AI DeepMind
12.7K subscribers
878 photos
237 videos
69 files
1.51K links
مقالات کاربردی هوش مصنوعی در پایتون، علوم پزشکی، علوم انسانی، علوم اعصاب و...
دوره های آموزشی از دانشگاه های بزرگ و موسسات انلاین

لینک گروه DeepLearning AI:
https://t.me/DeepLearningAIExperts

AI Ad
@ShMinaee
@farzadhhss
Download Telegram
Forwarded from Recommender system (MehriMah Amiri)
در هفته گذشته چه مقالات و مدلهای متن بازی در #هوش_مصنوعی و #یادگیری_ماشین منتشر شد:


◾️DeepSeek-Prover-V1.5: Harnessing Proof Assistant Feedback for Reinforcement Learning and Monte-Carlo Tree Search
◾️ Imagen 3
◾️ The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery
◾️Diffusion Guided Language Modeling
◾️Layerwise Recurrent Router for Mixture-of-Experts
◾️LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs
◾️Training Language Models on the Knowledge Graph: Insights on Hallucinations and Their Detectability
◾️ BAM! Just Like That: Simple and Efficient Parameter Upcycling for Mixture of Experts
◾️ Gemma Scope
◾️Diversity Empowers Intelligence: Integrating Expertise of Software Engineering Agents
◾️Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers
◾️I-SHEEP: Self-Alignment of LLM from Scratch through an Iterative Self-Enhancement Paradigm
◾️Does Liking Yellow Imply Driving a School Bus? Semantic Leakage in Language Models

RAG
◾️HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction
◾️OpenResearcher: Unleashing AI for Accelerated Scientific Research

MLLM
◾️VITA: Towards Open-Source Interactive Omni Multimodal LLM
◾️mPLUG-Owl3: Towards Long Image-Sequence Understanding in Multi-Modal Large Language Models

VLM
◾️Mitigating Object Hallucination via Data Augmented Contrastive Tuning
◾️Towards flexible perception with visual memory
◾️VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents

AI Gen
◾️VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents
◾️ Generative Photomontage
◾️Heavy Labels Out! Dataset Distillation with Label Space Lightening
◾️ 3D Gaussian Editing with A Single Image
◾️ CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer
◾️ ControlNeXt: Powerful and Efficient Control for Image and Video Generation

Others
◾️ Body Transformer: Leveraging Robot Embodiment for Policy Learning
◾️ Machine Psychology
◾️ Med42-v2: A Suite of Clinical LLMs

#مقاله #ایده_جذاب #الگوریتمها #مدل_متن_باز

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
فقط با 3 خط کد، این کتابخانه متن‌باز می‌تواند هر مجموعه داده #یادگیری_ماشین را تمیز کند!

- flag outliers
- find label errors
- identify near duplicates
- perform active-learning
- find out of distribution samples
- And more ...
- Any data ( text, image, tabular, audio, etc. )
- Any ML tasks ( classification, tagging, entity recognition, prompting LLMs & more ... )

◾️ GitHub

#هوش_مصنوعی #الگوریتمها #پایتون #تمیز

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
کلاس آموزشی رایگان درس #یادگیری_ماشین دانشگاه شریف برای علاقمندان در مهر تا دی ماه روزهای یکشنبه و سه شنبه ساعت ۹تا۱۰:۳۰ برگزار میگردد
علاقمندان جهت ثبت نام به ادرس
Sharifml.ir
میتوانند مراجعه کنند.
معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین :

Data Mining and Machine Learning (Zaki)
👉link

Deep Learning
Foundations and Concepts, 2023, (Bishop)
👉link

Pattern Recognition and Machine Learning (Bishop)
👉link

Deep Learning (Goodfellow )
👉 link

Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy)
👉link

Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy)
👉link

Dive into Deep Learning ,2023
👉link

Linear Algebra and Optimization for Machine Learning
👉link

Deep Learning with Python: Chollet, Francois
👉 link

Deep Learning with PyTorch Step-by-Step
👉 link

Mathematics for Machine Learning
👉 link

Hands-On Data Preprocessing in Python
👉 link

Mastering Machine Learning Algorithms
👉 link

Generative Deep Learning (David Foster)
👉 link

اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from AI DeepMind (Mehdi Dehghani)
معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین :

Data Mining and Machine Learning (Zaki)
👉link

Deep Learning
Foundations and Concepts, 2023, (Bishop)
👉link

Pattern Recognition and Machine Learning (Bishop)
👉link

Deep Learning (Goodfellow )
👉 link

Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy)
👉link

Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy)
👉link

Dive into Deep Learning ,2023
👉link

Linear Algebra and Optimization for Machine Learning
👉link

Deep Learning with Python: Chollet, Francois
👉 link

Deep Learning with PyTorch Step-by-Step
👉 link

Mathematics for Machine Learning
👉 link

Hands-On Data Preprocessing in Python
👉 link

Mastering Machine Learning Algorithms
👉 link

Generative Deep Learning (David Foster)
👉 link

اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Data Science roadmap.pdf
384 KB
نقشه راه
Data Science ML Full Stack Roadmap

#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی


🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from Recommender system (MehriMah Amiri)
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
Forwarded from AI DeepMind (Farzad 🦅)
Data Science roadmap.pdf
384 KB
نقشه راه
Data Science ML Full Stack Roadmap

#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی


🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from AI DeepMind (Mehdi Dehghani)
معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین :

Data Mining and Machine Learning (Zaki)
👉link

Deep Learning
Foundations and Concepts, 2023, (Bishop)
👉link

Pattern Recognition and Machine Learning (Bishop)
👉link

Deep Learning (Goodfellow )
👉 link

Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy)
👉link

Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy)
👉link

Dive into Deep Learning ,2023
👉link

Linear Algebra and Optimization for Machine Learning
👉link

Deep Learning with Python: Chollet, Francois
👉 link

Deep Learning with PyTorch Step-by-Step
👉 link

Mathematics for Machine Learning
👉 link

Hands-On Data Preprocessing in Python
👉 link

Mastering Machine Learning Algorithms
👉 link

Generative Deep Learning (David Foster)
👉 link

اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from AI DeepMind (Farzad)
معرفی #منابع پیشنهادی برای #یادگیری_عمیق


1 - فراگیری مفاهیم مقدماتی یادگیری ماشین
مباحث آموزشی دکتر هینتون و بنجیو و لکون
👈 لینک
فیلم های اموزشی یادگیری ماشین و یادگیری عمیق دکتر رضوی
👈 لینک
تسلط بر مباحث برنامه نویسی پایتون و کار با تنسرفلو وکراس
تسلط بر مباحث ریاضیات و جبر از دانشگاه MIT
👈 لینک
✔️ معادلات ماتریسی یادگیری عمیق دانشگاه کالیفرنیا جنوبی
👈 لینک
✔️ استفاده از سایت بسیار مشهور که به وسیله پژوهشگران برتر هدایت میشود
fast.ai
👈 لینک

📚 2 - مطالعه منابع عمیق دانشگاه ها و...
یادگیری عمیق دانشگاه آکسفورد
👈 لینک
👈 لینک ۲
👈 لینک ۳
🖋فیلمهای این دانشگاه
آموزش های شبکه ای کانولوشن و یادگیری ماشین و...
⁉️ لینک
وبسایتی که آموزشها و مقالات را از سال ۲۰۱۲ تا ۲۰۱۶ قابل دسترس است
⁉️ لینک
شبکه عصبی کانولوشن برای تشخیص بصری
⁉️ لینک
پردازش زبان طبیعی برای یادگیری ماشین
⁉️لینک
مدرسه تابستانی یادگیری عمیق مونترال
⁉️ لینک ۱
⁉️ لینک ۲
شبکه کانولوشن عصبی و شبکه عصبی
⁉️ لینک
🔍 یادگیری شبکه های عصبی جفری هینتون کورسرا

📘 کلاس شبکه های عصبی دانشگاه اوشربروک کانادا
👈لینک
📕منابع یادگیری ماشین دانشگاه کالتک برای یادگیری نظری ها
👈 لینک
📘 3- معرفی کتابها
Neural Networks and Deep Learning Book by Michael Nielsen
Deep Learning Book by Ian Goodfellow, Yoshua Bengio and Aaron Courville

📘 4- سایر منابع
CS231n Convolutional Neural Networks for Visual Recognition University of Stanford
Getting Started in Computer Vision by Mostafa S. Ibrahim he focus on GPU and ...

🗓 پردازش زبان طبیعی دانشگاه استنفورد
👈 لینک
👈لینک ۲
🗓 مطالعه مقاله درمورد حافظه شبکه
👈 لینک
📘 مطالعه مقاله پایه ای حافظه شبکه و NLP
👈 لینک
ویدیوهای شرکت DeepMind
👈 لینک

❇️ یادگیری عمیق تقویتی
👈 لینک کتابهای
❇️ فهم یادگیری LSTM
👈 لینک
❇️ اثر بخشی ناعادلانه RNN
👈 لینک
✔️ مدل های تولیدی
مقاله جهت یادگیری مدلهای GANs
👈لینک
یادگیری مدل VANs
👈 لینک
مقاله نوشته شده دکتر Ian Goodfellow در مورد GAN
👈 لینک
مقاله نوشته شده LAPGAN
👈 لینک
مقاله نوشته شده در مورد DCGAN
👈لینک مقاله
👈
لینک کدها
استفاده از روش DCGAN برای تصاویر کیفیت بالا
👈 لینک
فیلم های یادگیری عمیق برای پردازش تصویر
👈 لینک
🌐 ساخت پروژه
👈 لینک دیتا
🌐 شناسایی و طبقه بندی تصاویر
👈 لینک ۱
👈 لینک ۲
🌐 تحلیل احساسات با استفاده از RNN
👈لینک
و با استفاده از CNN
👈 لینک
🌐 کاربرد الگوریتم عصبی سبک هنری
👈لینک
🌐 ساخت موسیقی با استفاده از RNNs
👈 لینک
🌐 ساخت بازی پینگ پونگ با استفاده از یادگیری عمیق تقویتی
👈 لینک
✳️ استفاده از شبکه عصبی Rate a selfie
👈 لینک
✳️ استفاده از رنگ عکسهای سیاه و سفید با استفاده از یادگیری عمیق
👈 لینک
✳️ سایر منابع یادگیری عمیق از پژوهشگران برتر کارپاتی
👈 لینک مقالات
✳️ لینک یادگیری عمیق دانشگاه استنفورد
👈 لینک ۱
👈 لینک ۲
✳️ یادگیری عمیق
👈 لینک

#یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
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

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
نمایش‌های دقیق و عمومی DNA از مدل‌های پایه ژنومی در مقیاس وسیع .

1- این مطالعه مدل AIDO.DNA را معرفی می‌کند، یک مدل ترانسفورمر با 7 میلیارد پارامتر که به‌عنوان بزرگ‌ترین مدل نمایش DNA با معماری فقط رمزگذار شناخته می‌شود. این مدل بر روی 10.6 میلیارد نوکلئوتید از 796 گونه آموزش داده شده و استاندارد جدیدی برای نمایش ژنومی، یادگیری انتقالی و تولید توالی ایجاد کرده است.

2- برخلاف مدل‌های پیشین، AIDO.DNA با طول زمینه کوتاه‌تر (4000 نوکلئوتید) کار می‌کند و نشان می‌دهد که افزایش عمق مدل بدون نیاز به افزایش طول زمینه باعث بهبود عملکرد در وظایف نظارت‌شده، بدون نظارت و تولیدی می‌شود.

3- نوآوری کلیدی: این مدل در پیش‌بینی خواص توالی و پیش‌بینی اثر جهش‌ها در حالت (zero-shot) به نتایج پیشرفته‌ای دست یافته و از مدل‌هایی مانند Nucleotide Transformer و DNABERT در دقت عملکرد پیشی گرفته است.

4- توکن‌سازی دقیق در سطح تک نوکلئوتید در AIDO.DNA بهبود چشمگیری در شناسایی جهش‌های ژنومی موثر ایجاد کرده و استاندارد جدیدی برای وظایفی مانند پیش‌بینی بیماری‌زایی در حالت Zero-shot ارائه می‌کند.

5- پیش‌آموزش #خودنظارتی این مدل، عناصر ژنومی هم‌تکاملی را بدون نیاز به حاشیه‌نویسی آشکار کرده است. این موضوع مسیرهای جدیدی را برای کشف مناطق تنظیمی نوین و وابستگی‌ها در توالی‌های DNA باز می‌کند.

6- در زمینه زیست‌شناسی مصنوعی، AIDO.DNA با کارآیی داده‌ای خود برجسته است و با استفاده از تنها 0.01 درصد از مجموعه داده کامل، 73 درصد عملکرد را در پیش‌بینی پروموتر حفظ کرده است. این نشان‌دهنده توانایی آن در شرایط کمبود منابع است.

7- تولید هدفمند توالی‌های تنظیمی DNA با استفاده از AIDO.DNA دقت بالایی در ایجاد پروموترها با سطوح بیان ژنی دلخواه نشان داده و کاربرد آن در مهندسی ژنوم را برجسته می‌کند.

▪️ Accurate and General DNA Representations Emerge from Genome Foundation Models at Scale
▪️ AIDO: AI-Driven Digital Organism

#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی #ژن #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from Recommender system (MehriMah Amiri)
آشنایی با Gradio: ساخت رابط‌های کاربری تعاملی برای مدل‌های یادگیری ماشین

🔍 وGradio یک کتابخانه پایتون است که به شما امکان می‌دهد مدل‌های یادگیری ماشین خود را با رابط‌های کاربری وب تعاملی به نمایش بگذارید.

💻 ویژگی‌های کلیدی Gradio:
نصب آسان: با استفاده از دستور pip install gradio، می‌توانید این کتابخانه را به‌سادگی نصب کنید.
ساخت رابط کاربری: با چند خط کد، می‌توانید یک رابط کاربری وب برای مدل‌های خود ایجاد کنید.
پشتیبانی از ورودی‌ها و خروجی‌های متنوع: Gradio از ورودی‌ها و خروجی‌های مختلفی مانند متن، تصویر، صدا و ویدئو پشتیبانی می‌کند.
اشتراک‌گذاری آسان: پس از ساخت رابط کاربری، می‌توانید آن را به‌سادگی با دیگران به اشتراک بگذارید.
.

📍 منابع بیشتر:
مستندات Gradio
آموزش سریع Gradio

#Gradio #یادگیری_ماشین #رابط_کاربری

💎@Recomendersystem2023
Forwarded from AI DeepMind (Farzad 🦅)
اگر قصد فراگیری رایگان #یادگیری_ماشین و #یادگیری_عمیق کد بیس بودن رو دنبالش هستین اینجا دکتر جرمی هاوراد این دوره رایگان و کامل رو اماده کرده و میتونین بصورت #رایگان این آموزش رو ببینید

▪️ کتابی که از اون تدریس میکنه
▪️ لینک دوره رایگان

پ.ن: لیست ادامه دارد

#منابع #کلاس_آموزشی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person