photo_2023-05-06_07-31-12
گروه تحقیقاتی کلان‌داده دانشگاه اصفهان
در فروردین‌ماه ۹۶، دانشکده‌ی کامپیوتر دانشگاه اصفهان یکی از اولین آزمایشگاه‌های تخصصی کلان‌داده را با پشتوانه‌ی کارگروهی تخصصی از اساتید صاحب‌نظر دانشکده‌ی کامپیوتر دانشگاه اصفهان بنا گذاشت. در همین راستا گروه کلان داده‌ی دانشگاه اصفهان با همکاری سه تن از اساتید گروه کامپیوتر شامل دکتر محمدعلی نعمت‌بخش، دکتر افسانه فاطمی و دکتر احمد زائری و به سرپرستی دکتر محمدعلی نعمت‌بخش آغاز به کار کرد و اکنون پس از فعالیت چند ساله در حوزه‌های مختلف علوم کلان داده‌ها، به عنوان یکی از اولین خوشه‌های پژوهش و توسعه‌ی فعال، در دانشگاه اصفهان به فعالیت خود ادامه می‌دهد. در حال حاضر این گروه متشکل از 6 عضو هیئت علمی، حدود 30 دانشجوی دکتری و حدود 30 دانشجوی ارشد در حال تحصیل است که هر کدام به صورت فردی و یا گروهی بر روی بخشی از اکوسیستم کار با کلان داده‌ها و در قالب پروژه‌ها و پایان‌نامه‌های ارشد و دکتری مشغول پژوهش و توسعه در فناوری‌های مربوطه هستند.
قبلی
بعدی
تازه‌ترین اخبار:
EVENTBRITE-NLP-Summit-2022_1
msc-defense
WhatsApp-Image-2022-09-14-at-9.36.41-AM-1
کلان‌داده مجموعه‌ای از دادگان حجیم و پیچیده است که شامل مقادیر بسیاری از داده، توانایی مدیریت داده، تحلیل شبکه‌های اجتماعی، داده‌های بلادرنگ و … می‌باشد. تحلیل کلان‌داده فرآیندی است که در آن حجم زیادی از داده‌ها بررسی می‌شود. در کلان‌داده، اغلب مقادیر زیادی از داده‌های دیجیتال ناهمگن وجود دارد. نام کلان‌داده مرتبط با حجم داده است و مجموعه داده‌های کلان، برحسب ترابایت یا پتابایت اندازه‌گیری می‌شوند. به این پدیده کلان‌داده می‌گویند. پس از تشریح کلان‌داده، این داده‌ها به عنوان تحلیل‌های داده‌های بزرگ معرفی می‌شود. 5 ویژگی معروف کلان‌داده به نام 5 وی (V) وجود دارد که شامل حجم (Volume)، سرعت (Velocity)، تنوع (Variety)، صحت (Veracity) و ارزش (Value) می شود. ادامه مطلب
پردازش زبان طبیعی، یا به اختصار NLP، یک زمینه از علوم کامپیوتر و هوش مصنوعی است که به تعامل بین رایانه و انسان با زبانِ طبیعی مربوط می‌شود. هدف نهایی پردازش زبان طبیعی کمک به کامپیوترها برای درک زبان طبیعی به خوبی انسان است. پردازش زبان طبیعی موتور اصلی چیزهایی نظیر دستیارهای مجازی، تشخیص گفتار، تجزیه و تحلیل احساسات، خلاصه سازی خودکار متن، ترجمه ماشینی و بسیاری موارد دیگر است. کاربردهای تکنیک‌های NLP شامل دستیارهای صوتی مانند الکسای آمازون و سیری اپل، و همچنین مواردی مانند ترجمه ماشینی و فیلتر کردن متن است. ادامه مطلب
در نظریه‌ی شبکه، یک شبکه پیچیده یک گراف (شبکه) با ویژگی های توپولوژیکی غیر پیش‌پا افتاده است؛ ویژگی هایی که در شبکه‌های ساده مانند مشبکه (ترتیب) یا گراف‌های تصادفی رخ نمی‌دهند، اما اغلب در شبکه‌هایی که سیستم‌های واقعی را نشان می‌دهند، رخ می‌دهند. مطالعه شبکه‌های پیچیده یک حوزه نوپا و فعال از تحقیقات علمی (از سال 2000) است که عمدتاً از یافته‌های تجربی شبکه‌های دنیای واقعی مانند شبکه‌های کامپیوتری، شبکه‌های بیولوژیکی، شبکه‌های فناوری، شبکه‌های مغزی، شبکه‌های آب و هوایی و شبکه‌های اجتماعی الهام گرفته شده است. ادامه مطلب
سیستم‌های پرسش‌پاسخ (QA) یک رویکرد خودکار برای بازیابی پاسخ‌های صحیح به سؤالات مطرح شده توسط انسان به زبان طبیعی است. فکر اساسی پشت سیستم QA کمک به تعامل انسان و ماشین است. در ادامه مطلب، می‌توانید یک طبقه‌بندی برای توصیف سیستم‌های پاسخ به سؤال (QA) بیابید، سیستم‌های QA اصلی شرح داده شده در ادبیات را به طور خلاصه بررسی کنید و یک تحلیل کیفی از آنها ارائه دهید. در نهایت، مقایسه‌ای بین این رویکردها بر اساس ویژگی‌های خاصی از سیستم QA که در این مطالعه حیاتی است، انجام شده است تا بینشی در حوزه تحقیق در این راستا ایجاد شود. ادامه مطلب
داده‌کاوی را می توان به عنوان فرآیند کشف مدل‌های خردمندانه و پیش‌بینی کننده از داده‌های عظیم در نظر گرفت. این هنر استخراج اطلاعات مفید از مقادیر زیاد داده است. این تجزیه و تحلیل داده‌های سنتی را با الگوریتم‌های پیچیده برای پردازش حجم زیادی از داده‌ها ترکیب می‌کند. این یک زمینه بین رشته‌ای است که مفاهیم سیستم‌های پایگاه‌داده، آمار، یادگیری‌ماشین، محاسبات، تئوری اطلاعات و تشخیص الگو را ادغام می‌کند. ادامه مطلب
هوش مصنوعی (AI) هوشی است که توسط ماشین‌ها نشان داده می‌شود، برخلاف هوش طبیعی که توسط حیوانات و به طور مشخص انسان نشان داده می‌شود. تحقیقاتِ هوش مصنوعی، به عنوان حوزه مطالعه عوامل هوشمند تعریف شده است و به هر سیستمی اطلاق می شود که محیط خود را درک می‌کند و اقداماتی را انجام می‌دهد که شانس خود را برای دستیابی به اهداف خود به حداکثر برساند. ادامه مطلب
یادگیری ماشین (ML)، شاخه‌ای از هوش مصنوعی (AI) است که رایانه‌ها را قادر می‌سازد تا از داده‌های آموزشی «خود یاد بگیرند» و در طول زمان، بدون برنامه‌ریزی صریح، پیشرفت کنند. الگوریتم‌های یادگیری ماشین قادر به تشخیص الگوهای موجود در داده‌ها و یادگیری از آنها هستند تا پیش بینی‌های خود را انجام دهند. به طور خلاصه، الگوریتم‌ها و مدل‌های یادگیری ماشین از طریق تجربه یاد می‌گیرند. ادامه مطلب
جلسه آینده گروه:
1401/06/30
- 00Days
- 00Hours
- 00Minutes
- 00Seconds
دانشگاه اصفهان
ایران، اصفهان، خیابان هزارجریب
031-379334501
nematbakhsh@eng.ui.ac.ir
