Alavi, نویسنده در مرکز توسعه هوش مصنوعی بنو

پلاک خوان در پارکینگ هوشمند

Alavi — Mon, 21 Jul 2025 05:58:25 +0000

پلاک خوان در پارکینگ هوشمند

در دنیای امروز، فناوری‌های هوشمند و هوش مصنوعی وارد تمام بخش های زندگی مردم شده‌اند.از خانه‌های هوشمند گرفته تا خودروهای هوشمند. پارکینگ هوشمند نیز به‌ عنوان یکی از این تکنولوژی ها یک راهکار نوین برای مدیریت بهینه تر تردد خودروها، به سرعت در حال گسترش است.

پارکینگ هوشمند چیست؟

پارکینگ هوشمند، سیستمی است که با استفاده از تکنولوژی هایی مانند دوربین‌ها، نرم‌افزارهای مدیریت تردد، نرم افزار های مانیتورینگ، حسگرها و نرم‌افزارهای پیشرفته برای ثبت اطلاعات لحظه‌ای خودروها ، درگاه های پرداخت اتوماتیک، ثبت تردد و زمان ورود و خروج خودرو‌ها، صدور کارت پارکینگ، ثبت پلاک توسط دوربین‌های پلاک‌ خوان، هدایت خودرو به جایگاه پارک، تحویل کارت و پرداخت هزینه را بدون دخالت انسانی، کاملا هوشمند و بهینه انجام می‌دهد. هدف اصلی این سیستم‌ها کاهش زمان جست ‌و جو برای یافتن جای پارک، صرفه جویی در وقت، کاهش ترافیک و آلودگی هوا و افزایش راحتی و امنیت رانندگان است.

چرا پارکینگ ها به سمت هوشمند شدن می روند؟

در بسیاری از مکان های پر تردد مثل مجتمع های تجاری، مراکز خرید، بیمارستان ها، فرودگاه ها رفت و آمد زیاد خودرو ها باعث ایجاد صف، خطای انسانی، اتلاف وقت، ترافیک و نبود جای پارک میشود که نارضایتی کاربران را در پی دارد. پارکینگ هوشمند با اتوماتیک سازی این مراحل مشکلات و نارضایتی ها را کاهش داده و مدیریت آسان تر را فراهم میکند.

صدور قبض خودکار بر اساس زمان حضور در پاکینگ های هوشمند

یکی از کاربردی ‌ترین ویژگی های پارکینگ هوشمند، ثبت، محاسبه و صدور خودکار قبض براساس تایمی است که خودرو در پارکینگ حضور دارد.

سیستم صدور قبض خودکار چگونه کار می‌کند؟

1. ورود خودرو

هنگامی که خودرو وارد پارکینگ می‌شود، دوربین پلاک ‌خوان پلاک آن را شناسایی و ثبت می‌کند.

2. ثبت اطلاعات در سیستم

نرم‌افزار مدیریت پارکینگ اطلاعات پلاک، مدل خودرو، و زمان دقیق ورود خودرو را ذخیره می‌کند.

3. خروج خودرو

هنگام خروج خودرو، دوباره پلاک توسط پلاک خوان ها شناسایی می‌شود و سیستم زمان دقیق خروج خودرو را ثبت میکند.

4. محاسبه هزینه

سیستم به‌ طور اتوماتیک مدت ‌زمان توقف دقیق را محاسبه کرده و بر اساس تعرفه تعریف‌ شده، مبلغ قابل پرداخت را مشخص می‌کند.

5. صدور قبض و پرداخت

قبض صادر می‌شود. راننده می‌تواند آن را از طریق کارت‌خوان، درگاه پرداختی هوشمند یا اپلیکیشن موبایل پرداخت کند.

نقش دوربین پلاک ‌خوان در پارکینگ هوشمند

دوربین پلاک ‌خوان مانند چشم در این سیستم عمل میکند. پلاک را میبیند، تحلیل و پردازش، شناسایی و تصویر را از طریق پروتکل RTSP به‌ صورت زنده، بدون تاخیر و با وضوح بالا به سیستم مرکزی ارسال کرده و آن را ثبت میکند. دقت و سرعت در شناسایی پلاک خودرو اهمیت زیادی دارد و مستقیماً روی کارایی درست صدور قبض تأثیر دارد.

مزایای استفاده از سیستم قبض خودکار و پلاک خوان

کاهش معطلی در ورود و خروج پارکینگ
دقت بالا و رعایت عدالت در محاسبه هزینه توقف
افزایش رضایت کاربران
مدیریت روان و بهینه پارکینگ
ثبت و آرشیو اطلاعات و استفاده از آنها در صورت وجود شرایط امنیتی

در پارکینگ چه مکان هایی میتوان از سیستم قبض خودکار و پلاک خوان استفاده کرد؟

مراکز خرید
مجتمع های تجاری
مجتمع های تفریحی
بیمارستان ها
مراکز دولتی
فرودگاه ها
پارکینگ های عمومی
و هر مکانی که تردد در آن ها زیاد است.

سوالات متداول

آیا پارکینگ هوشمند نیاز به نیروی انسانی ندارد؟

رفع تاری هوشمند تصویر

Alavi — Mon, 16 Dec 2024 11:04:01 +0000

رفع تاری تصاویر: بهتر از همیشه

تصاویر تار یکی از مشکلات رایج در عکاسی است که ممکن است در هر شرایطی پیش بیاید. گاهی اوقات تاری تصویر ناشی از حرکت دوربین در هنگام ثبت عکس است، گاهی به دلیل فوکوس نادرست یا نوردهی نامناسب، و یا حتی اختلالات دیگر که باعث می‌شوند تصاویر، جزئیات خود را از دست بدهند. خبر خوب این است که امروزه با استفاده از فناوری‌های پیشرفته، راه‌حل‌های زیادی برای رفع تاری و اصلاح تاری تصاویر وجود دارد.

در این پست، به بررسی دلایل تاری تصاویر و روش‌های مختلف رفع تاری خواهیم پرداخت.

چرا تصاویر تار می‌شوند؟

تصاویر ممکن است به دلایل مختلفی دچار تاری شوند. در این بخش، به برخی از رایج‌ترین دلایل تاری تصویر خواهیم پرداخت:

حرکت دوربین: یکی از اصلی‌ترین دلایل تاری تصویر، حرکت دوربین در هنگام ثبت عکس است. زمانی که دوربین در حال عکاسی حرکت کند، نور به طور یکنواخت بر روی حسگر دوربین نخواهد افتاد و در نتیجه تصویر تار خواهد شد.
افزایش زمان شاتر: زمانی که دوربین برای مدت طولانی‌تری شاتر خود را باز نگه می‌دارد، اگر دست یا دوربین حرکت کند، تاری در تصویر ایجاد می‌شود.
فوکوس نادرست: گاهی اوقات فوکوس مناسب روی سوژه صورت نمی‌گیرد. این مشکل معمولاً در شرایط کم‌نور یا با استفاده از تنظیمات اشتباه به وجود می‌آید و منجر به تصاویر تاری شده می‌شود.

روش‌های مرسوم رفع تاری

برای رفع تاری تصاویر، روش‌های مختلفی وجود دارد که در این بخش به بررسی برخی از آن‌ها می‌پردازیم:

استفاده از نرم‌افزارهای ویرایش تصویر: نرم‌افزارهایی مانند فتوشاپ و Lightroom این امکان را به شما می‌دهند که تاری تصویر را به صورت دستی اصلاح کنید. این روش‌ها اغلب شامل ابزارهایی مانند Unsharp Masking برای تقویت لبه‌ها و از بین بردن تاری‌های جزئی هستند.
استفاده از فیلترهای بلور: فیلترهایی مانند Gaussian Blur یا Motion Blur می‌توانند در برخی موارد کمک‌کننده باشند. این فیلترها می‌توانند برای بهبود نواحی تاری و ایجاد وضوح در سایر بخش‌های تصویر مفید باشند.
تکنیک‌های هوش مصنوعی: استفاده از الگوریتم‌های هوش مصنوعی به‌ویژه برای تصاویری که تاری ناشی از حرکت دارند یا فوکوس آن‌ها به درستی تنظیم نشده است، می‌تواند بهترین راهکار باشد.

تکنیک‌های پیشرفته برای حذف تاری

برای رفع تاری تصاویر، روش‌های مختلفی وجود دارد که در این بخش به بررسی برخی از آن‌ها می‌پردازیم:

استفاده از نرم‌افزارهای ویرایش تصویر: نرم‌افزارهایی مانند فتوشاپ و Lightroom این امکان را به شما می‌دهند که تاری تصویر را به صورت دستی اصلاح کنید. این روش‌ها اغلب شامل ابزارهایی مانند Unsharp Masking برای تقویت لبه‌ها و از بین بردن تاری‌های جزئی هستند.
استفاده از فیلترهای بلور: فیلترهایی مانند Gaussian Blur یا Motion Blur می‌توانند در برخی موارد کمک‌کننده باشند. این فیلترها می‌توانند برای بهبود نواحی تاری و ایجاد وضوح در سایر بخش‌های تصویر مفید باشند.
تکنیک‌های هوش مصنوعی: استفاده از الگوریتم‌های هوش مصنوعی به‌ویژه برای تصاویری که تاری ناشی از حرکت دارند یا فوکوس آن‌ها به درستی تنظیم نشده است، می‌تواند بهترین راهکار باشد.

مزایای استفاده از فناوری‌های هوش مصنوعی برای رفع تاری

استفاده از تکنیک‌های هوش مصنوعی برای رفع تاری و اصلاح تاری تصاویر مزایای زیادی دارد که عبارتند از:

دقت بیشتر: فناوری‌های هوش مصنوعی می‌توانند تاری‌های پیچیده را با دقت بالا شناسایی و اصلاح کنند، به طوری که نتایج طبیعی‌تر و واضح‌تری به دست می‌دهند.
سرعت بالا: برخلاف روش‌های دستی و پیچیده‌تر، هوش مصنوعی قادر است تا به سرعت تاری را برطرف کرده و اصلاحات لازم را اعمال کند.
نتایج بهتر: استفاده از فناوری‌های پیشرفته مانند یادگیری عمیق و شبکه‌های عصبی باعث می‌شود که نتایج به‌دست‌آمده بسیار بهتر و واضح‌تر از روش‌های سنتی باشند.

نوشته رفع تاری هوشمند تصویر اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

۷ اپلیکیشن‌ پزشکی و سلامت مبتنی بر هوش مصنوعی

Alavi — Mon, 09 Dec 2024 20:57:49 +0000

پزشکی هوشمند: هوش مصنوعی همراه سلامت شما

با پیشرفت‌های چشمگیر در حوزه هوش مصنوعی و یادگیری ماشین، گوشی‌های هوشمند دیگر تنها ابزارهای ارتباطی نیستند، بلکه به همراهانی کارآمد در حفظ و ارتقای سلامت تبدیل شده‌اند. امروزه، فناوری‌های پیشرفته‌ای مانند اپلیکیشن‌های هوشمند و ابزارهای جیبی همراه، قادرند سلامت جسمانی کاربران را در زمینه‌های مختلف مانند نظارت بر کیفیت خواب، مدیریت بیماری‌های مزمن، و تشخیص اولیه بیماری‌ها پشتیبانی کنند. این ابزارها با بهره‌گیری از الگوریتم‌های پیشرفته و قابلیت تحلیل داده‌ها، امکاناتی را فراهم کرده‌اند که پیش‌تر تنها در دسترس متخصصان و تجهیزات پزشکی پیشرفته بود. در ادامه، به نمونه‌هایی از این فناوری‌ها می‌پردازیم که نشان‌دهنده قدرت هوش مصنوعی در تغییر زندگی روزمره ما هستند.

بیماری های پوستی

طبق آمار Melanoma Research Alliance، نرخ ابتلا به ملانوما، که جدی‌ترین نوع سرطان پوست است، به‌ویژه در میان افراد جوان، به سرعت در حال افزایش است. از سال ۲۰۱۳ تا ۲۰۲۳، تعداد موارد تشخیص داده‌شده ملانوما سالانه ۲۷ درصد رشد داشته است، در حالی که نرخ سایر انواع سرطان کاهش داشته‌اند. اما خبر خوب در این مورد این است که درمان ملانوما طی سال های اخیر پیشرفت‌های زیادی داشته است. اگر ملانوما در مراحل اولیه، پیش از اینکه به مرحله دوم برسد، تشخیص داده شود، معمولا در ۹۰ درصد موارد با موفقیت درمان می‌شوند.

اپلیکیشن‌های بررسی پوست با هوش مصنوعی چگونه کار می‌کنند؟

در واقع این اپلیکیشن‌ها راهی ساده و سریع برای بررسی و پیگیری لکه های پوستی ارائه می‌دهند. معمولاً از دوربین گوشی و یا لنزهای اضافه برای عکسبرداری از پوست استفاده می‌کنند. سپس با استفاده از الگوریتم‌های هوش مصنوعی، تصاویر لکه را تحلیل کرده و ناهنجاری‌های سلولی را شناسایی می‌کنند. این لکه‌ها ممکن است به عنوان پرخطر یا کم‌خطر طبقه‌بندی شوند و دید بهتری در مورد نیاز به تشخیص بالینی فراهم کنند.

ویژگی‌های دیگر این اپلیکیشن‌ها شامل موارد زیر است:

امکان ثبت تصاویر بدن به‌طور کامل
نقشه‌برداری لکه های پوستی
ایجاد کتابخانه تصویری برای پیگیری و مقایسه تغییرات پوستی
ابزارهای اندازه‌گیری
اطلاعاتی درباره نکاتی که هنگام بررسی پوست باید به آن توجه کنید
هشدارهایی برای یادآوری مراجعه به پزشک متخصص

البته باید اشاره کرد در حال حاضر، هیچ‌کدام از این اپلیکیشن‌ها قادر به ارائه تشخیص قطعی و نهایی سرطان پوست نیستند.

در حال حاضر از بهترین اپلیکیشن ها در این زمینه می توان به SkinVision اشاره کرد.

این سیستم با ترکیب هوش مصنوعی و تخصص پزشکی، کیفیت مراقبت از پوست را به شکلی تازه و پیشرفته ارتقا می‌دهد. SkinVision نه‌تنها امکان خود ارزیابی در خانه را بهتر و بهینه تر می‌کند، بلکه دانش شما را در مورد نحوه و زمان اقدامات لازم بالا می‌برد و ابزاری قدرتمند را برای تشخیص زودهنگام سرطان پوست ارائه می‌کند. با استفاده از این اپلیکیشن، می‌توانید علائم شایع‌ترین انواع سرطان پوست را سریع شناسایی کنید، اما دقت کنید که این به‌معنای تشخیص قطعی نیست و در صورت مشاهده علائم مشکوک، حتما باید به پزشک مراجعه کنید تا تشخیص نهایی انجام شود.

دیابت

بسیاری از اوقات، کنترل دیابت برای افراد مبتلا، یک مسئولیت بسیار سنگین است. این فرآیند معمولا خسته‌کننده اما در عین حال لازم و ضروریست و می‌تواند تمام جنبه های زندگی فردی را در بر بگیرد، به طوری که همه تصمیمات فرد حول محور این شرایط بیماری بچرخد. به همین دلیل، برادران هاولیک تصمیم گرفتند برای برداشتن این بار سنگین از دوش افراد مبتلا به دیابت، راه حلی پیدا کرده و راهنمایی برای این مسیر ارائه کنند و این‌گونه بود که ایده اپلیکیشن DiabTrend در یک روز پاییزی در سال ۲۰۱۵ شکل گرفت. این اپلیکیشن مهم‌ترین مورد در بیماری دیابت، یعنی «میزان قند خون شما در ساعات آینده» را پیش‌بینی می‌کند. و شما برای این کار نه به گوی شیشه‌ای جادویی و نه به کارت‌های تاروت و طالع بینی نیاز دارید! این فرآیند بسیار ساده است و آنچه نیاز دارید، فقط گوشی تلفن شماست.
در کنار ایده پیش‌بینی قند خون، هدف نهایی این تیم این است که کنترل دیابت برای بیماران آسان‌تر، سرگرم‌کننده‌تر و دقیق‌تر از همیشه باشد!

قابلیت‌های کلیدی اپلیکیشن DiabTrendبا استفاده از الگوریتم های هوش مصنوعی

تشخیص غذا با دوربین گوشی و برآورد حجم وعده‌های غذایی
کاربران می‌توانند با دوربین خود به غذا اشاره کرده و نوع غذا را ثبت کنند. اپلیکیشن محاسبات کالری و کربوهیدرات را نیز ارائه می‌دهد.
سیستم پیش‌بینی قند خون
این قابلیت بر اساس داده‌های ثبت‌شده توسط کاربر، می تواند پیش‌بینی‌هایی از میزان قند خون در طی ساعات آینده را ارائه ‌دهد و به کنترل بهتر دیابت کمک ‌کند.
سیستم ثبت و پیگیری:
کاربران در این قسمت می‌توانند اطلاعات مربوط به قند خون، غذاهای مصرفی و فعالیت‌های بدنی خود را ثبت کرده و آن‌ها را پیگیری کنند.
خبرنامه:
اطلاعات و به‌روزرسانی‌های دوره‌ای برای کاربران ارسال می‌شود تا از وضعیت اپلیکیشن و روش های کنترل دیابت آگاه شوند.
یکپارچه‌سازی با سخت‌افزارهای مرتبط:
این اپلیکیشن از داده‌های دستگاه‌های سلامتی و تناسب‌اندام پشتیبانی می‌کند و امکان پیگیری و مدیریت بهتر دیابت را فراهم می‌آورد.

شنوایی

اگرچه این مورد یک اپلیکیشن نیست، اما ابزاری پیشرفته با فناوری نوین است که تحولی بزرگ در مقایسه با مدل‌های سنتی سمعک‌های موجود در جهان ایجاد کرده است.
Oticon More با بهره‌گیری از فناوری BrainHearing، رویکردی جدید در مراقبت از شنوایی ارائه داده است. این محصول اولین سمعک جهان است که با شبکه عصبی عمیق (DNN) ایجاد شده و روی تراشه ای تعبیه شده است. این شبکه عصبی با ۱۲ میلیون صدای واقعی آموزش دیده تا تمام اطلاعات موردنیاز مغز شما را برای درک بهتر و دقیق تر جزئیات پیچیده صداهای مرتبط فراهم کند. این باعث شده است تقریباً تمامی انواع صداها را شناسایی کرده و مغز شما را در پردازش آن‌ها پشتیبانی کند.

این سمعک با الگوبرداری دقیقی از نحوه عملکرد مغز طراحی شده است، چرا که از تجربه کردن یاد گرفته است. در نتیجه باعث درک بهتر گفتار با تلاش کمتر شده و توانایی به خاطر سپردن ، حتی در محیط‌های پر سر و صدا را تقویت میکند.

دارو و درمان

mPulse Mobile شرکتی است که در حوزه راه‌حل‌های سلامتی و درمانی با استفاده از هوش مصنوعی تعاملی تخصص دارد. این شرکت خدماتش را با هدف بهبود پایبندی بیماران به برنامه‌های درمانی، کاهش عدم حضور در جلسات ویزیت یا چک آپ و ارتقای نتایج سلامت،در قالب یک اپلیکیشن ارائه می‌دهد.
یادآوری تجدید نسخه با هوش مصنوعی مکالمه‌ای
این ابزار برای این طراحی شده است که به بیماران یادآوری کند نسخه دارویی خود را قبل از اتمام آن تجدید کنند. با استفاده از هوش مصنوعی تعاملی، این سیستم از طریق پیام‌های متنی و یا اعلان‌های اپلیکیشن، تعاملاتی طبیعی با بیماران برقرار می‌کند.

mPulse Mobile چطور در این زمینه نقش‌آفرینی می‌کند؟

خودکارسازی ارتباط با بیماران: ارسال یادآوری‌های خودکار و به‌موقع درباره تجدید نسخه از طریق پیامک، اپلیکیشن‌های موبایل و یا سایر پلتفرم‌های پیام‌رسانی.
مکالمات دوطرفه: استفاده از هوش مصنوعی تعاملی برای امکان پاسخ‌دهی بیماران به یادآوری‌ها و مدیریت درخواست‌ها یا پرسش‌های آن ها.
شخصی‌سازی این تجربه: پیام‌ها با استفاده از داده‌های منحصر به فرد هر بیمار شخصی‌سازی می‌شوند تا کاملا دقیق و به‌موقع باشند.
حمایت از ارائه‌دهندگان خدمات سلامتی : باعث کاهش نیاز به پیگیری‌های دستی و ایجاد تمرکز بیشتر روی مراقبت از بیماران می شود.
بهبود پایبندی به داروها: با استفاده از یادآوری‌های ساده، این ابزار بیماران را تشویق به پایبندی به مصرف داروها می‌کند، که منجر به نتایج بهتر سلامت و کاهش احتمال بستری شدن در بیمارستان می‌شود.

ردیابی الگوهای خواب

Sleep Cycle با استفاده از الگوریتم‌های هوش مصنوعی طراحی شده است تا خواب شما را ردیابی کرده و اطلاعات به‌دست‌آمده را برای بهبود کیفیت خواب و احساس بهتر هنگام بیدار شدن به کار گیرد. زمانی که شما یک آلارم در اپلیکیشن تنظیم می‌کنید، این اپلیکیشن اطلاعات مربوط به چرخه خواب شما را برای بیدار کردن در سبک‌ترین مرحله خواب استفاده می‌کند. این فرآیند کمک می‌کند تا روز خود را با انرژی و احساس خوب آغاز کنید.

Sleep Cycle چطور کیفیت خواب را بهبود می‌بخشد؟

بیدار شدن به آرامی در زمان مناسب:
ساعت هوشمند این اپلیکیشن شما را در سبک‌ترین مرحله خواب، به‌تدریج و در بازه زمانی مشخص بیدار می‌کند. این ویژگی باعث می‌شود حس کنید بدون آلارم از خواب بیدار شده‌اید. همچنین می‌توانید Sleep Cycle را با ساعت هوشمند خود همگام کنید تا با ارتعاشات ملایم شما را بیدار کند.
آرامش ذهن و بدن، سریع‌تر به خواب رفتن:
با استفاده از موسیقی آرام‌بخش، صداهای محیطی و مدیتیشن‌های راهنمایی‌شده، اپلیکیشن به شما کمک می‌کند سریع‌تر بخوابید و مدت بیشتری در خواب بمانید. این قابلیت با کاهش اضطراب و آرام کردن تنفس، خوابی آرام‌تر را برای شما فراهم می‌کند.
کشف تأثیر عادت‌ها بر خواب:
از طریق یادداشت‌های خواب، آمار و گزارش‌های شخصی‌سازی‌شده، اپلیکیشن به شما کمک می‌کند تأثیر فعالیت‌های روزانه بر خواب خود را بشناسید و تغییرات مثبتی ایجاد کنید.
ردیابی و ضبط صداهای هنگام خواب:
این ویژگی صدای خروپف، سرفه و صحبت‌های شما در خواب را شناسایی می‌کند و به شما این امکان را می‌دهد که عوامل تأثیرگذار بر خواب خود را بررسی کنید. حتی اگر با فردی که خروپف می‌کند می‌خوابید، اپلیکیشن قادر است صدای خروپف‌ها را تفکیک کند.
بهبود کیفیت خواب با آموزش‌های ویژه:
Sleep Cycle با برنامه‌های تعاملی و راهنمایی‌شده به شما کمک می‌کند عادت‌های جدیدی برای بهبود خواب بیاموزید. همچنین با تعیین هدف‌های منظم برای زمان خواب و بیداری، ثبات بیشتری در الگوهای خواب شما ایجاد می‌کند.

ویژگی‌های هوشمند Sleep Cycle

ردیابی خواب با هوش مصنوعی: اپلیکیشن با استفاده از داده‌های صوتی یا حرکتی، مراحل مختلف خواب شما را شناسایی کرده و کیفیت خواب شما را تحلیل می‌کند.
یادگیری الگوهای خواب: هوش مصنوعی اپلیکیشن با گذشت زمان، الگوهای خواب شما را شناسایی کرده و بازخوردهای دقیق‌تر و شخصی‌تری ارائه می‌دهد.
آلارم هوشمند: اپلیکیشن با تحلیل داده‌های خواب، بهترین زمان برای بیدار شدن را تعیین می‌کند تا حس سرحالی بیشتری داشته باشید.
امتیازدهی به خواب و ارائه بازخورد: Sleep Cycle کیفیت و کمیت خواب شما را امتیازدهی کرده و توصیه‌هایی برای بهبود عادات خواب ارائه می‌دهد.

اختلالات قلبی

FibriCheck اولین اپلیکیشن پزشکی تأیید‌شده در جهان است که دارای گواهینامه CE Class IIA و تأییدیه FDA است و از طریق شناسایی و نظارت از راه دور بر اختلالات ریتم قلبی، به‌ویژه فیبریلاسیون دهلیزی، از بروز سکته پیشگیری می‌کند.

این فناوری نیازمند هیچ دستگاه اضافه ای نیست؛ تنها کافی است انگشت خود را به مدت ۶۰ ثانیه روی دوربین گوشی هوشمند قرار دهید تا الگوریتم‌های هوش مصنوعی اپلیکیشن داده‌ها را تحلیل کرده و نشانه‌هایی از مشکلات ریتم قلب، مانند فیبریلاسیون دهلیزی، را شناسایی می‌کنند. سپس تمامی اندازه‌گیری‌ها توسط الگوریتم‌های پزشکی تأیید‌شده تحلیل می‌شوند.

ویژگی‌های کلیدی FibriCheck

دقت بالا در شناسایی:
این اپلیکیشن با حساسیت ۹۸.۳٪ و ویژگی ۹۹.۹٪ در تشخیص فیبریلاسیون دهلیزی، اطمینان کاملی به بیماران و پزشکان ارائه می‌دهد.
پیشگیری و تشخیص زودهنگام:
میلیون‌ها نفر در جهان در معرض خطر فیبریلاسیون دهلیزی قرار دارندو FibriCheck به این منظور، امکان ارزیابی سلامت قلب از راه دور را فراهم کرده تشخیص و درمان زودهنگام تسهیل می‌ کند.
تجزیه و تحلیل توسط متخصصین:
اگر نیاز باشد، تیم متخصصین پزشکی FibriCheck می‌توانند به سرعت نتایج شما را بررسی کرده و تفسیر دقیقی ارائه دهند.

فناوری های هوش مصنوعی در اپلیکیشن FibriCheck

تحلیل ریتم قلب در لحظه و به صورت real-time
الگوریتم‌های هوش مصنوعی داده‌های ثبت‌شده توسط گوشی و یا دیگر ابزارهای همراه دیجیتال (مثل ساعت هوشمند) را تحلیل می‌کنند و نشانه‌های غیرعادی ریتم قلب، مثل فیبریلاسیون دهلیزی، را شناسایی می‌کنند.
مدل‌های یادگیری ماشینی:
این فناوری با استفاده از مجموعه داده‌های بزرگ، الگوهای مرتبط با اختلالات ریتم قلب را شناسایی می‌کند و ارزیابی‌های دقیقی ارائه می‌دهد.
تشخیص خودکار:
الگوریتم‌ها می‌توانند به‌صورت خودکار مشکلات احتمالی ریتم قلب را شناسایی کرده و بازخورد فوری یا هشدار به کاربران ارسال کنند.
گزارش‌های جامع برای پزشکان:
این اپلیکیشن گزارش‌های دقیقی تولید می‌کند که می‌توان آن‌ها را با پزشک به اشتراک گذاشت و در تصمیم‌گیری‌های پزشکی از آن‌ها استفاده کرد.

همان طور که دیدیم، امروزه هوش مصنوعی و ابزارهای هوشمند، شیوه مراقبت از سلامت را کاملاً متحول کرده‌اند. این فناوری‌ها با ارائه راهکارهایی ساده و در دسترس، امکان مدیریت بهتر سلامت را برای همه فراهم کرده‌اند و به‌نظر می‌رسد آینده‌ای که در آن زندگی سالم‌تر و آگاهانه‌تر ممکن است، دیگر چندان دور از دسترس نیست!

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های آن در حوزه پزشکی علاقه مند هستید می‌توانید پست قبلی سایت بنو در رابطه با تشخیص افسردگی با هوش مصنوعی را مشاهده کنید!

نوشته ۷ اپلیکیشن‌ پزشکی و سلامت مبتنی بر هوش مصنوعی اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

متن به گفتار با هوش مصنوعی

Alavi — Sun, 08 Dec 2024 20:48:07 +0000

تبدیل متن به گفتار: آسان‌تر از همیشه

تبدیل متن به گفتار (Text-to-Speech یا TTS) یکی از کاربردهای برجسته هوش مصنوعی است که به تبدیل متن‌های نوشتاری به صدای انسانی کمک می‌کند. این فناوری با استفاده از الگوریتم‌های پیشرفته و یادگیری عمیق، گفتاری طبیعی و روان تولید می‌کند که برای کاربردهای شخصی، تجاری و صنعتی بسیار مفید است.

در این مطلب از بلاگ بنو AI به بررسی 10 ابزار معروف تبدیل متن به گفتار می‌پردازیم. این ابزارها شامل 7 نمونه خارجی و 3 نمونه ایرانی هستند که هر یک با قابلیت‌های خاص خود شناخته می‌شوند. همچنین، اطلاعاتی درباره هزینه استفاده از هر ابزار و لینک سایت رسمی آن‌ها ارائه می‌شود تا بتوانید بر اساس نیاز خود بهترین گزینه را انتخاب کنید.

Google Text-to-Speech

این ابزار که بخشی از سرویس‌های Google Cloud است، از صدای طبیعی برای تولید گفتار در بیش از 30 زبان، از جمله فارسی، استفاده می‌کند. مناسب برای توسعه‌دهندگانی که می‌خواهند قابلیت‌های تبدیل متن به گفتار را در اپلیکیشن‌های خود ادغام کنند. این ابزار رایگان است، اما استفاده زیاد ممکن است هزینه‌ای داشته باشد.

Amazon Polly

یک ابزار پیشرفته که صداهای شبیه به انسان تولید می‌کند. ویژگی برجسته آن Neural TTS است که لحن و لهجه را بسیار طبیعی ارائه می‌دهد. این ابزار در سیستم‌های خدمات مشتری و تولید کتاب‌های صوتی محبوب است. هزینه آن برای هر یک میلیون کاراکتر، حدود 4 دلار است.

NaturalReader

ابزاری با کاربری آسان و صداهای شبیه به انسان. برای دانشجویان، نویسندگان، و افراد دارای مشکلات بینایی یا خواندن بسیار مفید است. نسخه رایگان ارائه می‌دهد، اما قابلیت‌های پیشرفته در پلن‌های پولی از 9.99 دلار شروع می‌شود.

Speechify

مناسب برای استفاده شخصی و حرفه‌ای، این ابزار توانایی تبدیل سریع متن به گفتار با صدای طبیعی را دارد. امکاناتی چون تغییر سرعت و پشتیبانی از زبان فارسی نیز ارائه می‌دهد. هزینه اشتراک پیشرفته آن از 7 دلار شروع می‌شود.

IBM Watson Text-to-Speech

این ابزار مناسب پروژه‌های بزرگ و حرفه‌ای است. با ارائه صدای سفارشی و پشتیبانی از چندین زبان، در سیستم‌های پاسخ صوتی و تعامل کاربری بسیار کارآمد است. پلن‌های آن از 20 دلار در ماه شروع می‌شود.

Sonantic

این ابزار به‌ویژه برای صنعت فیلم و بازی طراحی شده است و توانایی تولید صداهایی با احساسات دقیق دارد. استفاده از آن برای پروژه‌های شخصی رایگان است، اما پروژه‌های حرفه‌ای نیاز به پلن‌های تجاری دارند.

Play.ht

ابزار Play.ht یک سرویس قدرتمند تبدیل متن به گفتار است که صداهای طبیعی و روان را برای کاربردهایی مانند پادکست، کتاب‌های صوتی و محتوای چندرسانه‌ای ارائه می‌دهد. این ابزار امکان شخصی‌سازی لحن و سرعت صدا را فراهم می‌کند و خروجی‌های صوتی با کیفیت بالا در فرمت‌های MP3 و WAV تولید می‌کند. هزینه اشتراک آن از 19 دلار در ماه شروع می‌شود و نسخه رایگان با امکانات محدود نیز در دسترس است.

آریانا

این سرویس تولید صدای فارسی، به خصوص برای کاربردهای تجاری و خدماتی طراحی شده است. این ابزار امکاناتی نظیر پردازش هم‌زمان درخواست‌ها و پشتیبانی از لهجه‌های مختلف فارسی را دارد. آریانا برای استفاده تجاری از لایسنس‌های مختلفی برخوردار است که هزینه آن بستگی به تعداد درخواست‌های هم‌زمان و ویژگی‌های خاص دارد.

آیپا

آیپا یک پلتفرم ایرانی برای تبدیل گفتار به متن و بالعکس است که برای کاربردهای تجاری، آموزشی و کمک به افراد کم‌توان طراحی شده است. این ابزار دقت بالایی در تشخیص گفتار فارسی و انگلیسی، حتی در محیط‌های پر نویز، دارد. از ویژگی‌های خاص آن می‌توان به شناسایی و تأیید گویندگان مختلف، استفاده در سیستم‌های خودکار و پردازش گفتار در زمان واقعی اشاره کرد. هزینه استفاده از این ابزار بسته به نیاز کاربران و نوع اشتراک متفاوت است و معمولاً بر اساس تعداد درخواست‌های صوتی یا مدت زمان استفاده محاسبه می‌شود.

آواشو

سهاب یک پلتفرم ابری ایرانی است که APIهای هوش مصنوعی متنوعی از جمله پردازش گفتار، پردازش زبان طبیعی و بینایی ماشین ارائه می‌دهد. کاربران می‌توانند با استفاده از این APIها قابلیت‌های هوش مصنوعی را در برنامه‌ها و وب‌سایت‌های خود بدون نیاز به دانش برنامه‌نویسی پیچیده پیاده‌سازی کنند. هزینه‌ها بر اساس تعداد دفعات استفاده از سرویس‌ها محاسبه می‌شود و به‌طور قابل توجهی به کاهش هزینه‌ها کمک می‌کند.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های آن علاقه‌مند هستید می‌توانید پست قبلی سایت بنو در رابطه با صحبت با آینده با کمک هوش‌ مصنوعی را مشاهده کنید!

نوشته متن به گفتار با هوش مصنوعی اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

ویژوالیزیشن‌ های شگفت انگیز با پایتون

Alavi — Wed, 06 Nov 2024 07:27:17 +0000

خلق ویژوالیزیشن‌های شگفت‌انگیز با پایتون

یک تصویر به اندازه هزار کلمه ارزش دارد.

این موضوع به ویژه زمانی صدق می‌کند که صحبت از نمایش داده‌ها به میان می‌آید. اگر با داده‌ها کار می‌کنید، نیاز به ایجاد ویژوالیزیشن‌ها اجتناب‌ناپذیر است — گاهی بهتر است به جای توضیح، آن را نشان دهید.

ایجاد ویژوالیزیشن هم علم است و هم هنر. در این مقاله، به تکنیک‌های کلیدی در اکتشاف داده و ویژوالیزیشن با پایتون می‌پردازیم و به شما کمک می‌کنیم تا داده‌ها را به داستان‌های بصری جذاب تبدیل کنید.

پس بدون هیچ مقدمه‌ بیشتری، بیایید به دنیای وسیع ویژوالیزیشن با پایتون نگاهی بیندازیم!

ویژوالیزیشن‌های ابتدایی و تحلیل اکتشافی داده

برای نمایش ویژوالیزیشن‌های ابتدایی، به داده نیاز داریم و چه منبعی بهتر از Kaggle برای یافتن آن؟

برای ویژوالیزیشن‌های ابتدایی، من از مجموعه داده Red Wine استفاده کردم که یکی از مجموعه داده‌های پرطرفدار در Kaggle است. می‌توانید مجموعه داده‌های پرطرفدار را اینجا پیدا کنید —

10 محبوب ترین مجموعه داده درKaggle

درباره مجموعه داده کیفیت شراب قرمز

(توضیحات از Kaggle)

این مجموعه داده مربوط به انواع قرمز شراب پرتغالی «وینهو ورد» است. به دلیل مسائل حریم خصوصی و لجستیکی، فقط متغیرهای فیزیکوشیمیایی (ورودی‌ها) و حسی (خروجی) در دسترس هستند (برای مثال، داده‌ای درباره انواع انگور، برند شراب، قیمت فروش شراب و غیره وجود ندارد).

این مجموعه داده را می‌توان به عنوان یک مساله دسته‌بندی یا رگرسیون مشاهده کرد. کلاس‌ها به ترتیب مرتب شده‌اند و متوازن نیستند (به عنوان مثال، شراب‌های معمولی نسبت به شراب‌های عالی یا ضعیف بیشتر هستند).

متغیرهای ورودی (براساس آزمایشات فیزیکوشیمیایی):

– اسیدیته ثابت

– اسیدیته فرار

– اسید سیتریک

– قند باقی‌مانده

– کلریدها

– دی‌اکسید گوگرد آزاد

– دی‌اکسید گوگرد کل

– چگالی

– pH

– سولفات‌ها

– الکل

متغیر خروجی (براساس داده‌های حسی):

— کیفیت (امتیاز بین 0 تا 10)

بیایید یک تمرین گرم کردن ساده انجام دهیم —

توضیحات مجموعه داده

Pairplot بین volatile_acidity و quality

				
					sns.pairplot(data, vars=["volatile_acidity", "quality"], hue="quality")

بیایید با pairplot خلاقیت به خرج دهیم و متغیرهای بیشتری را نمایش دهیم.

Pairplot یک شبکه از نمودارها نمایش می‌دهد که هر یک رابطه بین دو ویژگی (متغیر) در مجموعه داده را نشان می‌دهد.

کاربرد: شناسایی ویژگی‌ها و نقاط پرت.

				
					sns.set(style="whitegrid")
pairplot = sns.pairplot(data, vars=["volatile_acidity", "citric_acid", "residual_sugar", "quality"],
                        hue="quality", palette="Spectral", markers=["o", "s", "D", "P", "X", "*"],
                        diag_kind="kde", height=3, aspect=1.2, plot_kws={'alpha':0.6})

# Adding a title to the figure
pairplot.fig.suptitle("Pairplot of Wine Quality Features", y=1.02)

# Display the plot
plt.show()

بیایید چند Histogram ببینیم!

Histogram: نشان می‌دهد که هر محدوده از مقادیر (که به آن‌ها “bins” می‌گویند) چند بار در داده‌ها ظاهر می‌شوند. ستون‌های بلندتر نشان‌دهنده تکرار بیشتر یک مقدار هستند.

کاربرد: بررسی کیفیت داده و مقایسه توزیع‌ها در گروه‌های مختلف.

				
					# Create a 4x3 grid of subplots
fig, axes = plt.subplots(nrows=4, ncols=3, figsize=(20, 20))

# Modify the color list to match the number of columns in your dataset
colors = ['#491D8B', '#6929C4', '#8A3FFC', '#A56EFF',
          '#7D3AC1', '#AF4BCE', '#DB4CB2', '#EB548C',
          '#EC96E0', '#A2128E', '#E8D9F3', '#641811']

# Loop through each column in the red wine dataset
for index, column in enumerate(data.columns):
    if index < 12:  # Limit the iteration to the number of subplots
        ax = axes.flatten()[index]
        ax.hist(data[column], color=colors[index], bins=20, edgecolor='black', alpha=0.7, label=column)
        ax.legend(loc="best", fontsize=12)
        ax.set_title(f"Distribution of {column}", fontsize=14)
        ax.set_xlabel(column, fontsize=12)
        ax.set_ylabel("Frequency", fontsize=12)
        ax.grid(True, linestyle='--', alpha=0.6)

plt.suptitle("Wine Dataset Histograms", size=24, y=1.02)
plt.tight_layout(rect=[0, 0, 1, 0.98])
plt.show()

BoxPlot ها!!!

BoxPlot: توزیع داده را براساس خلاصه پنج‌عددی نمایش می‌دهد. خلاصه‌ای بصری از تمایل مرکزی، تغییرپذیری و نقاط پرت احتمالی داده‌ها ارائه می‌دهد.

خلاصه پنج‌عددی— حداقل، چارک اول (Q1)، میانه (Q2)، چارک سوم (Q3) و حداکثر. از «سبیل پایین» تا «سبیل بالا».

کاربرد: عالی برای شناسایی نقاط پرت و همچنین درک کجی/پراکندگی توزیع داده‌ها.

				
					plt.figure(figsize=(8, 6))
sns.set_theme(style="darkgrid")
sns.boxplot(x='quality', y='alcohol', data=data, palette='viridis')
plt.title('Alcohol Content vs Wine Quality')
plt.show()

plt.figure(figsize=(8, 6))
sns.set_theme(style="darkgrid")
sns.boxplot(x='quality', y='density', data=data, palette='viridis')
plt.title('Alcohol Density vs Wine Quality')
plt.show()

حالا بیایید کمی متفاوت عمل کنیم

نمودار پراکندگی سه‌بعدی با رنگ‌های تصادفی

نمودار پراکندگی: رابطه بین دو متغیر پیوسته را با نمایش آن‌ها به‌صورت نقاط روی یک صفحه دکارتی نشان می‌دهد (همبستگی و ارتباط بین متغیرها).

کاربرد: شناسایی خوشه‌های نقاط داده و نقاط پرت.

				
					# 3D scatter plot with random color mapping
fig = plt.figure(figsize=(12, 10))
ax = fig.add_subplot(111, projection='3d')

# Generate a random color array
colors = np.random.rand(len(data))

# Scatter plot
scatter = ax.scatter(data['alcohol'], data['pH'], data['sulphates'], 
                     c=colors, cmap='hsv', s=100, alpha=0.7)

# Add color bar
fig.colorbar(scatter)

ax.set_title('3D Scatter Plot with Random Colors')
ax.set_xlabel('Alcohol')
ax.set_ylabel('pH')
ax.set_zlabel('Sulphates')
plt.show()

هیستوگرام مارپیچی!

هیستوگرام مارپیچی: یک هیستوگرام که توزیع فراوانی داده‌ها را نشان می‌دهد، اما به‌صورت یک الگوی مارپیچی قرار می‌گیرد.

کاربرد: این نوع هیستوگرام اغلب برای جذابیت بصری ایجاد می‌شود، اما زمانی که داده‌ها ماهیت چرخه‌ای یا دوره‌ای دارند، به‌ویژه اگر الگوهای فصلی داشته باشند، می‌تواند کاربردی باشد.

				
					# Create a spiral histogram
theta = np.linspace(0, 4 * np.pi, 100)
r = np.linspace(0, 1, 100)

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='polar')

for index, column in enumerate(data.columns[:12]):
    values = data[column].values[:100]
    bars = ax.bar(theta, values, width=0.2, color=plt.cm.inferno(np.linspace(0, 1, len(values))), alpha=0.7)
    theta += 0.3  # Increment the angle for each set of bars

ax.set_title('Spiral Histogram', va='bottom')
plt.show()

هیستوگرام مارپیچی سه بعدی!!

				
					# Generate the parameters for the spiral
theta = np.linspace(0, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)  # Adjusted to give a 3D effect
r = np.linspace(0.1, 1, 100)  # Radius changes as we move along the spiral

fig = plt.figure(figsize=(14, 10))
ax = fig.add_subplot(111, projection='3d')

# Color list for each column
colors = plt.cm.plasma(np.linspace(0, 1, 12))

# Iterate over the first 12 columns of the dataset and create bars in 3D
for index, column in enumerate(data.columns[:12]):
    values = data[column].values[:100]
    x = r * np.sin(theta)
    y = r * np.cos(theta)
    
    # Plot the bars on the spiral path
    ax.bar3d(x, y, z, dx=0.05, dy=0.05, dz=values, color=colors[index], alpha=0.7)
    
    # Adjust theta to create a spiraling effect for the next column
    theta += 0.3
    z += 0.4  # Increment z to move up in the 3D space

# Set more meaningful labels and title
ax.set_title('3D Spiral Histogram of Wine Dataset', fontsize=20)
ax.set_xlabel('Acidity and Sugar Levels')
ax.set_ylabel('Density and Sulphates')
ax.set_zlabel('Wine Quality Features')

# Adjust the view angle for better visualization
ax.view_init(elev=30, azim=120)

plt.show()

Heatmap ها!!

Heatmap: رابطه بین متغیرها یا توزیع مقادیر در یک مجموعه داده را نشان می‌دهد.

کاربرد: مشاهده همبستگی بین متغیرها.

				
					plt.figure(figsize=(12, 8))
sns.heatmap(data.corr(), annot=True, cmap='coolwarm', linewidths=0.5)
plt.title('Data Correlation Heatmap')
plt.show()

حالا بیایید کمی بیشتر کار کنیم – خارج از جعبه!!

تولید گرافیک!

ایجاد گرافیک با Mat و Sea — متولد شده برای ترسیم

در اینجا یک گرافیک ایجاد شده با استفاده از Matplotlib نشان داده می شود.

شبیه کندوی عسل است، اینطور نیست؟ این کد آن است.

				
					from matplotlib.patches import RegularPolygon

# Data and labels
labels = ['PANDAS', 'NUMPY', 'MATPLOTLIB', 'SEABORN', 'PLOTLY', 'SCIKITLEARN']
colors = ['#FFD700', '#9ACD32', '#1E90FF', '#3CB371', '#FFA07A', '#FFC1CC']

# Plotting
fig, ax = plt.subplots()
ax.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.

# Function to create hexagonal patches
def create_hexagon(ax, center, radius, color, label, fontsize=10):
    hexagon = RegularPolygon(center, numVertices=6, radius=radius, orientation=np.deg2rad(30), facecolor=color, edgecolor='black')
    ax.add_patch(hexagon)
    
    # Label placement
    ax.text(center[0], center[1], label, ha='center', va='center', fontsize=fontsize, weight='bold', color='black', rotation_mode='anchor')

# Coordinates for the center of each hexagon, spaced out
distance = 3.5  # Adjust this value to space out the hexagons
centers = [
    (0, 0),  # Center
    (distance * np.cos(np.deg2rad(90)), distance * np.sin(np.deg2rad(90))),  # Top
    (distance * np.cos(np.deg2rad(150)), distance * np.sin(np.deg2rad(150))),  # Top-left
    (distance * np.cos(np.deg2rad(210)), distance * np.sin(np.deg2rad(210))),  # Bottom-left
    (distance * np.cos(np.deg2rad(270)), distance * np.sin(np.deg2rad(270))),  # Bottom
    (distance * np.cos(np.deg2rad(330)), distance * np.sin(np.deg2rad(330))),
    (distance * np.cos(np.deg2rad(390)), distance * np.sin(np.deg2rad(390))),# Bottom-right
]

# Plotting hexagons
radius = 1.7
for i, center in enumerate(centers):
    if i == 0:
        create_hexagon(ax, center, radius * 1.2, '#8cbed6', 'VISUALIZATION', fontsize=11)  # Larger central hexagon
    else:
        create_hexagon(ax, center, radius, colors[i-1], labels[i-1])

# Set limits and remove axes
ax.set_xlim(-5, 5)
ax.set_ylim(-5, 5)
ax.axis('off')

plt.show()

نمودار حلقه چطور؟

				
					from matplotlib.patches import Wedge, Circle

# Create figure and axis
fig, ax = plt.subplots(figsize=(6, 6))

# Add RGB Labels
percentage = 35
colors = ['#FF0000', '#00CC66', '#0080FF']
labels = ['RED', 'GREEN', 'BLUE']

# Plotting the ring chart
outer_radius = 0.8
inner_radius = 0.5

# Divide the circle into three equal parts (each 120 degrees)
angle_per_patch = 360 / 3

# Create the wedges for the ring with equal angles
ax.add_patch(Wedge(center=(0, 0), r=outer_radius, theta1=0, theta2=angle_per_patch, facecolor=colors[0]))
ax.add_patch(Wedge(center=(0, 0), r=outer_radius, theta1=angle_per_patch, theta2=2*angle_per_patch, facecolor=colors[1]))
ax.add_patch(Wedge(center=(0, 0), r=outer_radius, theta1=2*angle_per_patch, theta2=360, facecolor=colors[2]))

# Create the inner circle to form the ring
ax.add_patch(Circle((0, 0), radius=inner_radius, facecolor='black'))

# Add the text inside the circle
ax.text(0, 0, "RGB", ha='center', va='center', fontsize=18, color='white')

# Add circular text around each wedge
r_text = (outer_radius + inner_radius) / 2  # Radius for the circular text

for i, label in enumerate(labels):
    theta = (angle_per_patch * i + angle_per_patch / 2)  # Angle for the text
    x_text = r_text * np.cos(np.deg2rad(theta))
    y_text = r_text * np.sin(np.deg2rad(theta))
    
    # Add text with rotation aligned with the wedge
    ax.text(x_text, y_text, label, ha='center', va='center', rotation=theta-90, rotation_mode='anchor', fontsize=12, color='white', weight='bold')

# Set aspect ratio to equal for a perfect circle
ax.set_aspect('equal')

# Set the limits to ensure the full chart is visible
ax.set_xlim(-1, 1)
ax.set_ylim(-1, 1)

# Remove axes
ax.axis('off')

plt.show()

نمودارهای ون چطور؟

به این منظور باید آن را نصب کنید.

				
					pip install matplotlib-venn

چه چیزی یک فیلم خوب را می سازد؟ اینها مواد تشکیل دهنده هستند!

و این کد آن است:

				
					from matplotlib_venn import venn3

# Create a figure
fig, ax = plt.subplots(figsize=(10, 10))

# Set colors for each circle
colors = ['#FF9999', '#66B2FF', '#99FF99']

# Create the Venn diagram
venn = venn3(
    subsets=(1, 1, 1, 1, 1, 1, 1),
    set_labels=('VISUALS', 'SCREENPLAY', 'STORY')
)

# Customize colors
venn.get_patch_by_id('100').set_color(colors[0])
venn.get_patch_by_id('010').set_color(colors[1])
venn.get_patch_by_id('001').set_color(colors[2])
venn.get_patch_by_id('110').set_color('#66C2A5')
venn.get_patch_by_id('101').set_color('#FC8D62')
venn.get_patch_by_id('011').set_color('#8DA0CB')
venn.get_patch_by_id('111').set_color('#E78AC3')

# Set transparency
for patch in venn.patches:
    patch.set_alpha(0.7)

# Add custom labels to the overlaps
venn.get_label_by_id('100').set_text('PROTAGONIST')
venn.get_label_by_id('010').set_text('ANTAGONIST')
venn.get_label_by_id('001').set_text('LOVE INTEREST')
venn.get_label_by_id('110').set_text('LOSS')
venn.get_label_by_id('101').set_text('MENTOR')
venn.get_label_by_id('011').set_text('SIDEKICK')
venn.get_label_by_id('111').set_text('MCGUFFIN')

# Customize the main text labels
for label in venn.set_labels:
    label.set_fontsize(16)
    label.set_fontweight('bold')

# Set axis limits and hide axes
ax.set_xlim(-0.7, 0.7)
ax.set_ylim(-0.7, 0.7)
ax.axis('off')

# Display the plot
plt.show()

اکتشاف Matplotlib و Seaborn مانند رفتن به یک لانه خرگوش هیجان‌انگیز است. امکانات بسیار هیجان‌انگیزی برای ایجاد ویژوالیزیشن‌های اطلاعاتی و جذاب وجود دارد. می‌توانم بگویم که اگر شما در این دو کتابخانه مهارت داشته باشید و Plotly را نیز به مهارت‌های خود اضافه کنید، آنگاه ویژوالیزیشن‌هایی که ایجاد می‌کنید، شما را به یک افسانه در محیط کار تبدیل خواهد کرد.

اگر با داده‌ها سر و کار دارید، اینجا دلایلی برای ضروری بودن توانایی ایجاد ویژوالیزیشن‌ها وجود دارد:

ویژوالیزیشن‌ها برای کسب سریع بینش در مورد ساختار و توزیع داده‌ها ضروری هستند.
آن‌ها در شناسایی الگوها، روندها، نقاط پرت و روابط درون داده‌ها کمک می‌کنند که برای ساخت مدل‌های دقیق بسیار حیاتی هستند.
کیفیت داده را ارزیابی می‌کنند، از جمله بررسی داده‌های گمشده، ناسازگاری‌ها و ناهنجاری‌ها.
برای ارتباط یافته‌ها به ذینفعانی که ممکن است زمینه‌های فنی نداشته باشند.

خواه شما در حال پردازش داده‌ها برای کیفیت باشید یا آن‌ها را برای آموزش یک مدل یادگیری ماشین آماده کنید، ویژوالیزیشن داده‌ها یک روش عالی برای تأیید و اصلاح داده‌ها است.

پس باید آن را به‌خوبی یاد بگیرید!

برای دیدن پست قبلی سایت بنو در مورد اسکریپت‌های خودکار پایتون، به این لینک مراجعه کنین!

این پست از سایت مرکز هوش مصنوعی بنو برگرفته از نوشته ی لینک زیر میباشد!

Creating Amazing Visualizations with Python | by Ritesh Shergill | Medium

نوشته ویژوالیزیشن‌ های شگفت انگیز با پایتون اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

تحلیل داده‌های فضایی با یادگیری ماشین | هوش مصنوعی در کاوش مریخ

Alavi — Wed, 23 Oct 2024 11:26:16 +0000

تحلیل نمونه ها با یادگیری ماشین

در این پست از وبلاگ Bennu AI، به نقش هوش مصنوعی به خصوص الگوریتم‌های یادگیری ماشین در کاوش‌های فضایی می‌پردازیم.

زمانی که کاوشگر Rosalind Franklin به رهبری آژانس فضایی اروپا (ESA) به سمت مریخ حرکت کند، (این سفر قرار است در بهترین حالت در سال 2028 انجام شود) الگوریتم یادگیری ماشین ناسا پس از بیش ده سال آموزش داده در آزمایشگاه، فرصتی برای درخشش خواهد یافت. این الگوریتم بر روی دستگاه تجزیه و تحلیل مولکول‌های آلی مریخ (MOMA) که یک دستگاه اسپکتروفتومتر جرمی است و در این کاوشگر قرار دارد، استفاده خواهد شد. MOMA نمونه‌های جمع‌آوری‌شده توسط یک مته کورینگ را تجزیه و تحلیل کرده و نتایج را به زمین ارسال می‌کند، جایی که این نتایج به الگوریتم وارد می‌شود تا ترکیبات آلی موجود در نمونه‌ها شناسایی شوند. اگر این روبات موفق به یافتن هر گونه ترکیب آلی شود، الگوریتم می‌تواند فرآیند شناسایی آن‌ها را به طور قابل توجهی سرعت ببخشد و به دانشمندان کمک کند تا به طور بهینه از مریخ‌نورد در سیاره سرخ استفاده کنند.

روزها

ساعت‌

دقیقه

ثانیه

چالش‌های سفر

وقتی یک کاوشگر بر روی سیاره دیگری فرود می‌‌آید، به دلیل کوتاه بودن مدت ماموریت‌ها و پیچیدگی آزمایشات، دانشمندان زمان بسیار محدودی برای جمع‌آوری اطلاعات از ذخایر قابل کاوش دارند. به همین دلیل، محققان در مرکز پرواز فضایی گودارد ناسا در گرین‌بلت مریلند، درحال بررسی استفاده از یادگیری ماشین برای کمک به تحلیل سریع داده های کاوشگر و کمک به دانشمندان در زمین برای برنامه‌ریزی بهینه‌ترین استفاده از زمان محدود در فضا هستند.

شاون لی، دانشمند اسپکتروگرافی جرمی در آزمایشگاه محیط‌های سیاره‌ای ناسا گودارد، می‌گوید: “این الگوریتم یادگیری ماشین می‌تواند با فیلتر کردن سریع داده‌ها و شناسایی داده‌هایی که احتمالاً برای ما مهم‌تر هستند، به ما کمک کند.”

این الگوریتم ابتدا بر روی یک کامپیوتر مستقر در زمین با داده‌های مربوط به مریخ آزمایش خواهد شد تا بتواند به خوبی یکی از ابزارهای اصلی علمی در ماموریت آینده ExoMars باشد. در این ماموریت کاوشگر Rosalind Franklin یک نمونه جمع‌آوری کرده و آن را با دستگاه MOMA تحلیل می‌کند، داده‌ها به زمین ارسال می‌شوند و دانشمندان از یافته‌ها برای تصمیم‌گیری در مورد بهترین اقدام بعدی استفاده خواهند کرد.

“برای مثال، اگر نمونه‌ای را پیدا کنیم که نشانه‌هایی از ترکیب‌های آلی بزرگ و پیچیده در ترکیب با مواد معدنی خاص نشان می‌دهد، ممکن است بخواهیم تحلیل بیشتری روی آن نمونه انجام دهیم یا حتی توصیه کنیم که کاوشگر با مته کورینگ خود نمونه دیگری جمع‌آوری کند.”
هدف از این ماموریت پاسخ دادن به این سوال است: آیا در گذشته سیاره سرخ زندگی جریان داشته است؟

نقش الگوریتم‌ها در شناسایی ترکیبات شیمیایی مریخ

در هوش مصنوعی، یادگیری ماشین به روشی اشاره دارد که در آن کامپیوترها با کمک داده‌های بسیار زیاد یاد می‌گیرند تا الگوها را شناسایی کرده و تصمیم‌گیری کنند یا به نتیجه‌گیری برسند. این فرآیند خودکار می‌تواند زمانی بسیار قدرتمند باشد که الگوها برای محققان انسانی که به همان داده‌ها نگاه می‌کنند، واضح نباشند؛ موضوعی که در مجموعه‌های داده بزرگ و پیچیده مانند داده‌های تصویری و تحلیل طیفی شایع است.
طبق گفته ویکتوریا دا پویان (رهبر توسعه الگوریتم یادگیری ماشین ناسا) محققان به مدت بیش از یک دهه داده‌های آزمایشگاهی جمع‌آوری کرده‌اند. دانشمندان این الگوریتم را با ارائه نمونه‌هایی از مواد که ممکن است در مریخ یافت شوند و برچسب‌گذاری آن‌ها آموزش می‌دهند. سپس این الگوریتم داده‌های MOMA را به عنوان ورودی استفاده کرده و پیش‌بینی‌هایی از ترکیب شیمیایی نمونه مورد مطالعه را بر اساس آموزش‌های خود ارائه می‌دهد.

“هر چه بیشتر به تحلیل داده‌ را بهینه کنیم، اطلاعات و زمان بیشتری برای دانشمندان فراهم می‌شود تا داده‌ها را تفسیر کنند. به این ترتیب، می‌توانیم به سرعت به نتایج واکنش نشان دهیم و مراحل بعدی را برنامه‌ریزی کنیم، انگار که در کنار کاوشگر هستیم.”

سفر به اعماق: در جستجوی زندگی در لایه‌های زیرین مریخ

آنچه Rosalind Franklin را منحصر به فرد می‌کند و ممکن است منجر به کشف‌های جدید شود، توانایی این کاوشگر در حفر حدود ۲ متر (۶.۶ فوت) در سطح مریخ است. کاوشگرهای قبلی تنها به عمق حدود ۷ سانتی‌متر (۲.۸ اینچ) زیر سطح رسیده‌اند.

لی گفت: “مواد آلی موجود در سطح مریخ بیشتر در معرض تخریب ناشی از تابش‌های سطحی و پرتوهای کیهانی قرار دارند، اما در عمق دو متر در صورت وجود مواد آلی از آن‌ها محفاظت شده است. بنابراین، MOMA پتانسیل شناسایی مواد آلی باستانی حفظ‌شده را دارد که یک گام مهم در جستجوی زندگی گذشته خواهد بود.”

دوران جدید اکتشافات: کاوشگرهای خودکار در گشت‌وگذار منظومه شمسی

همواره جستجوی نشانه‌های حیات در دنیاهای فراتر از زمین جزو فعالیت‌های اصلی ناسا و جامعه علمی بوده است. لی و دا پویان الگوریتم خود را به ‌عنوان ابزار کارآمدی برای اکتشافات آینده سایر اهداف فضایی مانند ماه‌های زحل، تایتان و انسلادوس، و همچنین ماه مشتری( اروپا) می‌بینند.
هدف بلند مدت این دانشمندان دستیابی به خودکاری بیشتر در کاوش است. به صورتیکه دستگاه اسپکتروگرافی جرمی به‌طور مستقل داده‌های خود را تحلیل کرده و حتی به تصمیم‌گیری‌های عملیاتی به‌صورت خودکار کمک می‌کند و در نتیجه کارایی به‌طرز چشمگیری افزایش می‌یابد. این امر به‌خصوص در ماموریت‌های اکتشاف فضایی که هدف آن‌ها اجرام سیاره‌ای دورتر است، حیاتی خواهد بود. علم خودمختار می‌تواند به اولویت‌بندی جمع‌آوری داده‌ها و ارتباطات کمک کند و در نهایت به دستیابی به علمی بسیار بیشتر از آنچه که در حال حاضر در این گونه مأموریت‌های دور ممکن است، منجر شود.
پروژه MOMA به رهبری مؤسسه تحقیقاتی ماکس پلانک برای پژوهش‌های منظومه شمسی (MPS) در آلمان و با سرپرستی دکتر فرد گزمند انجام می‌شود. ناسا گودارد، زیرسیستم اسپکتروگرافی جرمی MOMA را توسعه و ساخته است که وزن مولکولی ترکیبات شیمیایی موجود در نمونه‌های جمع‌آوری‌شده از مریخ را اندازه‌گیری خواهد کرد.

این پست از سایت مرکز هوش مصنوعی بنو برگرفته از نوشته ی لینک زیر میباشد:

https://www.nasa.gov/technology/nasa-trains-machine-learning-algorithm-for-mars-sample-analysis/

برای دیدن پست های قبلی سایت بنو در مورد جدیدترین رویدادهای هوش مصنوعی، به این لینک مراجعه کنین!

نوشته تحلیل داده‌های فضایی با یادگیری ماشین | هوش مصنوعی در کاوش مریخ اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

تبدیل پایتون به دستیار اتوماتیک | اسکریپت‌های افزایش بهره‌وری

Alavi — Tue, 22 Oct 2024 06:26:38 +0000

ابزارهایی که کمک کردند بیشتر کار کنم و کمتر خسته شوم

در این پست از بلاگ Bennu AI قصد داریم یاد بگیریم که چطور می‌توان برخی از کارهای تکراری و خسته‌کننده روزمره را به پایتون سپرد. با استفاده از این اسکریپت‌ها، پایتون به دستیار هوشمندی تبدیل می‌شود که بهره‌وری‌تان را افزایش می‌دهد. از تولید کتاب صوتی گرفته تا مدیریت ایمیل‌ها و یادآوری کارها، این ابزارها می‌توانند زمانتان را آزاد کنند تا بر کارهای مهم‌تر تمرکز کنید.

1. Speakify

من عاشق کتاب‌ هستم اما گاها فرصت کافی برای مطالعه پیدا نمی‌کنم. این اسکریپت خودکار پایتون به من کمک کرد تا کتاب یا پی‌دی‌اف مورد نظرم را تبدیل به کتاب صوتی کنم. از دیگر کاربردهای این ابزار می‌توان به فراهم کردن دسترسی به متون برای افراد نابینا، یادگیری در حین رفت و آمد یا ورزش و همچنین کمک به زبان‌آموزان برای تقویت مهارت‌های شنیداری‌ اشاره کرد.

				
					import PyPDF2
import pyttsx3

# Open the PDF file (Enter Path To Your PDF)
file = open('story.pdf', 'rb')
readpdf = PyPDF2.PdfReader(file)

# Initialize text-to-speech engine
speaker = pyttsx3.init()
rate = speaker.getProperty('rate')   # Get current speaking rate
speaker.setProperty('rate', 200)

volume = speaker.getProperty('volume')
speaker.setProperty('volume', 1)  # Set volume level (0.0 to 1.0)

# Get and set a different voice
voices = speaker.getProperty('voices')
for voice in voices:
    if "english" in voice.name.lower() and "us" in voice.name.lower():
        speaker.setProperty('voice', voice.id)
        break
# Iterate over each page in the PDF
for pagenumber in range(len(readpdf.pages)):
    # Extract text from the page
    page = readpdf.pages[pagenumber]
    text = page.extract_text()
    
    # Use the speaker to read the text
    # speaker.say(text)
    # speaker.runAndWait()

# Save the last extracted text to an audio file (if needed)
speaker.save_to_file(text, 'story.mp3')
speaker.runAndWait()

# Stop the speaker
speaker.stop()

# Close the PDF file
file.close()

2. TabTornado

قبل از این اسکریپت پایتون مطالب جالبی را که برای مطالعه آینده درنظر داشتم، بوکمارک می‌کردم. هرچند بعد از مدتی متوجه شدم که فهرست بوکمارک‌هایم هرروز بزرگ‌تر می شود و پیدا کردن مطالب در آن‌ها سخت‌تر. با استفاده از TabTornado، می توانم همه لینک‌ها را کپی و پیست کنم و سپس تنها با یک کلیک به آنها دسترسی داشته باشم. این ابزار همچنین برای افرادی که در روتین کاری خود نیاز دارند چندین سایت را مرتب چک کنند، مفید است؛ زیرا این روتین را ساده‌تر کرده و به آن‌ها امکان می‌دهد بر محتوای کار تمرکز کنند.

				
					import webbrowser
with open('links.txt') as file:
    links = file.readlines()
    for link in links: 
        webbrowser.open('link')

3. PicFetcher

جمع‌آوری حجم زیادی از داده‌های تصویری یک چالش اساسی در پروژه‌های بینایی کامپیوتر است. همان‌ طور که اندرو نگ اشاره می‌کند: “داشتن یک مجموعه‌‌ی بزرگ داده می‌تواند مهم‌تر از الگوریتم خاص مورد استفاده باشد.” داده‌های باکیفیت برای بهبود عملکرد و دقت مدل‌های یادگیری ماشین حیاتی هستند. این اسکریپت خودکار فرآیند را آسان‌تر می‌کند و به شما این امکان را می‌دهد که تنها در چند دقیقه و چند خط کد، تعداد مشخصی تصویر را از دانلود می‌کنید.

				
					# Importing the necessary module and function
from simple_image_download import simple_image_download as simp 

# Creating a response object
response = simp.simple_image_download

## Keyword
keyword = "Dog"

# Downloading images
try:
    response().download(keyword, 20)
    print("Images downloaded successfully.")
except Exception as e:
    print("An error occurred:", e)

4.PyInspector

هر توسعه دهنده‌ای از کلافگی ناشی از ردیابی باگ‌ها در کد پایتون خبر دارد. نوشتن کد کارآمد و در عین حال تمیز بسیار مهم است، اما بررسی دستی کد ممکن است دشوار باشد. این اسکریپت خودکار با کمک Pylint و Flake8 کد شما را کامل بررسی می‌کند، آن را با استاندارد‌های برنامه‌نویسی مقایسه می‌کند و خطاهای منطقی را مشخص می‌کند. PyInspector اطمینان حاصل می‌کند کد شما استاندارد و بدون ارور باشد.

				
					import os
import subprocess

def analyze_code(directory):
    # List Python files in the directory
    python_files = [file for file in os.listdir(directory) if file.endswith('.py')]

    if not python_files:
        print("No Python files found in the specified directory.")
        return

    # Analyze each Python file using pylint and flake8
    for file in python_files:
        print(f"Analyzing file: {file}")
        file_path = os.path.join(directory, file)

        # Run pylint
        print("\nRunning pylint...")
        pylint_command = f"pylint {file_path}"
        subprocess.run(pylint_command, shell=True)

        # Run flake8
        print("\nRunning flake8...")
        flake8_command = f"flake8 {file_path}"
        subprocess.run(flake8_command, shell=True)

if __name__ == "__main__":
    directory = r"C:\Users\abhay\OneDrive\Desktop\Part7"
    analyze_code(directory)

5. DataDummy

اگر شما یک دانشمند داده هستید که به داده‌های نمونه برای تست مدل‌ها نیاز دارد یا صرفا دنبال پر کردن یک فرم غیرضروری با اطلاعات رندوم هستید، این اسکریپت خودکار پایتون به کمک شما می آید. DataDummy دیتا‌ست هایی با ظاهر واقع گرایانه اما کاملا مصنوعی تولید می‌کند که برای اهداف تست، توسعه و شبیه سازی بسیار مناسب هستند. این ابزار می‌تواند به سرعت نام‌ها، ایمیل‌ها، شماره‌های تلفن و … را تولید کند و راه حلی چند‌منظوره برای نیازهای مختلف تولید داده ارائه دهد.

				
					import pandas as pd
from faker import Faker
import random

fake = Faker()

def generate_fake_data(num_entries=10):
    data = []

    for _ in range(num_entries):
        entry = {
            "Name": fake.name(),
            "Address": fake.address(),
            "Email": fake.email(),
            "Phone Number": fake.phone_number(),
            "Date of Birth": fake.date_of_birth(minimum_age=18, maximum_age=65).strftime("%Y-%m-%d"),
            "Random Number": random.randint(1, 100),
            "Job Title": fake.job(),
            "Company": fake.company(),
            "Lorem Ipsum Text": fake.text(),
        }
        data.append(entry)

    return pd.DataFrame(data)

if __name__ == "__main__":
    num_entries = 10  # You can adjust the number of entries you want to generate
    fake_data_df = generate_fake_data(num_entries)

    

## Dataframe with Fake Data
fake_data_df

6. BgBuster

این اسکریپت خودکار پایتون به یک بخش ضروری از جعبه‌ابزار روزانه من تبدیل شده است. به عنوان یک نویسنده من مکررا با تصاویر کار می‌کنم و اغلب نیاز دارم که این عکس‌ها پیش زمینه‌ای نداشته باشند. درحالیکه ابزارهای آنلاین زیادی برای حذف پیش‌زمینه عکس‌ها وجود دارد اما موقع استفاده از آن‌ها من نگرانی هایی در ارتباط با امنیت عکس‌هایم دارم. در این اسکریپت با استفاده از پکیج rembg پیش زمینه عکس به طور محلی حذف می‌شود و درنتیجه امنیت عکس‌ها تضمین می‌شود.

				
					from rembg import remove 
from PIL import Image

## Path for input and output image
input_img = 'monkey.jpg'
output_img = 'monkey_rmbg.png'

## loading and removing background
inp = Image.open(input_img)
output = remove(inp)

## Saving new image 
output.save(output_img)

7.MemoryMate

برای جلوگیری از فراموش کردن کارها، یادآور دیجیتال MemoryMate را توسعه دادم. این برنامه یادآورهای سفارشی در زمان مقرر برای من ارسال می‌کند تا اطمینان حاصل شود که همه وظایف به موقع انجام می‌شوند. با کمک این برنامه بهره‌وری من افزایش داشته و انجام کارها قبل از ددلاین آن‌ها، آسان‌تر شده است. این برنامه ساده، تکرار کردن آن راحت و بسیار کاربردی است.

				
					from win10toast import ToastNotifier
import time

toaster = ToastNotifier()

def set_reminder():
    reminder_header = input("What would you like me to remember?\n")
    related_message = input("Related Message:\n")
    time_minutes = float(input("In how many minutes?\n"))

    time_seconds = time_minutes * 60

    print("Setting up reminder...")
    time.sleep(2)
    print("All set!")

    time.sleep(time_seconds)

    toaster.show_toast(
        title=f"{reminder_header}",
        msg=f"{related_message}",
        duration=10,
        threaded=True
    )

    while toaster.notification_active():
        time.sleep(0.005)

if __name__ == "__main__":
    set_reminder()

8. MonitorMax

نظارت بر منابع سیستم برای اطلاع از میزان و نحوه استفاده‌ از آن‌ها حیاتی است. این ابزار برای کاربران، مدیران سیستم و توسعه‌دهندگانی که نیاز به بررسی عملکرد سیستم، شناسایی گلوگاه‌ها و اطمینان از مدیریت کارآمد منابع دارند، ارزشمند است. MonitorMax به نظارت بر استفاده از CPU، GPU، باتری و حافظه کمک می‌کند و در صورتی که استفاده از منابع از حد ایمن فراتر رود، هشدار می‌دهد. با ردیابی تمام منابع، می‌توانید اطمینان حاصل کنید که از آن‌ها بهینه استفاده می‌شود، همچنین می‌توانید با کمک Tkinter یک داشبورد نظارت بر منابع ایجاد کنید تا یک گراف شبیه به taskbar داشته باشید.

				
					import psutil
import time
from win10toast import ToastNotifier

# Initialize the ToastNotifier object
toaster = ToastNotifier()

# Set the threshold values for CPU usage, memory usage, GPU usage, and battery level
cpu_threshold = 40  # Percentage
memory_threshold = 40  # Percentage
gpu_threshold = 40  # Percentage
battery_threshold = 100  # Percentage

# Infinite loop to continuously monitor system resources
while True:
    try:
        # Get system resource information
        cpu_usage = psutil.cpu_percent(interval=1)
        memory_usage = psutil.virtual_memory().percent
        gpu_usage = psutil.virtual_memory().percent
        battery = psutil.sensors_battery()

        # Check CPU usage
        if cpu_usage >= cpu_threshold:
            message = f"CPU usage is high: {cpu_usage}%"
            toaster.show_toast("Resource Alert", message, duration=10)

        # Check memory usage
        if memory_usage >= memory_threshold:
            message = f"Memory usage is high: {memory_usage}%"
            toaster.show_toast("Resource Alert", message, duration=10)

        # Check GPU usage
        if gpu_usage >= gpu_threshold:
            message = f"GPU usage is high: {gpu_usage}%"
            toaster.show_toast("Resource Alert", message, duration=10)

        # Check battery level
        if battery is not None and battery.percent <= battery_threshold and not battery.power_plugged:
            message = f"Battery level is low: {battery.percent}%"
            toaster.show_toast("Battery Alert", message, duration=10)

        # Wait for 5 minutes before checking the resources again
        time.sleep(300)

    except Exception as e:
        print("An error occurred:", str(e))
        break

9.EmailBlitz

مدیریت ایمیل‌های انبوه می‌تواند چالش‌برانگیز باشد اما EmailBlitz کار را آسان‌تر می‌کند و به شما این امکان را می‌دهد که به‌راحتی به تعداد مورد نظر ایمیل‌ ارسال کنید. این اسکریپت به شما امکان دسترسی به یک گروه بزرگ از دریافت‌کنندگان به‌طور همزمان را می‌دهد و اطمینان حاصل می‌کند که پیام‌ها به‌موقع و درست ارسال می‌شوند. این اسکریپت برای بازاریابان، مدیران یا هر کسی که نیاز به ارسال تعداد زیادی ایمیل دارد، کاربردی است و با صرفه جویی در زمان بهره‌وری را افزایش می‌دهد.

				
					import smtplib 
from email.message import EmailMessage
import pandas as pd

def send_email(remail, rsubject, rcontent):
    email = EmailMessage()                          ## Creating a object for EmailMessage
    email['from'] = 'The Pythoneer Here'            ## Person who is sending
    email['to'] = remail                            ## Whom we are sending
    email['subject'] = rsubject                     ## Subject of email
    email.set_content(rcontent)                     ## content of email
    with smtplib.SMTP(host='smtp.gmail.com',port=587)as smtp:     
        smtp.ehlo()                                 ## server object
        smtp.starttls()                             ## used to send data between server and client
        smtp.login(SENDER_EMAIL,SENDER_PSWRD)       ## login id and password of gmail
        smtp.send_message(email)                    ## Sending email
        print("email send to ",remail)              ## Printing success message



if __name__ == '__main__':
    df = pd.read_excel('list.xlsx')
    length = len(df)+1

    for index, item in df.iterrows():
        email = item[0]
        subject = item[1]
        content = item[2]

        send_email(email,subject,content)

10. ClipSaver

حتما برای شما هم پیش آمده که هنگام کار با متن سردرگم شوید و از یاد ببرید که چه چیزی را کپی کرده اید. تصور کنید ابزاری دارید که تمامی متن‌هایی که در طول روز کپی می‌کنید را ثبت می‌کند. ClipSaver هرچیزی که کپی می‌کنید را ردیابی کرده و به‌طور یکپارچه هر قطعه متن ذخیره می‌کند. با این ابزار دیگر نیازی به جستجو در میان تب‌های بی‌پایان و نگرانی برای از دست رفتن اطلاعات ارزشمند نیست.

				
					import tkinter as tk
from tkinter import ttk
import pyperclip

def update_listbox():
    new_item = pyperclip.paste()
    if new_item not in X:
        X.append(new_item)
        listbox.insert(tk.END, new_item)
        listbox.insert(tk.END, "----------------------")
    listbox.yview(tk.END)
    root.after(1000, update_listbox)

def copy_to_clipboard(event):
    selected_item = listbox.get(listbox.curselection())
    if selected_item:
        pyperclip.copy(selected_item)

X = []

root = tk.Tk()
root.title("Clipboard Manager")
root.geometry("500x500")
root.configure(bg="#f0f0f0")

frame = tk.Frame(root, bg="#f0f0f0")
frame.pack(padx=10, pady=10)

label = tk.Label(frame, text="Clipboard Contents:", bg="#f0f0f0")
label.grid(row=0, column=0)

scrollbar = tk.Scrollbar(root)
scrollbar.pack(side=tk.RIGHT, fill=tk.Y)

listbox = tk.Listbox(root, width=150, height=150, yscrollcommand=scrollbar.set)
listbox.pack(pady=10)
scrollbar.config(command=listbox.yview)

update_listbox()

listbox.bind("", copy_to_clipboard)

root.mainloop()

11. BriefBot

من هم مانند بسیاری از افراد علاقمند به خواندن مقالات و نشریات خبری هستم، با این حال پیدا کردن زمان برای خواندن کامل مقالات با وجود مشغله‌های روزمره، چالش برانگیز است. BriefBot با استفاده از شبکه‌های عصبی این مشکل را حل می‌کند و به سرعت خلاصه‌ تولید می‌کند. این اسکریپت با استفاده از وب‌کاوی (Web Scraping) محتوای مقاله را استخراج کرده و آن را به یک مدل از پیش آموزش‌دیده می‌دهد تا یک چکیده تولید کند. با استفاده از این اسکریپت خودکار پایتون می‌توان با صرف زمان کم‌تر، همچنان آگاه و به‌روز ماند.

				
					from transformers import BartForConditionalGeneration, BartTokenizer
import requests
from bs4 import BeautifulSoup

## Function to summarize article
def summarize_article(article_text, max_length=150):
    model_name = "facebook/bart-large-cnn"
    tokenizer = BartTokenizer.from_pretrained(model_name)
    model = BartForConditionalGeneration.from_pretrained(model_name)

    inputs = tokenizer.encode("summarize: " + article_text, return_tensors="pt", max_length=1024, truncation=True)
    summary_ids = model.generate(inputs, max_length=max_length, min_length=50, length_penalty=2.0, num_beams=4, early_stopping=True)

    summary = tokenizer.decode(summary_ids[0], skip_special_tokens=True)
    return summary

## Function to scrape content of the aricle 
def scrape_webpage(url):
    try:
        response = requests.get(url)
        response.raise_for_status()
        soup = BeautifulSoup(response.text, 'html.parser')
        all_text = soup.get_text(separator='\n', strip=True)
        return all_text
    except requests.exceptions.RequestException as e:
        print(f"Error: {e}")
        return None

if __name__ == "__main__":
    webpage_url = "https://www.bleepingcomputer.com/news/security/meet-brain-cipher-the-new-ransomware-behind-indonesia-data-center-attack/" ## Sample URL for Testing The Script
    webpage_text = scrape_webpage(webpage_url)

    if webpage_text:
        summary = summarize_article(webpage_text)
        print("\nSummarized Article:")
        print(summary)
    else:
        print("Webpage scraping failed.")

12. SpellGuard

مهم نیست چقدر در زبان انگلیسی مهارت داریم، هنگام نوشتن گزارش‌های طولانی، همه ما اشتباهات املایی و گرامری مرتکب می‌شویم. در عصر هوش مصنوعی، پکیج‌های پایتون قدرتمندی وجود دارند که می‌توانند این اشتباهات را اصلاح کرده و یک بازبینی دقیق از نوشته ارائه دهند. SpellGuard از هوش مصنوعی برای شناسایی و تصحیح اشتباهات املایی و گرامری استفاده می‌کند و اطمینان حاصل می‌کند که نوشته شما واضح، دقیق و حرفه‌ای است.

				
					## Installing Library
!pip install lmproof

## Importing Library
import lmproof as lm

## Function for proofreading 
def Proofread(text):
    proof = lm.load("en")
    error_free_text = proof.proofread(text)
    return error_free_text

## Sample Text
TEXT = '' ## Place sample Text here

## Function Call 
Print(Proofread(TEXT))

13. LinkStatus

داشتن یک وبلاگ حرفه ای هنوز هم برای بسیاری از نویسندگان یک رویاست. اطمینان از اینکه تمام لینک‌های شما به‌درستی کار می‌کنند برای حفظ یک وبلاگ بسیار مهم است. لینک‌های خراب می‌توانند باعث ناامیدی خوانندگان شده و اعتبار سایت شما را خدشه‌دار کنند. این اسکریپت خودکار پایتون با نظارت منظم بر URLهای شما، اطمینان حاصل می‌کند که لینک‌های شما همیشه فعال و کاربردی هستند، که به بهبود اعتبار و تجربه کاربری سایت شما کمک می‌کند.

				
					Copy
import csv
import requests
import pprint

def get_status(website):
    try:
        status = requests.get(website).status_code
        return "Working" if status == 200 else "Error 404"
    except:
        return "Connection Failed!!"

def main():
    with open("sites.txt", "r") as fr:
        websites = [line.strip() for line in fr]
    
    web_status_dict = {website: get_status(website) for website in websites}
    
    pprint.pprint(web_status_dict)
    
    # Write results to CSV file
    with open("web_status.csv", "w", newline='') as csvfile:
        fieldnames = ["Website", "Status"]
        writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
        
        writer.writeheader()
        for website, status in web_status_dict.items():
            writer.writerow({"Website": website, "Status": status})

        print("Data Uploaded to CSV File!!")

if __name__ == "__main__":
    main()

14. DailyDigest

آگاه ماندن از آخرین اتفاقات شهر، ایالت، کشور یا جهان برای همه ما مهم است، اما برنامه‌ کاری شلوغ، اغلب مانع از اختصاص وقت برای خواندن اخبار می‌شود. DailyDigest این مشکل را با استخراج اخبار مهم از Google News و خواندن آن‌ها حل می‌کند. در هر لحظه از روز، این اسکریپت خودکار به‌راحتی اطمینان می‌دهد که از مهم‌ترین اخبار روز آگاه بمانید.

				
					
import pyttsx3 
import requests

engine = pyttsx3.init('sapi5')
voices = engine.getProperty('voices')
engine.setProperty('voice', voices[0].id)

def speak(audio):
    engine.say(audio)
    engine.runAndWait()

def trndnews(): 
    url = " http://newsapi.org/v2/top-headlines?country=us&apiKey=GET_YOUR_OWN"
    page = requests.get(url).json() 
    article = page["articles"] 
    results = [] 
    for ar in article: 
        results.append(ar["title"]) 
    for i in range(len(results)): 
        print(i + 1, results[i]) 
    speak(results)
    
trndnews() 
 
''' Run The Script To Get The Top Headlines From USA'''

15. QRGenie

محبوبیت کدهای QR از زمانی که مردم شروع به استفاده از آن‌ها برای ارسال و دریافت پرداخت‌ها کردند، به شدت افزایش یافت. امروزه از آن‌ها برای به اشتراک گذاشتن لینک‌های اجتماعی، پیام‌های محرمانه، کدهای تخفیف و موارد دیگر استفاده می‌شود. این اسکریپت خودکار پایتون به شما کمک می‌کند تا کدهای QR سفارشی با داده‌های مورد نظر خود ایجاد کنید و به راحتی اطلاعات را به اشتراک بگذارید.

				
					import qrcode

def generate_qr_code(link, filename):
    """Generates a QR code for the given link and saves it as filename."""

    qr = qrcode.QRCode(
        version=1,
        error_correction=qrcode.constants.ERROR_CORRECT_L,
        box_size=10,
        border=4,
    )
    qr.add_data(link)
    qr.make(fit=True)

    img = qr.make_image(fill_color="black", back_color="white")
    img.save("profile.png")

if __name__ == "__main__":
    generate_qr_code("https://abhayparashar31.medium.com/", "Profile.png")
    print(f"QR code saved successfully!!")

16. ShrinkLink

من روزانه با لینک‌های زیادی سروکار دارم، برخی را ذخیره می‌کنم و برخی را با دیگران به اشتراک می‌گذارم. چیزی که در مورد URLها آزاردهنده است، طولانی بودن برخی از آن‌هاست. ShrinkLink به‌طور مؤثری این مشکل را با استفاده از یک API خارجی برای تبدیل URLهای طولانی به لینک‌های کوتاه و قابل مدیریت حل می‌کند.

				
					import pyshorteners
def generate_short_url(long_url):
  s = pyshorteners.Shortener()
  return s.tinyurl.short(long_url)

long_url = input('Paste Long URl \n')
short_url = generate_short_url(long_url)
print(short_url)

17. CaptureIt

اگر گیمر، اینفلوئنسر، هنرمند، معلم یا توسعه دهنده هستید، نرم‌افزار ضبط صفحه برای فعالیت‌هایتان ضروری است. با این حال، بسیاری از راه‌حل‌های موجود هزینه‌بر هستند یا محدودیت‌هایی مانند واترمارک و محدودیت زمانی اعمال می‌کنند. CaptureIt یک راه‌حل ساده برای ضبط صفحه بدون واترمارک و محدودیت زمانی همراه با گزینه‌های سفارشی‌سازی پنجره صفحه ارائه می‌دهد.

				
					import pyshorteners
def generate_short_url(long_url):
  s = pyshorteners.Shortener()
  return s.tinyurl.short(long_url)

long_url = input('Paste Long URl \n')
short_url = generate_short_url(long_url)
print(short_url)

این پست از سایت مرکز هوش مصنوعی بنو برگرفته از نوشته ی لینک زیر میباشد:

https://medium.com/pythoneers/17-mindblowing-python-automation-scripts-i-use-everyday-523fb1eb9284

برای دیدن پست های قبلی سایت بنو در مورد جدیدترین رویدادهای هوش مصنوعی، به این لینک مراجعه کنین!

نوشته تبدیل پایتون به دستیار اتوماتیک | اسکریپت‌های افزایش بهره‌وری اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.