تبلیغات

از درج هرگونه تبلیغات و مطالب هرز معذوریم

چالش های The Crew اتومبیل هایی را در بازی The Crew 2 آزاد می‌کند










چالش های The Crew اتومبیل هایی را در بازی The Crew 2 آزاد می‌کند – پارس تبلیغ














































































داغ‌ترین مطالب هفته

شاخه‌های برتر


خانواده پارس تبلیغ

عضویت در خبرنامه













































ادامه‌ی پست

دانلود آهنگ جدید مهدی جهانی نخواستی

این مطلب از وب سایت موزیکفا به صورت رپ انتشار گردید است.

دانلود آهنگ جدید مهدی جهانی نخواستی

ترانه شنیدنی و بسیار زیبا از مهدی جهانی با عنوان نخواستی همراه با متن و فایل اصلی

Download New Music BY : Mehdi Jahani – Nakhasti  With Text And 2 Quality 320 And 128 On Music-fa

متن آهنگ نخواستی

───┤ ♩♬♫♪♭ ├───

واقعا سخته برام●♪♫

Vaqean Sakhte Baram

بده حال و هوام●♪♫

Bade Halo Havam

پر از بغضه صدام●♪♫

Por Az Boqze Sedam

خدا میدونه من چقد تنها میشم●♪♫

Khoda Midone Man Cheqad Tanha Misham

پر از اشکه چشام●♪♫

نخواستی بسازی●♪♫

از این عاشق تو یه دیوونه ساختی●♪♫

تو راحت دل میبازی مثل من زندگیتو که نباختی●♪♫

نخواستی بسازی از این عاشق تو یه دیوونه ساختی●♪♫

───┤ ♩♬♫♪♭ ├───

مهدی جهانی نخواستی

دانلود دمو در لینک زیر…

دانلود آهنگ جدید مهدی جهانی نخواستی

ادامه‌ی پست

الگوهای آماده لباس

الگوهای آماده لباس

   برای تهیه ی الگوهای آماده لباس می توانید از سایت پارس تبلیغ استفاده کنید . برای این مدل بلوز هم پارچه مورد نیاز مدل۱٫۵ متر پارچه حریر می باشود.
الگوی اولیه را بکشید و به جلو ۲ سانت جا دکمه اضافه کنید.قد لباس را حدود ۱۵ تا ۲۰ سانت پایین تر از خط باسن امتداد بدید.
یقه را در سرشانه ۱.۵ سانت باز کرده نقطه ۱ را به ۲ روی خط کارور مثل تصویر وصل کنید.از ۲ تا ۳ روی خط کارور برش بزنید.
   از نقطه ۴ قسمت بسته شوده پنس سرشانه الگوروی خط کارور تا نوک سینه خطی رسم کنید و سپس خط وسط پنس را تا ۶ امتداد بدید.فاصله۵ تا ۶ حدود ۵سانت وسط کمر تا باسن را در پهلو پیدا کنید و ۷ بنامید.۷ را به ۶ وصل کنید.از قسمت هاشور خورده یک کپی بگیرید.

الگوهای آماده لباس

کپی قسمت هاشور خورده. به جلو و پایین این قسمت نواری به عرض ۲ سانت اضافه کنید و جدا برش داده و روی این قسمت بدوزید.
   وسط خط سینه تا کمر را پیدا کنید و خطی مستقیم از ۹ تا ۱۱ رسم کنیداز ۹ به صورت اریب اول به باسن و بعد تا قد لباس امتداد بدید.نقطه ۵ را تا پایین لباس مستقیم امتداد بدید و ۱۳ را پیدا کنید.پنس پهلو و جلو لباس حذف شود.
   از ۱۳ حدود ۱۰ تا ۱۵ سانت پایین برید و ۱۴ را به جلو و پهلوی لباس وصل کنید.نقطه ۱۲ تا ۱۴ را اوزمان بدهید.در بالا ۱۰ تا ۱۲ س.در پایین ۲۰ تا ۲۵ سانت.بعد از اوزمان روی نقطه ۱۳وسط را پیدا کنید و قد تیزی پایین لباس را ۱۰ تا ۱۵سانت کنید و اضافی را قیچی کنید.

الگوی آماده لباس

   در الگوی پشت لباس ابتدا یقه را ۱.۵ س باز کنید.از خط کارور برش بزنید ۱۶ تا ۱۷.وسط سینه تا کمر را پیدا کنید و ۱۸ را تا باسن سپس تا قد لباس امتداد بدید تا پنس پهلو حذف بشه.
   الگوی استین را بکشید و به وسط استین اوزمان ۳ تا ۵ سانت بدهید.یقه لباس را بعد دوخت  پشت یقه و ⅓یقه جلو را انداره زده و با یک دوم این اندازه یک یقه سه سانت  برش بزنید مانند تصویر بالا.

نوشته الگوهای آماده لباس اولین بار در پارس تبلیغ. پدیدار شود.

ادامه‌ی پست

دانلود آهنگ امیر عباس گلاب قاتل اهلی

این مطلب از وب سایت موزیکفا به صورت رپ انتشار گردید است.

دانلود آهنگ قدیمی امیر عباس گلاب قاتل اهلی

با ما باشید با ♫ دانلود آهنگ بسیار زیبای قاتل اهلی با صدای امیرعباس گلاب به همراه تکست و بهترین کیفیت از رسانه موزیکفا ♫

شعر : یغما گلرویی اسم این آهنگ رگبار

Download Old Music BY : Amir Abbas Golab | Ghatele Ahli With Text And 2 Quality 320 And 128 On Music-fa

متن آهنگ قاتل اهلی امیر عباس گلاب

───┤ ♩♬♫♪♭ ├───

دست منو بگیرو همپا باش●♪♫

فکرِ یه پرسه زیر رگبارم●♪♫

دار و ندارم برق چشماته●♪♫

پیراهنی از خون به تن دارم●♪♫

من شاهد قتلِ خودم بودم●♪♫

تقویمِ من تو خون، شناور بود●♪♫

یه روزگاری عشق معنا داشت●♪♫

شعر : یغما گلرویی

وقتی رفیق، اصلِ برادر بود●♪♫

آغوش ها بوی تله دارن●♪♫

لبخند ها دندون نشون میدن●♪♫

تو دست هر سایه یه ساطوره●♪♫

از فیلم ما پایانو دزدیدن●♪♫

من عاشق هستم ولی میرم●♪♫

من عاشقت هستم، خداحافظ!●♪♫

می خوامت اما چاره موندن نیست●♪♫

پشتِ چراغِ تا ابد قرمز●♪♫

آوازهای بردگی بسه●♪♫

من وارثِ مشت پدر بودم●♪♫

من وارثِ خشم خیابونا●♪♫

من وارثِ چشمای تر بودم●♪♫

من عاشقت هستم ولی میرم●♪♫

من عاشقت هستم، خداحافظ!●♪♫

میخوامت اما چاره موندن نیست●♪♫

پشتِ چراغِ تا ابد قرمز●♪♫

───┤ ♩♬♫♪♭ ├───

دانلود آهنگ امیر عباس گلاب قاتل اهلی

دانلود آهنگ امیر عباس گلاب قاتل اهلی

ادامه‌ی پست

الگوی لباس مجلسی تنگ

الگوی لباس مجلسی تنگ

   در این مقاله قصد داریم الگوی لباس مجلسی تنگ که مدل ماهی می باشود را آموزش دهیم .برای تهیه ی الگو های بیشتر لباس مجلسی می توانید از سایت پارس تبلیغ استفاده کنید. برای این مدل ابتدا یقه را به سه قسمت تقسیم می کنیم و مدل را طبق طرح بالا روی الگو طراحی می کنیم .
کتاب طراحی لباس کودک
حالا قسمت های اضافی را می بریم و از کف حلقه ی آستین و بالاتنه ها ۳ سانتی متر داخل می شویم و به عنوان نقطه ی موازنه علامت می زنیم.
 در این مرحله از خط کف حلقه ۲ الی ۳ سانتی متر پایین می آییم و یه هلال رسم می کنیم.
حالا از خط وسط آستین یک لقی دو سانتی متری به خط آرنج می گیریم.
در اینجا لقی وسط آستین را می بندیم و سپس از خط آرنج آستین برش زده و اوزمان می دهیم.

الگوی لباس مجلسی تنگ

حالا برای طراحی بهتر والان روی لباس می آییم دوباره پنس کف حلقه یا کنفر را می بندیم و پنس سرشانه را باز می کنیم .
   حالا طبق آستین باز نقاط ۳ سانتی متری از کف حلقه برای موازنه مشخص می کنیم و  هلال را می کشیم و دوباره از نوک یقه ی جلو ۳ سانتی متری جلو می رویم و هلال پایین والان را رسم می کنیم.
حالا از روی والان رولت کرده و جدا در می آوریم و در قسمت رولت شوده پنس را می بندیم و ترمیم می کنیم .
حالا به این ترتیب آستین و والان را روی هم قرار می دهیم و می دوزیم.
   الگوی لباس مجلسی ما آماده است این لباس را می توانید به راحتی بدوزید و از خیاطی خود لذت ببرید با دقت در دوخت لباس مجلسی می توانید به طرح مورد نظر خود برسید . به یاد داشته باشید که این مدل برای اندام های ساعت شنی و گلدانی مناسب می باشود..

نوشته الگوی لباس مجلسی تنگ اولین بار در پارس تبلیغ. پدیدار شود.

ادامه‌ی پست

موزه تمام دیجیتال در توکیو با ۵۰ اثر هنری

موزه تمام دیجیتال

گروه هنری teamLab با همکاری شرکت ساختمانی Mori، یک موزه تمام دیجیتال را در فضایی به مساحت ۱۰ هزار مترمربع خواهند ساخت که بیش از ۵۰ اثر هنری تعاملی را در پنج منطقه در معرض نمایش افراد قرار خواهد داد.

هیچ گونه جداسازی بین آثار هنری وجود ندارد و این آثار به اندازه فضایی که در آن استند گسترش یافته و از اتاق ها به راهرو ها رسیده و با هم ادغام می شوند.

Toshiyuki Inoko سرمایه گذار این پروژه، گفته است: “تا کنون، هیچ کجا موزه تمام دیجیتال وجود نداشته است، ما قصد داریم نمایشگاهی را خلق کنیم که جهان هنری بدون مرزی را ارائه می دهد. ۵۲۰ کامپیوتر، ۴۷۰ پروژکتور، یک فضای سه بعدی پیچیده را ایجاد کرده اند. ما یک مقصد بی نظیر را هدف قرار داده ایم تا بر جذابیت توکیو برای المپیک ۲۰۲۰ بیفزاییم.”

Toshiyuki Inoko می گوید:”ما می خواهیم در این موزه تمام دیجیتال رابطه بین مردم و هنر را تغییر دهیم و سبب شویم تا مردم احساس کنند و درک کنند که حضور دیگران وتعامل با آثار هنری ما، تجربه مثبتی است.”

“هنگامی که یک اثر هنری بر اساس حضور یا رفتار افراد تغییر می کند، موانع  بین اثر و بیننده رفته رفته محو می شوند. در مورد این نمایشگاه، بیننده بخشی از اثر هنری می شود. هنگامی که اثر هنری به علت حضور دیگران تغییر می کند، افراد خود را بخشی از آن اثر احساس می کنند و این سبب می شود رابطه بین یک اثر هنری و یک فرد به رابطه بین اثر هنری و گروهی از افراد تغییر کند.”

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

موزه تمام دیجیتال

ادامه‌ی پست

ماشین هوشمند بدون کمک انسان موفق به حل مکعب روبیک شود

یک ماشین هوشمند با حل معمای مکعب روبیک بدون هیچ آموزش انسان، شگفتی و پتانسیل قدرتمند دنیای هوش مصنوعی را برای جهانیان به نمایش کشید. آیا نسل جدید از ماشین های هوشمند در حال تولد استند؟

هوش و مهارت انسان توسط ماشین هوشمند (Machine Smart) به چالش کشیده شوده است. تکنیک جدیدی از یادگیری عمیق ماشین و پیاده‌سازی آن باعث شوده است، یک ماشین هوشمند با خودآموزی بدون کمک انسان موفق به حل مکعب روبیک شود. این رویداد می‌تواند نقطه عطفی برای رویکردی جدید در مقابله با مشکلات مهم، در علم کامپیوتر باشود. اینکه چگونه می‌شود مشکلات پیچیده را با کمترین کمک حل کرد.

طوفان روبیک و بسیج جهانی برای حل آن

مکعب روبیک (Rubik’s Cube) یک پازل سه‌بعدی و مکانیکی است که در ۱۹۷۴ توسط یک معمار اهل بوداپست در مجارستان به نام ارنو روبیک (Erno Rubik) اختراع شود. ارنو سعی داشت دانشجویان خود را به یک فهم مبسوط از دنیای سه‌بعدی برساند. نتیجه این تلاش ساخت مکعب روبیک بود که در دنیای سرگرمی و دانش طوفانی به پا کرد. ارنو به‌زودی متوجه شود حل مکعب جادویی‌اش از روی شانس و تصادف تقریباً غیرممکن است. یک مکعب روبیک ۳*۳*۳ می‌تواند  ۴۳ تریلیون حالت را ایجاد کند. برای حل این مکعب جذاب باید تمام مربع‌های هر وجه به یکرنگ دربیایند. حل همین مسئله به‌ظاهر ساده و جذاب باعث شود، این مکعب یکی از پرفروش‌ترین اسباب‌بازی‌های دنیا لقب بگیرد و با رکود فروش بیشتر از ۳۵۰ میلیون جایگاه ویژه‌ای برای خود دست‌وپا کند. ارنو نیز بعد از یک ماه تلاش، سرانجام توانست راه‌حلی برای مرتب کردن مکعب جادویی ارائه دهد.

ماشین هوشمند مکعب روبیک

دیوید ساینمستر (David Singmaster) یک ریاضیدان متولد امریکا است که در سال ۱۹۸۰ روش حل لایه‌ای مکعب روبیک را بر اساس نظریه گروه‌ها منتشر کرد و از همین زمان بود که مکعب جادویی ارنو به نام مکعب روبیک معروف شود. بعدازآن هم ریاضیدانان و علاقه‌مندان زیادی با انواع متدها و الگوریتم‌ها مکعب روبیک را حل کردند که شاید معروف‌ترین آن روش حل جسیکا فردریک (CFOP) است.  البته برای حل مکعب روبیک نیازی نیست ریاضیدان باشید، تفاوت این روش‌های حل در سرعت عمل و به خاطر سپاری حالت‌های مختلف برای به‌زانو درآوردن مکعب روبیک است. مثلاً در روش فردریک شما ابتدا یک وجه مکعب به یک رنگ درمی‌آورید و بعدازاینکه مربع‌های وسط هر وجه نیز به رنگ درست و برابر همان وجه تنظیم شود، وارد مرحله بعدی می‌شوید. همین روش‌های رسیدن از یک مرحله‌به‌مرحله بعد به‌صورت تعدادی الگوریتم در اختیار شما قرار می‌گیرد. یک روش مانند روش فردریک درمجموع ۱۲۰ الگوریتم در اختیار شما قرار می‌دهد و روش‌های دیگری استند که بیش از ۱۷۰ الگوریتم در اختیار شما قرار می‌دهند تا در هر حالتی از این مکعب روبیک اسیر شودید بتوانید آن را به حالت روز اول و هنگامی‌که خریدید، برگردانید. به‌عبارت‌دیگر شما برای حل هر وضعیت روبیک یک الگوریتم در اختیاردارید. مثال بصری این مفهوم در دنیای اطراف ما درختان استند. اگر شما سرشاخه‌های یک درخت را در نظر بگیرید و در امتداد آن حرکت کنید به تنه درخت و نهایتاً ریشه درخت می‌رسید. همه سرشاخه‌ها (الگوریتم ها) با هر پیچ و خمی، دیر یا زود شمارا به تنه اصلی درخت می‌رساند. این‌یک مفهوم ساده برای تسهیل در تصمیم‌گیری است که باعث می‌شود همه راه‌ها سرانجام به حل مکعب روبیک ختم شود. حالا برای حل سریع‌تر، هرچه زودتر از سرشاخه‌ها به شاخه اصلی برسید، موفقیت در زمان کمتری نصیب شما می‌شود. عموماً متدهای حل روبیک در پیدا کردن یکی از این شاخه‌های اصلی و هدایت به تنه درخت (حل مکعب روبیک) شکل می‌گیرند.

ماشین هوشمند مکعب روبیک

در بازی شطرنج حرکات مهره‌ها در فرم‌های نمرات (scoresheets) به شیوه نمادگذاری جبری (Algebraic chess notation) ثبت می‌شود. به‌نوعی اطلاعات هر بازی و نتایج هر حرکت در یک بازی در اختیار دیگران برای تجزیه‌وتحلیل و حتی تکرار گام‌به‌گام قرار می‌گیرد. دنیای روبیک هم شیوه نمادینی برای ثبت حرکات و چرخش وجوه مکعب و ثبت الگوریتم‌ها دارد. به این طریق تجربه مکعب بازها (کیوبرها)  و اطلاعات ذی‌قیمت آن‌ها به یکدیگر منتقل می‌شود و با تمرینات کیوبرها طبق این بانک اطلاعاتی، رکوردها شکسته می‌شود.امروزه روبیک پسرعموهایی نیز دارد؛ مانند روبیک جادویی (Rubik’s Magic)،‌ روبیک ماری (Rubik’s Snake) و روبیک ۳۶۰ (Rubik’s 360) که البته هیچ‌کدام به‌اندازه روبیک یا همان مکعب روبیک مشهور و محبوب نیستند. مکعب روبیک هم در چند سایز از قبیل روبیک جیبی (روبیک ۲*۲*۲)، استاندارد (روبیک ۳*۳*۳)، انتقام استاد (روبیک ۴*۴*۴) و روبیک حرفه‌ای (روبیک ۵*۵*۵) و غیره ساخته می‌شود. مکعب روبیک مسابقات جهانی نیز دارد که در بیش از ۱۰ مدل و شیوه انجام می‌شود. مکعب روبیک از روزی که ساخته‌شوده بارها حل‌شوده و البته به تعداد بیشتری هم به دیوار کوبیده شوده است. از کسانی که مکعب روبیک در میان انگشتان آن‌ها اسیر است و به مکعب باز (cuber) معروف استند، می‌توان سِئونگ بِئوم چو (SeungBeom Cho) را نام برد که یک مکعب روبیک را در عرض ۴.۵۹ ثانیه حل می‌کند که در اصطلاح کیوبرها به مقام اسپید کیوبر (Speed cuber) رسیده است. برای یک فرد عادی این زمان به‌اندازه‌ای است که تشخیص دهد هر وجه مکعب سرانجام به چه رنگی درخواهد آمد.

مکعب روبیک و دانشمندان فناوری اطلاعات

پیچیدگی معمای مکعب روبیک باعث شوده که هوش مصنوعی برخلاف موفقیت در بازی شطرنج در حل آن عاجر بماند.

موج جذابیت این پازل سه‌بعدی مکانیکی، دانشمندان کامپیوتر و طراحان هوش مصنوعی  را نیز تحت تأثیر خود قرار داده است. آ‌ن‌ها نیز به چالشی لذت‌بخش دچار شودند تا بفهمند، چگونه می‌شود مکعب روبیک را در هر وضعیتی با کمترین حرکت حل کرد؟ با تحقیق و محاسبات آن‌ها به این نتیجه رسیدند که برای هر مدل از مکعب‌های روبیک تعداد حرکات می‌تواند متفاوت باشود برای یک روبیک استاندارد با ۲۰ حرکت می‌توان به نتیجه رسید و در یک روبیک انتقام استاد این تعداد به ۲۶ حرکت هم می‌رسد؛ ولی جذابیت معمای روبیک برای آن‌ها به اینجا ختم نشود. مهندسان با ساخت یک ربات موفق شودند زمان حل مکعب روبیک را به کمتر از نیم ثانیه برسانند؛ اما یک چالش محبوب دیگر این بود آیا یک ماشین هوشمند می‌تواند به‌طور خودآموز معمای روبیک را حل کند؟ برخلاف حرکات شطرنج، تحلیل حرکات مکعب روبیک کار سختی است، به همین دلیل یادگیری عمیق (Deep Learning) ماشین‌های هوشمند تابه‌حال به‌تنهایی قادر به حل مکعب روبیک نبوده است.

در هوش مصنوعی، یادگیری ماشین (Machine learning) یک روش تجزیه‌وتحلیل اطلاعات است که ماشین با افزایش اطلاعات دریافتی خود به تحلیل می‌پردازد و کارایی و کارآمدی خود را ارتقا می‌دهد. در این شیوه، ماشین با تجزیه‌وتحلیل داده تصمیم‌گیری می‌کند و این امر منجر به افزایش قدرت تشخیص و حل مسئله در ماشین می‌شود. از این طریق در هر بار مواجهه با مسئله قبلی ماشین می‌تواند راه‌حل‌های بهینه‌تر و مفیدتری را ارائه دهد.

استفاده از پتانسیل یادگیری ماشین می‌تواند از افزایش مهارت راه رفتن برای یک روبات دوپا شروع شود تا استفاده از توانایی ماشین هوشمند در کشف و توسعه صنایع پیشرفته نفت یا هوافضا. هدف این کار کاهش چشمگیر مشکلات و بهبود استفاده از داده‌ها و به‌تبع آن کاهش هزینه‌ها و موفقیت سریع‌تر و باکیفیت بیشتر است. یادگیری ماشین تنها بخشی از مفهوم هوش مصنوعی (Artificial Intelligence) است. ازلحاظ تئوری Machine learning مفهوم خیلی ساده‌ای دارد، ماشین داده‌ها را جمع‌آوری می‌کند و برای مشکلات خود، راه‌حل‌های جدیدی می‌سازد.

ماشین هوشمند مکعب روبیک

هوش مصنوعی یک وضعیت در دستگاه است، یعنی وضعیتی که یک دستگاه می‌تواند، تشخیصی صحیح، مانند یک تصمیم‌گیری انسانی انجام دهد. پس مهم نیست که این ماشین اجزایی مانند دست و صورت داشته باشود می‌تواند همانند یک کامپیوتر ساده باشود. استفاده از یادگیری ماشین در زندگی روزمره بسیار مرسوم است، حتی شاید در روز چندین بار از آن استفاده کنید. ما می‌توانیم برای لحظاتی به تجربه مفهوم عمیق هوش مصنوعی (AI) نزدیک شویم، زمانی که چراغ‌های منزل با توجه به تعداد نفرات توسط یک سیستم اتوماتیک در یک خانه هوشمند روشن می‌شوند و یا هنگامی از که سیری (Siri) در گوش همراه خود استفاده می‌کنیم؛ ولی در حقیقت ما از هوش مصنوعی انتظاری فراتر از حل این مسائل داریم. ما می‌خواهیم هوش مصنوعی با متدهای یادگیری ماشین دقیقاً همانند مغز انسان کار کند و اگر کسی مخالفتی نداشته باشود، شاید هوش مصنوعی را به سطح برسانیم که از مغز انسان نیز بهتر کار کند. طراحان هوش مصنوعی سعی کردند با حل چالش مکعب روبیک به دنبال روش‌های جدید برای شکوفایی ماشین‌های هوشمند و ارتقا شیوه یادگیری ماشین‌ها پیدا کنند.

ماشین هوشمند مکعب روبیک

یکی از بحث‌های مطرح در یادگیری ماشینی، یادگیری عمیق (Deep learning) است. یادگیری عمیق سعی دارد مفاهیم پیچیده را به قسمت‌های کوچک‌تر و ساده‌تر تقسیم کند و با این اطلاعات روشن و ساده ماشین بتواند بدون نیاز به انسان، تصمیم‌گیری کند. برای دریافت بهترین نتیجه باید داده‌های اصلی به شیوه‌ای ارائه شود که مفاهیم اصلی و پایه با سرعت در اختیار ماشین قرار بگیرد. این اطلاعات برای ما می‌تواند همان زبان نمادین در شطرنج یا مکعب روبیک باشود اما در مورد یادگیری ماشین و البته یادگیری عمیق این کار اغلب اوقات به‌راحتی ممکن نیست؛ مثلاً فرض کنید تجزیه‌وتحلیل گفتار انسان در وهله اول دیگر کار چندان سختی نیست ولی وقتی عواملی مثل لهجه یا جنسیت به آن اضافه می‌شوند، تشخیص همان مفاهیم پایه، بسیار پیچیده و خارج از تصور است. در بعضی مواقع تشخیص مفاهیم در لهجه‌ها برای انسان هم سخت است. استفاده از مزایای یادگیری عمیق نیز از وقایع روزمره زندگی ما زیاد دور نیست اگر با گوگل کار می‌کنید ناخواسته آن را تجربه کرده‌اید مثلاً در بخش جستجوی عکس شما از توانایی‌ها  و یادگیری ماشین و البته یادگیری عمیق استفاده می‌کنید.

هوش مصنوعی و چالشی به نام مکعب روبیک

مقاله‌های مرتبط:

در یادگیری عمیق که از مباحث یادگیری ماشین است، داده‌ها و اطلاعات به‌صورت لایه‌لایه تحلیل می‌شوند و با تجزیه دقیق هر لایه و جمع‌بندی آن‌ها یک تحلیل خروجی به ‌دست می‌آید که باعث می‌شود یک ماشین بتواند به‌طور خودکار اشیا و داده‌های جدید را با دقت بالا تشخیص دهد. هر چه این لایه‌های تحلیل در یادگیری عمیق بیشتر باشند، یادگیری عمیق‌تر و دقیق‌تر اتفاق می‌افتد. با ارتقا یادگیری عمیق دنیای ما بسیار متحول و متفاوت‌تر از زمانی خواهد شود که گوشی‌های هوشمند وارد زندگی ما شودند. فرض کنید تبلیغات یک نمایشگر تبلیغاتی با تحلیل و درک احساسات شما به‌سرعت تغییر می‌کند و تبلیغاتی که شما بیشتر راغب به دیدن و حتی خرید و استفاده از آن رادارید، به شما نمایش داده می‌شود. یک ماشین هوشمند تنها با تجزیه‌وتحلیل حالات چهره و تشخیص خرسندی و ناخرسندی شما هنگام دیدن تبلیغات، این کار را مدیریت می‌کند. اگر خرید شما یک سری محصولات مشخص است؛ مثلاً محصولات لبنی، ماشین هوشمند به‌جای اینکه به شما پیشنهاد دهد که یک محصول لبنی دیگر و متفاوت بخرید، به تحلیل خریدهای دیگر مشتریان که مشابه شما خرید کرده‌اند، می‌پردازد و با بررسی خرید آن‌ها به شما یک پیشنهاد مناسب می‌دهد. شاید برای خرید در بازار آینده و حفظ پول در کیف پول خود باید بیشتر مواظب بروز احساسات خود باشید ولی این تکنولوژی جنبه‌های مثبت فراوانی نیز دارد؛ مانند تشخیص و تحلیل معاینات پزشک با دقت بالا و پیشگیری از بیماری‌های صعب‌العلاج یا حتی کشف داروهای جدید. پس در هوش مصنوعی (Artificial intelligence) و به‌تبع آن یادگیری ماشین دو نکته مهم باهم مشارکت دارند یک بخش تحلیل و آنالیز قدرتمند و بخشی دیگر اطلاعات درست و مناسب است. این دو بخش با مشارکت هم می‌توانند یک نتیجه و خروجی درست را در هوش مصنوعی به ما بدهند.

ماشین هوشمند مکعب روبیک

هوش مصنوعی و یادگیری ماشین مخصوصاً یادگیری عمیق و متدهای مختلف اجرای آن بر پایه توانایی انسان در حل مسئله ایجاد شود. از شیوه‌های علمی و با شناخت ابزار فکر و درک انسان این متدها الهام گرفته می‌شوند و در دنیای هوش مصنوعی با کمک تکنولوژی در یادگیری عمیق پیاده می‌شوند. در دنیای روبیک و انسان‌ها شیوه‌های علمی و تحلیلی ریاضی‌دانان باعث شوده که متدهای حل روبیک به‌طور استاندارد گسترش پیدا کند. در گذشته هم ماشین‌ها با کمک مهندسان تبدیل به شطرنج‌بازان قهاری شودند که توانستند غول‌های شطرنج جهان را به چالش بکشند و حال زمان ورود ماشین هوشمند برای حل مکعب روبیک بود. دانشمندان این ایده به ذهنشان رسید که از شیوه پاداش و تنبیه که در انسان‌ها مرسوم است برای یادگیری هوش مصنوعی استفاده کنند.

ایده خلاقانه برای حل روبیک توسط ماشین هوشمند

در این سناریو ساخت هوش مصنوعی به ماشین هوشمند با متدهای یادگیری عمیق، قوانین بازی آموزش داده می‌شود تا این بار ماشین شروع به حل مکعب روبیک کند. نکته بسیار مهم، پاداشی است که در هر گام با توجه به چگونگی انجام آن داده می‌شود. این روند پاداش دهی در یادگیری ماشین بسیار مهم است چراکه به کمک آن متوجه شود که حرکت درستی را انجام داده است یا نه. به‌عبارت‌دیگر، به ماشین کمک می‌کند تا یاد بگیرد؛ اما این ایده در دنیای واقعی چندان کارآمد نیست زیرا پاداش‌ها برای ماشین اغلب کمیاب استند و سخت به دست می‌آیند.

ماشین هوشمند مکعب روبیک

مقاله‌های مرتبط:

مثلاً یادگیری عمیق چرخاندن تصادفی مکعب روبیک چگونه می‌تواند یک پاداش در پی داشته باشود؟ چگونه می‌شود فهمید که این آرایش جدید مربع‌های رنگی می‌تواند به حل مسئله کمک کند؟ یا حل مسئله را سخت‌تر می‌کند. چرخاندن تصادفی می‌تواند مدت‌ها مدید حل مسئله را به تعویق بیندازد،‌ نکته‌ای که خالق روبیک (ارنو  روبیک) در همان آغاز به آن پی برد، بنابراین پاداش‌ها نیز به‌ندرت نصیب ماشین هوشمند در حین یادگیری ماشین می‌شود. تجربه ماشین هوشمند و شطرنج نیز یک بازی در زمینی کاملاً  متفاوت بود. بازی شطرنج  به‌عنوان یک پازل، گستره زیادی از حرکات را در برمی‌گیرد ولی به ازای هر حرکتی می‌توان یک ارزیابی داشت و پاداشی یا تنبهی نیز در انتظار خواهد بود، این شرایط درباره مکعب روبیک صدق نمی‌کند.

استفان مک آلیر (Stephen McAleer) و همکارانش در دانشگاه کالیفرنیا (UC Irvine) در جنوب شهر لس‌آنجلس تکنیک جدیدی را برای حل این مشکل مطرح کردند. این تکنیک جدید در یادگیری ماشین به نام Autodidactic iteration باعث می‌شود که ماشین خودآموز شود و بدون کمک انسان بتواند مکعب روبیک را به‌مانند روز اولی که از جعبه درآمده است، تحویل دهد. تکنیک مک آلیر یک‌راه جایگزین و مناسب برای متد پاداش‌ها در یادگیری عمیق است.

حل مکعب روبیک و تکنیک Autodidactic iteration

یک مکعب حل‌نشوده به ماشین داده می‌شود و ماشین باید تشخیص دهد چه حرکتی را روی مکعب انجام دهد تا معمای روبیک حل شود. برای این کار ماشین باید بتواند حرکت را ارزیابی کند. این ارزیابی از محل دادهای ثبت‌شوده یا همان الگوریتم‌های حل مکعب در ماشین به دست می‌آید. البته این وظیفه یک ماشین هوشمند است که خود داده‌های درست را جمع‌آوری کند تا در حل مکعب روبیک از آن‌ها استفاده کند.

ماشین هوشمند مکعب روبیک

در تکنیک Autodidactic iteration یادگیری و حل مسئله با مکعب حل‌شوده انجام می‌شود؛ یعنی ماشین با یک مکعب حل‌شوده شروع به تست انواع حرکات روی مکعب می‌کند و سعی می‌کند متوجه شود، روال معکوس کدام حرکات، مکعب را به حالت اول برمی‌گرداند. تمام این حرکات درون ساختار داده‌ای به‌عنوان راه نجات و ایده‌های حل مسئله ضبط و دسته‌بندی می‌شوند. این فرآیند مکرر آزمون‌وخطا به ماشین کمک می‌کند تا تشخیص دهد کدام حرکت به‌طورکلی از حرکت دیگر بهتر است. هنگام حل مکعب درهم‌ریخته، ماشین خودآموز شروع می‌کند به جستجو در بانک اطلاعاتی خود تا برای هر وضعیت حرکت مناسب را برای حل مکعب روبیک پیدا کند. این ساختار داده و بانک اطلاعاتی در ماشین به‌صورت همان مفهوم درخت و شاخه‌ها در حل مسئله روبیک است که به آن درخت تصمیم (Decision Tree) می‌گویند. نتیجه این تکنیک در حل معمای روبیک توسط ماشین موفقیت‌آمیز بوده است. مک آلیر که از نتیجه تلاش خود و همکارانش با اجرای این تکنیک در یادگیری عمیق راضی است و می‌گوید:

الگوریتم ما قادر به حل کامل مکعب روبیک در هر وضعیتی است. ماشین با این الگوریتم به‌طور متوسط با ۳۰ حرکت مکعب روبیک را حل می‌کند بدون نیاز به کمک انسان.

اجرای این تکنیک جالب و مفید در یادگیری عمیق می‌تواند ثمرات فراوانی دیگری نیز داشته باشود. ماشین هوشمند با این تکنیک می‌تواند به حل پازل‌هایی همچون سکوبان (Sokoban) نیز دست بزند. همان‌طور که شما در سکوبان باید در یک فضای محدود مثلاً چند جعبه را به نحوه درست چیدمان کنید، هوش مصنوعی (AI) نیز با این تکنیک می‌تواند در آخر سال و چیدمان مبل‌ها در جریان خانه‌تکانی، یک راهکار نجات‌دهنده و محبوب باشود. احتمالاً این ماشین می‌تواند در بازی همچون ماریو، او را از میان هزاران سرزمین با موجودات عجیب‌الخلقه، صحیح و سالم به معشوقه خود برساند. این تکنیک به ماشین هوشمند کمک می‌کند وارد ریاضیات هم بشود و بتواند به تجزیه اعداد هم‌دست بزند. مشابه همان کاری که ما با استفاده از ساختار درختی برای تجزیه یک عدد اول انجام می‌دهیم. همان شیوه درخت تصمیم که برای اطمینان از رسیدن به هدف راه‌های گوناگون را پیش پای ما می‌گذاشت. مک آلیر و همکارانش به تکنیک خود خیلی اعتماد دارند و  اهداف دیگری نیز  برای استفاده ماشین هوشمند در چشم‌انداز خود قرار داده‌اند. آن‌ها معتقدند باکار و گسترش این تکنیک حتی می‌توانند وارد مسائلی همچون پیش‌بینی و تحلیل ساختار سه‌بعدی پروتئین‌ها را نیز بشوند.

ماشین هوشمند مکعب روبیک

باوجوداین خوش‌بینی‌ها هنوز نتیجه استفاده از این رویکرد در حل مشکلات دیگر واضح نیست. لزوماً این‌که آن‌ها توانسته‌اند در حل مکعب روبیک با این تکنیک موفق شوند دلیل موفقیت آن‌ها در حل مسائل دیگر با ماشین هوشمند نمی‌شود؛ ولی بدون شک این رویکرد تا بدین جا در مورد حل روبیک با کمترین تعداد حرکت مفید و مؤثر بوده است.مک آلیر و همکارانش ادعا می‌کند که تکنیک آن‌ها یک فرم استدلال در حل مسئله است. آن‌ها می‌گویند که یکی از تعاریف استدلال این استفاده و الگوبرداری از دانش به‌دست‌آمده برای حل مسئله‌های جدید و ابهامات است. آن‌ها الگوریتم خود را که در دنیای ماشین‌های هوشمند با روشی ساده موفق به تشخیص الگوهای خاص شوده DeepCube نامیدند. مک آلیر و تیم او به این موضوع افتخار می‌کند که با الگوریتم DeepCube می‌تواند تنها با یک جایزه برای تقویت یادگیری ماشین به مقابله با مسائل پیچیده بروند.

 درنهایت آزمایش‌ها واقعی به ما نشان خواهند داد که الگوریتم DeepCube در دنیای ماشین هوشمند چگونه می‌تواند از پس مسائلی پیچیده همچون  پروتئین‌ها سربلند بیرون بیاید. شاید هم DeepCube به ما نشان دهد که دنیای ماشین‌ها هوشمند و یادگیری ماشین را چگونه متحول کنیم؟ این محققان هوش مصنوعی که از جستجو و کوشش خود بسیار راضی استند.

ادامه‌ی پست

الگوی آماده ی مانتو

الگوی آماده ی مانتو

   در الگوی آماده ی مانتو به طراحی یک مانتوی ساده ی جلو باز می پردازیم . بعد رسم رسم الگو ی بالاتنه از پنس سرشانه ۳ سانتی متر به سمت یقه می رویم و پنس را منتقل می کنیم به ۳ سانتی متر جلوتر.
حالا بدون اینکه پنس های کمر را خالی کنیم یک برش روی خط برش عمودی از شانه تا پایین مانتو می زنیم و بالاتنه ی جلو را دو قسمت می کنیم.
از دوی خط سینه ۵تا۶ سانت پایین می آییم و ده سانت جلو می رویم و یقه را طراحی می کنیم.
از خط پایین مانتو۷تا۸ سانت جلو رفته .از بالای پنس کمر به پایین مانتو یک خط می کشیم.

الگوی آماده ی مانتو

حالا از خط پهلو تا خط ران دامن را ۷تا۸ سانت فون کردم و به پایین مانتو با یک خط  وصل کردم .
قسمت های اضافی را از الگو حذف کردم.نقاط نقطه چین شوده را زیپ می دوزم و بقیه ی کار را باز می ذاریم و برش نمی زنیم.
   این مدل یقه از انواع مدلهای یقه آمریکایی مسطح است یعنی پشت یقه ندارد و سجاف هم ندارد.معمولا تو مدل های مانتو های تابستونی سجاف نمیزنند چون اکثرا مدله ای آزاد و یقه های ریزش دار دارند.
   برای طراحی انواع الگو های مانتو زنانه می توانید از کتاب الگو سازی به روش مولر و پسران استفاده کنید . یکی از مهم ترین مشخصه های لباس این است که در آن احساس راحتی کنید. لباس های تنگ با اندازه ی نامتناسب انتخاب مناسبی نیستند. بهترین گزینه لباسی است که به طور دقیق با اندازه های شخصی و طبق الگوی بدن خودتان بپوشید. در واقع برای سفارش لباس سراغ خیاط می روید تا برایتان لباس بدوزد اما از آنجایی که این کار هزینه و زمان بیشتری نیاز دارد اغلب افراد ترجیح می دهند از فروشگاه های پوشاک، لباس مورد نظرشان را خریداری کنند…
دانلود کتاب طراحی لباس و مد

نوشته الگوی آماده ی مانتو اولین بار در پارس تبلیغ. پدیدار شود.

ادامه‌ی پست

شهرهایی با بیشترین تعداد برج

برج

مرکز یک شهر و نمایی که ساختمان ها در مرکز شهر ایجاد می کنند، از ویژگی های نمادین شهر می باشود. آسمانخراش ها اولین عاملی استند که در شهر توجه همه را به خود جلب می کنند و مورد علاقه همگان استند، اما بیشتر ساختمان های بلند یک شهر را برجها تشکیل می دهند. بله، بین آسمانخراش و برج تفاوت وجود دارد. شرکت تحقیقاتی Emporis، برج را ساختمانی با حداقل ۳۵ متر ارتفاع یا ساختمانی دارای ۱۲ طبقه تعریف می کند. برجها نقش مهمی را در فضاهای شهری بزرگ بازی می کنند.

Emporis، لیست ۲۰ شهری را که بیشترین تعداد برج را دارا می باشند، به صورت زیر اعلام کرده است:

۱-سئول، کره جنوبی (۳۳،۰۷۳)

برج

۲-مسکو، روسیه (۱۲،۰۹۲)

برج

۳-هنگ کنگ (۷،۸۳۳)

برج

۴-بمبئی، هند (۷،۰۶۸)

برج

۵-سائوپائولو، برزیل (۶،۳۳۲)

برج

۶-نیویورک، ایالات متحده آمریکا (۶،۲۵۰)

برج

۷-سنگاپور (۵،۸۶۱)

برج

۸-کاراکاس، ونزوئلا (۳،۸۶۴)

برج

۹-بوسان، کره جنوبی (۳،۴۹۳)

برج

۱۰-اینچئون، کره جنوبی (۳،۲۳۲)

برج

۱۱-استانبول، ترکیه (۳،۱۹۸)

برج

۱۲-توکیو، ژاپن (۲،۹۲۸)

برج

۱۳-کوآلالامپور، مالزی (۲،۸۰۱)

برج

۱۴-گورگان، هند (۲،۷۸۸)

برج

۱۵-ریو دو ژانیرو، برزیل (۲،۶۶۸)

برج

۱۶-سنت پترزبورگ، روسیه (۲،۵۷۹)

برج

۱۷-تورنتو، کانادا (۲،۴۳۸)

برج

۱۸-بوینس آیرس، آرژانتین (۲،۱۲۵)

برج

۱۹-کیف، اوکراین (۱،۹۲۱)

برج

۲۰-کلکته، هند (۱،۹۰۴)

برج

ادامه‌ی پست

پوسته رایگان و پویا بازی Assassins’s Creed Odyssey برای پلی استیشن ۴ منتشر شود










پوسته رایگان و پویا بازی Assassins’s Creed Odyssey برای پلی استیشن ۴ منتشر شود – پارس تبلیغ













































































داغ‌ترین مطالب هفته

شاخه‌های برتر


خانواده پارس تبلیغ

عضویت در خبرنامه












































ادامه‌ی پست