بایگانی برچسب: s

معرفی ابزارهای جدید مایکروسافت برای ماشین لرنینگ

معرفی ابزارهای جدید مایکروسافت برای ماشین لرنینگ

از نوشته های من در سکان آکادمی

مایکروسافت هم مثل سایر شرکت‌های بزرگ فعال در زمینهٔ فناوری اطلاعات، با سرعت در حال افزایش فعالیت‌های خود در زمینهٔ ماشین لرنینگ (یادگیری ماشینی) است؛ این شرکت اخیراً ابزارهای جدیدی را معرفی کرده است که دولوپرها با استفاده از آن‌ها می‌توانند راحت‌تر از گذشته به ساخت اپلیکیشن‌ها و مدل‌های هوش مصنوعی بپردازند. ارائه‌ای از نمونه‌های آماده و نیمه‌آماده از سیستم‌های ماشین لرنینگ که به راحتی می‌توان در پروژه‌ها از آنها استفاده کرد این امکان را به برنامه‌نویسان حرفه‌ای و علاقه‌مندان به زمینه‌های هوش مصنوعی و یادگیری ماشین می‌دهد که با سرعت هرچه بیشتر ایده‌هایشان را به واقعیت تبدیل کنند و حتی دستاوردهای خود را برای فروش به بازار عرضه کنند.

سرویس‌های جدید معرفی شده توسط مایکروسافت عبارتند از:

– Azure Machine Learning Experimentation
– Azure Machine Learning Workbench
– Azure Machine Learning Model Management

همچنین برای کاربران حرفه‌ای و دولوپرهایی که از CNTK ،TensorFlow ،Theano ،Keras و Caffe2 استفاده می‌کنند نیز در ادیتور Visual Studio Code ابزارهایی معرفی شده است؛ کاربران نرم‌افزار اکسل از سری آفیس، و به طورکلی افرادی که دانش کمتری از برنامه‌نویسی و هوش مصنوعی دارند، هم می‌توانند با استفاده از موارد ارائه شده برای مدل‌های ماشین لرنینگ مبتنی بر آژور به راحتی از توابع هوش مصنوعی که پیش‌تر توسط متخصصان علوم دیتا برای آن صفحات ساخته شده است در جهت انجام فعالیت‌های خود استفاده نمایند.

معرفی سرویس Azure Machine Learning Experimentation
هدف اصلی مایکروسافت از ارائه این سرویس ارائه راه‌کارهایی کامل به برنامه‌نویسان برای افزایش سرعت انجام پروژه‌ها و البته مباحث مربوط به یادگیری و آموزش است؛ Experimentation Service از اکثر فریمورک‌های اپن‌سورس مثل PyTorch ،Caffe2 ،TensorFlow ،Cahiner و CNTK پشتیبانی می‌کند و با بهره‌مندی از کانتینرهای داکر و سرویس‌های آموزش هوش مصنوعی Azure Batch AI، می‌توان از آن در پروژه‌های کوچک و محدود به چند دستگاه لوکال گرفته تا پروژه‌های کلان و صدها GPU در بستر کلود استفاده نمود.

همچنین پشتیبانی از Apache Spark در کلاسترهای Azure HDInsight از جمله ویژگی‌های فنی است که نشان از اهمیت بسیار زیاد موضوع ماشین لرنینگ برای مایکروسافت دارد؛ علاوه بر موارد معرفی شده، امکان ذخیرهٔ دیتا در ریپازیتوری‌های گیت و‌‌ نگهداری عملکرد تمامی مدل‌ها نیز در این سرویس ارائه شده‌اند تا بهترین تجربه برای دولوپرها فراهم شود.

معرفی سرویس Azure Machine Learning Workbench
یک دسکتاپ کلاینت برای سیستم‌عامل‌های ویندوز و مک است (با توجه به فعالیت‌های اخیر مایکروسافت، تولید اپلیکیشن‌های سازگار با مکینتاش توسط این شرکت چیز جدیدی نیست!) که با توجه به گفته‌های مایکروسافت از آن می‌توان به عنوان یک کنترل پنل برای مدیریت چرخهٔ حیات توسعهٔ یک محصول نرم‌افزاری و همچنین یک گزینهٔ مناسب برای آغاز ماشین لرنینگ استفاده نمود.

این سیستم دارای قابلیت یکپارچه شدن با نوت‌بوک‌های Jupyter و ادیتورهایی مثل Visual Studio Code و PyCharm می‌باشد و به این ترتیب به دولوپرها این امکان را می‌دهد تا به راحتی مدل‌های مد نظر خود را در Python ،PySpak و Scala بسازند.

Joseph Sirosh یکی از کارشناسان برجستهٔ مایکروسافت، جذاب‌ترین ویژگی این سرویس را قابلیت تبدیل خودکار داده‌ها می‌داند که در نتیجهٔ آن الگوریتم‌های ماشین لرنینگ می‌توانند به راحتی با آن‌ها به تعامل بپردازند.

ادامه مطلب در سکان آکادمی

آنالیز رفتار کاربران در شبکه‌­های اجتماعی برای تحقیقات بازاریابی توسط هوش مصنوعی

آنالیز رفتار کاربران در شبکه‌­های اجتماعی برای تحقیقات بازاریابی توسط هوش مصنوعی

از نوشته های من در سکان آکادمی

هوش ‌مصنوعی و یادگیری ماشینی هر روز نقش مهم‌تری در تعیین استراتژی‌های مارکتینگ پیدا می کنند و به‌زودی شاهد دگرگونی‌های عظیمی در فعالیت‌های تجاری و بازاریابی توسط AI خواهیم بود.

مهمترین عامل در فعالیت‌های بازاریابی، دیتا است و زمانی‌که حجم دیتای جمع‌آوری شده زیاد شود، دیگر نمی‌توان بااستفاده از روش‌های سنتی آن‌ها را آنالیز کرد و باتوجه به نتایج کسب شده تصمیم‌گیری نمود؛ هوش‌مصنوعی و یادگیری ماشینی مفاهیمی هستند که درحال تغییر دادن برخی از بنیادی‌ترین اساس علوم مارکتینگ و تجارت می‌باشند.

هم‌اکنون بسیاری از الگوریتم‌های مورد استفاده در اینترنت مارکتینگ براساس کلیک‌ها و رفتار کاربر در وب‌سایت به وی پیشنهاداتی را ارائه می‌دهند، اما بررسی شبکه‌های اجتماعی با تکنولوژی‌های جدید -همچون هوش مصنوعی- و تشخیص الگوهای رفتاری وی می‌تواند کیفیت فعالیت‌های تجاری را افزایش دهد.

اطلاعات پایه‌ای افراد نظیر سن، جنسیت، نژاد، محل سکونت و … در مارکتینگ بسیار بااهمیت می‌باشند؛ باتوجه به این موارد و بررسی عملکرد فرد در شبکه‌های اجتماعی، می‌توان به ارائهٔ پیشنهاداتی کاملاً مطابق با سلیقهٔ وی پرداخت و درنتیجه ضریب احتمال پذیرش پیشنهاد ارائه شده را به‌شدت افزایش داد.

اخیراً شرکتی تحت‌عنوان Ayzenberg که در زمینهٔ ارائهٔ راه‌کارهای مبتنی‌ بر هوش مصنوعی فعالیت می‌کند، روشی را معرفی نموده است که شرکت‌ها می‌توانند بااستفاده از آن عملکرد مشتریان‌شان در شبکه‌های اجتماعی را آنالیز کرده و استراتژی‌های ویژهٔ مارکتینگ را باتوجه به نتایج کسب شده مشخص نمایند؛ در این روش بااستفاده از الگوریتم‌های‌ ماشین‌ لرنینگ پست‌ها، لایک‌ها و ارتباطات کاربر در شبکه‌های اجتماعی آنالیز شده و الگوی رفتاری متناسب با وی مشخص می‌شود.

ادامه مطلب در سکان آکادمی