گراف‌های دانش به مدل‌های زبانی (LLM) کمک می‌کنند تا با درک روابط پیچیده بین کاربران و آیتم‌ها، ترجیحات کاربران را بهتر یاد بگیرند.
هوشمندتر کردن پیشنهادات هوش مصنوعی با فهمیدن دلیل علاقه شما به چیزها
◾️ Knowledge Graph Enhanced Language Agents for Recommendation
#مقاله #ایده_جذاب #گراف #مدل_زبانی
#LLM #DL #ML #MachineLearning #DeepLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله AutoProteinEngine (AutoPE) را معرفی می‌کند، یک چارچوب AutoML چندوجهی مبتنی بر مدل‌های زبانی بزرگ (LLM) برای مهندسی پروتئین که به زیست‌شناسان بدون تخصص در یادگیری عمیق امکان می‌دهد با مدل‌های یادگیری عمیق از طریق زبان طبیعی تعامل داشته باشند.
ا AutoPE با ادغام LLM‌ها و AutoML قابلیت‌هایی مانند انتخاب مدل (برای حالت‌های توالی و گراف)، بهینه‌سازی ابرپارامترها، و بازیابی خودکار داده‌ها را ارائه می‌دهد. این سیستم بهبود عملکرد قابل‌توجهی نسبت به روش‌های سنتی در دو کاربرد واقعی مهندسی پروتئین نشان داده است.
◾️ AutoProteinEngine: A Large Language Model Driven Agent Framework for Multimodal AutoML in Protein Engineering
#علوم_پزشکی #مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Vector Database by hand ✍️
Building a Vector Database in Excel

#SVM #DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

در این مقاله از اینکه مشکل شبکه های عصبی چیست؟ صحبت میشه و بحث به اینکه چرا نیاز به شبکه های عصبی بیزی داریم به پایان میرسه.
◾️ Bayesian Neural Networks
#شبکه_عصبی #مقاله #آمار
#BNN #DL #ML #DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

اگر هوش مصنوعی بتواند پیشرفت بیماری را به عنوان یک ویدیو شبیه سازی کند چه می شود؟
▪️ Medical Video Generation for Disease Progression Simulation
#علوم_پزشکی #مقاله #ایده_جذاب #شبیه_سازی #هوش_مصنوعی #بیماری #پیشرفت_بیماری
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

چهار تعریف زیبا و ساده در مورد کلاس ها اشیا در برنامه نویسی:‌
پروقرام یازمادا دورد گوزل و ساده تانیتما شئیلره گورا.
Classes - Classes are a collection of data and the actions that can modify the data. Programming is a very abstract task. Classes were created to give users a mental model of how to think about data in a more concrete way. Classes act as the blueprint. They tell C++ what data is collected and how it can be modified.
Objects - Objects are constructed according to the blueprint that is the class. In the code above, the variable s is a string object. It is not the class. The string class tells C++ that s has functions like length, append, and replace. When a programmer wants to use a class, they create an object.
Instance - Another way that programmers talk about objects is to say that an object is an instance of a particular class. For example, s is an instance of the string class.
Instantiation - Instantiation is the process where an object is created according to a blueprint of the class. The phrase “define a variable” means to create a variable. The variable is given a name and a value. Once it has been defined, you can use the variable. With objects, you use the phrase "instantiate an object". That means to create an object, give it a name, store any data, and define the actions the object can perform.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

📊 Navigating the Tension Between Black Box and Interpretable Algorithms in Machine Learning! 🤖
✨ Balancing accuracy and interpretability is essential! Linear Regression is simple, but Neural Networks deliver high accuracy at the cost of being black boxes.
کدام یک برای شما مهم‌تر است—دقت یا تفسیرپذیری؟ 🤔💡
تصور کنید یک الگوریتم هوشمند به شما می‌گوید که به بیماری خاصی مبتلا هستید. آیا دوست دارید دلیل این تشخیص را بدانید یا فقط به نتیجه نهایی علاقه‌مندید؟ این همان چالشی است که در دنیای یادگیری ماشین با آن روبرو هستیم!
از یک طرف، الگوریتم‌هایی مثل شبکه‌های عصبی با دقت بسیار بالا تصمیم‌گیری می‌کنند اما مثل یک جعبه سیاه عمل می‌کنند و نمی‌توانیم بفهمیم چرا چنین تصمیمی گرفته‌اند. از طرف دیگر، الگوریتم‌هایی مثل درخت‌های تصمیم قابل فهم‌تر هستند اما ممکن است دقت کمتری داشته باشند.
#MachineLearning #Algorithms #Interpretability #Accuracy #DeepLearning #DataAnalytics #DataScience #dataset #knowledge
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

LangChain in LLM
What is LangChain in LLM?
📌توضيحات فارسی
#LLM
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

تبدیل ویدیو به ویدیو مسیج با پایتون در تلگرام
⚪️ به کمک این کد میتونید یک ربات توی تلگرام بسازید که ویدیو های عادی رو به ویدیو گرد یا ویدیو مسیج تبدیل کنه

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

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

💻 کد مورد نیاز :

import os
import ffmpeg
from telethon import TelegramClient, events

API_ID = 'YOUR_API_ID'  
API_HASH = 'YOUR_API_HASH'  
BOT_TOKEN = 'YOUR_BOT_TOKEN'  

bot = TelegramClient('bot', API_ID, API_HASH).start(bot_token=BOT_TOKEN)

@bot.on(events.NewMessage(pattern='/start'))
async def start(event):
    
    await event.respond('سلام! لطفاً ویدیو خود را ارسال کنید تا آن را به ویدیو مسیج تبدیل کنم.')

@bot.on(events.NewMessage(func=lambda e: e.video))
async def handle_video(event):
   
    video = await event.message.download_media()
    output_path = f'video_note_{event.sender_id}.mp4'

  
    try:
        ffmpeg.input(video).output(output_path, vf='scale=240:240', r=30).run()
        
        await bot.send_file(event.chat_id, output_path, video_note=True)
    except Exception as e:
        await event.respond(f"خطا در پردازش ویدیو: {e}")
    finally:
        os.remove(video)
        if os.path.exists(output_path):
            os.remove(output_path)

@bot.on(events.NewMessage)
async def handle_message(event):
    
    await event.respond("لطفاً ویدیو ارسال کنید تا آن را به ویدیو مسیج تبدیل کنم.")

print("ربات در حال اجراست...")
bot.run_until_disconnected()
#از کد مطابق سیاست های تلگرام و اخلاقی استفاده کنید 

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

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🌐 شبکه عصبی CNN چیست؟ شبکه عصبی کانولوشنال (CNN) نوعی الگوریتم یادگیری عمیق است که از مغز انسان الهام گرفته شده است. این به ویژه برای تجزیه و تحلیل داده های بصری قدرتمند است.
🧩 مولفه اصلی: لایه کانولوشنال لایه کانولوشن قلب یک CNN است. چندین فیلتر را روی تصویر ورودی اعمال می کند، هر فیلتر ویژگی های مختلفی مانند لبه ها، بافت ها و الگوها را تشخیص می دهد. این فرآیند به شبکه اجازه می دهد تا تصویر را با جزئیات درک کند.
در اینجا نحوه کار آن آمده است:
پیچیدگی: شبکه تصویر را در بخش های کوچک اسکن می کند و آن را در سه بعد (ارتفاع، عرض و عمق) بررسی می کند تا جزئیات پیچیده را ثبت کند.
فعال‌سازی: توابع غیرخطی مانند ReLU (واحد خطی اصلاح‌شده) برای معرفی غیرخطی استفاده می‌شوند و شبکه را قادر می‌سازد تا الگوهای پیچیده را بیاموزد.
ادغام: این مرحله ابعاد نقشه های ویژگی را کاهش می دهد و شبکه را از نظر محاسباتی کارآمد می کند و در عین حال اطلاعات مهم را حفظ می کند.
#CNN #DL #ML #MachineLearning #DeepLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

با پایتون تبدیل به روح شو
⚪️ خیلی از سایت ها وقتی واردشون میشید یک سری اطلاعات مثل آیپی ازتون سیو میکنند با این کد میتونید اون سایت هارو ببنید بدون اینکه خودتون واردش بشید
🔗 اول از این سایت یک پروکسی دریافت کنید و بعد تو کد زیر جای گذاری و کد رو اجرا کنید یک فایل سیو می‌کنه که با باز کردنش میتونید سایت رو ببنید

import requests

# تعریف پروکسی‌ها
proxies = {
    "http": "http://your_proxy_address:port",
    "https": "http://your_proxy_address:port"
}

# تعریف آدرس URL
url = "http://yoursite.com"

response = requests.get(url, proxies=proxies)
with open("website.html", "w", encoding="utf-8") as file:
    file.write(response.text)

print("Done")

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

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

یادگیری ماشین کاربردی با پایتون با کتاب آنلاین Applied ML
ایبوک دکتر مایکل پیزونکا استادیار دانشگاه تگزاس به همراه ویدئوها و تمرین ها و پروژه های عملی
https://geostatsguy.github.io/MachineLearningDemos_Book/intro.html
#هوش_مصنوعی #پایتون #یادگیری_ماشین #کتاب
#python #MachineLearning #Book
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🔹
EVERY PROGRAMMER SHOULD KNOW
🔹
🔗 https://github.com/mtdvio/every-programmer-should-know?tab=readme-ov-file
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

سه تا از مدلهای #علوم_پزشکی توسط گوگل اوپن سورس شد.
▪️ Dermatology
▪️ Pathology
▪️ Chest X-ray
▪️ Helping everyone build AI for healthcare applications with open foundation models
#مقاله #ایده_جذاب #گوگل #مدل #علوم_پزشکی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله یکی از ۱۰ مقاله برتر کنفرانس ICLR 2024 هست اما این مقاله چیه: در این مقاله یک ترنسفورماتور دیفیوژن رو معرفی کردند تا بدون کاستن از کیفیت عکس ها عملکرد و قدرت پردازش بسیار بالاتری رو نسبت به ابزارهای معرفی شده ارایه بده این مدل با فشرده سازی بیشتر تصاویر استفاده کردند و یکی دیگه از مزیت های این مدل که در قبلی ها با self attention بودند VAE بوده و سعی کردند در این مدل صرفا روی بازسازی و فشرده سازی مصنوعی VAE کار کنند.
▪️ Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer: Exploring the Frontiers of Efficient Generative Foundation Models
#مقاله #ایده_جذاب #علوم_پزشکی #کنفرانس
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

RoPE embedding, from scratch with all the math
▪️RoFormer: Enhanced Transformer with Rotary Position Embedding
▪️ You could have designed state of the art positional encoding
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Seminar: A Journey into PyTorch, the Ecosystem, and Deep Learning Compilers
https://www.sscardapane.it/seminars/pytorch-journey.html
#پایتون #پایتورچ #منابع #کتابخانه #مدلسازی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

از سایت هایی دانلود رو بستن چطوری دانلود کنیم؟
⚪️ کد زیر رو وقتی اجرا کنید ازتون لینک یک سایت یا صفحه رو میخواد و بعد سورسش رو استخراج می‌کنه و سیو می‌کنه براتون و لینک هایی تو اون سورس بوده رو نشون میده که شما میتونید بین لینک ها لینک دانلود مورد نظر رو پیدا و دانلود کنید. (بر اساس نیاز میتونید کد رو ادیت کنید.)
💻 کد مورد نیاز:

import requests
import re

url = input("لینک صفحه وب را وارد کنید: ")

try:
    response = requests.get(url)
    response.raise_for_status()  
    with open("page_source.html", "w", encoding="utf-8") as file:
        file.write(response.text)
    print("سورس صفحه با موفقیت در فایل 'page_source.html' ذخیره شد.")

    pattern = r'(https?://[^\s"\']+)'   
    all_links = re.findall(pattern, response.text)

    desired_formats = ['mp3', 'mp4', 'pdf']
    keywords = ['cdn', 'https', 'http']
    resolutions = ['720', '360', '128', '1080', '480', '144', '240']

    filtered_links = []
    for link in all_links:
        if (any(keyword in link for keyword in keywords) or 
            any(link.endswith(fmt) for fmt in desired_formats) or 
            any(res in link for res in resolutions)):
            filtered_links.append(link)
    print("\nلینک‌های فیلتر شده در صفحه:")
    for link in filtered_links:
        print(link)

except requests.exceptions.RequestException as e:
    print("خطا در دریافت صفحه:", e)

🗂 پیش نیاز ها:

pkg install python3

pip install requests

pip install re

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

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻