به به به!
یه کورس از دانشگاه CMU پیدا کردم اصلا عالی. عنوانش هست :
Software Engineering for AI-Enabled Systems (CMU Course)

به طور مشخص، این دوره از دیدگاه مهندسی نرم‌افزار به ساخت سیستم‌های نرم‌افزاری می‌پردازد که در قلب خود از مدل‌های یادگیری ماشین یا هوش مصنوعی استفاده می‌کنند. به جای تمرکز بر روی خود مدل‌سازی و یادگیری، این دوره بر مسائل طراحی، پیاده‌سازی، عملیات و تضمین تمرکز می‌کند و چگونگی تعامل آن‌ها با مدل‌سازی دانشمند داده را بررسی می‌کند. این دوره برای مهندسان نرم‌افزاری که می‌خواهند چالش‌های خاص کار با مؤلفه‌های هوش مصنوعی را درک کنند و همچنین برای دانشمندان داده که می‌خواهند چالش‌های تبدیل یک مدل پروتوتایپ به محصول را درک کنند، طراحی شده است؛ این دوره ارتباط و همکاری بین هر دو نقش رو تسریع می‌کنه.

از اینجا می‌تونید این کورس رو ببینید.
اینجا هم گیت‌هاب درس هستش.

#course
#Software
#ML

@lifeAsAService

میزگردی با دکتر نصراله ایران پناه عضو هیئت علمی گروه آمار دانشگاه اصفهان در مورد "چالش‌های اشتغال رشته آمار، برنامه‌ها و آینده علم داده " صحبت خواهیم کرد با ما جمعه ۸ تیرماه ۱۴۰۳ ساعت ۲۱ در لینک زیر ما همراه باشید.

▪️ https://t.me/DeepLearningAIExperts?videochat

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

SUM: Saliency Unification through Mamba for Visual Attention Modeling

▪️ Paper
▪️ Git
▪️ Project page
▪️ Google colab

In this paper, a novel approach called Saliency Unification through Mamba (SUM) is introduced, integrating Mamba's efficient long-range dependency modeling with U-Net architecture to develop a unified model for various image types. The introduction of the Conditional Visual State Space (C-VSS) block enables SUM to dynamically adapt to different visual characteristics across natural scenes, web pages, and commercial imagery. This adaptability allows SUM to outperform existing models in visual attention modeling, making it a universally applicable and robust solution for diverse image types.

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

📖 شبیه ساز محیط سالن مطالعه : درس خواندن در کنار دیگران به صورت آنلاین📶

💸معرفی:

⭐️به دنبال راهی برای افزایش انگیزه و تمرکز برای درس خواندن هستید؟ شبیه ساز محیط کتابخانه راه حلی عالی برای شماست! این پلتفرم آنلاین به شما امکان می دهد تا در کنار دیگر افرادی که در حال درس خواندن هستند، به صورت مجازی مطالعه کنید.

🦠نحوه عملکرد :

🖱 به سایت یا برنامه مراجعه کنید :

- می توانید به صورت رایگان از طریق وب سایت یا برنامه ی این پلتفرم به شبیه ساز محیط کتابخانه دسترسی پیدا کنید.

• دوربین خود را روشن کنید :

⭐️با روشن کردن دوربین خود، می توانید به جمع مطالعه کنندگان بپیوندید و با آنها تعامل بصری داشته باشید.

📱دانلود نسخه اندروید | 🍏نسخه IOS | 🔄سایت


#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

لیست کانال و گروه های ما :

▪️ گروه هوش مصنوعی: یادگیری عمیق و...

https://t.me/DeepLearningAIExperts

▪️ گروه هوش مصنوعی: پردازش زبان طبیعی
https://t.me/NLPExperts

▪️ کانال دکتر میثم عسگری

https://t.me/ai_person

▪️ گروه لینوکس و پایتون و سایر...
https://t.me/PythonLinuxExperts

▪️ مرجع هوش مصنوعی و مقالات ایران :
https://t.me/AI_DeepMind

با اشتراک گذاشتن این پست به دیده شدن و پیشرفت هموطنان خود کمک کنید. جایی برای پرسش و پاسخ و ارتباط با پژوهشگران علوم کامپیوتر و صنعت پیدا کنند.

جهت اطلاع
طبق هماهنگی صورت گرفته، سخنرانی افشین آشفته، مدرس علم داده در دانشکده مدیریت اطلاعات نووا، در چهل و هشتمین کنفرانس IEEE کامپیوتر، نرم افزار و کاربردها در اوساکای ژاپن در روز چهارشنبه، سوم جولای، بصورت همزمان در کانال یوتیوب (https://www.youtube.com/channel/UCTOuxIhJxcxNOntTpamJeAA) پخش خواهد شد. این سخنرانی در روز چهارشنبه تحت عنوان A Review of Big Data and Machine Learning Operations in Official Statistics: MLOps and Feature Store Adoption است.
علاقه مندان می توانند در کانال یوتیوب سایبسکرایب کنند و سخنرانی را در آن روز مشاهده نمایند.
آدرس یوتیوب:
https://www.youtube.com/channel/UCTOuxIhJxcxNOntTpamJeAA
آدرس کنفرانس:
https://ieeecompsac.computer.org/2024/
مقرر شده سخنرانی در همان روز چهارشنبه و در حین برگزاری کنفرانس در اختیار اعضای این کانال یوتیوب قرار گیرد. لطفا دوستان علاقه مند خود را مطلع نمایید. در این کانال لینک مقاله چاپ شده نیز منتشر خواهد شد.

پیرو این پست کانال، توی این بلاگ پست از شرکت EvidentlyAI اومدن دیزاین سیستم ۴۵۰ پروژه‌ی یادگیری ماشین-نرم‌افزاری از ۱۰۰ شرکت بزرگ رو بررسی کردن و لینک‌ها رو هم گذاشتن که بتونید به داک‌ها و جزئیاتشون دسترسی داشته باشید.

توصیه می‌کنم حتما نگاه کنید بهتون دید خیلی خوبی از سیستم‌های بزرگی که از ماشین لرنینگ و نرم افزار استفاده می‌کنن می‌ده.

توضیحات مطلب:

How do companies like Netflix, Airbnb, and Doordash apply machine learning to improve their products and processes? We put together a database of 450 case studies from 100+ companies that share practical ML use cases and learnings from designing ML systems.

#systemDesign
#ML
#software
#LLM

نظر جادی رو بشنویم.

خیلی دوستانی که دنبال کورسهای پولی و فلان دانشگاه، موسسه و... هستند که بتوانند یک شبه در موضوعی بدرخشند راهی نیست.بغیر زجر کشیدن و تلاش مستمر انجام دادند.

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

پخش همزمان سخنرانی چهل و هشتمین کنفرانس IEEE کامپیوتر و نرم افزار در اوساکای ژاپن (IEEE COMPSAC 2024)
👉 https://youtu.be/3brq4oDerMY?si=rcjPDMp-kvrg8F8d

دوستان سلام یه مقاله در مورد ماشین ترنسلیشن انگلیسی به تورکی آذربایجانی که قبلا تیمی کار کرده بودیم در این کنفرانس ۵ جولای ساعت 16:30-17:30 به وقت اوروپا ارائه خواهد شد لینک برنامه را اینجا می گذارم اگر مقاله برایتان جالب بود در ادامه کار می خواهیم یک ژورنال ویا کنفرانس سطح بالا ارائه بدهیم. خلاصه تیم ورک یادتون نره.


سلام دوْستلار، 5 آپریل آوروپا واختی ایله ساعات 16:30-17:30-دا بو کنفرانسدا اوّللر تیم اوْلاراق ایشله‌دیگیمیز اینگیلیس دیلیندن آذربایجان تۆرکجه‌سینه ماشین چئویرمه حاقیندا مقاله تقدیم اوْلوناجاق مقاله سیزین اۆچون ماراقلیدیرسا، داوام ائدین بیز یۆکسک سوییه‌لی ژۇرنال و یا کوْنفرانس تقدیم ائتمک ایسته‌ییریک. بیر سؤزله، تیمی ایشینی اۇنوتمایین.
https://nettt-conference.com/programme/

16:30 – 17:30 Applications – session 1

Jalil Nourmohammadi Khiarak, et al. "Enhancing Language Learning through Technology: Introducing a New English-Azerbaijani (Arabic Script) Parallel Corpus"

کانالیمیزی جانلی یایین:
https://t.me/Machinelearning_Kartal

نقشه راه علم داده برای مقاطع کارشناسی، ارشد و دکتری

https://www.linkedin.com/feed/update/urn:li:activity:7080569068218462208?utm_source=share&utm_medium=member_desktop

امیدوارم به شما ایده بدهد. البته این نظر شخصی است و ممکن است نیاز به اصلاح و تغییر توسط خود شما داشته باشد.

نقشه راه علم داده برای مقاطع کارشناسی، ارشد و دکتری

https://www.linkedin.com/feed/update/urn:li:activity:7080569068218462208?utm_source=share&utm_medium=member_desktop

سلام دوستان لینک دعوت فیلترشکن برای ی برنامه‌نویسان، گیمرها، دانشجویان، فعالین حوزه رمز ارز، فریلنسرها از لینک دعوت من استفاده کنین هم شما ی فیلترشکن مطمین استفاده کنین بدونین قطعی نداره هم من ی حجمی بدست بیارم 😂
https://t.me/F14PanelBot?start=invite_56479f968ee3cd3dd92bfa05ebf07fc9

پ.ن: خدماتشون من به شدت راضیم دوستانتون رو دعوت کنید و حجم هدیه بگیرید

Meet Salesforce Einstein “Tiny Giant.” Our 1B parameter model xLAM-1B is now the best micro model for function calling, outperforming models 7x its size, including GPT-3.5 & Claude.

Paper: http://arxiv.org/pdf/2406.18518
Github: http://apigen-pipeline.github.io

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Self-Improving LLM Evaluators

(1) Simple assertions - first, try to hard-code simple rules or assertions (e.g., does the LLM app output follow the expected schema).

(2) Human review - but, some things can't be captured w/ simple hard-coded rules (e.g., style or accuracy of my LLM app outputs). you always need to look at your data !

(3) LLM-as-judge - human review is critical, but doesn't scale. encode rules from your human review into a prompt and have an LLM automate your process of human review / scoring.

The challenge w/ LLM-as-judge is that you need to tune a prompt that encodes your scoring criteria.

Use a process where you (1) review the LLM-as-judge, (2) correct it, and (3) pass those human corrections back to the evaluator as few-shot examples.

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کتابخانه ParsBench به تازگی منتشر شده است و مجموعه‌ای از ابزارهای کارآمد برای Benchmark کردن مدل‌های زبان بزرگ (LLM) در زبان فارسی را ارائه می‌دهد.

این کتابخانه به کاربران امکان می‌دهد تا مدل‌های زبانی مورد نظر خود را در تسک‌های متنوعی از جمله استدلال منطقی، تشخیص احساسات، ریاضیات، ترجمه ماشینی، اطلاعات عمومی و موارد دیگر ارزیابی کنند. ParsBench قابلیت سنجش همزمان چندین مدل بر روی تسک‌های خاص را دارد و امکان مقایسه جامع نتایج را فراهم می‌کند.

یکی از ویژگی‌های برجسته ParsBench این است که کاربران می‌توانند به راحتی ارزیابی‌های سفارشی خود را با استفاده از دیتاست‌های شخصی‌شان ایجاد کنند و تنها با چند خط کد، مدل خود را مورد آزمایش قرار دهند.

گیت‌هاب پروژه:
https://github.com/shahriarshm/parsbench
سایت مستندات:
https://shahriarshm.github.io/parsbench

بازخوردها و نظرات ارزشمند کاربران بسیار مورد استقبال قرار می‌گیرد.

#پایتون #پروژه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Andrej Karpathy on how to learn

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کمپانی HuggingFace یه cook book درست کرده که شامل مجموعه ای از notebook ها و مثال های عملی راجع به درست کردن اپلیکیشن های مبتنی بر AI و همچنین حل مسائل مختلف ماشین لرنینگ با استفاده از مدلهای اپن سورس میشه.

https://huggingface.co/learn/cookbook/en/index

#منابع #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person