شرکت ادوبی هم اینو داده:
https://www.adobe.com/sensei/generative-ai/firefly.html
شبیه همون استیبل دیفیوژن هست.

خب خب خب،
اگه میخواهید واقعا پردازش زبان یاد بگیرید و بدونید داستان چیه و کل این چت جی پی تی و ... چطوری کار میکنه، دو راه داره:
۱. ولش کنید.
۲. این لیست رو بخونید، حدودا دو سه ماه حداقل وقت می‌بره و به ترتیب بخونید:
پردازش زبان ژورافسکی:
https://web.stanford.edu/~jurafsky/slp3/

یادگیری عمیق:
https://www.deeplearningbook.org/

مقالات مهم و تاثیر گذار پردازش زبان:

LSTM:
https://arxiv.org/abs/1512.08849

اتنشن تو پردازش زبان:
https://arxiv.org/abs/1409.0473

Word2vec, Fasttext

ترنسفرمر:
https://arxiv.org/abs/1706.03762

T5, BERT, Longformer

Instruction fine-tuning:
https://arxiv.org/abs/2204.07705

Bloom:
https://arxiv.org/abs/2211.05100

RLHF:
https://arxiv.org/abs/2009.01325

پیش نیاز:
ریاضی و مخصوصا مشتق و امثالهم
برنامه نویسی پایتون
تفکر نقادانه
یادگیری ماشین

✔️ معرفی #منابع پیشنهادی برای #یادگیری_عمیق
قدم اول برای یادگیری عمیق
#یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع
✅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

🔔@AI_Python

✅ معرفی #منابع پیشنهادی برای #یادگیری_ماشین #آموزش #دکترـرضوی
«قدم اول یادگیری زبانهای برنامه نویسی R و Python و Weka که در بیشتر موارد نرم افزار پایتون بهترین گزینه جهت انجام همه این کار ها است»
#یادگیری_عمیق #پردازش_زبان_طبیعی
✅ دنبال کردن کلاس آموزشی دکتر رضوی
👈 کلاس آموزشی دکتر رضوی

❇️@AI_Python
🌐 آموزشهای یادگیری علم داده دانشگاه هاروارد
👈 لینک
👈 لینک آموزش فایلهایی ویدیویی
👈 تمرینات
🌐 آموزش های ویدیویی یادگیری ماشین دانشگاه استنفورد
👈 لینک
🌐 کتابهای آموزشی یادگیری آماری جهت فراگیری یادگیری ماشین
👈 فایل pdf
👈 فایل pdf 2
🌐 فراگیری آموزش احتمال که توسط سایت Edx برگزار شده است
👈 لینک
❎یادگیری کلان داده با استفاده آپاچی اسپارک
👈 لینک
❎ یادگیری مباحث ریاضیاتی نظیر جبرخطی و معادلات دیفرانسیل
👈 لینک
❎ یادگیری آموزشهای تقویتی یادگیری ماشین و یادگیری عمیق دانشگاه برکلی
👈 لینک
❎ مطالعه مقالات و یادگیری آموزش الگوریتم های پیشنیاز یادگیری ماشین
👈 لینک
❎ معرفی کتاب
✔️ Bishop's Pattern Recognition and Machine Learning
✔️ Introduction to Probability by John N. Tsitsiklis
✔️ Larry Wasserman's All of Statistics: A Concise Course in Statistical Inference
✔️ Joel Grus' Data Science from Scratch: First Principles with Python
✔️ Brett Lantz's Machine Learning with R
✔️ Willi Richert & Luis Pedro Coelho's Building Machine Learning Systems with Python
✔️ Nick Pentreath's Machine Learning with Spark
✔️ Learning From Data by Yaser S. Abu-Mostafa

❇️@AI_Python
📎 استنتاج بیزی و یادگیری ماشین دانشگاه کمبریج
👈 لینک
📎 یادگیری ماشین و دیدگاه احتمالی دانشگاه بریتیش کلمبیا
👈 لینک
📎 چگونه از دیتا یاد بگیریم دسترسی به کتابها و مطالب دانشگاه Caltech
👈 لینک
🌐 معرفی الگوریتم های خطی و غیر خطی یادگیری ماشین
Linear Algorithm

Gradient Descent
Linear Regression
Logistic Regression
Linear Discriminant Analysis

Nonlinear Algorithms

Classification And Regression Trees, Naive Bayes, KNN,Learning Vector Quantization, Support Vector Machines, Bagging and Random Forest,Boosting and AdaBoost

❇️@AI_Python

ده مقاله برتر در هفته‌ی گذشته که منتشر شد.

🔸 Sparks of Artificial General Intelligence: Early experiments with GPT-4
🔸 Reflexion: an autonomous agent with dynamic memory and self-reflection
🔸 Text2Room: Extracting Textured 3D Meshes from 2D Text-to-Image Models
🔸 CoLT5: Faster Long-Range Transformers with Conditional Computation
🔸 Towards Trillion Parameter Language Model with Sparse Heterogeneous Computing
🔸 GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models
🔸 Capabilities of GPT-4 on Medical Challenge Problems
🔸 Artificial muses: Generative Artificial Intelligence Chatbots Have Risen to Human-Level Creativity
🔸 A Comprehensive Capability Analysis of GPT-3 and GPT-3.5 Series Models
🔸 Context-faithful Prompting for Large Language Models

#مقاله

✅ @AI_Python

دکتر مریم توکل استاد دانشگاه Eindhoven University of Technology بورسیه تحصیلی برای فیلد Reinforcement Learning اقدام به پذیرش دانشجو در مقطع دکترا اعلام کرده است علاقمندان میتوانند اقدام کنند

https://jobs.tue.nl/en/vacancy/phd-position-in-reinforcement-learning-990306.html

#اپلای

✅ @AI_Python

کار علمی به این میگن.
چت جی پی تی رو با گرامرلی مقایسه کردند.
دو تا اسکرین شات نزاشتن، بجاش کار علمی کردن.
لینک مقاله:
https://arxiv.org/abs/2303.13648

اگر مینیمم ۵ سال تو صنعت آی تی کار کردید، و قصد مهاجرت دارید، شانس این رو دارید که الیجیبل بشید‌.

https://www.gov.uk/global-talent

#اپلای


✅ @AI_Python

در این مقاله دیتای 700 نوع بیماری را با مشورت بیش از 5هزار دکتر جمع آوری کردند و خروجی کار را برای chatGPT در نظر گرفتند.🚶‍♂️

ChatDoctor: A medical chat model fine-tuned on LLaMA using medical domain knowledge.

🔸 Paper

#مقاله

✅ @AI_Python

مهمترین مطالبی که پژوهشگران، دانشجویان و دانش آموزان برای آشنایی و شروع فعالیت در زمینه الگوریتمهای هوش مصنوعی بایستی فرابگیرند. با عضویت در کانال @ai_python جدیدترین و موضوعات روز را پیگیری کنید. با تشکر از همراهی سبزتان.

🔰 آموزش الگوریتمهای یادگیری ماشین
🔰 کورس رایگان در حوزه دیتاساینس و یادگیری ماشین و پردازش زبان طبیعی و یادگیر عمیق
🔰 یادگیری ماشین و NLP و پایتون
🔰 اسلاید سخنرانی ها در مورد یادگیری عمیق
🔰 شبکه های عصبی جفری هیتون
❎ کلاس یادگیری ماشین دانشگاه کلمبیا
❎ آموزش الگوریتمها NLP
❎ آموزش پایتون دکتر Chuck
❎ طریقه استفاده از الگوریتمهای ML
♻️ کلاس آموزشی RL
♻️ فیلم ML شرکت فیسبوک
♻️ فیلم های دکتر رضوی
♻️ آموزش عملی ANN در پایتون
♻️ چگونگی ساخت RNN در پایتون
🏧 نقشه راه ML
🏧 منابعی جامع از ML
🏧 16 منبع آموزشی الگوریتمهای AI
🏧 یادگیری تقویتی عمیق :تعاریف و تاریخچه
♨️ یادگیری ماشین برای مبتدیان
♨️ پاکسازی دیتاها در ML
♨️ ملزومات فراگیری برای الگوریتمهای یادگیری ماشین مزایا و کاراییها
♨️ فیلم کنفرانسهای مطرح هشتگ کنفرانس و مقاله سرچ کنید
♨️ آموزشی پیشرفته ای NLP در ژوپیتر
📣 یادگیری غیرنظارتی برای همه
📣 الگوریتمهای یادگیری ماشین :برآوردگرها ,تابع زیان
📣 یادگیری کورسهای fastai
📣 ریاضیات یادگیری عمیق شبکه های عصبی به زبان ساده
📣 آموزش CNN به زبان ساده
🔸 آموزش مقدماتی یادگیری ماشین برای همه سنین
🔸 آموزش ML بدون پیش زمینه ریاضیاتی
🔸 10 کتاب برای یادگیری ML هشتگ کتاب سرچ کنید
🔸 چگونه به وسیله الگوریتمهای یادگیری عمیق مسایل را حل کنیم ؟
🔸 خلاصه الگوریتمهای ML
🔸آموزشهای جامع از AI
✔️ آموزش درک زبان طبیعی دانشگاه استنفورد ۲۰۱۹
✔️ آموزش DataScience و آموزش
✔️ آموزش مقدماتی مدلهای GAN در پایتون

این پروژه پیشبینی Like اینستاگرام که اخیرا توسط کوشیار عظیمیان منتشر شده هم میتوانید پروژتون را روی استارت اپ ایشان جلو ببرید و هم اینکه به عنوان استارت آپ خودتون لانچ کنید و مزایای خودتون رو رقم بزنید


https://equatorial-sternum-35b.notion.site/Instagram-Like-Prediction-270e4f0a8efd4e858be26e892bb25ed7

MIT Introduction to Deep Learning - 2023 Starting soon! MIT Intro to DL is one of the most concise AI courses on the web that cover basic deep learning techniques, architectures, and applications.

2023 lectures are starting in just one day, Jan 9th!

Link to register:
http://introtodeeplearning.com

MIT Introduction to Deep Learning The 2022 lectures can be found here:

https://m.youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI

#فیلم #منابع #منابع_پیشنهادی #یادگیری_عمیق #کلاس_آموزشی #آموزش_کلاسی

✅ @AI_Python

10 YouTube videos for anyone starting with machine learning.

On libraries, algorithms, and tools:

1. Notebooks are a fantastic way to code, experiment, and communicate your results. Take a look at Corey Schafer fantastic 30-minute tutorial on Jupyter Notebooks. https://m.youtube.com/watch?v=HW29067qVWk


2. The Pandas library is the gold standard to manipulate structured data. Check out Joe James "Pandas Tutorial. Intro to DataFrames."
https://m.youtube.com/watch?v=HW29067qVWk

3. Data visualization is key for anyone practicing machine learning.
Check out Blondiebytes's "Learn Matplotlib in 6 minutes" tutorial.
https://youtu.be/nzKy9GY12yo

4. Another trendy data visualization library is Seaborn. Derek Banas put together "Seaborn Tutorial 2020," which is highly recommend. https://youtu.be/6GUZXDef2U0

5. Numpy is another Python library that you will use every single day.
Keith Galli's "Complete Python NumPy Tutorial" is a great start. https://youtu.be/6GUZXDef2U0

6. One of the most basic algorithms that you can learn is Decision Trees.
Watch Josh Gordon's video where he builds a decision tree from scratch. https://youtu.be/LDRbO9a6XPU

7. It's hard to talk about the Machine learning without touching on Neural Networks. Probably the best video out there that explains how neural networks work is 3blue1brown's: https://m.youtube.com/watch?v=aircAruvnKk

8. Scikit-Learn is one of the most popular machine learning libraries out there. Simplilearn's "Scikit-Learn Tutorial" is a great place to start. https://youtu.be/0Lt9w-BxKFQ

9. TensorFlow is the most popular deep learning library that's currently used in the industry. Here is a massive 7-hour tutorial of TensorFlow 2.0 produced by Free Code Camp. https://youtu.be/tPYj3fFJGjk

10. Finally, a great way to start getting familiar with machine learning is the bite-sized recipes published by Google. This series is worth every minute. Playlist: https://m.youtube.com/watch?v=cKxRvEZd3Mw&list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal

✅ @AI_Python

توئیتر الگوریتم ریکامندیشن خود را به صورت اوپن سورس منتشر کرد.
Twitter recommendation algorithm is now open sourced.
https://github.com/twitter/the-algorithm

✅ @AI_Python

CS 324 - Advances in Foundation Models

https://stanford-cs324.github.io/winter2023/syllabus/

#منابع #آموزش #آموزش_کلاسی #الگوریتمها #پردازش_زبان_طبیعی #هوش_مصنوعی

✅ @AI_Python

کورس کلاسی دانشگاه کارنگی ملون

Introduction to Deep Learning, Carnegie Mellon 2022-23

https://m.youtube.com/playlist?list=PLp-0K3kfddPwgBSCbDtT6NaVOd-gIHVMW

#منابع #فیلم #یادگیری_عمیق #کلاس_آموزشی #آموزش_کلاسی

✅ @AI_Python

✅ Model-Based Reinforcement Learning: From Data to Continuous Actions with a Python-based Toolbox


❇️ Explore a comprehensive and practical approach to reinforcement learning.

❇️ Reinforcement learning is an essential paradigm of machine learning, wherein an intelligent agent performs actions that ensure optimal behavior from devices. While this paradigm of machine learning has gained tremendous success and popularity in recent years, previous scholarship has focused either on theory―optimal control and dynamic programming – or on algorithms―most of which are simulation-based.

#معرفی_کتاب
@ai_python

برادران کارامازوف رو خوندین؟

با ChatGPT ارتباطات بین شخصیت‌های مختلف این رمان رو استخراج کردم و یه گراف تعاملی ازش ساختم.

🔗 https://schoobani.github.io/novel-graph-app

اطلاعات بیشتر روی گیتهاب

@ai_python