اخبار هوش مصنوعی
2.83K subscribers
672 photos
354 videos
1.01K files
1.36K links
Download Telegram
Forwarded from هوش مصنوعی (amir)
This media is not supported in your browser
VIEW IN TELEGRAM
🔹 ادغام هنر و فناوری

🔹 ویدئوی خیره کننده تولید شده توسط هوش مصنوعی که در آن نقاشی‌های معروف زنده می‌شوند!

🔹 با استفاده از Runway GEN-3 Alpha Turbo برای تصاویر و هوش مصنوعی Suno برای موسیقی.

🔹@ai_inf
Forwarded from هوش مصنوعی (amir)
پنج تا وبسایت که اگه دانشجویی به دردت میخوره:

Notedly.ai
خلاصه مقالات
Zoterobib
شناسایی رفرنس ها
mjl.clarivate.com
چاپ سریع مقاله isi
editpad.org
پیدا کردن عنوان مقاله
julius.ai
تحلیل مقالات

🔹@ai_inf
Forwarded from codepedia (M admin)
۱۲۰ هوش مصنوعی دسته بندی شده


🆔 @code_pedia
همه هوش مصنوعی‌های جدید رو اینجا پیدا کن 👇🏻

ابزار های کاربردی هوش مصنوعی رو براساس دسته بندی های مختلف میتونید مشاهده کنید و با کلیک روی لینکی که قرار دادن وارد صفحه اون ابزار بشید.

🔗 futuretools.io/

#معرفی_سایت
........................... .............................
🔻 ... Follow ... 🔻
mamrezz py : صفحه اینستاگرام
@mamrezz_py : کانال تلگرام
🔴 12 ریپوی گیت‌هاب برای یادگیری MLOps

👨🏻‍💻 خیلی‌ها هنوز ازم می‌پرسن که چطور می‌تونن MLOps رو یاد بگیرن. جوابش توی سه تا کار خلاصه می‌شه: خوندن، طراحی کردن و کدنویسی.

✔️ من اینجا 12 تا ریپوی فوق‌العاده رو معرفی کردم که بهتون کمک می‌کنه تا راحت‌تر تو مسیر یادگیری‌ MLOps پیش برین.


✏️ طراحی سیستم‌های یادگیری ماشین

1️⃣ ریپوی Designing ML Systems

تو این ریپو، می‌تونی چکیده‌ها و منابع کتاب «طراحی سیستم‌های یادگیری ماشین» رو پیدا کنی، که خیلی برای درک پایه‌ای مفیده.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی ML Technical Interviews

اینجا یه راهنمای خوب برای مصاحبه‌های فنی مربوط به یادگیری ماشین و هوش مصنوعی پیدا می‌کنی. کمک می‌کنه آماده‌تر بشی!

🐱 لینک: GitHub-Repos


3️⃣ ریپوی Post-Deployment Data Science

تو این ریپو می‌تونی با دیتا ساینس بعد از دیپلوی کردن مدل‌ها آشنا بشی، خیلی کاربردی برای پروژه‌های واقعی.

🐱 لینک: GitHub-Repos


🖥 دوره‌های آموزشی

1️⃣ ریپوی MLOps Coding Course

یه دوره خیلی خوب برای یادگیری ساخت و نگهداری یه کدبیس MLOps حرفه‌ای.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی MLOps Zoomcamp

این یه دوره رایگان از DataTalks.Club که توش می‌تونی MLOps رو یاد بگیری.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی MLOps Course

تو این دوره یاد می‌گیری چطوری اپلیکیشن‌های ML در سطح تولید رو طراحی، توسعه و پیاده‌سازی کنی.

🐱 لینک: GitHub-Repos


🖥 الگوهای کدنویسی

1️⃣ ریپوی Amazon Sagemaker Examples

کلی ژوپیتر نوت‌بوک آماده که نحوه ساخت، آموزش و دیپلوی مدل‌های یادگیری ماشین با Amazon SageMaker رو نشون می‌ده.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی MLOps Stacks

این ریپو یه پکیج آماده برای شروع پروژه‌های ML در Databricks داره که از همون اول با بهترین استانداردهای تولید همراهه.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی MLOps Template

اینجا می‌تونی یه پکیج پایتون قوی و منعطف برای شروع کارای MLOps بسازی و دیپلوی کنی.

🐱 لینک: GitHub-Repos (1) | GitHub-Repos (2)


🖊 لیست‌های آموزشی منتخب

1️⃣ ریپوی MLOps Roadmap

یه نقشه راه جامع برای یادگیری MLOps در سال 2024.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی Awesome Product ML

اینجا یه لیست از بهترین کتابخونه‌های متن‌باز برای دیپلوی، مانیتورینگ و مقیاس‌بندی ML وجود داره.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی Awesome MLOps

این ریپو پر از منابع مختلف برای MLOps است، خیلی جمع‌وجوره.

🐱 لینک: GitHub-Repos


🌐 #یادگیری_ماشین #MachineLearning

💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
دنبال یه راه سریع و راحت برای انتخاب ویژگی‌ها به صورت خودکار می‌گردی؟
الگوریتم mRMR رو امتحان کن!


👨🏻‍💻 الگوریتم mRMR یه الگوریتم بهینه برای انتخاب ویژگی‌هاست که به صورت مقیاس‌پذیر عمل می‌کنه.

✏️ یعنی چی؟ یعنی mRMR بهت کمک می‌کنه تا کوچکترین و مرتبط‌ترین مجموعه ویژگی‌ها رو برای مدل یادگیری ماشینت پیدا کنی. خیلی راحت می‌تونی ویژگی‌های اضافی رو کنار بذاری و فقط با مهم‌ترین‌ها کار کنی.

این الگوریتم با ابزارهای معروفی مثل Pandas، Polars و Spark هم سازگاره.

📄 توی مثال بالا می‌بینیم چطور میشه بهترین K ویژگی رو انتخاب کرد. خروجی هم یه لیست مرتب از ویژگی‌های مرتبط خواهد بود که می‌تونی توی برای مدل‌هات استفاده کنی.👇

🏳️‍🌈 mRMR
🐱 GitHub-Repos

pip install mrmr-selection



🌐 #یادگیری_ماشین #MachineLearning

💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
@MachineLearning_ir - ML.pdf
34 MB
🖥 جزوه «یادگیری ماشین دانشگاه شریف»

👨🏻‍💻 این جزوه که توسط دکتر حمید بیگی، استاد دانشکده کامپیوتر شریف تهیه شده، مروری جامع به سه نوع یادگیری ماشین داره: یادگیری نظارت‌شده، یادگیری بدون نظارت و یادگیری تقویتی.

هدف اصلی این جزوه اینه که یه درک عمیق از یادگیری ماشین و الگوریتم‌های مهمش بدست بیارین و بدونین چطور میشه این تکنیک‌ها و الگوریتم‌ها رو در پروژه‌های واقعی به کار برد.


🌐 #یادگیری_ماشین #ML

💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
📣 همراهان عزیز؛ شما می‌توانید به تمامی منابع دوره از جمله اسلایدها، ژوپیتر نوت‌بوک‌ها، تمرین‌ها و محتوای ترم‌های گذشته از طریق گیت‌هاب دسترسی داشته باشید.

🧡 این منابع بعد از هر جلسه به‌روز خواهند شد.

از همراهی شما عزیزان سپاس‌گزاریم.
Please open Telegram to view this post
VIEW IN TELEGRAM
شرکت OpenAI از قابلیت Canvas رونمایی کرده که مشابه Artifacts در هوش مصنوعی Claude هست و به کاربران ChatGPT این امکان رو میده که به صورت مرحله به مرحله نوشته های عادی یا کدهایی که از این هوش مصنوعی درخواست کردن رو بهبود بدن.

با فعال شدن این قابلیت در سناریوی مناسب، مثل درخواست متن یا کد، ChatGPT یک بخش جدید باز میکنه که در سمت راست صفحه قرار میگیره و خروجی رو نشون میده و در سمت چپ صفحه مکالماتی که با ChatGPT انجام شده دیده میشه. با هر تغییر جدیدی که کاربر درخواست بده، محتوای قسمت راست صفحه به طور خودکار بروزرسانی میشه و تغییرات جدید رو نشون میده.

کاربر در این بخش جدید میتونه مستقیما بخشی از متن یا کد رو تغییر بده، با انتخاب بخشی از متن از ChatGPT بخواد که فقط اون قسمت از متن یا کد رو بهتر کنه. همچنین برای متن کاربر با چند گزینه برای بهبود متن مواجه میشه که شامل گزینه هایی مثل تغییرات پیشنهادی در متن، تغییر طول اون، تغییر سطح متن از کودکستان تا دانشگاه، انجام تغییرات ریز مثل گرامر و واضح تر کردن جملات و در نهایت اضافه کردن اموجی به متن میشه.

برای کد هم گزینه های دیگه ای مثل Review code برای بهبود کد، اضافه کردن لاگ، افزودن کامنت، پیدا کردن باگها و اصلاح اونها، پورت کردن کد به زبان دیگه و در نهایت اضافه کردن مستندات میشه. اما برخلاف Artifacts، قابلیت Canvas هنوز امکان نشون دادن پیش نمایش خروجی کدهای HTML رو نداره که کمبود اون حس میشه.

این قابلیت به صورت ازمایشی از امروز برای کاربران دارای اشتراک پلاس عرضه شده و بعد از خروج از حالت ازمایشی برای همه کاربران به صورت مجانی عرضه خواهد شد.

🛍 خرید اشتراک ChatGPT Plus

🔎 techcrunch

📍 @TechTube
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Python Hints
یک پست برای مصاحبه الگوریتم توی @pyrust گذاشتم، دوستان پیام دادن پس پایتون چی

کتاب پیاده‌سازی الگوریتم و آموزش و ... توی پایتون چندتایی معرفی شده (بخش Posts کانال رو ببینید، اگر قابلیت استوری برگرده کتاب گذاشتن رو ادامه میدم، چندتا خوب یافتم)

ولی اگر فقط پیاده‌سازی می‌خواید برای تمرین مصاحبه :

https://github.com/TheAlgorithms/Python

خیلی بعید هست کسی مستقیم این پیاده‌سازی‌ها رو بپرسه (من بعضی وقتا که مصاحبه شونده سواد نداره ولی ادعا می‌کنه الگوریتم رو عالی بلد هست می‌پرسم)

معمولاً بجای پیاده‌سازی مستقیم به شما مسئله‌ای داده میشه که راهکار حل اون یک الگوریتم خاص هست و اینجوری سوالات پیاده‌سازی الگوریتمی پرسیده میشه.
This media is not supported in your browser
VIEW IN TELEGRAM
Pika 1.5
به روز شده تولید کننده ویدئو Pika.

اکنون می توان اشیاء موجود در ویدئو را باد کرد، فشرده کرد، مانند کیک برش داد، منفجر کرد و تحت فشار قرار داد. در این صورت، نسل ها کاملا واقع بینانه به نظر می رسند.

http://pika.art/

#هوش_مصنوعی
@DeepLearning_fa - Mathematical Theory of DL.pdf
8 MB
✏️ جزوه "ریاضیات یادگیری عمیق"

👨🏻‍💻 یادگیری عمیق فقط یه بحث کدنویسی نیست، بلکه نیاز به فهم ریاضیات پشت ماجرا داره تا بتونید مدل‌های دقیق و بهینه‌تری بسازین.

جزوه‌ای که بهتون معرفی می‌کنم، پایه‌ ریاضیات یادگیری عمیق رو از سه جنبه مهم پوشش میده: نظریه تقریب، بهینه‌سازی و یادگیری آماری. به زبونی ساده و قابل فهم، شما رو با مفاهیم اصلی و اساسی آشنا می‌کنه و کمک می‌کنه پایه‌ ریاضیاتی خوبی رو برای درک مدل‌های یادگیری عمیق ایجاد کنین.


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
🚀 با این تغییر کوچیک سرعت آموزش مدل‌هات رو تا 5 برابر افزایش بده!

👨🏻‍💻 پایتورچ توی آموزش مدل‌ها با GPU چند تا تنظیم پیش‌فرض داره که بهینه نیستن و من با یه تغییر کوچیک توی تنظیمات، تونستم حدود 5 برابر سرعت آموزش مدل‌ها رو افزایش بدم!

چطوری این کارو کردم؟ توی هر مدل PyTorch که با GPU کار می‌کنه، وقتی GPU در حال پردازشه، CPU بیکار می‌مونه و برعکس. اینجا جایی‌ایه که می‌تونیم با استفاده از Memory Pinning این وضعیت رو بهینه کنیم.


✔️ چطور Memory Pinning رو فعال کنیم؟

1️⃣ توی آبجکت DataLoader گزینه pin_memory=True رو فعال کن.

2️⃣ هنگام انتقال داده‌ها به GPU از این دستور استفاده کن: .to(device, non_blocking=True)

3️⃣ همچنین مقدار num_workers رو توی DataLoader تنظیم کن تا از چند هسته CPU برای تسریع انتقال داده‌ها استفاده بشه.

با این تنظیمات ساده، می‌تونی سرعت آموزش مدل‌هات رو به طور چشمگیری افزایش بدی!

🌫 Memory Pinning


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
💡 ساده‌سازی مدل‌های یادگیری عمیق
تنها با یه خط کد!

👨🏻‍💻 اگه بهینه‌سازی و کاهش حجم مدل‌های یادگیری عمیق برات دغدغه‌ست، دیگه لازم نیش بهش فکر کنی! حالا با ابزار torchao می‌تونی مدل‌هات رو به راحتی کوانتیزه کنی، اون هم فقط با یه خط کد!👌

✔️ تازه اگه شک داری که کدوم روش کوانتیزاسیون مناسب‌تره، می‌تونی از قابلیت autoquant استفاده کنی تا خودش به صورت خودکار لایه‌های مدل رو کوانتیزه کنه.

✏️ این یعنی تو به جای اینکه وقتت رو روی انتخاب روش مناسب هدر بدی، فقط یه خط کد می‌نویسی و همه چیز رو می‌سپاری به torchao. با این ابزار راحت‌تر از همیشه مدل‌های یادگیری عمیق رو بهینه کن!👇

torchao
🐱 GitHub-Repos


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
🔄 معماری شبکه‌های عصبی رو راحت و دقیق طراحی کن!

👨🏻‍💻 یکی از مشکلات مهندس‌های ML اینه که معماری شبکه‌های عصبی رو به صورت دستی طراحی می‌کنن. این کار علاوه بر زمانبر بودن، چالش‌های زیادی هم به همراه داره!

✔️ اگه می‌خواین معماری شبکه‌های عصبی‌ رو دقیق و با جزئیات فوق‌العاده طراحی کنین، ابزار NN-SVG رو امتحان کنین!

با این ابزار می‌تونین بدون دردسر و طراحی دستی، معماری شبکه‌هاتون رو به صورت پارامتریک بسازین و هر چیزی رو به راحتی تغییر بدین.

✏️ از ویژگی‌های مهم این ابزار:

1️⃣ طراحی پارامتریک: تغییر راحت معماری.
2️⃣ خروجی SVG: مناسب برای مقالات علمی.

💸 NN-SVG
💰 Website
🐱 GitHub-Repos


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
@DeepLearning_fa - DL.pdf
85.3 MB
🌫 جزوه «یادگیری عمیق دانشگاه شریف»

👩🏻‍💻 این جزوه که توسط دکتر حمید بیگی، استاد دانشکده کامپیوتر شریف تهیه شده، اصول اولیه یادگیری عمیق رو به شکلی ساده و قابل فهم توضیح میده. این دوره قدم به قدم، از مدل‌های ساده‌ای مثل پرسپترون چند لایه تا مفاهیم پیچیده‌تری مثل مدل‌های دنباله به دنباله (Sequence-to-Sequence) رو پوشش میده.

📝 از لحاظ پیاده‌سازی هم از فریم‌ورک‌های پرکاربردی مثل PyTorch و TensorFlow استفاده میشه که هر کسی که توی این حوزه فعالیت می‌کنه باید باهاشون آشنا باشه. این فریم‌ورک‌ها کمک می‌کنن تا به راحتی مدل‌ها رو اجرا و تست کنید.

اگه دنبال یادگیری دیپ لرنینگ با یه رویکرد کاربردی و عملی و در عین حال جامع هستین، این جزوه دقیقاً همون چیزیه که بهش نیاز دارین.👌


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
📂 دوره جامع «مدل‌های مولد عمیق»
🛡 از دانشگاه استنفورد

👩🏻‍💻 وقتی می‌خوای وارد دنیای مدل‌های مولد بشی، لازمه که اول مبانی رو خوب یاد بگیری، و هیچ جایی بهتر از دوره دانشگاه استنفورد نمی‌تونه کمکت کنه! این دوره، قدم‌به‌قدم تو رو با مفاهیم پایه‌ای و مدل‌های پیشرفته مولد عمیق آشنا می‌کنه و یه منبع حرفه‌ای و جامع برای یادگیری مدل‌های مولد عمیقه.

✔️ پس اگه میخوای بدونی چطور این مدل‌ها می‌تونن از پردازش تصویر تا زبان طبیعی NLP و حتی حل مسائل پیچیده مثل یادگیری تقویتی رو متحول می‌کنن، این دوره دقیقا برای توئه که هم آموزش جامع می‌ده و هم کلی مثال واقعی از پروژه‌های صنعتی رو پوشش میده.👇

🔴 Deep Generative Models
⌨️ Course Homepage
📹 Lecture Videos
🐱 GitHub-Repos


🌐 #یادگیری_عمیق #DeepLearning

🧠 مهندس یادگیری عمیق شوید :
🧠 @DeepLearning_fa
Please open Telegram to view this post
VIEW IN TELEGRAM
تمرین های مختلف ماشین لرنینگ با deep-ml

وبسایت Deep-ML پر از تمرین‌های چالش‌برانگیز توی زمینه‌های مختلف مثل یادگیری ماشین، یادگیری عمیق و جبر خطیه. از مسائل ساده مثل محاسبه‌ی ماتریس تا تمرین‌های پیشرفته مثل پیاده‌سازی رگرسیون خطی و توابع فعال‌ساز.

تمرین‌ها بر اساس سختی مرتب شدن؛ از آسون تا سخت. هر تمرین هم راهنمایی‌ها و توضیحات لازم رو داره که اگه گیر کردین، کمکتون می‌کنه.
لینک

@silicon_brain | از هوش مصنوعی عقب نمانید
نسخه جدید چت‌بات مایکروسافت Copilot
خیلی بهینه شده
قابلیت ساخت عکس با متن
حالت صوتی پیشرفته
تغییرات زیادی داده شده

روی نسخه موبایل بروزرسانی هم اکنون در دسترس است
copilot android
https://play.google.com/store/apps/details?id=com.microsoft.copilot

copilot ios
https://apps.apple.com/us/app/microsoft-copilot/id6472538445

نسخه وب رو بزارید روی کشور آمریکا
https://copilot.microsoft.com