🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز بیست و سوم: اهمیت کیفیت داده ○ داده‌ی زیاد همیشه مفید نیست؛ اگر بی‌کیفیت باشد، مدل بد یاد می‌گیرد. داده‌های ناقص، اشتباه یا سوگیرانه می‌توانند نتیجه رو خراب کنند. جمله‌ معروف «Garbage in, garbage out» یعنی «آشغال بدی، آشغال می‌گیری!»:. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز بیست و چهارم: تقسیم‌بندی داده (Train, Validation, Test) ● بهتر است داده‌ها رو به سه بخش تقسیم کنیم: - آموزش (Train): یادگیری مدل - اعتبارسنجی (Validation): تنظیم پارامترها - آزمون (Test): بررسی عملکرد نهایی 🔹این کار از بیش‌برازش (بیش‌برازش یکی از خطاهای مدل‌سازی در علم داده است.)‌ جلوگیری می‌کند. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر ▫روز بیست و پنجم: بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) ● عبارت Overfitting: مدل فقط داده‌های آموزش رو حفظ کرده، روی داده جدید بد عمل می‌کند. ● عبارت Underfitting: مدل حتی داده‌های آموزش رو هم خوب یاد نگرفته. هدف ما تعادل است. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر ▫روز بیست و ششم: معیارهای ارزیابی مدل فراتر از دقت (Accuracy)، معیارهایی مثل: ● مورد Precision -دقت مثبت‌ها ●مورد Recall- پوشش مثبت‌ها ● مورد F1-Score - تعادل بین Precision و Recall هر معیار برای یک نوع مسئله مهمتر است. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر ▫روز بیست و هفتم: ماتریس سردرگمی (Confusion Matrix) ○ یک جدول ساده که نشان می‌دهد مدل چند بار درست یا غلط پیش‌بینی کرده؛ هم برای موارد مثبت، هم منفی. اسمش ترسناک به نظر میاد ولی ابزار بسیار مفیدی ا‌ست. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز بیست و هشتم: بهبود عملکرد مدل ○ راه‌های بهبود: - جمع‌آوری داده‌های بهتر - انتخاب ویژگی‌های مناسب‌تر (Feature Selection) • استفاده از الگوریتم یا پارامترهای بهتر بهبود مدل مثل تیون کردن موتور ماشین(۱) قبل از مسابقه ا‌ست. ○ توضیحات (۱): تیون کردن موتور ماشین به معنی انجام تغییراتی در قطعات و سیستم‌های داخلی موتور است تا قدرت، شتاب و عملکرد کلی آن را افزایش دهد. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر ▫روز بیست و نهم: انواع داده‌ها در AI ○ داده ساخت‌یافته (Structured): مثل جداول اکسل با سطر و ستون منظم (سن، شغل، شهر و ...) ○ داده غیرساخت‌یافته (Unstructured): مثل متن، تصویر، صدا و ویدئو ○ داده نیمه‌ساخت‌یافته (Semi-Structured): مثل JSON و XML. - هر نوع داده روش مخصوص پردازش خود را دارد. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز سی‌ام: منابع داده ● داده‌های عمومی (مثل Kaggle، UCI Machine Learning Repository) ● داده‌های سازمانی (فروش، مشتریان، حسگرها) ● داده‌های جمع‌آوری‌شده توسط سنسورها و IoT ● داده‌های تولیدشده مصنوعی (Synthetic Data) برای شبیه‌سازی و آموزش #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر ▫روز سی‌ویکم: جمع‌آوری داده با کیفیت ○ برای جمع‌آوری داده خوب باید: - از منابع معتبر استفاده کنیم - داده‌ها را کامل و دقیق ثبت کنیم - تعادل بین دسته‌ها حفظ شود (مثلاً تعداد تصاویر پرندگان برابر باشد) کیفیت داده، کیفیت مدل را می‌سازد. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز سی‌ودوم: پاک‌سازی داده (Data Cleaning) ○ برای جمع‌آوری داده خوب باید: - حذف یا اصلاح داده‌های ناقص - حذف داده‌های تکراری - اصلاح قالب‌ها (مثلاً تبدیل همه تاریخ‌ها به یک فرمت) پاک‌سازی داده، اولین گام جدی قبل از آموزش مدل است. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🤖 هر روز، یک قدم هوشمندتر 🕗 ساعت ۸ صبح ▫روز سی‌وسوم: آماده‌سازی و نرمال‌سازی داده‌ها ● مدل‌ها داده‌ها را بهتر می‌فهمند اگر: - مقادیر در یک مقیاس باشند (مثلاً همه بین ۰ تا ۱) - داده‌های متنی به عدد تبدیل شوند (Encoding) این مرحله شبیه آماده کردن مواد اولیه قبل از آشپزی است. #آموزش #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat

🔻«برگزاری کارگاه هم‌اندیشی و هماهنگی دستیار هوش مصنوعی وزیر نیرو» 🔹در راستای کلان‌پروژه «راه‌اندازی دستیاران هوش مصنوعی دستگاه‌های اجرایی» به ابتکار معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست جمهوری، کارگاه هم‌اندیشی و هماهنگی دستیار هوش مصنوعی وزیر نیرو چهارشنبه (مورخ ۵ شهریورماه ۱۴۰۴) با حضور راهبر و ناظر پروژه از معاونت مزبور، نمایندگان معاونت سرمایه انسانی، تحقیقات و فناوری اطلاعات وزارت نیرو، نمایندگان شرکت‌های مادرتخصصی و سازمان‌ها و موسسات تابعه و همچنین تیم‌مجری دانشگاه خواجه نصیرالدین طوسی در محل پژوهشگاه نیرو برگزار شد. 🔹در ابتدای نشست، تاریخچه و تجربه‌های بین‌المللی در زمینه دستیارهای هوش مصنوعی مرور شد. سپس دانشگاه خواجه نصیر ابزارهای هوش مصنوعی موجود را معرفی کرد و مقرر گردید این دانشگاه ابزارهای کاربردی‌تر را برای استفاده همکاران وزارت نیرو شناسایی و معرفی نماید. 🔹در بخش اصلی کارگاه مذکور، دموی اولیه «دستیار هوش مصنوعی وزیر نیرو» با عنوان «طوسا» و اجزای آن معرفی و به پرسش‌های آزمایشی حاضران پاسخ داده شد. 🔹ارزیابی‌ها و بررسی‌های اولیه نشان داد پروژه دستیار هوش مصنوعی وزیر نیرو در میان دستیاران دستگاه‌های اجرایی موفق عمل کرده و تلاش و همت دانشگاه خواجه نصیرالدین طوسی در این زمینه شایسته تقدیر است. 🔹در ادامه این جلسه، با تأکید راهبر پروژه در معاونت علمی و فناوری ریاست جمهوری، ضمن قدردانی از همکاری‌های صورت گرفته وزارت نیرو با مجری پروژه، مقرر گردید واحدهای زیرمجموعه این وزارتخانه نسبت به ارائه داده‌های غیرطبقه‌بندی‌شده به دانشگاه افدام نمایند و تیم مجری نیز در جهت رفع مسائل و چالش‌هاب فنی و بارگذاری داده‌های جدید اقدام نماید. 🔹همچنین در خاتمه این مراسم نیز، از تلاش‌های "سیدعباس جعفری" مشاور معاون سرمایه انسانی، تحقیقات و فناوری اطلاعات وزیر نیرو به‌عنوان رابط وزارت نیرو در پروژه یادشده، توسط "دکتر تقی‌راد" رئیس دانشگاه خواجه نصیرالدین طوسی تقدیر به‌عمل آمد. #ستاد_راهبری_هوش_مصنوعی_وزارت_نیرو @niroo_tahghighat