👁‍🗨 ...چشم الکترونیکی نیل هاربیسون: شنیدن رنگ‌ها به جای دیدن آن‌ها!... 👁‍🗨
🎆 تصور کنید رنگ‌ها را بشنوید! این همان تجربه‌ای است که نیل هاربیسون، هنرمند سایبورگ، با دستگاه چشم الکترونیکی یا ایبُرگ خود خلق کرده است. به دلیل آکروماتوپسی (کوری کامل رنگ)، او قادر به تشخیص رنگ‌ها نبود، اما این دستگاه به او امکان می‌دهد رنگ‌ها را به‌صورت صدا درک کند.
🎆 چگونه؟ دستگاه با حسگر رنگی خود فرکانس‌های نوری را تشخیص داده و آن‌ها را به فرکانس‌های صوتی تبدیل می‌کند که از طریق لرزش‌های استخوانی به گوش او منتقل می‌شوند. این فرایند بر پایه‌ی تبدیل طول موج نور به صداست که به هاربیسون اجازه می‌دهد رنگ‌ها را به‌جای دیدن، بشنود.
🎆 این فناوری ترکیبی از علم اعصاب، سایبرنتیک و هنر است و نه‌تنها درک رنگ او را متحول کرده بلکه نگاه ما به توانایی‌های انسانی را نیز به چالش می‌کشد!
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

تجربه‌ای که نیل هاربیسون از شنیدن رنگ‌ها داره توسط هیچ کسی قابل درک نیست، ولی اگر دلت میخواد مداری ببندی که صدای رنگ ها رو برات دربیاره، بهت میگم چطوری:
⚙️ قطعات مورد نیاز:
1. برد آردوینو (مثلاً Arduino Uno)
2. ماژول سنسور رنگ TCS3200
3. بازر (buzzer)
4. سیم جامپر
🔌 اتصالات مدار:
1. اتصال سنسور رنگ TCS3200:
- سنسور را به ترتیب به پین‌های دیجیتال ۴، ۵، ۶، ۷، و ۸ آردوینو متصل کنید. و VCC به ۵ ولت و GND به GND آردوینو وصل شود.
2. اتصال بازر:
- پایه مثبت بازر به پین دیجیتال ۹ وصل شود.
- پایه منفی بازر به GND آردوینو متصل شود.
🧑‍💻و در نهایت این کد رو روی آردوینو بریز:

#include <TCS3200.h>

#define S0 4
#define S1 5
#define S2 6
#define S3 7
#define OUT_PIN 8
#define BUZZER_PIN 9

// Initialize the TCS3200 color sensor
TCS3200 colorSensor(S0, S1, S2, S3, OUT_PIN);

// Map RGB values to sound frequency ranges
int colorToFrequency(int red, int green, int blue) {
    int frequency;
    
    if (red > green && red > blue) {
        // Red detected: Map red intensity to 500-1000 Hz
        frequency = map(red, 0, 255, 500, 1000);
    } 
    else if (green > red && green > blue) {
        // Green detected: Map green intensity to 1000-1500 Hz
        frequency = map(green, 0, 255, 1000, 1500);
    } 
    else {
        // Blue detected: Map blue intensity to 1500-2000 Hz
        frequency = map(blue, 0, 255, 1500, 2000);
    }
    
    return frequency;
}

void setup() {
    Serial.begin(9600);
    colorSensor.begin();
    pinMode(BUZZER_PIN, OUTPUT);
}

void loop() {
    int red = colorSensor.readRed();
    int green = colorSensor.readGreen();
    int blue = colorSensor.readBlue();
    
    // Print RGB values to the serial monitor
    Serial.print("R: ");
    Serial.print(red);
    Serial.print(" G: ");
    Serial.print(green);
    Serial.print(" B: ");
    Serial.println(blue);

    // Convert the detected color to a sound frequency
    int frequency = colorToFrequency(red, green, blue);

    // Play the frequency on the buzzer
    tone(BUZZER_PIN, frequency, 200);  // Play tone for 200 milliseconds
    delay(300);                        // Small delay before the next tone
}

💻 توضیحات کد:
1. تابع colorToFrequency برای هر رنگ اصلی مقادیر RGB را به یک بازه فرکانسی خاص تبدیل می‌کند:
- قرمز به بازه‌ی ۵۰۰ تا ۱۰۰۰ هرتز
- سبز به بازه‌ی ۱۰۰۰ تا ۱۵۰۰ هرتز
- آبی به بازه‌ی ۱۵۰۰ تا ۲۰۰۰ هرتز
2. تابع tone برای پخش فرکانس تعیین‌شده از بازر به مدت ۲۰۰ میلی‌ثانیه استفاده می‌شود و صدای متفاوتی را بر اساس رنگ شناسایی‌شده تولید می‌کند.
3. خروجی سریال: مقادیر RGB به مانیتور سریال چاپ می‌شوند تا شما بتوانید شدت رنگ‌های شناسایی‌شده را در زمان واقعی مشاهده کنید.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

الگوریتم dbscan: نمودی از مظلومیت ماشین‌لرنینگ در برابر تجاوز دیپ‌لرنینگ
معمولا وقتی اسم کلاسترینگ به گوش می‌خوره، معروف‌ترین اسمی که به ذهن میاد kmeans هست. ولی خب روش‌های معروف دیگه‌ای هم جز kmeans هستند. یکی از معروف‌ترین این روش‌ها dbscan است. این روش این شکلیه که دو تا هایپرپارامتر اپسیلون و مینیمم تعداد همسایگی داره و میاد برای هر نقطه حساب می‌کنه می‌بینه در همسایگی به میزان اپسیلون اون نقطه، چند تا نقطه دیگه وجود دارند، اگر به اندازه اون هایپرپارامتر مینیمم تعداد همسایگی، نقطه وجود داشته باشه، اون نقطه به عنوان core point تعیین می‌شه. در مرحله بعدی می‌بینه که چه core point‌هایی حالا در همسایگی هم هستند و یک chain یا در واقع یک connected component رو تشکیل می‌دن. به مجموعه اون core point‌ها یک کلاستر تخصیص می‌ده. حالا نقاط دیگه یا در همسایگی یکی از این core point‌های یک کلاستر هستند که در این صورت جزو اون کلاستر می‌شن، یا در مجموعه همسایگی هیچ core point ای واقع نمی‌شن و در این صورت بهشون لیبل outlier می‌خوره. dbscan روش جالبیه و برخلاف kmeans می‌تونه بیشتر روی توزیع فوکس کنه و کلاسترهایی با شکل‌های غیر توپی دربیاره، مثلا میتونه در کیسی که یک کلاستر، بیرون یک کلاستر دیگه رو محاصره کرده، کلاسترها رو از هم جدا کنه.
نکته این پست اما اینه که شما اگر الان برید از دانشجوهای هوش مصنوعی دانشگاه شریف هم بپرسید که dbscan چیه، به ندرت می‌دونن که چیه. در زمان‌های نه چندان دور، معمولا dbscan یا در درس یادگیری ماشین بهش اشاره‌ای می‌شد و یا این که اگر درس ارائه انتهای ترم داشت، کسی راجع به dbscan ارائه می‌داد. امروز اما اوضاع فرق کرده. قبلاها در درس یادگیری ماشین، خیلی مباحث نظیر انواع روش‌های کلاسترینگ یا مثلا انواع روش‌های feature reduction بحث می‌شد ولی جدیداها با مدشدن دیپ‌لرنینگ، آتشش به دامن کورس یادگیری ماشین هم گرفته و به جای بحث در مورد یادگیری ماشین، انگار درس دیپه که ارائه می‌شه. خیلی‌ها این نظر رو دارند که دیگه اون روش‌های سابقی که تو ماشین لرنینگ بحث می‌شد با اومدن دیپ لرنینگ معنایی ندارند و نباید وقتی بابت اونها تلاف بشه. نظر شخصی من اما اینه که بخشی از وظیفه یک درس یا کورس، آموزش نحوه تفکر و مدلسازی هست و نه آموزش صرفا بهترین مدل‌سازی. خیلی مسائل و الگوریتم‌ها در همین مباحث یادگیری ماشین غیردیپی هستند که روش‌های دیپ روش جوابی ندارد یا جواب دارند ولی به طرز دیگه‌ای به مساله نگاه می‌کنند. ممکنه مطرح کنید که خب وقتی طرف با مساله کلاسترینگ مواجه شد می‌ره سرچ می‌کنه و می‌بینه که روش dbscan ای هم هست و یادش می‌گیره. منتهای مطلب این لازمه‌اش اینه که حداقل در متن درس ماشین لرنینگ،‌ یک اشاره‌ای بشه که همه یادگیری ماشین، شبکه عصبی نیست و به گوش دانشجو بخوره که روش‌های کلاسترینگ موثر دیگه‌ای هم هست.
#تجارب #الگوریتم #یادگیری_عمیق #یادگیری_ماشین
#DeepLearning #MachineLearning #dbscan
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

هدف modeltime اینه که پیش‌بینی‌های سری‌های زمانی رو با سرعت و مقیاس‌پذیری بالا و به ساده‌ترین شکل ممکن در R انجام بده!
ویژگی‌های modeltime:
1. کار با مدل‌های مختلف سری زمانی
• از ARIMA و Exponential Smoothing تا Prophet و رگرسیون خطی، Elastic Net، XGBoost و حتی بیشتر!
2. جریان کاری یادگیری ماشین برای پیش‌بینی
• برخلاف پکیج‌های قدیمی مثل forecast و fable، modeltime از یک جریان کاری مشابه یادگیری ماشین استفاده می‌کنه که شامل مجموعه‌های آموزشی/آزمایشی و فواصل همسانی هست.
3. مقایسه بصری مدل‌ها
• یکی از مزایای بزرگ modeltime، توانایی مقایسه سریع و بصری مدل‌های مختلفه.
4. معیارهای دقت
• علاوه بر نمایش‌های بصری، می‌تونیم معیارهای دقت هر مدل و گروه‌های سری زمانی مختلف رو هم دریافت کنیم.
5. پیش‌بینی نهایی
• پس از انتخاب مدل یا مدل‌های مناسب، پیش‌بینی نهایی سریع و آسونه!
https://business-science.github.io/modeltime/articles/getting-started-with-modeltime.html

#علم_داده #پیش‌بینی #R #مدل_سازی #سری_زمانی #یادگیری_ماشین #تحلیل_داده
#DeepLearning #MachineLearning #DataScience #ML #DL #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

⏰ چقدر زمان لازمه تا الگوریتمت اجرا بشه؟
📝 راهنمای جامع برای «پیچیدگی زمانی»
👨‍💻 وقتی داری روی یه مدل یادگیری ماشین کار میکنی، یکی از مهم‌ترین چیزایی که باید بدونی
اینه که الگوریتمت با افزایش حجم داده چقدر سریع یا کند عمل می‌کنه. این همون مفهوم پیچیدگی زمان هست، و بهت کمک می‌کنه بهترین الگوریتم رو برای داده‌هات انتخاب کنی!
✔️ بررسی چند تا از معروف‌ترین الگوریتم‌ها:
┌ Time Complexity
├ PDF (1)
└ PDF (2)

#الگوریتم #پیچیدگی_زمانی #یادگیری_ماشین
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

هرچند بقیه خودروسازی‌ها اینو دارند اخیرا هم‌چینی ها اگر دست روی فرمون نباشه هشدار میده و صنعت خودروسازی جهان داره به سمت امنیت بیشتر سرنشینان سوق پیدا میکنه.
کسایی که در حیطه ماشین های خودران کار میکنید ی بخشی از اینده شما میتونه چنین پروژه هایی باشه.
#ماشین_خودران #بینایی_ماشین #مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

ایشون اومدن با کمک مدلهای زبانی بزرگ یه برنامه نوشتن که کافیه بهش بگید چی میخواهید، براتون سرویسش رو درست می‌کنه و دیپلوی می‌کنه.
کد:
https://github.com/jina-ai/gptdeploy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

دوتا اکستنشن کاربردی برای برنامه نویس ها
⚪️ این دوتا اکستنشن از معروف ترین و محبوب ترین اکستنشن هایی هستند که به شما کمک میکنند توی سایت های مختلف متوجه بشید برای ساختش از چه زبان ها و ابزاری استفاده شده.
⚪️ این اکستنشن ها ی کاربردی علاوه بر برنامه نویس ها به کمک افراد عادی هم میان چون فونت هایی که تو سایت ها استفاده شده رو هم میتونید پیدا کنید.
⚪️ علاوه بر قابلیت هایی گفته شد میتونید نوع پایگاه داده، ابزارهای سئو، Tag managers، Analytics، JavaScript frameworks، WordPress themes، Programming languages و …سایت رو هم مشاهده کنید.
✅ لینک نصب اکستنشن اول

✅ لینک نصب اکستنشن دوم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Understanding Multimodal LLMs
An introduction to the main techniques and latest models
https://magazine.sebastianraschka.com/p/understanding-multimodal-llms
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

317 کتاب هوش‌مصنوعی، علم داده و یادگیری ماشین
از این وبسایت کتابهای مهندسی و علوم کامپیوتر را رایگان دانلود کنید.
https://link.springer.com/search?package=openaccess&facet-content-type=%22Book%22&facet-discipline=%22Computer+Science%22
#کتاب #منابع
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

زمستان Scaling برای هوش مصنوعی؟
یکی از اخبار داغ این روزهای هوش مصنوعی، پستی بود که رویترز منتشر کرد و در اون ادعا کرد که Ilya Sutskever، یکی از بنیانگذاران openai که بعد از کودتای سم آلتمن مجبور به ترک این شرکت شد، به رویترز گفته که پارادایم اسکیلینگ روی LLM‌ها گویا دچار مشکل شده و نهایتا داره انگار آروم می‌گیره و فلت می‌شه و رشدشون کم و کمتر میشه. توضیح این که scaling به زبان خیلی خلاصه، ایده‌ای هست که میگه هر چه قدر مدلها رو بزرگتر کنیم و داده آموزشی‌شون رو هم بیشتر کنیم، عملکردشون هم بهتر و بهتر می‌شه، تا حدی که بالاخره به AGI و هوش جامع مصنوعی برسیم. حالا ایلیا ادعا کرده که این ایده با مشکل مواجه شده، به این لفظ زیر ایلیا توجه کنید:

The 2010s were the age of scaling, now we're back in the age of wonder and discovery once again. Everyone is looking for the next thing. Scaling the right thing matters more now than ever.

در ادامه این پست رویترز هم راجع به تلاش شرکت‌های مختلف برای انتقال اسکیل‌کردن از سمت pretraining به سمت هنگام inference شده. ایده‌ای که در O1 هم گویا اجرایی شده.
در این خصوص اما، بلاگی هم به طرز جذابی اومده همین قضیه رو توضیح داده. راجع به این توضیح داده که openAI دچار وقفه در انتشار مدل بعدی نسبت به GPT4 شده و مدل پسا GPT4 ای هم که آموزش دادند گویا میزان جامپش به نسبت مدل‌های قبلی بسیار کمتره. در واقع این مدل که ازش به نام Orion نام برده در تسک‌های زبانی نسبت به مدل‌های قبلی بهتره ولی در تسک‌هایی مثل کدزنی نتونسته برتری خاصی رو ارائه کنه. این بلاگ در ادامه هم یک بحث جالبی راجع به اقتصاد هوش مصنوعی کرده. راجع به ایده اسکیل‌کردن O1 در test-time بحث کرده و گفته که اون نموداری که OpenAI ارائه داده محور افقیش از مرتبه لگاریتمی بوده، و حالا ممکنه که O1 با اسکیل‌کردن بتونه انسان رو شکست بده ولی به مدت زمان بسیار زیادی نیاز داره که در رقابت با انسان عملا بی‌معنیش می‌کنه. این بحث رو کرده که رسیدن به AGI با این روند فعلی بسیار هزینه‌بر به نظر می‌رسه، چه به لحاظ دلاری و چه به لحاظ واتی. در نهایت هم می‌گه که شرکت‌های AI ای با وعده رسیدن به AGI بودجه رو از سرمایه‌گذار‌ها می‌گیرن حالا اگر مشخص بشه که رسیدن به AGI ممکن نیست و واقعا دیگه اسکیلینگ جوابگو نیست، سرمایه‌گذاری‌ها روی AI سقوط می‌کنه و فیلد دوباره وارد یک زمستون دیگه ممکنه بشه.
پی‌نوشت ۱: مدل‌های مولد فعلی هنوز بسیاری قابلیت کشف‌ناشده دارند که در صنعت ازشون استفاده نشده و شاید چندین سال زمان لازم باشه تا کاربردهای جدید ازشون ببینیم. منتهی چیزی که اینجا مورد بحثه توانایی رسیدن یا نرسیدن به AGI با این پارادایم فعلیه.
لینک رویترز:
https://www.reuters.com/technology/artificial-intelligence/openai-rivals-seek-new-path-smarter-ai-current-methods-hit-limitations-2024-11-11/
لینک بلاگ:
https://garrisonlovely.substack.com/p/is-deep-learning-actually-hitting
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

خداحافظ Adam
با معرفی ADOPT بهتره Optimizer مدل‌های Deep Learning و LLM رو تغییر بدیم. مشکل اساسی Adam در واقع عدم تضمین convergence در فرآیند آپدیت وزن‌ها بود که در ADOPT حل شده. اما این برتری فقط در تئوری نیست و در عمل هم در اکثریت مسائل از جمله pretraining در GPT-2 بهتر بوده.
ایده اصلی و راه حل برای تضمین هم‌گرایی هم دو مورد هست:
۱_ حذف گرادیان کنونی از تخمین momentum دوم
۲_ نرمالایز کردن گرادیان قبل از آپدیت momentum
Paper
Github
کد:

from adopt import ADOPT
#optimizer = Adam(model.parameters(), lr=1e-3)
optimizer = ADOPT(model.parameters(), lr=1e-3)

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻