neural networks

💡 Deep neural networks are composed of many interconnected layers of nodes, or neurons, that operate on input data to produce an output.

شبکه‌های عصبی عمیق از لایه‌های به هم پیوسته زیادی از گره‌ها یا نورون‌ها تشکیل شده‌اند که روی داده‌های ورودی عمل می‌کنند تا یک خروجی تولید کنند.

💡 In a comparative study, classical models rivaled neural networks when data were scarce, reminding practitioners to benchmark thoughtfully before celebrating complex solutions.

در یک مطالعه تطبیقی، مدل‌های کلاسیک در زمانی که داده‌ها کمیاب بودند، با شبکه‌های عصبی رقابت می‌کردند و به متخصصان یادآوری می‌کردند که قبل از ستایش راه‌حل‌های پیچیده، با دقت معیارها را ارزیابی کنند.

💡 The workshop demonstrated how neural networks capture nonlinear relationships in satellite imagery, aiding disaster response planning and early crop stress detection.

این کارگاه نشان داد که چگونه شبکه‌های عصبی روابط غیرخطی را در تصاویر ماهواره‌ای ثبت می‌کنند و به برنامه‌ریزی واکنش به بلایا و تشخیص زودهنگام تنش‌های زراعی کمک می‌کنند.

💡 "SNNs are artificial neural networks that mimic how biological brains process information using brief, discrete signals, much like how neurons in animal brains communicate," Miss Hussaini said.

خانم حسینی گفت: «SNNها شبکه‌های عصبی مصنوعی هستند که نحوه پردازش اطلاعات توسط مغزهای بیولوژیکی را با استفاده از سیگنال‌های کوتاه و گسسته تقلید می‌کنند، بسیار شبیه به نحوه ارتباط نورون‌ها در مغز حیوانات.»

💡 It traces the historical development of neural networks, emphasizing the role of interdisciplinary research in advancing AI.

این کتاب، توسعه تاریخی شبکه‌های عصبی را با تأکید بر نقش تحقیقات میان‌رشته‌ای در پیشرفت هوش مصنوعی، دنبال می‌کند.

💡 Scientists conceptualize neural networks differently across fields, borrowing metaphors that shape experiments and expectations.

دانشمندان شبکه‌های عصبی را در رشته‌های مختلف، به طور متفاوتی مفهوم‌سازی می‌کنند و از استعاره‌هایی که آزمایش‌ها و انتظارات را شکل می‌دهند، بهره می‌برند.