Prompting چیست؟
دادن دستور یا context به مدل زبانی برای هدایت پاسخشه. مثلاً شما یه سوال مشخص میپرسید و مدل بر اساس اون جواب میده مثلاً میپرسید (فواید ورزش چیه؟) پاسخ مبتنی بر دادههای خودش ارائه میکنه
حالا نکته مهم اینجاست که نحوه سوال پرسیدن شما میتونه ناخواسته یا عمدی پاسخ رو تغییر بده مثلاً بپرسید که «چرا یه دین از بقیه بهتره؟» ممکنه مدل جوابی بده که به نظر برسه از عقیده خاصی حمایت میکنه در صورتی که مدل بی طرفه. یا اگر بپرسید «کدوم دیدگاه سیاسی غیر منطقی؟» ممکنه پاسخی بده که با پیش فرض های نادرست باشه یا کلیشههای موجود در سوال رو تقویت بکنه.
یکی از مثالهایی که در مورد همین موضوع زده شده رو نگاه کنیم که در مورد موضوع حساس ادیانه من از مدل خواستم اول به اونا توهین کنه و بعدش یک داستان در مورد سیری که نسبت به ادیان داشته و مشکلاتی که اونا داشتن توصیف کنه.
حالا در این مثال با اون تکنیکی که امتحان کردم سعی کردم که نظر اون رو طی یک داستان در مورد ادیان و مذاهب و مشکلات اونا به من بگه به نحوی که به طور مستقیم قابل تشخیص توسط chatgpt guardrail نباشه
➖➖➖➖➖➖➖➖➖➖➖
@Technical_coding 💻
دادن دستور یا context به مدل زبانی برای هدایت پاسخشه. مثلاً شما یه سوال مشخص میپرسید و مدل بر اساس اون جواب میده مثلاً میپرسید (فواید ورزش چیه؟) پاسخ مبتنی بر دادههای خودش ارائه میکنه
حالا نکته مهم اینجاست که نحوه سوال پرسیدن شما میتونه ناخواسته یا عمدی پاسخ رو تغییر بده مثلاً بپرسید که «چرا یه دین از بقیه بهتره؟» ممکنه مدل جوابی بده که به نظر برسه از عقیده خاصی حمایت میکنه در صورتی که مدل بی طرفه. یا اگر بپرسید «کدوم دیدگاه سیاسی غیر منطقی؟» ممکنه پاسخی بده که با پیش فرض های نادرست باشه یا کلیشههای موجود در سوال رو تقویت بکنه.
یکی از مثالهایی که در مورد همین موضوع زده شده رو نگاه کنیم که در مورد موضوع حساس ادیانه من از مدل خواستم اول به اونا توهین کنه و بعدش یک داستان در مورد سیری که نسبت به ادیان داشته و مشکلاتی که اونا داشتن توصیف کنه.
حالا در این مثال با اون تکنیکی که امتحان کردم سعی کردم که نظر اون رو طی یک داستان در مورد ادیان و مذاهب و مشکلات اونا به من بگه به نحوی که به طور مستقیم قابل تشخیص توسط chatgpt guardrail نباشه
➖➖➖➖➖➖➖➖➖➖➖
@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 💻
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 💻
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 💻
▪️ 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 💻
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 💻
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 💻
▪️ The GAN is dead; long live the GAN! A Modern GAN Baseline
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Data Mining.pdf
11.5 MB
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 💻
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 💻
▪️ لینک
#مقاله #ایده_جذاب #دیتاست
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
6 FREE Books : Data Science using Python
1. Python Data Science Handbook
Publisher: O'Reilly
🔗 HTML: https://jakevdp.github.io/PythonDataScienceHandbook/
🔗 PDF:
https://github.com/terencetachiona/Python-Data-Science-Handbook/blob/master/Python%20Data%20Science%20Handbook%20-%20Jake%20VanderPlas.pdf
2. Python for Data Analysis
Publisher: O'Reilly
🔗 https://wesmckinney.com/book/
3. Data Science Workshop
Publisher: Packt
🔗 https://packtpub.com/free-ebook/the-data-science-workshop-second-edition/9781800566927
4. Elements of Data Science
🔗 https://allendowney.github.io/ElementsOfDataScience/
5. Think Bayes
Publisher: O'Reilly
🔗 https://allendowney.github.io/ThinkBayes2/
6. Think Stats
Publisher: O'Reilly
❯ v3 (HTML)
https://allendowney.github.io/ThinkStats/
❯ v2 (PDF)
https://greenteapress.com/thinkstats2/thinkstats2.pdf
#هوش_مصنوعی #علم_داد
#DataScience #Machine_Learning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
1. Python Data Science Handbook
Publisher: O'Reilly
🔗 HTML: https://jakevdp.github.io/PythonDataScienceHandbook/
🔗 PDF:
https://github.com/terencetachiona/Python-Data-Science-Handbook/blob/master/Python%20Data%20Science%20Handbook%20-%20Jake%20VanderPlas.pdf
2. Python for Data Analysis
Publisher: O'Reilly
🔗 https://wesmckinney.com/book/
3. Data Science Workshop
Publisher: Packt
🔗 https://packtpub.com/free-ebook/the-data-science-workshop-second-edition/9781800566927
4. Elements of Data Science
🔗 https://allendowney.github.io/ElementsOfDataScience/
5. Think Bayes
Publisher: O'Reilly
🔗 https://allendowney.github.io/ThinkBayes2/
6. Think Stats
Publisher: O'Reilly
❯ v3 (HTML)
https://allendowney.github.io/ThinkStats/
❯ v2 (PDF)
https://greenteapress.com/thinkstats2/thinkstats2.pdf
#هوش_مصنوعی #علم_داد
#DataScience #Machine_Learning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
این مقاله چارچوبی به نام Multimodal Visualization-of-Thought (MVoT) را معرفی میکند که توانایی استدلال مدلهای زبانی بزرگ (LLMs) را با ادغام تفکر مصورسازی بهبود میبخشد. این چارچوب با تولید تصویری از مسیرهای استدلال، محدودیتهای وظایف پیچیده در استدلال فضایی را کاهش میدهد. از یک روش آموزشی به نام Token Discrepancy Loss برای بهبود کیفیت بصری استفاده میکند و در سناریوهای چالشبرانگیز، بهبود عملکرد قابلتوجهی نشان میدهد. این رویکرد ادغام استدلال کلامی و تصویری در یادگیری ماشینی را توسعه میدهد.
▪️ Imagine while Reasoning in Space: Multimodal Visualization-of-Thought
#ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
▪️ Imagine while Reasoning in Space: Multimodal Visualization-of-Thought
#ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
این #مقاله یک چارچوب #یادگیری_عمیق برای تشخیص سرطان ریه با استفاده از یک مدل از پیش آموزش دیده MobileNetV2 پیشنهاد میکند که با وزنهای ImageNet-1K اولیهسازی شده و با یک لایه کاملاً متصل جدید و فعالسازی softmax اصلاح شده است.
این مدل به دقت 99.6 درصد در مجموعه داده های تصویر سی تی اسکن سرطان ریه سه کلاسه دست می یابد که نشان دهنده بهبود قابل توجهی در استخراج ویژگی نسبت به روش های سنتی است. هدف این رویکرد مبتنی بر #هوش_مصنوعی افزایش کارایی تشخیصی و کاهش حجم کاری پزشک است.
▪️ A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field
#ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
این مدل به دقت 99.6 درصد در مجموعه داده های تصویر سی تی اسکن سرطان ریه سه کلاسه دست می یابد که نشان دهنده بهبود قابل توجهی در استخراج ویژگی نسبت به روش های سنتی است. هدف این رویکرد مبتنی بر #هوش_مصنوعی افزایش کارایی تشخیصی و کاهش حجم کاری پزشک است.
▪️ A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field
#ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
آیا #هوش_مصنوعی مولد می تواند #رادیولوژی را دوباره تعریف کند؟
این #مقاله مدل RadTex را معرفی میکند که از پیشپردازش با روش "توصیف دوطرفه" (bidirectional captioning) برای تحلیل تصاویر پزشکی استفاده میکند. این روش، گزارشهای رادیولوژی دقیق و تفسیرپذیری تولید میکند و عملکردی رقابتی با روشهای یادگیری متضاد (contrastive learning) ارائه میدهد. RadTex از معماری مبتنی بر ResNet50 و ترانسفورمرها بهره میبرد و بهطور موثری کپشن های تصویری را بهبود میبخشد و گزارشهای پزشکی را با استفاده از ورودیهای متنی تولید میکند. این مدل تولید گزارشهای کلینیکی دقیق ( دقت 89 % ) کاربردهای عملی گستردهای می تواند در عمل داشته باشد.
▪️ Improving Medical Visual Representations via Radiology Report Generation
#ایده_جذاب #پردازش_تصاویر
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
این #مقاله مدل RadTex را معرفی میکند که از پیشپردازش با روش "توصیف دوطرفه" (bidirectional captioning) برای تحلیل تصاویر پزشکی استفاده میکند. این روش، گزارشهای رادیولوژی دقیق و تفسیرپذیری تولید میکند و عملکردی رقابتی با روشهای یادگیری متضاد (contrastive learning) ارائه میدهد. RadTex از معماری مبتنی بر ResNet50 و ترانسفورمرها بهره میبرد و بهطور موثری کپشن های تصویری را بهبود میبخشد و گزارشهای پزشکی را با استفاده از ورودیهای متنی تولید میکند. این مدل تولید گزارشهای کلینیکی دقیق ( دقت 89 % ) کاربردهای عملی گستردهای می تواند در عمل داشته باشد.
▪️ Improving Medical Visual Representations via Radiology Report Generation
#ایده_جذاب #پردازش_تصاویر
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
° WEF °.pdf
14 MB
📄 - گزارش «𝐅𝐮𝐭𝐮𝐫𝐞 𝐨𝐟 𝐉𝐨𝐛𝐬 𝐑𝐞𝐩𝐨𝐫𝐭 𝟐𝟎𝟐𝟓» از 𝐖𝐨𝐫𝐥𝐝 𝐄𝐜𝐨𝐧𝐨𝐦𝐢𝐜 𝐅𝐨𝐫𝐮𝐦 دربارهٔ آیندهٔ مشاغل در دههی پیشرو.
⌚️ - 𝑱𝒂𝒏𝒖𝒂𝒓𝒚 𝟐𝟎𝟐𝟓 ✓
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
⌚️ - 𝑱𝒂𝒏𝒖𝒂𝒓𝒚 𝟐𝟎𝟐𝟓 ✓
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Machine Learning.pdf
18.4 MB
جزوه یادگیری ماشین (Machine Learning)، دانشگاه پرینستون آمریکا
#هوش_مصنوعی #کتاب #جزوه #یادگیری_ماشین #یادگیری_عمیق #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
#هوش_مصنوعی #کتاب #جزوه #یادگیری_ماشین #یادگیری_عمیق #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
تعدادی سایت عالی برای دریافت انواع دیتاست
وبسایت Kaggle
پیدا کردن انواع دیتاستها تو زمینههای مختلف یادگیری ماشین و علم داده.
وبسایت Google Dataset Search
یه موتور جستجوی دیتاست از گوگل که میتونی باهاش توی هزاران ریپازیتوری مختلف دیتا پیدا کنین.
وبسایت AWS Open Data
کلی دیتاست عمومی داره که برای تحقیق و آنالیز میشه ازشون استفاده کرد.
وبسایت Dataverse
یه پلتفرم برای میزبانی دادههای تحقیقاتی از موسسات علمی و سازمانها.
وبسایت UCI ML Repository
یکی از بهترین منابع برای پیدا کردن دیتاستهای استاندارد یادگیری ماشین که کلی محقق ازش استفاده میکنن.
وبسایت Quandl
اینجا میتونی به دیتاستهای مالی و اقتصادی از منابع مختلف مثل سازمانهای دولتی دسترسی داشته باشی.
وبسایت CKAN
یه پلتفرم اُپن سورس برای دسترسی به دیتاستهای مختلف از سازمانها و جوامع.
وبسایت World Bank Open Data
بانک جهانی کلی دیتا درباره شاخصهای توسعه و آمار کشورها داره.
وبسایت CDC WONDER
یه پلتفرم از CDC که کلی دیتاست مربوط به سلامت عمومی رو داره.
وبسایت UNICEF Data
اینجا میتونی به دیتاهای مرتبط با وضعیت و توسعه کودکان تو جهان دسترسی داشته باشی.
وبسایت NASA Earth Data
ناسا کلی دیتا در زمینه علوم زمین مثل تصاویر ماهوارهای و اطلاعات آب و هوایی داره.
وبسایت SDSS Data Archive
آرشیوی پر از دادهها و تصاویر نجومی از پروژه Sloan Digital Sky Survey.
وبسایت ICPSR
آرشیوی بزرگ از دادههای علوم اجتماعی برای محققین این حوزه.
وبسایت Datahub
یه پلتفرم که کلی دیتای باز از موضوعات و حوزههای مختلف داره.
وبسایت Figshare
جایی که میتونی خروجیهای تحقیقت رو قابل استناد و اشتراکگذاری کنی.
وبسایت Harvard Dataverse
اینم یه ریپوی تحقیقاتی از هاروارد، پر از دیتاستهای مختلف علمی.
وبسایت IPUMS
دسترسی به دیتاهای سرشماری و نظرسنجیهای مختلف دنیا رو فراهم میکند.
وبسایت OpenML
یه پلتفرم آنلاین برای به اشتراک گذاشتن و کشف دیتاست و آزمایشهای یادگیری ماشین.
#هوش_مصنوعی #دیتاست #شبیه_سازی #پیاده_سازی #مقاله
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
وبسایت Kaggle
پیدا کردن انواع دیتاستها تو زمینههای مختلف یادگیری ماشین و علم داده.
وبسایت Google Dataset Search
یه موتور جستجوی دیتاست از گوگل که میتونی باهاش توی هزاران ریپازیتوری مختلف دیتا پیدا کنین.
وبسایت AWS Open Data
کلی دیتاست عمومی داره که برای تحقیق و آنالیز میشه ازشون استفاده کرد.
وبسایت Dataverse
یه پلتفرم برای میزبانی دادههای تحقیقاتی از موسسات علمی و سازمانها.
وبسایت UCI ML Repository
یکی از بهترین منابع برای پیدا کردن دیتاستهای استاندارد یادگیری ماشین که کلی محقق ازش استفاده میکنن.
وبسایت Quandl
اینجا میتونی به دیتاستهای مالی و اقتصادی از منابع مختلف مثل سازمانهای دولتی دسترسی داشته باشی.
وبسایت CKAN
یه پلتفرم اُپن سورس برای دسترسی به دیتاستهای مختلف از سازمانها و جوامع.
وبسایت World Bank Open Data
بانک جهانی کلی دیتا درباره شاخصهای توسعه و آمار کشورها داره.
وبسایت CDC WONDER
یه پلتفرم از CDC که کلی دیتاست مربوط به سلامت عمومی رو داره.
وبسایت UNICEF Data
اینجا میتونی به دیتاهای مرتبط با وضعیت و توسعه کودکان تو جهان دسترسی داشته باشی.
وبسایت NASA Earth Data
ناسا کلی دیتا در زمینه علوم زمین مثل تصاویر ماهوارهای و اطلاعات آب و هوایی داره.
وبسایت SDSS Data Archive
آرشیوی پر از دادهها و تصاویر نجومی از پروژه Sloan Digital Sky Survey.
وبسایت ICPSR
آرشیوی بزرگ از دادههای علوم اجتماعی برای محققین این حوزه.
وبسایت Datahub
یه پلتفرم که کلی دیتای باز از موضوعات و حوزههای مختلف داره.
وبسایت Figshare
جایی که میتونی خروجیهای تحقیقت رو قابل استناد و اشتراکگذاری کنی.
وبسایت Harvard Dataverse
اینم یه ریپوی تحقیقاتی از هاروارد، پر از دیتاستهای مختلف علمی.
وبسایت IPUMS
دسترسی به دیتاهای سرشماری و نظرسنجیهای مختلف دنیا رو فراهم میکند.
وبسایت OpenML
یه پلتفرم آنلاین برای به اشتراک گذاشتن و کشف دیتاست و آزمایشهای یادگیری ماشین.
#هوش_مصنوعی #دیتاست #شبیه_سازی #پیاده_سازی #مقاله
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
مجموعه کاربردی برای شروع یادگیری هوش مصنوعی، علوم داده و یادگیری ماشین:
بخش اول: مفاهیم پایه علم داده
🖥 رمزگذاری متغیرهای دستهای: LINK
🖥 ریاضیات یادگیری ماشین: LINK
🖥 مروری بر مفاهیم کلی علوم داده: LINK
🖥 روندهای مصاحبه: LINK
🖥 رگرسیون خطی: LINK
🖥 رگرسیون لجستیک: LINK
🖥 معیارهای ارزیابی مدل: LINK
🖥 الگوریتم بیز ساده: LINK
🖥 انواع متغیرها: LINK
🖥 کاهش ابعاد: LINK
🖥 واگرایی کولبک لیبلر: LINK
🖥 قیمتگذاری پویا: LINK
بخش دوم: سیستمهای توصیهگر
💬 سیستم توصیهگر نتفلیکس: LINK
💬 مدل یکپارچه LINK: ML
💬 تحولات سیستم توصیهگر: LINK
💬 استفاده از تعبیهها در سیستم توصیهگر: LINK
💬 جستجوی تقریبی نزدیکترین همسایهها: LINK
💬 کوانتیزاسیون محصولات: LINK
💬 سیستم توصیهگر حسابها: LINK
💬 کنترلکننده LINK :PID
💬 سیستم توصیهگر اینستاگرام: LINK
💬 پیشبینی نرخ کلیک در لینکدین: LINK
💬 مدل دوبرجی: LINK
💬 جستجوی مقیاسپذیر پرسوجو-آیتم: LINK
💬 سیستم توصیهگر توییتر: LINK
💬 سیستم توصیهگر LINK :eBay
💬 غلبه بر تعصب در سیستمهای توصیهگر: LINK
💬 مدلسازی اثرگذاری: LINK
💬 سیستم توصیهگر LINK :Spotify
بخش سوم: تکنیکها و کاربردهای پیشرفته
🏷 کالیبراسیون مدل: LINK
🏷 تشخیص LINK :Drift
🏷 تقریب تابعهای عمومی: LINK
🏷 تبلیغات LINK: Pinterest
🏷 تعبیه موجودیتها با LINK :BERT
🏷 تقطیر دانش: LINK
🏷 بخش LINK :Multi-Armed Bandit
🏷 مدلهای مولد و انتشار: LINK
🏷 اصول پایه LINK :PySpark
🏷 مدیریت بودجه لینکدین: LINK
🏷 تشخیص تقلب بازگشت کالا: LINK
🏷 تشخیص کالاهای تقلبی: LINK
بخش چهارم: مدلهای زبان بزرگ (LLMs)
◀️ یادگیری ماشین با LINK :GenAI
◀️ فناوری LINK: ChatGPT
◀️ هوش مصنوعی محاورهای: LINK
◀️ ارتقای مدلهای زبان بزرگ: LINK
◀️ تنظیم دقیق مدلهای زبانی: LINK1, LINK2
◀️ مدل LINK :LLama V2
#هوش_مصنوعی #داده_کاوی #یادگیری_ماشین #یادگیری_عمیق #الگوریتم #مدل #مدل_زبانی #آموزش_الگوریتم #علوم_داده
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
بخش اول: مفاهیم پایه علم داده
🖥 رمزگذاری متغیرهای دستهای: LINK
🖥 ریاضیات یادگیری ماشین: LINK
🖥 مروری بر مفاهیم کلی علوم داده: LINK
🖥 روندهای مصاحبه: LINK
🖥 رگرسیون خطی: LINK
🖥 رگرسیون لجستیک: LINK
🖥 معیارهای ارزیابی مدل: LINK
🖥 الگوریتم بیز ساده: LINK
🖥 انواع متغیرها: LINK
🖥 کاهش ابعاد: LINK
🖥 واگرایی کولبک لیبلر: LINK
🖥 قیمتگذاری پویا: LINK
بخش دوم: سیستمهای توصیهگر
💬 سیستم توصیهگر نتفلیکس: LINK
💬 مدل یکپارچه LINK: ML
💬 تحولات سیستم توصیهگر: LINK
💬 استفاده از تعبیهها در سیستم توصیهگر: LINK
💬 جستجوی تقریبی نزدیکترین همسایهها: LINK
💬 کوانتیزاسیون محصولات: LINK
💬 سیستم توصیهگر حسابها: LINK
💬 کنترلکننده LINK :PID
💬 سیستم توصیهگر اینستاگرام: LINK
💬 پیشبینی نرخ کلیک در لینکدین: LINK
💬 مدل دوبرجی: LINK
💬 جستجوی مقیاسپذیر پرسوجو-آیتم: LINK
💬 سیستم توصیهگر توییتر: LINK
💬 سیستم توصیهگر LINK :eBay
💬 غلبه بر تعصب در سیستمهای توصیهگر: LINK
💬 مدلسازی اثرگذاری: LINK
💬 سیستم توصیهگر LINK :Spotify
بخش سوم: تکنیکها و کاربردهای پیشرفته
🏷 کالیبراسیون مدل: LINK
🏷 تشخیص LINK :Drift
🏷 تقریب تابعهای عمومی: LINK
🏷 تبلیغات LINK: Pinterest
🏷 تعبیه موجودیتها با LINK :BERT
🏷 تقطیر دانش: LINK
🏷 بخش LINK :Multi-Armed Bandit
🏷 مدلهای مولد و انتشار: LINK
🏷 اصول پایه LINK :PySpark
🏷 مدیریت بودجه لینکدین: LINK
🏷 تشخیص تقلب بازگشت کالا: LINK
🏷 تشخیص کالاهای تقلبی: LINK
بخش چهارم: مدلهای زبان بزرگ (LLMs)
◀️ یادگیری ماشین با LINK :GenAI
◀️ فناوری LINK: ChatGPT
◀️ هوش مصنوعی محاورهای: LINK
◀️ ارتقای مدلهای زبان بزرگ: LINK
◀️ تنظیم دقیق مدلهای زبانی: LINK1, LINK2
◀️ مدل LINK :LLama V2
#هوش_مصنوعی #داده_کاوی #یادگیری_ماشین #یادگیری_عمیق #الگوریتم #مدل #مدل_زبانی #آموزش_الگوریتم #علوم_داده
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻