Hyper-Representations: Learning from Populations of Neural Networks


Paper: https://arxiv.org/pdf/2410.05107v1.pdf

GitHub: https://github.com/hsg-aiml/sane

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Deep Learning Cheat sheet

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

رگرسیون لجستیک یکی از تکنیک‌های محبوب در علم داده برای پیش‌بینی نتایج باینری (مانند بله/خیر یا موفقیت/شکست) است.

✅ هدف: پیش‌بینی احتمال وقوع یک رویداد.
✅ چگونه؟ با استفاده از تابع سیگموئید، احتمال پیش‌بینی می‌شود و براساس آن «بله» یا «نه» تصمیم‌گیری می‌شود.
✅ مزایا: ساده، سریع و مناسب برای طبقه‌بندی‌های باینری.
✅ محدودیت‌ها: فرض رابطه خطی بین ویژگی‌ها و نتیجه، و ضعف در داده‌های پیچیده.

کاربردها: بازاریابی، مراقبت‌های بهداشتی، و پیش‌بینی ریسک‌های مالی.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

در این دوره آموزشی، شما موارد زیر را یاد خواهید گرفت:

- رویکردهای مختلف هوش مصنوعی، شامل رویکرد قدیمی و نمادین با استفاده از نمایش دانش و استدلال (GOFAI).
-شبکه‌های عصبی و یادگیری عمیق که هسته اصلی هوش مصنوعی مدرن هستند. مفاهیم کلیدی این موضوعات مهم را با استفاده از کدنویسی در دو چارچوب محبوب - TensorFlow و PyTorch - توضیح خواهیم داد.
- معماری‌های عصبی برای کار با تصاویر و متون. در این بخش به مدل‌های جدید می‌پردازیم، اما ممکن است کمی از مدل‌های کاملاً پیشرفته فاصله داشته باشیم.
- رویکردهای کمتر رایج در هوش مصنوعی، مانند الگوریتم‌های ژنتیکی و سیستم‌های چندعاملی.

https://microsoft.github.io/AI-For-Beginners/?id=artificial-intelligence-for-beginners-a-curriculum

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چگونه Audio Spectrogram Transformer را روی داده‌های خود Fine-Tune کنیم ؟

https://renumics.com/blog/how-to-fine-tune-the-audio-spectrogram-transformer

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 پایتون - TheAlgorithms - یک مخزن فوق‌العاده در گیت‌هاب!!!

195,000 ستاره در گیت‌هاب!!!

یک مجموعه بی‌نظیر از پیاده‌سازی‌های الگوریتم‌ها مانند :
Data Structures
Digital Image Processing
Divide And Conquer
Docs
Dynamic Programming
Electronics
File Transfer
Financial
Fractals
Fuzzy Logic
Genetic Algorithm
Geodesy
Geometry
Graphics
Graphs
Greedy Methods
Linear Algebra
Linear Programming
Machine Learning
Maths
...

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

"چطور Vision Transformers (ViTs) تصاویر را درک می‌کنند؟" مقاله‌ی ما در #NeurIPS2024 یک چارچوب برای تجزیه و تحلیل و تفسیر نمایش‌های آن‌ها معرفی می‌کند، حتی برای ViTs فراتر از CLIP.

این روش نشان می‌دهد که چگونه ViTs ویژگی‌هایی مانند shape، color و texture را کدگذاری می‌کنند و برای feature-based image retrieval، token heatmaps و کاهش spurious correlations مفید است.

Paper :https://arxiv.org/abs/2406.01583
code:https://github.com/SriramB-98/vit-decompose

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

CNN(Convolutional Neural Network) Visualization

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Harvard's "Advanced Complex Analysis"

https://people.math.harvard.edu/~ctm/papers/home/text/class/harvard/213a/course/course.pdf

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

روز دانشجو مبارک! 🌟📚💻

به همه‌ی دانشجویان پر تلاش، به‌ویژه دانشجویان رشته‌ی مهندسی کامپیوتر، این روز رو تبریک می‌گم! شما سازندگان آینده‌ی دیجیتال هستید، کسانی که با خطوط کد، الگوریتم‌ها و خلاقیت بی‌پایانتون دنیا رو متحول می‌کنید. 🌐💡

راهی که انتخاب کردید، پر از چالش و یادگیریه؛ اما هر کدی که خط به خط می‌نویسید، قدمی به سمت ساختن دنیایی هوشمندتره. پس با قدرت ادامه بدید، ایده‌هاتون رو به واقعیت تبدیل کنید، و هرگز از شکست‌ها نترسید، چون همون‌ها شما رو قوی‌تر می‌کنن. 💪✨

با آرزوی موفقیت‌های بی‌پایان برای همه شما نخبه‌های دیجیتال! 🎉💾🖥
"کدنویسی هم یه هنرِ، و شما هنرمند این دنیای مدرنید!" 🎨👨‍💻👩‍💻

روز دانشجو بر شما مبارک باد! 🌟

Large Language Models (LLMs)

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚨 6 free online courses by Harvard University, in ML, AI, and Data Science.

𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧 𝐭𝐨 𝐀𝐫𝐭𝐢𝐟𝐢𝐜𝐢𝐚𝐥 𝐈𝐧𝐭𝐞𝐥𝐥𝐢𝐠𝐞𝐧𝐜𝐞 𝐰𝐢𝐭𝐡 𝐏𝐲𝐭𝐡𝐨𝐧
🔗 Link

𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐜𝐞: 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠
🔗 Link

𝐇𝐢𝐠𝐡-𝐝𝐢𝐦𝐞𝐧𝐬𝐢𝐨𝐧𝐚𝐥 𝐝𝐚𝐭𝐚 𝐚𝐧𝐚𝐥𝐲𝐬𝐢𝐬
🔗 Link

𝐒𝐭𝐚𝐭𝐢𝐬𝐭𝐢𝐜𝐬 𝐚𝐧𝐝 𝐑
🔗 Link

𝐂𝐨𝐦𝐩𝐮𝐭𝐞𝐫 𝐒𝐜𝐢𝐞𝐧𝐜𝐞 𝐟𝐨𝐫 𝐁𝐮𝐬𝐢𝐧𝐞𝐬𝐬 𝐏𝐫𝐨𝐟𝐞𝐬𝐬𝐢𝐨𝐧𝐚𝐥𝐬
🔗 Link

𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧 𝐭𝐨 𝐏𝐫𝐨𝐠𝐫𝐚𝐦𝐦𝐢𝐧𝐠 𝐰𝐢𝐭𝐡 𝐏𝐲𝐭𝐡𝐨𝐧
🔗 Link

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مرور کلی مدل‌های بزرگ زبانی

https://aman.ai/primers/ai/LLM/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک صفحه جذاب برای مقایسه مدل‌های هوش مصنوعی مانند مدل‌های زبانی بزرگ (LLM)، تبدیل متن به گفتار (TTS)، و تبدیل گفتار به متن (STT).

https://countless.dev/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📄 خوشه‌بندی سه‌بعدی با نظریه گراف: راهنمای کامل با پایتون
💥 مقاله‌ای تخصصی و جامع برای علاقه‌مندان به خوشه‌بندی داده‌ها، با استفاده از روش‌های پیشرفته مبتنی بر نظریه گراف. این راهنما شامل کدنویسی عملی با زبان پایتون است تا بتوانید به‌راحتی مفاهیم پیچیده را در عمل پیاده‌سازی کنید.

https://towardsdatascience.com/3d-clustering-with-graph-theory-the-complete-guide-38b21b1c8748

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 دوره یادگیری ماشین: تئوری + کدنویسی + پلی‌لیست یوتیوب 🔥

دانشگاه کرنل - CS 5787

Theory and Code:https://kuleshov-group.github.io/aml-book/intro.html

Youtube Playlist:https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Parallelizing Linear Transformers with the Delta Rule over Sequence Length


Paper:https://arxiv.org/abs/2406.06484


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

OminiControl: Minimal and Universal Control for Diffusion Transformer


🔗 Discover More:
* Source Code: GitHub
* Try Demo: Try it here
* Paper Page: Read Paper

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره معرفی مدل‌های زبانی بزرگ (LLMs)

این دوره شامل مباحث زیر است:
1️⃣ معرفی معماری ترنسفورمر (Transformer)
2️⃣ مقاله معروف Attention is All You Need
3️⃣ مکانیزم Self-Attention و نحوه عملکرد آن
4️⃣ توجه چندسری (Multi-Headed Attention)
5️⃣ مفاهیم Teacher Forcing و Masked Attention
6️⃣ کدگذاری موقعیتی (Positional Encoding)
7️⃣ بررسی دقیق لایه دیکودر (Decoder)
8️⃣ استفاده از کدگذاری سینوسی (Sinusoidal Encoding)
9️⃣ نرمال‌سازی دسته‌ای (Batch Normalization)
🔟 نرمال‌سازی لایه‌ای (Layer Normalization)
و...
https://www.youtube.com/playlist?list=PLZ2ps__7DhBbaMNZoyW2Hizl8DG6ikkjo

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

✨ صف حلقوی (Circular Queue): ساختار داده‌ای قدرتمند و بهینه
صف حلقوی یک نوع خاص از صف (Queue) است که انتهای آن به ابتدای صف متصل می‌شود و به صورت حلقه‌ای عمل می‌کند. این ساختار برای استفاده بهینه از حافظه طراحی شده و در بسیاری از کاربردها مانند برنامه‌ریزی وظایف، پردازش بلادرنگ و شبکه‌های کامپیوتری استفاده می‌شود. 🌐

🌀 ویژگی‌های کلیدی صف حلقوی
1️⃣ ساختار حلقه‌ای:

در صف حلقوی، آخرین موقعیت آرایه به اولین موقعیت متصل می‌شود و به این ترتیب می‌توان از فضای حافظه به طور کامل استفاده کرد.
2️⃣ استفاده بهینه از فضا:

برخلاف صف معمولی که ممکن است فضای خالی در ابتدای آرایه استفاده نشود، صف حلقوی تمام ظرفیت خود را به کار می‌گیرد.
3️⃣ دو اشاره‌گر اصلی:

Front: محل اولین عنصر صف.
Rear: محل آخرین عنصر صف.
4️⃣ عملیات سریع:

درج و حذف عناصر در صف حلقوی با پیچیدگی زمانی O(1) انجام می‌شود. 🚀

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer