲۰۱۸ است. 

• اگر می‌خواهید مباحث را عمیق‌تر و به صورت جدا مطالعه کنید، کتاب‌های زیر به ترتیب برای یادگیری جبرخطی و حساب دیفرانسیل چندمتغیره مفید خواهند بود.
  • Linear Algebra by Jim Heffereon (2020)
  • Multivariate Calculus by Shurman and College

منابع آموزشی ویدئویی:

اگر با ویدئو دیدن میانه‌ی خوبی دارید، با لینک‌های زیر می‌توانید به ویدئوهای آموزشی دسترسی داشته باشید. دو لینک اول، دو ویدئو هستند که به آموزش جبرخطی و حساب دیفرانسیل در حدود ۱۰ ساعت می‌پردازد و لینک آخر پلی‌ لیستی متشکل از ۴ ویدئوست که بهینه‌سازی را آموزش می‌دهد. 

• Linear Algebra for Machine Learning YouTube Video
• Calculus for Machine Learning YouTube Video
• Optimization Learning YouTube Video

نتیجه‌؟

هدف ما نشان‌دادن اهمیت ریاضیات برای یادگیری ماشین و معرفی منابعی برای یادگیری مباحث ضروری بود، اما در نهایت مهم است که تعادلی بین عمیق شدن در مباحث ریاضی، تئوری و پیاده‌سازی الگوریتم‌های یادگیری ماشین برقرار شود که این مسئله به فرد و انتظاراتی که از این حوزه دارد بستگی دارد.

دوره آمادگی آزمون GRE

برای آشنایی با آزمون GRE و نحوه مطالعه برای آزمون، کلیک کنید!

کلیک کنید

نوشته یک پای یادگیری ماشین بدون ریاضیات می‌لنگد! اولین بار در ویکدمی. پدیدار شد.

مطالعه برای آزمون GRE می تواند یک کار بزرگ به نظر برسد، مانند کشتن اژدهایی که واژگان می خواهد و به جای آتش، مسائل ریاضی بیرون می‌ریزد. برای اینکه برنامه خود را برای آمادگی آزمون GRE بیشتر مدیریت کنید، به یک برنامه مطالعه نیاز دارید. در این راهنمای کامل جهت برنامه ریزی مطالعه GRE، ما درباره این موارد صحبت می‌کنیم:

•  چرا شما به یک برنامه نیاز دارید

•  چه مواردی را هنگام تهیه یک برنامه باید در نظر بگیرید

•  چهار نمونه برنامه مطالعه GRE که می‌توانید استفاده کنید

•  راهنمایی جهت تهیه برنامه شخصی خود

برای یادگیری نحوه مقابله با اژدهای آمادگی GRE  ادامه مطلب را بخش به بخش بخوانید!

چرا به یک برنامه مطالعه GRE احتیاج دارید؟

شما ممکن است فکر کنید چرا نمی توانم فقط یک کتاب مقدماتی را باز کنم، هر روز روی چند مسئله کار کنم و سپس به همین منوال به خوبی پیش بروم؟ اما با انجام دادن اینکارها، شما موفق نخواهید شد و استفاده از یک برنامه مطالعاتی مخصوص GRE برای موفقیت شما ضروری است، به سه دلیل:

1.  به طور موثرتری از زمان استفاده خواهید کرد!

اگر مطالعه خود را برنامه‎ریزی کرده‎اید، وقت بسیار کمتری را هدر می‎دهید تا بفهمید در آن روز / هفته / ماه از زمان آماده سازی خود، چه کاری باید انجام دهید. برنامه شما در هر لحظه به شما می‎گوید که از آن به بعد کجا بروید، تا روز آزمون!

۲. از مسیر منحرف نمی‌شوید!

شما بدون داشتن برنامه، بسیار آسان در روند مطالعه GRE منحرف خواهید شد و در پایان، بسیار کمتر از آنچه که قصد داشتید مطالعه کرده‌اید. اگر اهداف مشخصی را برای خود برنامه‌ریزی نکرده باشید، ممکن است بعضی روزها احساس کنید که واقعاً نیازی به مطالعه برای GRE ندارید و با این کار، بین بازه‌های زمانی مطالعه، به طور نامرتب فاصله بیاندازید. یک برنامه مطالعه GRE به شما کمک می‌کند در مقابل خودتان پاسخگو باشید.

نکته: ما پیشروترین برنامه آنلاین آماده‌سازی GRE جهان را ایجاد کرده‌ایم که با شما و نقاط قوت و ضعف شما سازگار است.

مطمئن نیستید چه چیزی بخوانید؟ سردرگم هستید که چگونه نمره خود را بهبود ببخشید؟ ما به شما راهنمای دقیقه به دقیقه می دهیم.

برای کسب نمره عالی GRE نیازی به برنامه آمادگی ندارید. اما ما اعتقاد داریم که PrepScholar بهترین برنامه موجود برای آماده سازی GRE، در حال حاضر است؛ به خصوص اگر برای سازماندهی برنامه مطالعه خود دچار مشکل هستید و نمی‎دانید چه چیزهایی را بخوانید.

۳. برنامه آمادگی را به شیوه راهبردی انجام خواهید داد 

این دلیل آخر مهمترین دلیل است. اگر برنامه مطالعه GRE ندارید، ممکن است آمادگی شما خیلی موثر نباشد. یک طرح به شما کمک می‌کند تا حوزه‌های مشخصی را که باید در برنامه آمادگی خود به آن بپردازید به روش راهبردی، هدف قرار دهید. شما می‌توانید بدون توجه به نقاط ضعف‌تان صدها مسئله تمرینی حل کنید و بدون یادگرفتن تکنیک ها و راهکار های جدید به برنامه مطالعاتی خودتان ادامه دهید، اما به این نکته توجه کنید که شما با این روش فقط وقت خود را هدر میدهید و آمادگی شما برای شرکت در آزمون تغییر چندانی نخواهد کرد.

ملاحظات مهم برای انتخاب برنامه مطالعه GRE

هنگام انتخاب برنامه مطالعاتی، باید موارد مهمی را در نظر بگیرید که در ادامه درباره آن‌ها صحبت می‌کنیم:

• کدام بخش آزمون GRE مهم‎تر است؟

تقریباً برای همه برنامه‌های تحصیلات تکمیلی، بخش‌های کمی و verbal اهمیت بیشتری دارد. گاهی اوقات این مسئله کاملاً آشکار خواهد شد. شما باید زمان بیشتری را برای مطالعه در بخش مهم‌تر صرف کنید. برنامه‌هایی را انتخاب کنید که ممکن است هر دو نمره را مهم بدانند‌، در این صورت، شما باید زمان آماده‌سازی GRE خود را به طور مساوی بین دو بخش تقسیم کنید.

به طور کلی، هیچ برنامه‌ای به بخش نوشتار تحلیلی اهمیت زیادی نمی‌دهد. بمباران کردن آن به طور کامل می‌تواند یک پرچم قرمز باشد، اما حتی اگر شما یک برنامه متمرکز بر نوشتن را درخواست می‌کنید ، زیاد آن را سخت نکنید.

• چقدر می خواهید نمره خود را افزایش دهید؟

هر چه بخواهید امتیاز خود را بیشتر کنید، باید بیشتر مطالعه کنید. در اینجا چند نمونه از تخمین زمانی ما برای افزایش نمره آورده شده:

۵ امتیاز = ۴۰ ساعت

۱۰ امتیاز = ۸۰ ساعت

۲۰ امتیاز = ۱۶۰ ساعت

۳۰ امتیاز = ۲۴۰ ساعت

توجه داشته باشید که این موارد مربوط به افزایش کلی امتیاز است و نه افزایش امتیاز یک بخش.

بنابراین ۴۰ ساعت می تواند به شما کمک کند تا ۵ امتیاز یک بخش را کسب کنید، یا برای هر دو بخش حدود ۲.۵ امتیاز کسب کنید.

طبق این تخمین‌های زمانی، افزایش ۳۰ نمره GRE شما بسیار دشوار است و افزایش بیش از ۳۰ امتیاز تقریبا غیر ممکن است. این به این دلیل است که GRE برخی از مهارت‌های ریاضی و خواندن را، که ایجاد آن‌ها قبل از شرکت در آزمون دشوار است، درگیر می‌کند. در ضمن، اینکه شما به چه میزان نمره GRE خود را افزایش می‌دهید به هدف شما بستگی دارد.

• چقدر زمان دارید؟

آزمون چه زمانی برگزار می‌شود؟ ماه بعد؟ دو ماه بعد؟ چهار ماه دیگر یا … (با فرض اینکه تا حد خوبی به زبان انگلیسی تسلط دارید، احتمالاً بیش از چهار ماه نیازی به آماده سازی ندارید، مگر اینکه واقعاً بخواهید آن افزایش ۳۰ واحدی را داشته باشید!).

اینکه شما قبل از آزمون چقدر وقت دارید‌، همراه با کل ساعت‌هایی که برای مطالعه نیاز دارید، تعیین می‌کند که چند ساعت در هفته باید مطالعه کنید. بنابراین، اگر پنج امتیاز می‌خواهید و یک ماه وقت دارید، برنامه مطالعه GRE شما در هفته حدود ده ساعت خواهد بود.

اگر هنوز در این آزمون ثبت نام نکرده‌اید و می‌دانید که هفته‌ای چقدر وقت آزاد برای اختصاص دادن دارید، می‌توانید بهترین تاریخ آزمون را بر اساس این اطلاعات انتخاب کنید. بنابراین اگر پنج امتیاز می‌خواهید اما می‌توانید فقط پنج ساعت در هفته مطالعه کنید، تاریخ آزمون را دو ماه دیگر انتخاب کنید.

نحوه استفاده از نمونه برنامه‌های مطالعاتی GRE

ما چهار نمونه طرح مطالعه GRE برای شما ایجاد کرده‌ایم. در اینجا برخی از راهنمایی‌های لازم برای استفاده از برنامه‌های مطالعه در زیر آمده است:

• قبل از شروع هر برنامه مطالعاتی ، شما باید یک خط پایه (baseline) ایجاد کنید. این به معنای شرکت در یک آزمون آزمایشی و رسمی GRE است تا تصور کنید که اگر فردا در این آزمون شرکت کنید چه نمره می‌گیرید. با این کار شما نقاط قوت و ضعف خود را متوجه شده و همچنین می‌فهمید که برای قبولی در آزمون چند نمره کم دارید. من تنظیمات پایه‌ای را در هر طرح مطالعه قرار داده‌ام. فقط حتما به این نکته توجه داشته باشید که این کار اولین کاری است که باید هنگام شروع انجام دهید!
• تمام برنامه‌های ما بر این فرض هستند که شما یک بخش اصلی و ثانویه برای اهداف GRE دارید. بخش اصلی همان بخشی است که می‌خواهید در آن امتیاز بیشتری کسب کنید. اگر در هر قسمت تقریباً نمره برابر می‌گیرید، بخش اصلی باید همان قسمتی باشد که در آن ضعیف‌تر هستید، برای اینکه نمره خود را به سطح بخش دیگر برسانید، باید خود را بیشتر آماده کنید.
• در طول هر هفته، همه کارها با یک ترتیب پیشنهادی، ارائه می‌شوند؛ اما لازم نیست که خیلی به خودتان سخت بگیرید _تا زمانی که الگوهای کلی بازبینی را دنبال می‌کنید، سپس ارزیابی می‌کنید‌ و بر اساس نقاط ضعف، ارزیابی خود را بازبینی می کنید. به عنوان مثال، ابتدا باید در همه برنامه‌ها خط پایه خود را انتخاب کنید، اما اگر می‌خواهید چند جلسه مرور محتوا را برای بخش‌های اصلی و ثانویه خود جایگزین کنید (به جای انجام تمام ساعات اولیه و سپس به ترتیب سایر ساعات ثانویه)، کار خوبی است.
• ما فرض کردیم که شما به تست‌های تمرینی و بخش‎های کامل تمرین GRE خود دسترسی دارید. من به شما توصیه می‌کنم قبل از شرکت در آزمون رسمی، از دو آزمون PowerPrep زمان‌بندی شده برای تنظیم پایه و سپس به عنوان آخرین تست تمرینی خود استفاده کنید.
• اگر از هر یک از این برنامه‌ها استفاده می‌کنید، به شما توصیه می‌کنم که در راهنمای رسمی ETS سرمایه‌گذاری کنید و همچنین تهیه یک کتاب مقدماتی و شاید برخی منابع دیگر را برای اهداف مرور در نظر بگیرید.
• این برنامه‌های مطالعه GRE شامل ترکیبی از زمان اختصاص یافته به مرور محتوا و بررسی استراتژی است. مرور محتوا زمانی است که اساس اصلی خود را برای بخشی ایجاد کنید. از نظر Quant، این به معنای فراتر رفتن از مفاهیم و انجام مسائل تمرینی برای تقویت این مفاهیم است. از نظر Verbal ، این در درجه اول به معنای یادگیری واژگان و تمرین خواندن و تجزیه متن‌های پیچیده است.
• مرور استراتژی زمانی است که نحوه برخورد خود با آزمون را تمرین کنید. بنابراین مواردی مانند اطمینان از اینکه می‌توانید با سرعت کافی به سوالات پاسخ دهید، کار بر روی قالب‎های سوال که با آنها دست و پنجه نرم می‌کنید و همچنین بهترین راهکارهای حذف فرآیند را پیدا کنید. شما احتمالاً قسمت زیادی از زمان بررسی استراتژی خود را صرفاً کار روی مسائل تمرینی به سبک GRE خواهید کرد. کتاب‌های مقدماتی مکان بسیار خوبی برای کمک به استراتژی هستند.
• این برنامه‌های مطالعاتی GRE، متکی بر شناسایی و هدف‌گیری نقاط ضعف شما است. بنابراین در یک جلسه بررسی محتوا یا استراتژی، وقت بیشتری را صرف چیزهایی کنید که با آن‎ها دست و پنجه نرم می‎کنید.

این برنامه‎ های مطالعه GRE همچنین شامل خلاصه‌نویسی برای فعالیت‎های مختلف است. معنی این اصطلاحات اینجاست:

• قالب آزمون را مرور کنید: به دنبال آنچه انتظار دارید در روز آزمون با آن روبرو شوید، بگردید.
• کسب اطلاعات: مشکلات نادرست موجود در آزمون/بخش را شناسایی و برطرف کنید. در زمینه‌های ضعف خود که باید برای آمادگی خود هدف قرار دهید، چه در محتوا و چه در استراتژی خود‌، یادداشت‌های مفصلی یادداشت کنید. بنابراین اگر متوجه شدید که در بیان Quant  مشکل دارید‌، توجه داشته باشید که می‌توانید آن مفاهیم را مطالعه کنید. اگر در Verbal وقت خود را تمام می‎کنید، توجه داشته باشید که می‌توانید روی کاهش سرعت خود نیز کار کنید.
• مرور محتوا: روی ایجاد پایه دانش خود برای یک بخش کار کنید. این به معنای بررسی مفاهیم ریاضی برای Quant و کار روی واژگان و متن‎های پیچیده برای Verbal است. همیشه برای نقاط ضعف خود بیشترین هدف‌گذاری را انجام دهید!
• مرور استراتژی: تا رسیدن به روز آزمون استراتژی‌تان را مرور کنید. این می‎تواند شامل تمرین هدفمند سوالات GRE باشد (یا اگر در زمینه مدیریت زمان کار می‎کنید). بیشتر وقت خود را روی نقاط ضعف خود متمرکز کنید!
• خلاصه نویسی تحلیلی را تمرین کنید: چندین درخواست را از بخش رسمی موضوعات موضوع و مجموعه رسمی مباحث را انتخاب کنید. سپس چند دقیقه به خود فرصت دهید تا رئوس مطالب مربوط به هر یک را بنویسید.
• تکمیل یک بخش آزمون [اولیه / ثانویه]: یک بخش آزمون ۲۰ سوالی را به صورت زمان‌بندی شده در Verbal یا Quant کامل کنید. حتماً دستورالعمل‌های مربوط به محدودیت‌های زمانی را دنبال کنید!

نمونه برنامه مطالعه اول  : ۱ ماه، ۵ امتیاز

احتمالاً در یک ماه، حتی با ۱۰ ساعت مطالعه در هفته نخواهید توانست پیشرفت بزرگی در درک محتوای اساسی و مفاهیم GRE داشته باشید. بنابراین برای این طرح، شناسایی نقاط ضعف محتوا، که به راحتی قابل حل هستند ضروری است و روی راهکارهای  ایجاد امتیازات بیشتر در حاشیه کار می‎شود. مانند همگام نگه داشتن سرعت و پاسخ دادن به هر سوال.

تعهد زمانی هفتگی برای این طرح ۱۰ ساعت در هفته است. به شرطی که بتوانید زمان کافی را برای انجام کامل یک کار جامع اختصاص دهید (مثل شرکت در یک آزمون آزمایشی)، می‌توانید این زمان را به هر طریقی که می‎خواهید تقسیم کنید _ احساس نکنید که فقط می‌توانید یک کار را در یک روز یا یک جلسه انجام دهید. وظایف به ترتیب پیشنهادی ذکر شده‌اند اما در صورت نیاز می‌توانید اصلاحات جزئی انجام دهید. این طرح با هدف بهبود ۳ امتیاز در بخش اصلی شما و ۲ امتیاز در بخش ثانویه شما انجام می‎شود.

منبع : https://www.prepscholar.com/gre/blog/gre-study-plan/

نوشته برنامه ریزی برای آمادگی آزمون GRE به کمک ۴ روش زمان‌بندی اولین بار در ویکدمی. پدیدار شد.

این سیستم ها مزایای بی شماری را ارائه می دهند از جمله سرعت در اجرای رویه های پیچیده بر اساس حجم زیادی از داده ها و اطلاعات موجود ؛ پشتیبانی از برنامه های معمول روزنامه نگاری که از طریق هشدارهایی در مورد وقایع و تهیه متن پیش نویس که با اطلاعات متنی تکمیل می شود ؛ گسترش پوشش رسانه ای به مناطقی که قبلاً تحت پوشش خبری نبوده اند یا به خوبی پوشش داده نشده اند (به عنوان مثال نتایج مسابقات بین باشگاه های “کوچک”) ؛ بهینه سازی پوشش اخبار در زمان واقعی ؛ تقویت ارتباطات یک رسانه با مخاطبانش از طریق فراهم آوردن زمینه شخصی برای آنها متناسب با موقعیت مکانی یا تنظیمات آنها، از جمله مزایای حضور فناوری هوش مصنوعی در این حوزه است. اتوماسیون خبری بارزترین جنبه این پدیده است و بدون شک بحثهای داغتری را در حرفه روزنامه نگاری “ربات روزنامه نگار” به وجود آورده است.

” در بدترین حالت، اتوماسیون می تواند شغل و هویت روزنامه نگاری را با به دست گرفتن کارهایی که معمولاً توسط انسان انجام می شود تهدید کند. در بهترین حالت، می تواند با به عهده گرفتن وظایف تکراری و زمان بر، منجر به تجدید روزنامه نگاری شود و روزنامه نگاران را از تمرکز بر تولید محتوایی با ارزش افزوده بالا خلاص کند. “

اما اتوماسیون روشهای تولید روزنامه نگاری محدود به تولید متن نیست؛ به طور مثال بی بی سی اخیراً صدایی ترکیبی برای خواندن با صدای بلند مقالات منتشر شده در وب سایت خود معرفی کرده است. سال گذشته، رویترز یک سیستم ویدیویی خودکار برای پوشش مسابقات ورزشی راه اندازی کرد.

 هوش مصنوعی در کنار منابع انسانی و مالی

چارلی بکت، مدیر پروژه هوش مصنوعی ژورنالیسم، در نظرسنجی سال ۲۰۱۹ خود از ۷۱ سازمان خبری در ۳۲ کشور اروپا، آمریکای شمالی، آمریکای جنوبی و آسیا، گزارش داد که تقریباً از هر ده سازمان، چهار استراتژی هوش مصنوعی به کار گرفته اند. موانع اصلی توسعه این فناوری ها در مقاومت فرهنگی است که با ترس در مورد از دست دادن شغل و تغییر روال کار و حتی گاهی خصومت کلی با فناوری مرتبط است.

صندوق نوآوری اخبار دیجیتال گوگل کمک قابل توجهی به تأمین بودجه پروژه هایی در اروپا کرده است که امکانات فناوری های جدید را کاوش می کند. در زمان راه اندازی صندوق در سال ۲۰۱۵، کارلو دآسارو بیوندو، رئیس مشارکت های استراتژیک گوگل گفت: “من قاطعانه معتقدم که گوگل همیشه دوست داشته است که یک دوست و شریک صنعت خبر و مقالات باشد.”

یکی از این پروژه ها RADAR (Reporters and Data and Robots) در انگلیس است که ۷۰۶،۰۰۰ یورو بودجه دریافت کرده است. طبق وب سایت و اطلاعات این پروژه که میگوید: “ما تنها خبرگزاری محلی خودکار جهان را ساخته ایم. مقالات داده محور را به صدها وب سایت خبری، روزنامه و ایستگاه های رادیویی در سراسر انگلستان ارائه می دهیم. ” این سرویس کاملاً خودکار نیست به همین دلیل تیمی از روزنامه نگاران برای اطمینان از کنترل سرمقاله با الگوریتم ها، همکاری نزدیک با تیم دارند.

در ایتالیا، گروه ” SESAAB” 400000 یورو برای توسعه الگوریتم هایی دریافت کرد تا متناسب با رفتار کاربران اینترنت، محتوایی را سازماندهی می کنند. سیستم توصیه های سفارشی آن در نظر دارد تا حجم اشتراک ها و درآمد خود را افزایش دهد تا خبرنگاران روزنامه های منطقه ای خود بتوانند خود را وقف ایجاد محتوای “با کیفیت بالا” کنند.

“روش هایی وجود دارد که می توانید از ابزارهای هوش مصنوعی استفاده کنید که به چنین منابع قابل توجهی نیاز ندارند. علاوه بر فن آوری های توسعه یافته برای پاسخگویی به نیازهای خاص یک رسانه معین، بسته های نرم افزاری تولید زبان طبیعی نیز در دسترس است که به ویژه برای یک سازمان خبری دور از دسترس نیست.”

طبق گزارش شرکت مشاوره گارتنر “Gartner”، هزینه دسترسی به این سیستم عامل ها از ۲۵۰ دلار تا ۴۸۰۰ دلار در سال است. مزیت اصلی آنها در کنترلی است که به کاربران نهایی خود ارائه می دهند، و آنها قادر به تعیین پارامترهای نرم افزار هستند ؛ از انتخاب داده ها تا شکلی که متن های تولید شده استفاده می کنند، بدون نیاز به مهارت های خاص گروه رسانه ای تامدیا سوئیس، که به منظور خودکار کردن گزارش در مورد نتایج آرا عمومی در سوئیس، این راه حل را انتخاب کرد. این سیستم قادر است در عرض چند دقیقه حدود ۴۰،۰۰۰ مقاله تولید کند. به پیکربندیTobi””می گویند.

 چالش های اشتغال و آموزش

با افزایش آزمایشات اتوماسیون، خبرگزاری ها علی رغم مناطق نسبتاً محدودی که هوش مصنوعی تحت پوشش قرار می دهد (ورزش، اقتصاد، محیط زیست و نتایج انتخابات) در میان علاقه مندان هم به کار می آیند و کاربرد دارد. در مطالعه ای در سال ۲۰۱۷، “الکساندر فانتا”، روزنامه نگار اتریشی، دریافت که اکثر آژانسهای خبری اروپا از اتوماسیون استفاده کرده اند. به گفته فانتا، ” اتفاقات مربوط به ماشین فاقد عمق و بررسی انتقادی واقعیت های ارائه شده هستند، اما می توانند خلاصه ای سریع از چهره های خبری یا نسخه اول یک داستان را ارائه دهند.”

در حال حاضر هیچ مدرکی وجود ندارد که نشان دهد اتوماسیون تولید اخبار مرتبط با از دست دادن شغل است. تنها شرکتی که در تلاش برای “خودکارسازی کامل” به افزونگی گسترده متوسل شده است، غول فناوری مایکروسافت در پورتال MSN News خود است. شواهدی وجود دارد که نشان می دهد فریلنسرها گهگاه در اثر اتوماسیون پروژه خود را ازدست میدهند، اما اثبات این که چیزی به نام خطر در برابر این زمینه اقتصادی برای رسانه های خبری وجود ندارد.

گرچه اضطراب در مورد اشتغال مشروع است، اما لازم به یادآوری است که روزنامه نگاری چیزی بیش از مجموع اجزای آن نیست و شخصیت انسانی این حرفه نمی تواند خودکار باشد. روزنامه نگاران و مقاله نویسی چیزی فراتر از اطلاعات ارائه می دهند. همانطور که روزنامه نگار و استاد سابق دانشگاه پورتو، “فرناندو زامیث” استدلال می کند: «دقت به موضوعات به تأیید صحیح نیاز دارد. ربات ها هر بار نمی توانند آن را درست کنند. “

آیا یک برنامه رایانه ای می تواند مقالات بهتری نسبت به روزنامه نگار بنویسد؟ گاردین در سپتامبر سال ۲۰۲۰ هنگامی که متنی را که کاملاً توسط GPT-3 نوشته شده است ( تولید کننده زبان توسط شرکت آمریکایی OpenAI ) دوباره این موضوع را آغاز کرد. با وجود مهارت نرم افزار، قادر به تجزیه و تحلیل ۴۵ ترابایت داده با ۱۷۵ میلیارد پارامتر است، اما بدون محدودیت نیست. به عنوان مثال، سیستم نمی فهمد چه می نویسد و بنابراین در معرض ناسازگاری است. اما GPT-3 با ارائه روایت های عمیق تر نسبت به مولدهای زبان سنتی، زمینه جدیدی را فراهم کرده است.

“خطر در اینجا این است که ماشین ها بدون نظارت انسان کار خود را بر عهده می گیرند، به همین دلیل توسعه مهارت های ویرایش جدید برای شکل دادن به چنین سیستم هایی مهم است.”

استقبال از این پدیده به منظور شکل گیری توسعه آن

با توجه به اینکه یک سیستم رایانه ای بر اساس انتخاب های بشر بنا شده است، که طبق تعریف خنثی نیستند؛ تصور اینکه گام ها نیز باید در جهت مخالف برداشته شوند، کاری پوچ نیست. بازیگران جدید در دنیای روزنامه نگاری “مهندسان کامپیوتر، زبان شناسان و دانشمندان داده” هستند. شرکت هایی که راه حل های فن آوری را در اختیار رسانه ها قرار می دهند، حتی اگر به طور فعال درگیر زنجیره روزنامه نگاری باشند، خود را روزنامه نگار نمی دانند.

سازمان های حرفه ای باید در مورد چگونگی انجام سیاست های فراگیر تأمل کنند، تا آنجا که استفاده از مسئولیت اجتماعی رسانه های خبری به همان اندازه فردی و جمعی است. یکی از چالش های اصلی، ادغام فناوری های هوش مصنوعی در روزنامه نگاری نیز در زمینه اخلاق است. همانطور که میشل وول اقتصاددان فرانسوی می نویسد: “خوب و بد در قصد و اهداف نهفته در ابزار است.”

در پایان سال ۲۰۲۰، شورای رسانه های جمعی در فنلاند گزارشی را منتشر کرد که توصیه می کند نهادهای خودتنظیمی این حرفه نباید در بحث پردازش داده ها، انتخاب در روش های رایانه ای و شفافیت نسبت به مخاطبان تأخیر کنند. براساس این گزارش، بایستی شوراهای رسانه ای رهبری جهان، نظارت در این حوزه را بدست بگیرند.

امروزه کاربرد هوش مصنوعی در نوشتن مقاله مورد قبول واقع شده و مدل‌های هوش مصنوعی به نحوی مقاله‌های کامل و بدون ایراد می‎نویسند که وحشت انسان‌‎ها از قدرت گرفتن آن‌ها بیشتر هم شده است. برای مثال در یکی از موفق‌ترین مقالاتی که توسط یک هوش مصنوعی تولید شده، به این مورد اشاره شده که انسان در صورت خوردن دو ماده خوراکی با یکدیگر ممکن است جانش را از دست بدهد. شاید در نگاه اول عجیب به نظر برسد، اما مطمئنا به زودی شاهد پیشرفت روزافزون این فناوری خواهیم بود..

نوشته هوش مصنوعی و روزنامه نگاری؛ مسابقه ای با ماشین اولین بار در ویکدمی. پدیدار شد.

چرا داده ها ماده جادویی برای موفقیت در پخش موسیقی هستند؟

با ده ها میلیون کاربری که در هر دقیقه از روز در حال گوش دادن به موسیقی  هستند؛ برند هایی مانند اسپاتیفایکوهی از داده های ضمنی مشتری را شامل ترجیحات آهنگ، تنظیمات برگزیده کلمات کلیدی، داده های لیست پخش، موقعیت جغرافیایی شنوندگان، بیشترین دستگاه های استفاده شده و موارد دیگر را جمع آوری می کنند.

داده ها تصمیمات را در هر بخش در اسپاتیفای هدایت می کنند. این اطلاعات برای آموزش الگوریتم هایی استفاده می شود که بینش های مربوطه را، هم از محتوای سیستم عامل و هم از مکالمات آنلاین درباره موسیقی و هنرمندان و هم از طریق داده های مشتری بیرون می کشد و از این موارد برای افزایش تجربه کاربر استفاده می کند.

یک مثال آن “Discover Weekly” است که در سال اول معرفی، ۴۰ میلیون نفر به آن رسید. هر دوشنبه ، به لیست کاربران سی نفره، لیست سفارشی ارائه می شود. لیست پخش توصیه شده شامل آهنگ هایی است که ممکن است کاربر قبلاً آنها را نشنیده باشد، اما این توصیه ها براساس الگوی سابقه جستجوی کاربر و ترجیحات بالقوه موسیقی ایجاد می شوند. ماشین لرنینگ توصیه ها را قادر می سازد تا با گذشت زمان، پیشنهادات بهبود یابند. که نه تنها باعث بازگشت کاربران می شود، بلکه امکان مواجهه بیشتر با هنرمندانی را که کاربران ممکن است به صورت ارگانیک جستجو نکنند فراهم می کند.

فیلتر کردن مشارکتی:

این موضوع شامل مقایسه روند رفتاری کاربر با سایر کاربران است. بستر پخش محتوای Netflix به همین ترتیب فیلترهای مشترک را برای تأمین قدرت مدل های پیشنهادی خود ، با استفاده از رتبه بندی فیلم مبتنی بر لایک یا ستاره دار کردن بینندگان ، ایجاد می کند تا توصیه هایی را برای سایر کاربران مشابه ایجاد کند. در حالی که Spotify از سیستم رتبه بندی برای آهنگ ها استفاده نمی کند، آنها از بازخورد ضمنی استفاده می کنند؛ مانند تعداد دفعاتی که کاربر آهنگ خاصی را پخش کرده، آهنگی را در لیست خود ذخیره کرده است یا هنگام گوش دادن به آهنگ بر روی صفحه هنرمند کلیک کرده است  برای ارائه توصیه های مربوط به سایر کاربران که، مشابه آنها تلقی شده است.

پردازش زبان طبیعی (NLP)

NLP گفتار انسان را از طریق متن تجزیه و تحلیل می کند. هوش مصنوعی اسپاتیفای، داده های آهنگ، همچنین پست های وبلاگ، بحث در مورد نوازندگان خاص و مقالات خبری درباره آهنگ ها یا هنرمندان را در اینترنت اسکن می کند. همچنین سایر هنرمندان و ترانه ها در صورت بحث در کنار هم مورد بررسی قرار می گیرد و اصطلاحات توصیفی، عبارات اسمی و سایر متون مرتبط با آن آهنگ ها یا هنرمندان را مشخص می کند .

سپس این کلمات کلیدی در “بردارهای فرهنگی” و “اصطلاحات برتر” طبقه بندی می شوند. هر هنرمند و ترانه با هزاران اصطلاح برتر مرتبط است که هر روز قابل تغییر هستند. به هر اصطلاح یک وزنه اختصاص داده می شود، که اهمیت نسبی آن را از نظر چند بار نسبت دادن یک اصطلاح به آهنگ یا نوازنده ای که دوست دارد، منعکس می کند. اسپاتیفای برای این امر فرهنگ لغت ثابتی ندارد، اما این سیستم قادر است اصطلاحات موسیقی جدید را از زمان و زمان بروز آنها – نه فقط به انگلیسی ، بلکه در زبانهای مشتق شده از لاتین در فرهنگ ها – شناسایی کند. البته، محتوای هرزنامه و غیر موسیقی مربوط به یک فرآیند فیلتر کردن کنار گذاشته می شود.

مدل های صوتی

مدل های صوتی برای تجزیه و تحلیل داده ها از آهنگ های صوتی خام و طبقه بندی آهنگ ها بر این اساس استفاده می شوند. این به پلتفرم کمک می کند تا همه آهنگ ها را ارزیابی کند و توصیه هایی را بدون توجه به پوشش آنلاین ، ایجاد کند. به عنوان مثال، اگر آهنگ جدیدی توسط یک هنرمند جدید در این سیستم عامل منتشر شود، اگر پوشش آنلاین و رسانه های اجتماعی کم باشد، مدل های NLP ممکن است آن را انتخاب نکنند. با این حال، با استفاده از داده های آهنگ از مدل های صوتی، مدل فیلتر مشترک می تواند آهنگ را تجزیه و تحلیل کرده و آن را به همراه آهنگ های معروف دیگر به کاربران مشابه توصیه کند.

اسپاتیفای همچنین شبکه های عصبی کانولوشن را نیز اتخاذ کرده است که اتفاقاً همان فناوری مورد استفاده برای تشخیص چهره است. در مورد اسپاتیفای، این مدل ها به جای پیکسل، روی داده های صوتی استفاده می شوند.

به این ترتیب، اسپاتیفای خود را نه تنها به عنوان بستری برای نوازندگان محبوب، بلکه همچنین به عنوان یک فرصت برای نسل بعدی نوازندگان تازه کار برای به رسمیت شناختن معرفی می کند. به عنوان مثال اگر یک خواننده یا آهنگساز تازه‌کار هستید، کافی است فایل‌های خود را روی فضای ابری Anderson بارگذاری کنید. بعد از تجزیه و تحلیل این فایل‌ها، هوش مصنوعی در اسپاتیفای مشخص می‌کند که به کدام آهنگ‌های موجود شباهت بیشتری دارند و  بر اساس این شباهت، بین آهنگ‌ها جستجو می‌کند.

بنابراین چگونه اسپاتیفای شما را خیلی خوب می شناسد؟

شخصی سازی عنصری کلیدی است که به تجربه کاربری برتر اسپاتیفای کمک می کند و این در معرفی لیست های پخش مانند “Discover Weekly” و “Release Radar” مشهود است. اما چگونه ترجیحات کاربر را به خوبی می داند؟

در سال ۲۰۱۷ فقط اسپاتیفای دست به کار شد تا فناوری عناصر شخصی سازی آنها را بهبود بخشد. یکی از مهمترین اقدامات این شرکت نوپای فرانسوی “Niland” بود که به عنوان “یک شرکت فناوری موسیقی که موتورهای جستجو و کشف موسیقی را بر اساس الگوریتم های یادگیری عمیق و گوش دادن به ماشین ارائه می دهد” توصیف می شود.

این برای اسپاتیفای بسیار موثر بود، زیرا منجر به بهبود خدمات برای شنوندگان موسیقی ، استفاده از Niland’s API و الگوریتم های یادگیری ماشین برای تولید جستجوها و توصیه های بهتر موسیقی می شود و به کاربران امکان می دهد موسیقی را که دوست دارند راحت تر کشف کنند.

اسپاتیفای همچنین شرکت بلاکچین Mediachain Labs را خریداری کرده است. این خرید به افراد مناسب کمک می کند تا در ازای هر آهنگ پخش شده در اسپاتیفای، حقوق دریافت کنند؛ وظیفه ای که با گسترش تصاعدی پایگاه کاربر، افزوده می شود.

فناوری Blockchain یکی از محبوب ترین موضوعات در تجارت موسیقی است، زیرا یکی از روش های ابتکاری برای اطمینان از پردازش موثرتر معاملات است. انتقال صنعت موسیقی از فروش سی دی به بارگیری MP3 و اکنون پخش جریانی، پیگیری تریلیون ها از نقاط داده ای را که برای پرداخت صحیح حق امتیاز لازم است، دشوار کرده است. در این حالت Mediachain به عنوان یک ناجی بالقوه برای صنعت تلقی می شود، نه تنها برای شفاف سازی فرآیند، بلکه برای کارآیی بیشتر آن کاربرد بخصوصی دارد.

ماشین لرنینگ، هم به واسطه داده های کاربر و هم به وسیله داده های خارجی، به هسته اصلی پیشنهاد  اسپاتیفای تبدیل شده است و به هنرمندان کمک می کند تا مخاطبان خود را بهتر درک کنند و به آنها دسترسی پیدا کنند و کشف شوند، در حالی که به اسپاتیفای کمک می کند تا از طریق درک عمیق در فضای جریان موسیقی باقی بماند و مشتری هم با توصیه های پیش بینی شده آنها، باعث می شود کاربران دوباره برگردند. در هر صورت، این هوش مصنوعی در اسپاتیفای را می‌توان روش جالبی برای جستجو میان آهنگ‌ها دانست و باید به این نکته توجه داشت که الگوریتم‌ها ظرفیت پیشرفت و بهبود در آینده را دارند. اسپاتیفای

نوشته هوش مصنوعی اسپاتیفای اولین بار در ویکدمی. پدیدار شد.