ارائهی خانم فِی فِی لی (از پژوهشگران برجستهی حوزهی بینایی ماشین و دانشیار دانشگاه استنفورد) در کنفرانس TED که در تاریخ ۳ فروردین ۹۴ در وبسایت TED بارگذاری شده است. ایشان از اعضای اصلی تیم جمعآوری کنندهی مجموعه دادهی Imagenet هستند که این مجموعه، نقش به سزایی در پیشرفتهای قابل توجه شش سال اخیر در حوزهی بینایی ماشین داشته است. در بخشی از این ارائه، ایشان راجع به پیشینهی جمعآوری این مجموعه داده صحبت میکنند.
یکی از نکات مطرح شده در ارائه: انسان بطور متوسط در هر ۲۰۰ میلی ثانیه، زاویهی دید خود را تغییر میدهد، یعنی در هر ثانیه بطور متوسط پنج تصویر جدید ثبت میکند. بنابراین، نوزاد انسان در سالهای اولیهی زندگی خود حجم قابل توجهی از تصاویر را برای پردازش به مغز خود تحویل میدهد. همین موضوع، بعنوان انگیزهی اصلی جمعآوری Imagenet بیان شده است.
https://www.youtube.com/watch?v=40riCqvRoMs
یکی از نکات مطرح شده در ارائه: انسان بطور متوسط در هر ۲۰۰ میلی ثانیه، زاویهی دید خود را تغییر میدهد، یعنی در هر ثانیه بطور متوسط پنج تصویر جدید ثبت میکند. بنابراین، نوزاد انسان در سالهای اولیهی زندگی خود حجم قابل توجهی از تصاویر را برای پردازش به مغز خود تحویل میدهد. همین موضوع، بعنوان انگیزهی اصلی جمعآوری Imagenet بیان شده است.
https://www.youtube.com/watch?v=40riCqvRoMs
YouTube
How we teach computers to understand pictures | Fei Fei Li
When a very young child looks at a picture, she can identify simple elements: "cat," "book," "chair." Now, computers are getting smart enough to do that too. What's next? In a thrilling talk, computer vision expert Fei-Fei Li describes the state of the art…
👍1
قطعهای از تاریخ: لغت هوش مصنوعی (artificial intelligence) توسط مرحوم پروفسور جان مککارتی در سال ۱۹۵۵ ابداع شد. ایشان در سال ۱۹۶۳ آزمایشگاه هوش مصنوعی دانشگاه استنفورد را راهاندازی کردند. آزمایشگاه هوش مصنوعی استنفورد، یکی از اولین آزمایشگاههای هوش مصنوعی دنیا میباشد (در کنار آزمایشگاه هوش مصنوعی دانشگاه امآیتی). مدیر فعلی آزمایشگاه هوش مصنوعی استنفورد،خانم دکتر فِی فِی لی هستند که ویدئوی ارائهی ایشان در کنفرانس TED را در بالا میتوانید مشاهده کنید.
👍1
طبق تقسیمبندی ارائه شده توسط پروفسور Pedro Domingos، پژوهشگرانی را که در حوزهی هوش مصنوعی کار کردهاند، میتوان به پنج دسته تقسیم نمود:
دستهی اول: نمادگراها (Symbolists): کسانیکه بدنبال مدل کردن حقایق مبتنی بر نمادها و حل مسائل با استفاده از استنتاجهای منطقی هستند.
دستهی دوم: اتصالگراها (Connectionists): کسانیکه با الهام گرفتن از اتصالات بین نورونها در مغز، مدلهایی میسازند که فرآیند یادگیری موجود در مغز را تقلید کند. شبکههای عصبی مصنوعی از موفقترین دستاوردهای این پژوهشگران میباشد.
دستهی سوم: تکاملگراها (Evolutionaries): این دسته معتقدند که وقتی تکامل توانسته است موجوداتی به هوشمندی انسان تولید کند، میتوان با الهام گرفتن از تکامل، ماشینهای هوشمند ساخت. الگوریتمهای ژنتیک و برنامهنویسی ژنتیک نمونههایی از دستاوردهای این پژوهشگران هستند.
دستهی چهارم: بیزینگراها (Bayesians): این دسته بر مدلسازیهای احتمالاتی و استنتاجهای مبتنی بر تئوری احتمالات (که روش بیز پایهی آن است) تمرکز دارند. مدلهای گرافیکی احتمالاتی مانند شبکههای بیزی از دستاوردهای این پژوهشگران هستند.
دستهی پنجم: شباهتگراها (Analogizers): افرادی که ماشین را بهگونهای آموزش میدهند که برای حل یک مسئله، از مسائل حل شدهی شبیه به آن مسئله استفاده کند. روشهای پایهی طبقهبندی مانند روش نزدیکترین همسایه و ماشینهای بردار پشتیبان (SVM) از دستاوردهای این پژوهشگران میباشند.
لینک ارائه در یوتیوب: https://www.youtube.com/watch?v=iUotc1Z_3es
لینک فایل پیدیاف ارائه: https://learning.acm.org/webinar_pdfs/PedroDomingos_FTFML_WebinarSlides.pdf
دستهی اول: نمادگراها (Symbolists): کسانیکه بدنبال مدل کردن حقایق مبتنی بر نمادها و حل مسائل با استفاده از استنتاجهای منطقی هستند.
دستهی دوم: اتصالگراها (Connectionists): کسانیکه با الهام گرفتن از اتصالات بین نورونها در مغز، مدلهایی میسازند که فرآیند یادگیری موجود در مغز را تقلید کند. شبکههای عصبی مصنوعی از موفقترین دستاوردهای این پژوهشگران میباشد.
دستهی سوم: تکاملگراها (Evolutionaries): این دسته معتقدند که وقتی تکامل توانسته است موجوداتی به هوشمندی انسان تولید کند، میتوان با الهام گرفتن از تکامل، ماشینهای هوشمند ساخت. الگوریتمهای ژنتیک و برنامهنویسی ژنتیک نمونههایی از دستاوردهای این پژوهشگران هستند.
دستهی چهارم: بیزینگراها (Bayesians): این دسته بر مدلسازیهای احتمالاتی و استنتاجهای مبتنی بر تئوری احتمالات (که روش بیز پایهی آن است) تمرکز دارند. مدلهای گرافیکی احتمالاتی مانند شبکههای بیزی از دستاوردهای این پژوهشگران هستند.
دستهی پنجم: شباهتگراها (Analogizers): افرادی که ماشین را بهگونهای آموزش میدهند که برای حل یک مسئله، از مسائل حل شدهی شبیه به آن مسئله استفاده کند. روشهای پایهی طبقهبندی مانند روش نزدیکترین همسایه و ماشینهای بردار پشتیبان (SVM) از دستاوردهای این پژوهشگران میباشند.
لینک ارائه در یوتیوب: https://www.youtube.com/watch?v=iUotc1Z_3es
لینک فایل پیدیاف ارائه: https://learning.acm.org/webinar_pdfs/PedroDomingos_FTFML_WebinarSlides.pdf
👍1