دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Sofian Audry
سری:
ISBN (شابک) : 0262046180, 9780262046183
ناشر: The MIT Press
سال نشر: 2021
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 40 مگابایت
در صورت تبدیل فایل کتاب Art in the Age of Machine Learning (Leonardo) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هنر در عصر یادگیری ماشینی (لئوناردو) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
بررسی هنر یادگیری ماشینی و تمرین آن در هنر و موسیقی رسانه
جدید.
در طول دهه گذشته، یک جنبش هنری ظهور کرده است که از
یادگیری ماشینی به عنوان الهام و رسانه استفاده می کند. در این
کتاب، سوفیان آدری، هنرمند-پژوهشگر فرا رشتهای، شیوههای هنری را
در تقاطع یادگیری ماشین و هنر رسانههای جدید بررسی میکند و
ابزارهای مفهومی و دیدگاههای تاریخی را برای هنرمندان رسانههای
جدید، موسیقیدانان، آهنگسازان، نویسندگان، متصدیان و
نظریهپردازان ارائه میکند. آدری به آثاری از طیف گستردهای از
شیوهها، از جمله نصب رسانههای جدید، هنر روباتیک، هنرهای تجسمی،
موسیقی و صدا الکترونیک و ادبیات الکترونیک نگاه میکند. هنر
یادگیری ماشینی زیربنای سیستمهای محاسباتی است که از نظر
بیولوژیکی الهام گرفته میشوند، موجودیتهای شبکهای مبتنی بر
عامل و مبتنی بر عامل هستند که خودشان برنامهریزی میکنند. آدری
طراحی بنیادی ساختارهای الگوریتمی یادگیری ماشین را با عباراتی که
برای افراد غیرمتخصص قابل دسترسی است توضیح میدهد در حالی که این
فناوریها را در فضاهای تاریخی و مفهومی بزرگتر قاببندی میکند.
آدری اسطورههای مربوط به هنر یادگیری ماشینی را از بین میبرد،
از جمله این ایده که یادگیری ماشینی میتواند هنر را بدون
هنرمندان خلق کند و اینکه یادگیری ماشینی به زودی هوش و خلاقیت
مافوق بشری را به همراه خواهد داشت. آدری روشهای یادگیری را در
نظر میگیرد و توصیف میکند که چگونه هنرمندان با بازی کردن با
عملکردهای ارزیابی، فرآیند آموزش را ربودهاند. ماشینها و
مدلهای قابل آموزش را مورد بحث قرار میدهد و توضیح میدهد که
چگونه انواع مختلف سیستمهای یادگیری ماشین، انواع مختلفی از
شیوههای هنری را ممکن میسازند. و نقش دادهها را در هنر یادگیری
ماشین بررسی میکند و نشان میدهد که چگونه هنرمندان از دادهها
به عنوان ماده خام برای هدایت سیستمهای یادگیری استفاده میکنند
و استدلال میکنند که یادگیری ماشینی به اشکال جدیدی از
ریمیکسهای الگوریتمی اجازه میدهد.
An examination of machine learning art and its practice in
new media art and music.
Over the past decade, an artistic movement has
emerged that draws on machine learning as both inspiration and
medium. In this book, transdisciplinary artist-researcher
Sofian Audry examines artistic practices at the intersection of
machine learning and new media art, providing conceptual tools
and historical perspectives for new media artists, musicians,
composers, writers, curators, and theorists. Audry looks
at works from a broad range of practices, including new media
installation, robotic art, visual art, electronic music and
sound, and electronic literature, connecting machine learning
art to such earlier artistic practices as cybernetics art,
artificial life art, and evolutionary art. Machine
learning underlies computational systems that are biologically
inspired, statistically driven, agent-based networked entities
that program themselves. Audry explains the fundamental design
of machine learning algorithmic structures in terms accessible
to the nonspecialist while framing these technologies within
larger historical and conceptual spaces. Audry debunks myths
about machine learning art, including the ideas that machine
learning can create art without artists and that machine
learning will soon bring about superhuman intelligence and
creativity. Audry considers learning procedures, describing how
artists hijack the training process by playing with evaluative
functions; discusses trainable machines and models, explaining
how different types of machine learning systems enable
different kinds of artistic practices; and reviews the role of
data in machine learning art, showing how artists use data as a
raw material to steer learning systems and arguing that machine
learning allows for novel forms of algorithmic remixes.