قاب گوشی - ارسال رایگان به تمام نقاط کشور


فروشگاه قاب دارای مجوز نماد اعتماد الکترونیکی از وزارت صنعت، معدن و تجارت، از بزرگترین فروشگاه های آنلاین قاب موبایل، لوازم جانبی گوشی موبایل و تبلت و قاب موبایل در کشور می باشد. تقریبا هر نوع طرح قاب گوشی ، گارد کیف و کاور خصوصاً برای گوشی های آیفون، سامسونگ، سونی، ال جی، اچ تی سی، هواوی، نوکیا و بلک بری در این فروشگاه وجود دارد


گوشی خود را انتخاب کنید

کالا:  
طرح:  



صفحه 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ..... 4147

قاب سونی C4 طرح چرم

قاب سونی C4
Sony C4 طرح چرم

قیمت: 35,600 تومان

صفحه 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ..... 4147





enamad

تحویل چند روزه

شبکه شتاب

پرداخت در محل






آشنائی با فناوری یادگیری ماشین و کاربرد آن در دستگاه‌‌های همراه

واحد خبر : این روزها هوش مصنوعی و یادگیری ماشین از مهم ترین و موردتوجه ترین زمینه های تحقیق و توسعه در دنیای تکنولوژی به شمار می روند. محققین و مهندسین فعال در گرایش های مختلف به دنبال آن هستند تا با بهره گیری از این تکنولوژی ها، قابلیت یادگیری را به ماشین ها، تجهیزات الکترونیکی و نرم افزارهای مورد نظر خود افزوده و آن ها را به معنای واقعی هوشمند نمایند. دستگاه های همراه نیز به عنوان پرمخاطب ترین و پرکاربردترین محصولات دنیای تکنولوژی از این قافله عقب نمانده اند. گوشی های هوشمند امروزی که از نظر قدرت پردازشی در رده کامپیوتر های شخصی چند سال قبل و حتی ابرکامپیوترهای چند دهه قبل قرار گرفته اند، اکنون در شرف این هستند تا به کمک روش های یادگیری ماشین و یادگیری عمیق خود را آموزش داده، به ماشین هایی هوشمند تر و کارآمدتر بدل شوند.



یادگیری ماشین چیست؟


پیش از پیدایش و توسعه دانش هوش مصنوعی و یادگیری ماشین، تنها راه به کارگیری کامپیوترها برای انجام وظایف مختلف استفاده از برنامه هایی بود که در آن ها برنامه نویس جزئیات عملیات لازم برای اجرا را به طور صریح و گام به گام برای کامپیوتر مشخص می نمود. اگرچه این نوع برنامه های قطعی و صریح یا به اصطلاح hard-code شده برای انجام بسیاری از امور محاسباتی مناسب بوده و حتی توانایی شکست دادن استادبزرگ های شطرنج را به کامپیوترها می بخشید، اما در زمینه هایی همچون تشخیص چهره ها و احساسات، یا در پاسخگویی به سوالات خاص و غیر قابل پیش بینی چندان کارآمد نبود. به همین دلیل دانشمندان علوم کامپیوتر به سراغ خلق روش ها و الگوریتم هایی رفتند که قادر باشد قابلیت درک، یادگیری و تصمیم گیری را برای کامپیوترها به ارمغان آورند.


"Machine Learning" یا "یادگیری ماشین" یکی از شاخه های دانش هوش مصنوعی ست که بر فراهم آوردن قابلیت یادگیری برای کامپیوترها تمرکز دارد. دستگاه های هوشمند می توانند به کمک الگوریتم های یادگیری ماشین داده های مختلفی که از کاربر، محیط یا پایگاه های داده دریافت نموده اند را تفسیر نموده، نکاتی را از آن ها آموخته و از دانش به دست آمده برای تصمیم گیری آگاهانه بهره بگیرند. به عنوان مثال اپلیکیشن های استریمینگ موسیقی همچون Pandora و Spotify با استفاده از چنین الگوریتم هایی سعی می کنند سلایق موسیقیایی کاربران خود را فراگرفته و بر آن اساس با پیش بینی این که هر کاربر از چه موسیقی هایی لذت خواهد برد، آهنگ های دیگری را به او پیشنهاد دهند.



یادگیری عمیق چیست؟


"Deep Learning" یا "یادگیری عمیق" یکی از روش های یادگیری ماشین است که سعی دارد عملیات یادگیری را با الهام از مغز انسان انجام دهد. در حالی که برای یک سیستم یادگیری ماشین عادی لازم است مشخص شود که چگونه یک پیش بینی یا تصمیم گیری دقیق را انجام دهد، یک سیستم یادگیری عمیق این کار را بدون مداخله انسان و به کمک مغز محاسباتی خود فرا می گیرد. شبیه به یک انسان که با دریافت اطلاعات، در مورد آن ها فکر کرده و نتیجه گیری می نماید. سیستم های یادگیری عمیق برای تحقق این امر از الگوریتم هایی با ساختار چندلایه یا به اصطلاح شبکه های عصبی مصنوعی بهره می گیرند.



یک نمونه مشهور و موفق از سیستم های مبتنی بر یادگیری عمیق، پروژه AlphaGo شرکت گوگل است. برنامه ای کامپیوتری که توانسته است بازی Go را فراگرفته و در سطح حرفه ای به رقابت با انسان ها بپردازد. Go یک بازی استراتژیک است که با تخته و مهره انجام شده، نیازمند ذهنی قدرتمند است و مسابقات حرفه ای آن در سطح بین المللی برگزار می شود. AlphaGo اولین برنامه کامپیوتری بود که موفق شد بر یک بازیکن واقعی و حرفه ای Go غلبه نموده و حتی در سال 2016 قهرمان جهانی این بازی را با نتیجه 4 به 1 شکست دهد. اتفاقی که سر و صدای زیادی به پا نموده و به شکل ترسناکی نشان داد که یک ماشین می تواند با بهره گیری از یادگیری عمیق یک بازی پیچیده را فراگرفته و بهترین نمایندگان انسان ها را در آن بازی شکست دهد.


دلایل و مزایای استفاده از یادگیری ماشین در اپلیکیشن های همراه


امروزه یکی از مهم ترین انتظارات کاربران و کسب و کارها در زمینه اپلیکیشن های همراه، شخصی سازی هوشمندانه و انطباق محتوا بر اساس سلیقه و نیاز کاربران است. هوش مصنوعی و یادگیری ماشین مهم ترین ابزارها برای تحقق این انتظارات هستند. گزارش های موسسات تحقیقاتی همچون Venture Scanner از میزان و چگونگی توزیع سرمایه گذاری شرکت ها در زمینه کاربرد شاخه های مختلف هوش مصنوعی حاکی از آن است که یادگیری ماشین در کانون توجه اغلب این شرکت ها قرار دارد. طبق گزارش این موسسه پروژه ها و استارت آپ های مربوط به کاربردهای یادگیری ماشین در برهه زمانی جولای 2017 موفق به جذب بیش از 8 میلیارد دلار سرمایه از طریق 550 شرکت مختلف گردیده و از این جهت رتبه اول را در میان کاربرد های مختلف هوش مصنوعی کسب نموده اند.



بخش قابل توجهی از این کاربردها و پروژه ها به صورت مستقیم یا غیر مستقیم به استفاده از یادگیری ماشین در اپلیکیشن های همراه مرتبط هستند. دلیل این مساله مزایای متعددی ست که این تکنولوژی می تواند برای اپلیکیشن ها به ارمغان آورد. برخی از مهم ترین این مزایا عبارتند از:


ارائه محتوا یا محصول مرتبط و متناسب


تعامل و ارتباط شخصی سازی شده با کاربران


تبلیغات متناسب و هدفمند


جست وجوی سریع و راحت


خلق تجربه کاربری جذاب و درگیرانه


پیش بینی و تحلیل گرایش های عمومی کاربران


پیش گیری و تشخیص کلاه برداری یا فعالیت های مخرب


استفاده از یادگیری ماشین در اپلیکیشن های فروش آنلاین


توسعه دهندگان انواع اپلیکیشن های فروش آنلاین می توانند با بهره گیری از این تکنولوژی محتوای ارائه شده به کاربران را شخصی سازی نموده و تجربه کاربری به مراتب بهتری را برای آن ها رقم زنند. الگوریتم های یادگیری ماشین قادر هستند از طریق تحلیل محتوای اپلیکیشن، رفتار مشتری و الگوهای خرید، با هر بار استفاده کاربر از اپلیکیشن، پیشنهاد هایی بهتر و متناسب تر با سلایق و نیازهای او ارائه نمایند. به علاوه، اپلیکیشن ها به کمک یادگیری ماشین قادر به درک بهتر جست وجوهای متنی کاربران و در نتیجه ارائه نتایج بیشتر و مرتبط تری در پاسخ به آن ها خواهند بود. امروزه بسیاری از اپلیکیشن های موفق فروش آنلاین از این تکنولوژی برای فراهم آوردن امکان جست وجوی بهتر محصولات بهره می گیرند. از سوی دیگر، اپلیکیشن های فروش آنلاین با توجه به تراکنش های مالی بالایی که از طریق آن ها انجام می گیرد، به طور معمول در معرض اقدامات خلاف کارانه و مخرب قرار دارند. یادگیری ماشین می تواند امکان نظارت بر فرآیندهای جاری اپلیکیشن را فراهم آورده، فعالیت های مشکوک و مخرب را بدون نیاز به مداخله نیروی انسانی شناسایی و متوقف نماید.


از جمله کسب وکارهای بزرگی که در اپلیکیشن های همراهِ خود، به شکلی کارآمد و تاثیرگذار از یادگیری ماشین استفاده می کنند می توان به Starbucks ،eBay ،Amazon و Taco Bell اشاره نمود. اپلیکیشن های فروشگاهی Amazon و eBay به کمک این تکنولوژی و بر اساس جست وجوها، علاقه مندی ها و الگوی خرید کاربران، محصولات مختلفی را به آن ها پیشنهاد داده و نتایج جست وجوهای کاربر را شخصی سازی می نمایند. اپلیکیشن MyStarbucks Barista به کمک یادگیری ماشین به کاربر کمک می کند تا قهوه ای مطابق با ذائقه خود را به سریع ترین شکل ممکن سفارش داده و آن را بدون نیاز به معطل شدن در صف، از فروشگاهی در مسیر خود دریافت نماید.



کاربرد یادگیری ماشین در اپلیکیشن های ورزش و سلامت


یادگیری ماشین اپلیکیشن های کنترل سلامت را قادر می سازد تا اطلاعات مربوط به فعالیت های روزانه کاربران از جمله ورزش، پیاده روی، خواب و نوشیدن آب را به خوبی جمع آوری کرده، با تحلیل اطلاعات مربوط به هزاران کاربر و در نظر گرفتن شرایط جسمانی هر یک از آن ها، هشدارهای لازم جهت افزایش فعالیت، مصرف آب بیشتر یا کمبود خواب را به ایشان ارائه نماید. چنانچه کاربری مبتلا به دیابت باشد، یک اپلیکیشن سلامت به کمک یادگیری ماشین قادر خواهد بود با دریافت و بررسی نتایج آزمایش ها و شرایط جسمانی کاربر، تحلیل و مقایسه آن با اطلاعات سایر کاربران مبتلا به دیابت، فعالیت های روزانه کاربر را با هدف کنترل قند خون وی کنترل نموده و درمان های متناسب را در شرایط مختلف پیشنهاد دهد. اپلیکیشن های ورزش و تناسب اندام می توانند با استفاده از یادگیری ماشین تمرین های ورزشی و رژیم غذایی هر کاربر را بر اساس شرایط، اهداف و نیازهای او بهینه سازی نموده و به این ترتیب به یک مربی شخصی تمام وقت برای کاربران بدل شوند. به عنوان نمونه اپلیکیشن Optimize Fitness Trainer به همین ترتیب نقش یک مربی بدن سازی را برای کاربران خود ایفا نموده و سعی می کند با ارائه تمرین های شخصی سازی شده و متناسب با محیط منزل، محل کار یا باشگاه بدن سازی، بدنی سالم تر و اندامی زیباتر را برای آن ها به ارمغان آورد. این اپلیکیشن با بهره گیری از یادگیری عمیق و بر اساس اطلاعاتی همچون شرایط فیزیکی کاربر، اطلاعات ژنتیکی وی، تجهیزات موجود، سابقه تمرین ها، روند کاهش یا افزایش وزن و وقت آزاد کاربر، سعی می نماید نوع تمرین ها، وزنه های انتخابی (در صورت امکان استفاده از تجهیزات)، تعداد دفعات تکرار و زمان انجام تمرین های ورزشی را به متناسب ترین شکل ممکن برای کاربر برنامه ریزی نماید.



ارتقای کیفیت تصاویر دوربین تلفن های همراه به کمک یادگیری عمیق


گروهی از دانشمندان سوییسی با ساخت یک شبکه عصبی در تلاش برای توسعه سیستمی هستند که با دریافت تصاویر کم کیفیت گرفته شده توسط دوربین گوشی های هوشمند، کیفیت آن ها را به میزان قابل توجهی ارتقا بخشیده و به سطح تصاویر دوربین های حرفه ای DSLR نزدیک نمایند. این دانشمندان در مقاله ای که در همین ارتباط منتشر شده است بیان داشته اند: "دوربین های فشرده و پایین -رده به دلیل محدودیت هایی در خصوص بودجه، سخت افزار و اندازه، ضعف هایی را در کیفیت تصویر به نمایش می گذارند. ما راهکاری مبتنی بر یادگیری عمیق را پیشنهاد می دهیم که به صورت خودکار تصاویر گرفته شده توسط دوربین هایی با توانایی های محدود را به تصاویری با کیفیت DSLR بدل می سازد."


این گروه پس از طراحی و ساخت این سیستم یادگیری عمیق، عکس هایی را از سوژه ها و مناظر یکسان با استفاده از تعدادی گوشی های هوشمند نسبتا قدیمی (از جمله BlackBerry Passport ،iPhone 3GS و Sony Xperia Z) و همچنین یک دوربین DSLR (کانن 70D) ثبت نموده، به کمک آن ها تفاوت میان عکس های کیفیت پایین با عکس های DSLR را به این سیستم آموزش دادند. آن ها سپس کار آموزش سیستم را با مجموعه ای بزرگ از عکس های گرفته شده توسط همین دوربین ها اما با سوژه های تصویری کاملا متفاوت میان دوربین DSLR و دوربین گوشی های هوشمند ادامه دادند. اکنون این سیستم با تکیه بر الگوریتم های یادگیری عمیق و با استفاده از آموزش هایی که دریافت نموده است می تواند با دریافت تصاویر گرفته شده توسط دوربین تلفن های همراه، کیفیت آن ها را به سطح کیفی DSLR ارتقا بخشد.



در پروژه ای دیگر محققین شرکت گوگل و دانشگاه MIT در حال توسعه یک سیستم مبتنی بر یادگیری عمیق هستند که قادر است در قالب یک اپلیکیشن مستقل، کیفیت تصاویر دریافتی از دوربین گوشی های هوشمند را به صورت زنده و هم زمان (real-time) بهبود بخشد. در واقع این اپلیکیشن قادر است تا عکس را حتی قبل از این که ثبت شود، در سطح یک عکاس حرفه ای روتوش نماید. این تیم تحقیقاتی پس از توسعه الگوریتم های مورد نظر خود و خلق شبکه عصبی مربوطه، با همکاری شرکت Adobe Systems اقدام به جمع آوری مجموعه ای نسبتا بزرگ از تصاویر برای آموزش نحوه ارتقا و روتوش تصویر به این سیستم نمودند. مجموعه ای متشکل از 5 هزار تصویر مختلف که هر یک توسط 5 عکاس حرفه ای مورد روتوش و اصلاح رنگ قرار گرفته، این سیستم مبتنی بر یادگیری عمیق را قادر به فراگیری این مساله ساخته است که چگونه و با اعمال چه تغییراتی می توان تصویر اولیه دریافتی را به تصویر مطلوب و بهبود یافته تبدیل نمود.


استفاده از یادگیری ماشین برای بهبود کیفیت تصاویر اتفاق جدیدی نبوده و در گذشته بارها با موفقیت انجام گرفته است. پیشرفت به دست آمده در جریان این پروژه اخیر که آن را از نمونه های مشابه متمایز نموده است، کوچک نمودن و بهینه سازی الگوریتم ها در حدی ست که این سیستم می تواند به صورت مستقل و بدون نیاز به سرورهای ابری، روی یک گوشی هوشمند معمولی تصاویر دریافتی از دوربین را به صورت زنده و بدون وقفه روتوش نماید. چنان چه علاقمند به کسب اطلاعات بیش تر در مورد این پروژه هستید، شما را به مشاهده ویدئوی معرفی این سیستم -- که توسط تیم توسعه دهنده آن منتشر شده است -- دعوت می کنیم.


هنوز خبر دقیقی از زمان عرضه عمومی این اپلیکیشن منتشر نشده است. همچنین مشخص نیست که آیا این سیستم در قالب یک اپلیکیشن جدید و مستقل عرضه خواهد شد، یا جهت ارتقای اپلیکیشن دوربین گوگل در دل گوشی های هوشمند پیکسل به کار خواهد رفت. شاید هم در حالت ایده آل گواهی استفاده از این تکنولوژی با قیمتی مشخص در اختیار توسعه دهندگان اپلیکیشن های دوربین و تولیدکنندگان گوشی های هوشمند قرار داده شود.



خدمات و ابزارهای گوگل در زمینه یادگیری ماشین


گوگل در سال های اخیر با سرمایه گذاری و تمرکز بالا در این زمینه، نام خود را به عنوان شرکتی پیشگام و تاثیرگذار در زمینه هوش مصنوعی و یادگیری ماشین مطرح نموده است. این شرکت علاوه بر به کارگیری یادگیری ماشین در بسیاری اپلیکیشن ها، سرویس ها و محصولات خود، سیستم های هوش مصنوعی پیشرفته ای همچون AlphaGo Zero و Google Assistant را با تکیه بر الگوریتم های یادگیری عمیق توسعه داده، همچنین با ارائه کتابخانه نرم افزاری متن-باز TensorFlow و حتی طراحی تراشه های خاص منظوره ای با نام TPU (مخفف Tensor Processing Unit) با قابلیت پردازش بهینه و موثر APIهای این کتابخانه، راه دیگر شرکت ها و برنامه نویسان مستقل را برای توسعه سیستم های مبتنی بر یادگیری ماشین هموار نموده است.


امروزه اغلب اپلیکیشن ها و سرویس های آنلاین گوگل به نوعی از یادگیری ماشین برای ارائه خدمات بهتر، متناسب تر و شخصی سازی شده تر به کاربران بهره می گیرند. Google Translate قادر است با استفاده از این تکنولوژی تشخیص دهد که آیا یک عکس حاوی متن هست یا خیر، موقعیت آن را شناسایی نموده و با تشخیص زبان مربوطه، آن را به زبان مورد نظر کاربر ترجمه نماید. Google Music بر اساس سابقه خرید و پخش موسیقی کاربر، سلیقه موسیقیایی وی را تشخیص داده و آهنگ هایی متناسب را به او پیشنهاد می دهد. موتور جست وجوی گوگل بر اساس سابقه جست وجوها و نتایج انتخاب های کاربران، عبارت های جست وجوی مناسب را به آن ها پیشنهاد داده و در قسمت جست وجوی تصاویر، عکس ها را بر اساس محتمل ترین نیازهای کاربر در گروه هایی دسته بندی نموده و به او ارائه می نماید. YouTube از یادگیری ماشین برای شناسایی موضوعات مورد علاقه کاربر استفاده نموده، بر آن اساس ویدئوهای ارائه شده توسط کانال هایی که کاربر در آن ها عضویت دارد را مرتب سازی می نماید و همچنین ویدئوهای جدیدی متناسب با سلایق کاربر به وی پیشنهاد می دهد. اپلیکیشن Inbox قادر است ایمیل های دریافتی کاربر را بر اساس نیازها، علایق و ارتباطات او با دیگران مرتب و بهینه کند و حتی بر اساس نحوه پاسخگویی کاربر در گذشته، پاسخ های هوشمندانه ای را برای ایمیل های دریافتی تنظیم نماید.



در سال های اخیر شرکت گوگل دو سیستم هوش مصنوعی خود با نام های AlphaGo و Google Assistant را با تکیه بر تکنولوژی شبکه های عصبی مصنوعی و یادگیری عمیق توسعه و آموزش داده است. هوش مصنوعی AlphaGo پس از فراگیری بازی استراتژیک Go، در سال های 2015 و 2016 موفق گردید بازیکنان حرفه ای آن را در عرصه بین المللی شکست دهد. به دنبال این موفقیت گوگل نسخه جدید و پیشرفته تر این هوش مصنوعی را با نام AlphaGo Zero در سال 2017 معرفی نمود. این هوش مصنوعی که با استفاده از بستر برنامه نویسی TensorFlow گوگل توسعه یافته است، به سرعت بازی Go را فرا گرفته و موفق شد با شکست دو نفر از بهترین بازیکنان جهان، به صورت ضمنی عنوان برترین بازیکن Go را به خود اختصاص دهد.


از سوی دیگر با معرفی و عرضه Google Assistant در سال 2017، گوگل سعی نمود هوش مصنوعی و یادگیری عمیق را به صورت مستقیم و در قالب یک دستیار شخصی هوشمند وارد زندگی شخصی کاربران خود نموده و به خدمت ایشان درآورد. این هوش مصنوعی به عنوان مثال در حال حاضر قادر است قرارهای کاربر را به وی یادآوری نماید، فاصله زمانی تا محل کار او را با پیش بینی ترافیک تخمین بزند، آهنگ های مورد علاقه کاربر را دانلود و پخش کند، دوستان او را در عکس ها شناسایی نموده و در صورت تمایل کاربر آن عکس ها را با ایشان به اشتراک بگذارد. البته با توجه به پتانسیل بالای این هوش مصنوعی و اکوسیستم گسترده گوگل، می توان اطمینان داشت که دامنه توانمندی های Google Assistant به همین میزان محدود نگردیده، با گذشت زمان سطح هوشمندی و مجموعه قابلیت های آن به سرعت افزایش خواهد یافت.


شرکت گوگل در سال 2015 بستر برنامه نویسی و کتابخانه نرم افزاری ویژه خود برای یادگیری ماشین و یادگیری عمیق با نام TensorFlow را به صورت متن باز در اختیار عموم قرار داد تا بدین وسیله دیگر توسعه دهندگان را در خلق سیستم های مبتنی بر شبکه های عصبی یاری دهد. البته گوگل در مسیر ارائه خدمات یادگیری ماشین برای توسعه دهندگان به همین جا بسنده ننموده است. این شرکت با آماده سازی تعدادی مدل یادگیری ماشین به صورت از-پیش-آموزش-یافته و در قالب APIهای تجاری، این امکان را برای توسعه دهندگان اپلیکیشن های همراه فراهم آورده تا بدون درگیر شدن در فرآیند توسعه شبکه های عصبی و سیستم های یادگیری ماشین، به راحتی و تنها با فراخوانی APIهای مربوطه در اپلیکیشن های خود سیستم های پیشرفته یادگیری عمیق گوگل را به خدمت گیرند. استفاده از این APIهای یادگیری ماشین که از طریق بستر خدمات ابری گوگل سرویس دهی می شوند در سطوح پایین رایگان بوده و در مقیاس تجاری با هزینه هایی اندک همراه است. مهم ترین و پرکاربردترین APIهای یادگیری ماشین گوگل که به صورت خدمات ابری ارائه می شوند عبارتند از: تحلیل تصویر؛ ترجمه ابری؛ تبدیل صدا به متن؛ تحلیل متن؛ تحلیل ویدئو و حتی شغل یابی.



تشخیص و تحلیل عناصر تصویر با استفاده از سرویس دید ابری گوگل


توسعه دهندگان می توانند با استفاده از API دید ابری یا Cloud Vision گوگل در دل اپلیکیشن خود، قابلیت شناسایی و درک محتوای یک عکس را به دست آورند. از جمله مهم ترین قابلیت های این API می توان به موارد زیر اشاره نمود:


تشخیص عناصر تصویر: امکان شناسایی عناصر مختلف موجود در تصویر، توصیف و دسته بندی آن ها.


تشخیص چهره: امکان شناسایی چهره های متعدد درون یک عکس به همراه خصوصیات کلیدی هر چهره از جمله وضعیت احساسی، پوشش سر و صورت، رنگ پوست و نوع مو.


تشخیص نوری حروف: قابلیت شناسایی و استخراج متن از درون عکس با پشتیبانی از زبان های متعدد و امکان تشخیص خودکار زبان متن.


تشخیص لوگو: امکان شناسایی لوگوی برندهای معروف و شناخته شده درون تصاویر.


تشخیص منظره: قابلیت تشخیص مناظر طبیعی و بناهای ساخت دست بشر در تصاویر.


تشخیص محتوای نامناسب: امکان شناسایی انواع محتوای نامناسب از جمله عناصر خشونت آمیز یا مبتذل درون عکس ها.


به عنوان مثال Realtor.com به عنوان یک مجموعه فعال در زمینه معاملات املاک، از این API گوگل در توسعه اپلیکیشن خود برای سیستم عامل های اندروید و iOS بهره گرفته است. هنگامی که کاربران این اپلیکیشن در زمان جست وجو برای خرید یک ملک با اجرای اپلیکیشن از آن ملک، تابلو یا آگهی فروش آن عکس بگیرند، این اپلیکیشن با بهره گیری از قابلیت های دید ابری گوگل عناصر موجود در تصویر را شناسایی نموده، اطلاعات مربوط به مشخصات ملک و شرایط خرید آن را به کاربر ارائه می کند.



تحلیل، تبدیل و ترجمه متن به کمک APIهای ابری یادگیری ماشین گوگل


شرکت گوگل چند سرویس متکی بر یادگیری ماشین را در قالب APIهایی برای کار با متن ارائه می نماید که از مهم ترین آن ها می توان به گوگل Cloud Speech، گوگل Cloud Natural Language و گوگل Cloud Translation اشاره نمود.


سرویس Cloud Speech با بهره گیری از مدل های قدرتمند شبکه عصبی امکان تبدیل صدا به متن را به راحتی از طریق فراخوانی API مربوطه برای توسعه دهندگان اپلیکیشن ها فراهم می آورد. این API در حال حاضر قادر به تشخیص 110 زبان مختلف بوده و حتی می تواند در صورت تمایلِ توسعه دهنده به صورت خودکار محتوای نامناسب را در متنی که تولید می شود فیلتر نماید. این سرویس می تواند با دریافت یک فایل صوتی، زبان آن را تشخیص داده و محتوایش به متن تبدیل نماید. همچنین قادر است صدای کاربر را حتی در محیط های شلوغ و دارای نویز به صورت زنده و هم زمان به متن تبدیل کند.


Cloud Natural Language دیگر API مهم گوگل برای پردازش متن است که می تواند با تحلیل متن موجود در یک فایل، مقاله خبری یا صفحه وب، اطلاعات مختلفی را در مورد اشخاص، مکان ها، رویدادها و بسیاری عناصر دیگر از آن استخراج نماید. این سرویس امکان تشخیص زبان متن را دارا بوده و حتی قادر است احساس کلی نویسنده را در خصوص موضوع مورد اشاره در متن شناسایی و درک نماید. این قابلیت مهم می تواند ابزاری قدرتمند و کارآمد در دست فروشگاه های آنلاین باشد برای تحلیل خودکار نظرهای کاربران و استفاده از نتایج به دست آمده برای اصلاح ایرادات، جلب نظر مشتری و افزایش فروش به صورت کاملا خودکار و کم هزینه. به علاوه، ترکیب این API با سرویس های Cloud Vision و Cloud Speech امکان استخراج و تحلیل این نوع اطلاعات متنی را از صدا و تصویر نیز میسر می نماید.


Cloud Translation همانطور که از نامش پیداست، به کمک یادگیری ماشین امکان ترجمه هوشمندانه متن را از زبانی به زبان دیگر فراهم می آورد. سرویس ترجمه ابری گوگل بیش از 100 زبان مختلف را پشتیبانی نموده و می تواند زبان متن را بلافاصله با دقتی بالا شناسایی نماید. این API هم قادر خواهد بود در ترکیب با سرویس های Cloud Vision و Cloud Speech، ترجمه محتوای موجود در صدا و تصویر را نیز میسر کند.



Tuesday, January 16, 2018




هواوی آنر 10 با نمایشگر 19:9 عرضه خواهد شد


مشخصات صفحه نمایشگر گوشی هواوی آنر 10 (Huawei Honor 10) در یک بنچمارک منتشر شده است و بنابر اطلاعات این بنچمارک،آنر 10 هوواوی با نمایشگر 19:9 و احتمالا بدون حاشی رونمایی خواهد شد.هواوی در سال های اخیر تلاش های بسیاری را حوزه نوآوری در تولید گوشی های هوشمند خود انجام داده است که از جمله ...


نوشته هواوی آنر 10 با نمایشگر 19:9 عرضه خواهد شد اولین بار در پدیدار شد.



Thursday, January 18, 2018