مایکروسافت مدل زبان Phi-4 را با ۱۴ میلیارد پارامتر منتشر کرده است، که تحت مجوز MIT به صورت کامل متن‌باز در هاب هاجینگ‌فیس قرار دارد
#هوش_مصنوعی #Artificial_Intelligence
https://huggingface.co/microsoft/phi-4
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Top 10 Machine Learning Algorithms
۱۰ تا بهترین الگوریتم های یادگیری ماشین
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله مدل هوش مصنوعی LUNA را معرفی می‌کند که نقشه‌های هوادهی ریه را مستقیماً از داده‌های فرکانس رادیویی (RF) بازسازی می‌کند و نیاز به تفسیر تصاویر سنتی B-mode در سونوگرافی ریه را حذف می‌کند.
با استفاده از یک اپراتور عصبی فوریه (Fourier Neural Operator)، LUNA در اسکن‌های ریه خوک به‌صورت برون‌تنی، پس از آموزش با داده‌های شبیه‌سازی‌شده و واقعی، به خطای تخمین هوادهی 9% دست یافته است.
این روش کمی و مستقل از کاربر با هدف بهبود کاربرد تشخیصی و قابلیت تکرارپذیری #سونوگرافی ریه طراحی شده است.
▪️ Ultrasound Lung Aeration Map via Physics-Aware Neural Operators
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Python Projects with API
#هوش_مصنوعی #کتاب #پایتون #پروژه_پایتون
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله به بررسی پیش‌بینی پیشرفت بیماری #پارکینسون (PD) با استفاده از رگرسیون، شبکه‌های LSTM و شبکه‌های کولموگروف آرنولد (KAN) می‌پردازد.
شبکه KAN با بهره‌گیری از یادگیری دینامیک الگوهای فعال‌سازی، عملکرد بهتری نسبت به مدل‌های دیگر در پیش‌بینی پیشرفت بیماری بر اساس مقیاس MDS-UPDRS و ناهنجاری‌های پروتئین/پپتید نشان می‌دهد.
این مطالعه بر پتانسیل هوش مصنوعی و یادگیری ماشین در بهبود مراقبت و استراتژی‌های درمانی بیماران مبتلا به پارکینسون تأکید می‌کند.
▪️ Advancing Parkinson's Disease Progression Prediction: Comparing Long Short-Term Memory Networks and Kolmogorov-Arnold Networks
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کاربرد مدل بنیادی در انواع سلول‌های انسانی
معرفی مدل General Expression Transformer (GET): یک مدل بنیادی پیشرفته برای پیش‌بینی بیان ژن در 213 نوع سلول انسانی با استفاده از داده‌های دسترسی کروماتین و توالی ژنتیکی. مدل GET به دقتی در سطح آزمایشگاهی دست یافته است، حتی برای انواع سلول‌هایی که قبلاً دیده نشده‌اند.
کشف تعاملات فاکتورهای رونویسی جهانی و خاص سلول‌ها: مدل GET دیدگاه‌های ارزشمندی درباره مکانیسم‌های تنظیمی ارائه می‌دهد و در شناسایی عناصر تنظیمی (مانند تقویت‌کننده‌های بلندمدت که در روش‌های قبلی نادیده گرفته شده‌اند) عملکرد بهتری نسبت به مدل‌های موجود دارد.
قابلیت‌های پیش‌بینی بدون آموزش اضافی (Zero-shot): مدل GET توانایی پیش‌بینی فعالیت‌های تنظیمی را بدون نیاز به آموزش اضافی دارد. در سلول‌های K562، مدل GET عملکردی برتر نسبت به مدل‌های پیشرفته دیگر نشان داد و دقت بی‌سابقه‌ای در پیش‌بینی بیان ژن داشت.
یادگیری خودنظارتی (Self-supervised learning): مدل GET نحو (syntax) تنظیم رونویسی را ثبت می‌کند و تعاملات میان عناصر تنظیمی و فاکتورهای رونویسی را در انواع سلول‌های متنوع مدل‌سازی می‌کند.
انعطاف‌پذیری برجسته مدل: این مدل قابلیت کارکرد در پلتفرم‌ها و آزمایش‌های مختلف توالی‌یابی را دارد، از جمله کاربرد آن در سلول‌های توموری و موفقیت در پیش‌بینی تعاملات بلندمدت بین تقویت‌کننده و پروموتر.
شناسایی تعامل جدید فاکتور رونویسی خاص لنفوسیت‌ها: این مدل یک تعامل جدید فاکتور رونویسی خاص لنفوسیت را شناسایی کرد که اهمیت عملکردی یک جهش مرتبط با سرطان خون (لوسمی) را توضیح می‌دهد. این دستاورد توانایی مدل را در پیوند دادن تنوع ژنتیکی به تأثیرات تنظیمی نشان می‌دهد.
پیش‌بینی‌های ساختاری با استفاده از AlphaFold2: این مدل دینامیک تا خوردگی تعاملات فاکتورهای رونویسی را نشان داد و امکان ساخت کاتالوگی جامع از شبکه‌های فاکتورهای رونویسی را فراهم کرد که به صورت عمومی برای تحقیقات بیشتر در دسترس است.
مطالعات موردی با استفاده از مدل GET: این مطالعات بینش‌های جدیدی درباره مکانیسم‌های تنظیمی کلیدی در تنظیم هموگلوبین جنینی و پیش‌زمینه‌های لوسمی فراهم کرده‌اند و بر پتانسیل تحول‌آفرین این مدل در تحقیقات ژنتیکی تأکید دارند.
▪️ A foundation model of transcription across human cell types
▪️ Code
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

آیا مدل‌های زبان بزرگ (LLM) می‌توانند تصمیم‌گیری بالینی (CDM) را در سناریوهای دنیای واقعی متحول کنند؟
▪️ Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

سایت بسیار خوبی برای تمرین در سطح کد، در چهار حوزه یادگیری عمیق (Deep Learning)، یادگیری ماشین (Machine Learning) و جبر خطی و پردازش زبان طبیعی (NLP):
https://www.deep-ml.com/
#هوش_مصنوعی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

نمونه‌برداری مغرضانه پیش‌بینی #یادگیری_ماشین از مقاومت ضد میکروبی (AMR) را مختل می‌کند.
1- این مطالعه نشان می‌دهد که نمونه‌برداری جانبدارانه و ساختار جمعیتی در مجموعه داده‌های ژنومی باکتری‌ها به طور قابل توجهی توانایی مدل‌های یادگیری ماشین (ML) را برای پیش‌بینی دقیق #مقاومت_ضد_میکروبی (AMR) محدود می‌کند.
2- با استفاده از بیش از ۲۴,۰۰۰ ژنوم و فنوتیپ‌های AMR از پنج گونه باکتری، نویسندگان نشان می‌دهند که مدل‌های ML که روی مجموعه داده‌های جانبدارانه آموزش دیده‌اند، نشانگرهای فیلوژنتیکی را با ویژگی‌های مقاومت ترکیب کرده و دقت پیش‌بینی را کاهش می‌دهند.
3- افزایش حجم نمونه‌های آموزشی به تنهایی این سوگیری‌ها را کاهش نمی‌دهد. مدل‌هایی که بر روی مجموعه داده‌های بزرگ‌تر آموزش دیده‌اند همچنان در تعمیم دادن به کلادهای فیلوژنتیکی خاص شکست می‌خورند.
4- این تحلیل اثرات گونه- و داروی-خاص را شناسایی می‌کند و نشان می‌دهد که باکتری‌های گرم منفی و برخی از کلاس‌های دارویی چالش‌های منحصربه‌فردی برای پیش‌بینی AMR ایجاد می‌کنند.
5- مطالعه حداقل همپوشانی در ویژگی‌های پیش‌بینی‌کننده بین کلادهای فیلوژنتیکی را نشان می‌دهد و بر دشواری شناسایی نشانگرهای مقاومت جهانی با استفاده از روش‌های فعلی ML تأکید می‌کند.
6- برای مواجهه با این چالش‌ها، نویسندگان پیشنهاد می‌کنند الگوریتم‌های ML کارا توسعه داده شوند و مجموعه داده‌هایی متوازن و نمایانگر کلی که تنوع جمعیت‌های باکتریایی را منعکس می‌کنند، گردآوری شوند.
7- این تحقیق اهمیت استراتژی‌های نمونه‌برداری دقیق، از جمله گسترش نظارت به مناطق کم‌نمایش‌یافته را برای ایجاد مجموعه داده‌هایی که مقاومت مدل‌های ML در برابر عوامل مخدوش‌کننده را بهبود می‌بخشند، برجسته می‌کند.
8- این یافته‌ها توصیه‌های عملی برای پیشرفت پیش‌بینی AMR مبتنی بر ML ارائه می‌دهند که برای نظارت مؤثر و مقابله با تهدید جهانی مقاومت ضد میکروبی حیاتی است.
▪️ Biased sampling confounds machine learning prediction of antimicrobial resistance
▪️ AMR_prediction Code
#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

مقاله «GAN مرده است؛ زنده باد GAN!» با این باور که آموزش GAN دشوار و وابسته به ترفندهای خاص است، مخالفت می‌کند. این تحقیق یک تابع زیان نسبی منظم (regularized relativistic loss) معرفی می‌کند که مشکلاتی مانند عدم همگرایی و از دست رفتن حالت‌ها را حل می‌کند. با به‌روزرسانی معماری‌ها و حذف ترفندهای قدیمی، نویسندگان R3GAN را پیشنهاد داده‌اند که عملکرد بهتری نسبت به StyleGAN2 دارد و با مدل‌های پیشرفته دیگر قابل مقایسه است.
▪️ The GAN is dead; long live the GAN! A Modern GAN Baseline
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

جزوه داده کاوی (Data Mininng)
جزوه کامل و خوبی برای تسلط به مباحث مختلف داده کاوی از جمله پیش پردازش داده‌ها، طبقه بندی و خوشه بندی.
#هوش_مصنوعی #کتاب #داده_کاوی #یادگیری_ماشین #یادگیری_عمیق #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

اگر دنبال دیتاست در زمینه Reasoning هستین اینجا منتشر کردند.
▪️ لینک
#مقاله #ایده_جذاب #دیتاست
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻