Fletore

Shënime me datë nga kërkimi dhe zhvillimi ynë.

Një qiri i vetëm që digjet në një dhomë të errët.
  1. Pse SI dhe jo AI: argumenti për inteligjencën simbiotikeShumica e kompanive teknologjike të themeluara në këtë dekadë vënë dy shkronja në prezantimin e tyre. Ne vumë dy shkronja të tjera në emrin tonë. Çfarë do të thotë inteligjenca simbiotike dhe si e përcakton ajo atë që bëjmë dhe pse e bëjmë kështu?
  2. Çfarë është në të vërtetë një ndërfaqe tru-kompjuter: nga sinjali EEG te vendimiPa lexim mendjesh, pa magji. Shpjegojmë thjesht dhe saktë se si mikrovoltët në lëkurën e kokës shndërrohen në një vendim që një makinë mund ta zbatojë.
  3. Parimi i X: si u qasemi problemeve që duken të pamunduraX-i në emrin tonë do të thotë refuzimi i fjalës „e pamundur“. Jo duke i shpërfillur kufijtë, por duke i kthyer në pyetje. Katër hapa që ndjekim kur diçka ende nuk funksionon.
  4. Pse po zhvilloj një ndërfaqe tru-kompjuter në TurqiRruga e një themeluesi nga Şanlıurfa deri në vijën e parë të teknologjisë neurale: pse komunikimi ndihmës duhet të funksionojë edhe në turqisht, çfarë kërkon vërtet ndërtimi në një treg në zhvillim dhe pse viti 2025 ishte pikë kthese.
  5. Rregullimi dhe etika e inteligjencës artificialeNga Akti i BE-së për AI te ligji turk për mbrojtjen e të dhënave, nga testimi i paragjykimeve te shpjegueshmëria: ku qëndron sot rregullimi i AI-së, një kornizë për zhvillimin etik të AI-së dhe një udhëzues praktik se si kompanitë mund t’u përshtaten rregullave të reja.
  6. Inteligjenca artificiale dhe etika: përgjegjësitë e shkencëtarëve të të dhënaveShkencëtarët e të dhënave kanë rol kyç në çdo fazë të një sistemi të inteligjencës artificiale, nga projektimi te vënia në përdorim. Ky artikull përshkruan në gjashtë tema përgjegjësitë e tyre etike, nga privatësia dhe paanësia te transparenca dhe qëndrueshmëria.
  7. Python për analizën e të dhënave: mësimi automatik me Scikit-LearnHyrje praktike në mësimin automatik me Scikit-Learn: mësimi i mbikëqyrur dhe i pambikëqyrur, rregullimi i hiperparametrave, validimi i kryqëzuar, përzgjedhja e veçorive, interpretimi i modelit, ansamblet, metrikat, pipeline-t dhe një rast studimi me grupin e të dhënave Iris.
  8. Python për analizën e të dhënave: Matplotlib dhe vizualizimi i të dhënaveMatplotlib është një nga bibliotekat më të përdorura për grafikë në Python. Ky udhëzues trajton grafikët vijorë, me shtylla, me pika, histogramet dhe grafikët rrethorë, pastaj përshtatjen, nëngrafikët, grafikët logaritmikë dhe 3D, me kod për secilin.
  9. Analiza e të dhënave me Pandas: përpunimi dhe vizualizimi i të dhënavePandas është një nga bibliotekat më të dobishme të Python për këdo që punon me të dhëna. Ky udhëzues kalon nëpër DataFrame dhe Series, ngarkimin, pastrimin, përmbledhjen, grupimin, grafikët, seritë kohore dhe bashkimin, e më pas i vë të gjitha në praktikë në një grup sintetik të dhënash.
  10. Në dritën e Rilindjes dhe të urtësisë së murgjve tibetianëNjë shënim personal për pjesëmarrjen në serinë Dejavus të NUWA NFTs: pesë fjalë (inicim, kohë, shpirtërore, mendje, rrjedhë) u kthyen në vepër arti nga Çağla Öztürk, artiste që krijon me AI, dhe në muzikë nga E. Buğra Balcı.
  11. Çfarë është një grup i pabalancuar të dhënash dhe si trajtohet?Modeli juaj raporton saktësi 99,9 %, por prapë nuk i kap mashtrimet. Me një grup të dhënash për mashtrime me karta krediti tregojmë pse të dhënat e pabalancuara të çojnë në përfundime të gabuara, cilat metrika duhen ndjekur dhe si rikthehet balanca me oversampling, SMOTE dhe undersampling.

Burimi RSS