👉 @ai_python ✍️

راستی می دونستید حدودن از اکتبر همین امسال مدل GPT-Image-1-mini در Azure هم ارائه شده؟ 🎼

https://youtu.be/4Jfy0L82DZo?si=Am1N5hwSXaBFTz4E

👉 @ai_python ✍️

پست لینکدین پروفسور سپ هوخرایتا معرفی معماری به نام gLSTM است که نسخه گرافی از xLSTM محسوب می‌شود. این مدل با ترکیب شبکه‌های عصبی بازگشتی و شبکه‌های گرافی، مشکلاتی مثل over-squashing را کاهش می‌دهد و عملکرد بسیار خوبی در پیش‌بینی ویژگی‌های گرافی مانند قطر و خروج از مرکز نشان داده است. همچنین در مسئله مسیر کوتاه‌ترین (SSSP) نیز نتایج قدرتمندی ارائه کرده است.

پادکست مصنوعی فارسی توضیحات مرتبط : https://t.me/navidcasts/48

توضیحات کوتاه تر و خلاصه تر در یوتیوب : https://youtu.be/69BXJkAzu_A?si=5HbFdw6o2osLicZf

👉 @ai_python ✍️

انواع منابع پردازشی موجود در Azure Machine Learning :

👉 @ai_python ✍️

1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.

2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script.

3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.

4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.

5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.

👉 @ai_python ✍️

به نظر می رسه گوگل استفاده از Google AI پلن Pro رو برای دانشجوهای سراسر دنیا (نمی دونم آیا ایران هم شامل می شه یا نه) برای یک سال رایگان ارائه می ده. این خبر رو گوگل دیروز 31 اکتبر در توییترش اعلام کرد.

👉 @ai_python ✍️

لینک توییت :

https://x.com/GeminiApp/status/1984037056432210347

👉 @ai_python ✍️

میزان اهمیت 4 دامین اصلی (در امتحان) برای دریافت مدرک DP-100 به عنوان متخصص علوم داده از مایکروسافت

پیش تر در این پست این دوره را معرفی کرده بودیم.

📱 M

👉 @ai_python ✍️

در این تصویر به خوبی مشاهده می کنید که برای هرکدام از انواع دیتااستور در مایکروسافت آژور برای استفاده به عنوان محل ذخیره سازی Data Assets چه مواردی را نیاز دارید. کدام موارد پشتیبانی می شوند؟ مثلن SAS پشتیبانی می شه یا نه؟

(هرچند که SAS کم کم داره منسوخ می شه و از لحاظ امنیتی دیگه Best Practice نیست.)

📱 M

👉 @ai_python ✍️

انواع Data Asset در Azure ML و نحوه ساخت آن ها با استفاده از SDK ورژن 2 در پایتون

📱 M

👉 @ai_python ✍️

انواع Environment در Microsoft Azure ML

📱 M

👉 @ai_python ✍️

اگر قصد داشته باشید که Asset هایی که ایجاد کردید رو بین ورک اسپیس های مختلف ماشین لرنینگ در مایکروسافت آژور به اشتراک بذارید می تونید از رجیستری ها استفاده کنید

📱 M

بررسی مقاله DeepSeek OCR که به نوعی معرفی یکی از متدهای پیشرو برای Memory Comaprison هستش :

👉 @ai_python ✍️

https://youtu.be/YEZHU4LSUfU?si=pYhcCw7uG-XxSnCn

سایت Figma یک پلتفرم طراحی و همکاری آنلاین است که به تیم‌ها اجازه می‌دهد به‌صورت هم‌زمان روی پروژه‌های طراحی رابط کاربری (UI) و تجربه کاربری (UX) کار کنند.

حالا یکی از قابلیت های جالبش که تقریبن شاید بشه گفت، شبیه Lovable هست، قابلیت Figma Make هستش.

👉 @ai_python ✍️

خلاصه از طریق Ehsun عزیز، با خبر شدیم که این پلت فرم هم اکانت دانشجویی رایگان داره. (که البته متاسفانه نمی دونم که شامل دانشجوهای داخل ایران هم می شه یا نه؟)

اگر دانشجو هستید و استفاده ای از این سرویس دارید، یک سری به این قسمت از وب سایت فیگما بزنید : https://www.figma.com/de-de/education/

شبکه‌عصبی گرافی جدیدی به نام GLSTM که برای کاهش مشکل "فشردگی بیش از حد" (over-squashing) در شبکه‌های عصبی گرافی (GNNs) طراحی شده است.

👉 @navidcasts 🎓

فشردگی بیش از حد که منجر به یک "تنگنای اطلاعاتی" (information bottleneck) می‌شود، زمانی رخ می‌دهد که اطلاعات دریافتی از یک میدان درک بزرگ در یک بردار با اندازه ثابت فشرده می‌شود. محققان این پدیده را از دریچه "ظرفیت ذخیره‌سازی و بازیابی مدل" (model storage and retrieval capacity) بازنگری می‌کنند و استدلال می‌کنند که این مشکل شامل دو جزء متمایز است: اشباع ظرفیت و حساسیت پایین.

👉 @navidcasts 🎓

برای مقابله با محدودیت ظرفیت، این مدل جدید با الهام از معماری‌های توالی‌محور مانند xLSTM، از "حافظه تداعی‌گر" (associative memory) استفاده می‌کند و عملکرد برتر خود را در یک کار مصنوعی جدید به نام "یادآوری تداعی‌گر همسایه" (Neighbor Associative Recall - NAR) و همچنین در معیارهای دنیای واقعی به نمایش می‌گذارد. ویدیو مصنوعی توضیحات فارسی در 7 دقیقه :

https://youtu.be/69BXJkAzu_A