دوره ماشین لرنینگ Prof. Michael J.Pyrcy از دانشگاه Texas at Austin
@ai_python

لینک پلی لیست در یوتیوب

مایکروسافت یک دوره ساخت اپلیکیشن های Generative AI برای مبتدی ها در گیت هاب منتشر کرده است. آخرین به روزرسانی این دوره مربوط به هفته گذشته است و تاکتون 18 درس در آن قرار داده شده است :
@ai_python

لینک گیت هاب

این در واقع نسخه دوم این سری آموزش های مایکروسافت هست.

بیش تر کد ها با پایتون و در جاهایی که ممکن بوده است با تایپ اسکریپت نمایش داده شده اند.

https://github.com/microsoft/generative-ai-for-beginners/raw/main/images/repo-thubmnail2.png?WT.mc_id=academic-105485-koreyst

امشب یه تجربه در مورد ارور هندلینگ API مربوط به Open AI در آژور مایکروسافت داشتم که با شما هم در میون می ذارم:
@ai_python

همون طور که می دونید کانتنت فیلتر Azure مانع از این می شه که شما بتونید هر نوع درخواستی رو به API بفرستید.
این درخواست ها البته در Policy سرویس مشخص شده اند و تشخیص آن ها به صورت اتوماتیک انجام می شود. اما گاهی این تشخیص ممکن است اشتباه باشد.

@ai_python
در مواردی که تشخیص اشتباه است ، شما می توانید برای Troubleshoot از اکسپشن InvalidRequestError استفاده کنید. در نتیجه می توانید مانند تصویر مشاهده کنید که ایراد وارده به پرامپ شما در واقع بیش تر مربوط به کدام نوع از فیلتر ها هست. جهت مشاهده نمونه های نحوه استفاده از این اکسپشن می توانید به این لینک مراجعه کنید: لینک Content Filtering Output

X

@ai_python

دانشگاه تکنیک وین یک اسکالرشیپ به مبلغ سالیانه حدود ۷۰۰۰ یورو برای خانم هایی که قصد دارند مستر علوم کامپیوتر را در این دانشگاه بگذرانند،  اعلام کرده است. اطلاعات بیشتر :
https://www.vcla.at/helmut-veith-stipend/

گروه تلگرامی فارسی زبانان اروپا:
https://t.me/iraneurope2023

گروه تلگرامی جامعه علوم کامپیوتر اتریش:
https://t.me/+vHq2KHlW8AljNTc0

اوپن اِی آی در پی شکایت الون ماسک، طی بیانیه ای، بخشی از ایمیل های رد و بدل شده با الون را منتشر کرد.
@ai_python

لینک بیانیه در وبلاگ :

https://openai.com/blog/openai-elon-musk

چیزی که برای خود من توی این بیانیه جالب بود، چالش های مالی و نظرات مختلف دو طرف و همچنین نگرانی عمیقشون در جهت رقابل با گوگل بود.

مایکروسافت دیروز یک پست در وبلاگش منتشر کرد، که در آن به جای Large Language Model ها از Smaller Language Model استفاده کردن و سعی کردن بفهمن آیا یک SLM در مقایسه با LLM وقتی که برای کاربرد خاصی اختصاصی شود ( مثلن ریاضیات ) بهتر عمل می کند یا نه؟
@ai_python

و اتفاقن نتایج نشون می ده که ظاهرن مدل Orca 2 در رابطه با دیتاست مسئله های ریاضی GSM8K بهتر از بقیه مدل ها عمل کرده است. ♾

محققان FAIR به تازگی متدی به نام V-JEPA را برای استفاده عمومی قرار داده اند که به ماشین ها آموزش می دهد، چطور با تماشای ویدیو، دنیای فیزیکی را مدل سازی کنند.

@ai_python

این کد تحت لایسنس CC-BY-NC قابل دسترسی و استفاده است. ( این لایسنس به این معنا است که همیشه نیاز به منشن سازندگان است و استفاده های تجاری از آن ممنوع است )

https://github.com/facebookresearch/jepa

اگر برای فید LLM تون به دیتاست اطلاعات سایت های معروف مثل Reddit و ... نیاز دارید و خودتون وقت، حوصله و هزینه Crawl یا Scraping رو ندارید ، این می تونه ابزار خوب و به نسبت ارزون تر و بی دردسر تری باشه :
@ai_python

https://apify.com/store/categories/ai

@ai_python

شما با این مقایسه موافق هستید؟ 🌚🌝

البته که از 6 ماه پیش تا الان ، مدل ها در زمینه ریاضیات خیلی پیشرفت کردن. همین چند وقت پیش نتایج بنچ مارک یک SLM رو در مقایسه با LLM ها برای مسائل ریاضی در کانال به اشتراک گذاشتیم.
@ai_python

اما واقعن چیزی که برای خود من سوال هست اینه که آینده ریاضیات با وجود هوش مصنوعی چگونه پیش خواهد رفت؟ آیا هنوز Make Sense می کنه که اثبات های ریاضی رو یاد بگیریم؟ یا آیا ماشین در حال حاضر می تونه برای ما استقرا انجام بده؟ و اصلن مسائل ریاضی در همه زمینه ها چه قدر قابل توسعه با استفاده از هوش مصنوعی هستن؟

این ویدیو 6 دقیقه ای یک چشم انداز جامع در این مورد داشت ، که شاید برای علاقه مندان دیدنش خالی از لطف نباشه :

https://youtu.be/3l1RMiGeTfU?si=c9t-oJ9eDKZrgrAn

یکی از عزیزان دنبال کننده کانال پرسیدن که آیا تا حالا اوپن پرابلمی در حوزه ریاضی با کمک هوش مصنوعی حل شده؟
@ai_python

باید بگیم که هوش مصنوعی شاید نتونسته خودش به طور کامل مسئله رو حل کنه. اما کمک بزرگی کرده.

برای مثال شاید این یکی از تازه ترین هاش باشه :

https://www.quantamagazine.org/elliptic-curve-murmurations-found-with-ai-take-flight-20240305/

یکی از حوزه های مورد علاقه من در زمینه کاربردهای LLM تحلیل داده های جدولی هست.

@ai_python

امروز یک تحقیق در گوگل ریسرچ توجهم رو به خودش جلب کرد که در واقع یک Work Flow تقریبن کارآمد رو پیشنهاد می ده که بتونیم با کمک گرفتن از NLU یا نچرال لنگوئج آندرستندینگ، پاسخ قابل اتکا تری را دریافت کنیم.

https://blog.research.google/2024/03/chain-of-table-evolving-tables-in.html?m=1

اگه دوست دارید درباره دیتابیسی که داده های چت جی پی تی رو نگه داری می کنه بیش تر بدونید :

@ai_python

https://youtu.be/6IIUtEFKJec?si=3wQqJinOOLCYWrzH

تابع سیگموید معمولن اون طوری که در نگاه اول تصور می کنیم پیاده سازی نشده. به خصوص وقتی از کتابخانه های سفارشی استفاده می کنیم باید حواسمون به این موضوع باشه.
@ai_python

هرچند که برای مثال در کتابخانه ای مثل پای تورچ این مسئله مد نظر قرار گرفته است.

توی این پست می تونید یه مقدار توضیحات بیش تری ببینید درباره پیاده سازی این تابع :
https://www.blog.dailydoseofds.com/p/sigmoid-and-softmax-are-not-implemented