یک ریپازیتوری حاوی 53 پروژه اجرا شده دیتا ساینس :
@ai_python
لینک گیت هاب

نوشتاری کوتاه درباره حکم رانی اوپن سورس به ماشین لرنینگ :
https://github.com/readme/guides/open-source-machine-learning

صفحه توییتر لانگ چین امروز یک لینک ریپازیتوری برای کمک به Evaluation اپلیکیشن های RAG منتشر کرد.
@ai_python
لینک گیت هاب
🚀 Dedicated solutions to evaluate, monitor and improve performance of LLM & RAG application in production including custom models for production quality monitoring.Talk to founders

سِپ هوخغایتا از دانشگاه JKU لینز در اتریش از صنعتی سازی مدل زبانی بر پایه الگوریتم xLSTM خبر داد. درواقع این یک LLM اختصاصی اروپایی هست که بر اساس ادعای Sepp در آزمایش های اولیه بسیار موثر تر از مدل های زبانی فعلی عمل کرده است و از بُعد سمانتیک متون ، بسیار قوی تر است.
@ai_python
در وبیناری که پیش از این در کانال اعلام کردیم (لینک توضیحات وبینار) گریزی کوتاه به شرایط پذیرش در رشته هوش مصنوعی در دانشگاه JKU لینز اتریش هم خواهیم داشت.

لینک کامل خبر به زبان آلمانی

خانوم Khuyen Tran در صفحه توییترشون یه لایبرری جالب معرفی کردن که از طریق اون می تونید عملیات Pandas رو به راحتی و تنها با یک خط به صورت پارارل در همه پردازنده های موجود در سیستم اجرا کنید.
@ai_python
کتابخانه پاندارارل در گیت هاب

گروه پرسش و پاسخ علوم کامپیوتر

چی می شه اگه RAG بتونه عملکرد خودشو ارزیابی کنه و بعد واکنش مناسب انجام بده و عملکردش به صورت اتوماتیک بهبود پیدا کنه؟
@ai_python
به نظر می رسه خانوم آکاری اسایی در 19 اکتبر 2023 از انتشار مقاله خودشون در این باره در توییترش خبر داده بوده.

خلاصه ای ازش توی گیت هابشون هم موجود هست :
https://selfrag.github.io/


کامیونیتی علوم کامپیوتر در توییتر
گروه پرسش و پاسخ علوم کامپیوتر در تلگرام

گوگل ، وبینار یک ساعته ای در 7 مارس برگزار خواهد کرد که در آن از به روزرسانی های BigQuery ، Looker و AlloyDB برای PostgreSQL صحبت خواهد شد.
@ai_python
بیگ کوئری، دیتا ورهاوس گوگل برای کاربردهای هوش مصنوعی و ماشین لرنینگ است.
لینک ثبت نام وبینار

چند وقت پیش بود که توی کانال در این پست درباره یک سری ویدیو های تازه با تدریس لنس مارتین در کانال یوتیوب LangChain خبر دادیم.
@ai_python

حالا که این ویدیو ها تا حدود زیادی پیش رفتن، امروز چشمم به یکی از ویدیو های همین سری افتاد که درباره Query Translation یا به بیان دیگه Multi-Query صحبت می کنه.

از اونجایی که یکی از چالش هایی که حل می کنه چالشی بود که خودم در محیط کار باهاش درگیر بودم، تصمیم گرفتم با وجود اینکه این پلی لیست رو قبلن معرفی کردم، اما این ویدیو رو کمی Bold کنم تا شاید به درد بقیه مخاطبان کانال هم بخوره.
@ai_python
اما از کدوم چالش حرف می زنیم؟

فرض کنید کاربر RAG موجب یک Query مبهم می شود. یا یک Query دو پهلو و گنگ را درخواست می کند.

خب می تونید تصور کنید که در نهایت چه اتفاقی میوفته. برای جلوگیری از اتقاق های ناگوار بعدش ، یک راه حل مناسب وجود دارد. در واقع یکی از ایده های 💡 مطرح، همین ایده ای است که در این ویدیو توضیح داده می شود.

لینک ویدیو
لینک گیت هاب

نوید داریا

شِمای کلی تجزیه تایم سری ها
@ai_python
از صفحه لینکداین Matt Dancho

در پای چارم 2024.1 می تونید بدون این که نیاز باشه از PyCharm خارج بشید ، مدل کارت های HuggingFace رو ببینید.
@ai_python
مدل کارت ها در هاگینگ فیس شامل اطلاعات بسیار مهم درباره هر مدل هستند.
این قابلیت در حال حاضر فقط در نسخه Early Access Program پای چارم قابل دسترسی هست که اگر علاقه مند باشید از این لینک قابل دانلود هست.

⭕️دوره جامع دیتاساینتیست  Data Scientist 

⏰ 92 ساعت آموزش
       
✅ارائه مدرک قابل ترجمه 
➖➖➖➖➖➖➖➖➖➖➖➖ 
☎️مشاوره وثبت نام  
  021-67641999
📲تلگرام و واتساپ
  09222477250 
➖➖➖➖➖➖➖➖➖➖➖➖ 
جزئیات دوره آنلاین دانشمند داده ↙️ 
B2n.ir/z31507
➖➖➖➖➖➖➖➖➖➖     
با ما در تلگرام همراه باشید ↙️ 
    https://t.me/joinchat/AAAAAD6fyUw0AYXKLGbkow

حتمن با الگوریتم BPE که به منظور توکنایزیشن LLM استفاده می شه آشنایی دارید. این الگوریتم byte-level که اولین بار بعد از انتشار مقاله Language Models are Unsupervided Multitask Learners مشهور شد. GPT-2 Paper
@ai_python
این مهم هم زمان با انتشار GPT-2 بود.
امروزه همه LLM های مدرن مثل GPT ، Llama و Mistral از این الگوریتم برای Train کردن Tokenizer هاشون استفاده می کنن.
@ai_python
ریپازیتوری که در ادامه قصد معرفی آن در DLeX را داریم، در واقع حاوی کد 2 توکنایزر است که بر اساس BPE هستند.

آخرین کامیتش هم در زمان نوشتن این پست در DLeX مربوط به 51 دقیقه پیش هست :

https://github.com/karpathy/minbpe

یکی از مواردی که تاثیر زیادی در Performance یک سیستم RAG داره ، قطعن کیفیت جست و جوی آن است.

به بیان دیگر برای این که در دام توهم نیافتیم، اول از همه به یک دیتای بسیار قابل اعتماد و دوم به یک تکنولوژی مناسب برای جست و جو در آن نیاز داریم. (در غیر این صورت همین طور که امروز می بینیم LLM ها گذاره های اشتباه بسیاری از خودشان می سازند.)
@ai_python
پیشنهاد گوگل در بیش تر موارد برای ادغام یک تکنولوژی جست و جوی مناسب، استفاده از Vertex AI Search هست.
@ai_python
پارت یک نوشتار Your RAGs powered by Google Search technology که مشترکن توسط Kaz Sato و Guangsha Shi تهیه شده است، درباره همین موضوع صحبت می کند.

ایده هایی در رابطه با مسائل علم فیزیک و استفاده از مدل های ماشین لرنینگ :
@ai_python
https://youtu.be/JoFW2uSd3Uo?si=AIFdNGncnzkXSFQp

مثال :
انکد حرکت پاندول با استفاده از ماشین لرنینگ

ان ویدیا امروز از همکاری نزدیک با Google برای میزبانی Gemma بر روی پردازنده های گرافیکی RTX خبر داد.
https://blogs.nvidia.com/blog/google-gemma-llm-rtx-ai-pc/
@ai_python
همچنین پیش از این در حوزه پردازش های خانگی، ان ویدیا در خصوص نرم افزار رایگان Chat with RTX هم اطلاع رسانی کرده بود که از این لینک قابل دریافت هست.

🌀 بهترین فرصت یادگیری با ۶۰ درصد تخفیف فرادرس
 
🎉 در جشنواره زمستان آموزشی، دوره‌های مورد علاقه خود را با تخفیف ویژه از فرادرس دریافت کنید.👇🏻👇🏻
 
💢 مجموعه آموزش «پایتون و یادگیری ماشین» [+]
 
💢 مجموعه آموزش «هوش مصنوعی» [+]
 
💢 سایر موضوعات و دسته بندی‌ها [+]
 
💢 ورود به صفحه جشنواره [+]
 
🎁 کد تخفیف ۶۰ درصدی: ZEM96

@FaraDars - فرادرس