مایکروسافت از مدلهای هوش مصنوعی Phi-3.5 رونمایی کرد
براساس گزارش VentureBeat، مایکروسافت بهتازگی 3 مدل جدید سری Phi-3.5 را معرفی کرده است. هر 3 مدل برای دانلود از پلتفرم Hugging Face تحت مجوز MIT در دسترس هستند که امکان استفاده تجاری و تغییر بدون محدودیت را فراهم میکند. این 3 مدل به شرح زیر هستند:
مدل Phi-3.5-mini-instruct با 3.82 میلیارد پارامتر.
مدل Phi-3.5-MoE-instruct با 41.9 میلیارد پارامتر.
مدل Phi-3.5-vision-instruct با 41.15 میلیارد پارامتر.
Phi-3.5 Mini Instruct مدل هوش مصنوعی سبک با 3.8 میلیارد پارامتر است که پنجره زمینه با 128 هزار توکن دارد این مدل برای کارهایی که نیاز به قابلیتهای استدلال قوی دارند، مانند کدنویسی، حل مسائل ریاضی و استدلال مبتنی بر منطق ایدهآل است.
مدل Phi-3.5 Mini Instruct باوجود اندازه کوچک خود، عملکردی تقریباً عالی در تعدادی از بنچمارکها دارد و از دیگر مدلهای هماندازه خود مانند Llama-3.1-8B-instruct و Mistral-7B-instruct در بنچمارک RepoQA جلو میزند.
@faraapply
براساس گزارش VentureBeat، مایکروسافت بهتازگی 3 مدل جدید سری Phi-3.5 را معرفی کرده است. هر 3 مدل برای دانلود از پلتفرم Hugging Face تحت مجوز MIT در دسترس هستند که امکان استفاده تجاری و تغییر بدون محدودیت را فراهم میکند. این 3 مدل به شرح زیر هستند:
مدل Phi-3.5-mini-instruct با 3.82 میلیارد پارامتر.
مدل Phi-3.5-MoE-instruct با 41.9 میلیارد پارامتر.
مدل Phi-3.5-vision-instruct با 41.15 میلیارد پارامتر.
Phi-3.5 Mini Instruct مدل هوش مصنوعی سبک با 3.8 میلیارد پارامتر است که پنجره زمینه با 128 هزار توکن دارد این مدل برای کارهایی که نیاز به قابلیتهای استدلال قوی دارند، مانند کدنویسی، حل مسائل ریاضی و استدلال مبتنی بر منطق ایدهآل است.
مدل Phi-3.5 Mini Instruct باوجود اندازه کوچک خود، عملکردی تقریباً عالی در تعدادی از بنچمارکها دارد و از دیگر مدلهای هماندازه خود مانند Llama-3.1-8B-instruct و Mistral-7B-instruct در بنچمارک RepoQA جلو میزند.
@faraapply
AI Scientist معرفی شد؛ هوش مصنوعی متنباز برای انجام تحقیقات علمی
شرکت Sakana AI مستقر در توکیو با همکاری محققان دانشگاه آکسفورد و دانشگاه بریتیش کلمبیا، یک سیستم هوش مصنوعی متنباز معرفی کرده است که میتواند تحقیقات علمی را بهطور مستقل انجام دهد. این سیستم که «دانشمند هوش مصنوعی» (The AI Scientist) نام دارد، نوید تغییر کامل روند اکتشافات علمی را میدهد.
براساس اعلام Sakana AI، این هوش مصنوعی جدید از مدلهای زبانی بزرگ (LLM) برای تعامل با کاربر، ارائه پیشنهاد و اجرای دستورالعملهای تحقیقاتی، بهویژه در زمینه یادگیری ماشینی، استفاده میکند. AI Scientist کاملاً متنباز است و اکنون تحت مجوز Apache 2.0 در GitHub منتشر شده و استفاده، اصلاح و تجاریسازی آن قانونی است.
این شرکت همچنین چند مدل مولد تصویر در Hugging Face منتشر کرده است که با یکی از آنها میتوان تصاویری هنری ژاپنی موسوم به «اوکییو» (Ukiyo) ایجاد کرد.
@faraapply
شرکت Sakana AI مستقر در توکیو با همکاری محققان دانشگاه آکسفورد و دانشگاه بریتیش کلمبیا، یک سیستم هوش مصنوعی متنباز معرفی کرده است که میتواند تحقیقات علمی را بهطور مستقل انجام دهد. این سیستم که «دانشمند هوش مصنوعی» (The AI Scientist) نام دارد، نوید تغییر کامل روند اکتشافات علمی را میدهد.
براساس اعلام Sakana AI، این هوش مصنوعی جدید از مدلهای زبانی بزرگ (LLM) برای تعامل با کاربر، ارائه پیشنهاد و اجرای دستورالعملهای تحقیقاتی، بهویژه در زمینه یادگیری ماشینی، استفاده میکند. AI Scientist کاملاً متنباز است و اکنون تحت مجوز Apache 2.0 در GitHub منتشر شده و استفاده، اصلاح و تجاریسازی آن قانونی است.
این شرکت همچنین چند مدل مولد تصویر در Hugging Face منتشر کرده است که با یکی از آنها میتوان تصاویری هنری ژاپنی موسوم به «اوکییو» (Ukiyo) ایجاد کرد.
@faraapply
❤1
ابزارهای هوش مصنوعی برای حل مسائل ریاضی
هوش مصنوعی به سرعت در حال تغییر دادن روشهای حل مسائل است و یکی از حوزههایی که به شدت تحت تأثیر این فناوری قرار گرفته، ریاضیات است. ابزارهای هوش مصنوعی طراحی شده برای حل مسائل ریاضی، با استفاده از الگوریتمهای پیچیده و یادگیری ماشین، قادرند طیف گستردهای از مسائل ریاضی را با دقت بالا حل کنند.
از محبوبترین ابزارهای هوش مصنوعی برای حل مسائل ریاضی
Wolfram Alpha: یک موتور محاسباتی است که قادر به حل طیف گستردهای از مسائل ریاضی، علمی و مهندسی است.
Mathway: یک ابزار آنلاین محبوب برای حل مسائل ریاضی از جبر تا حساب دیفرانسیل و انتگرال است.
Symbolab: یک ابزار قدرتمند برای حل مسائل ریاضی به صورت گام به گام است و از نمادگذاری ریاضی استفاده میکند.
Photomath: یک اپلیکیشن موبایلی است که با اسکن کردن یک مسئله ریاضی نوشته شده روی کاغذ، آن را حل میکند.
@faraapply
هوش مصنوعی به سرعت در حال تغییر دادن روشهای حل مسائل است و یکی از حوزههایی که به شدت تحت تأثیر این فناوری قرار گرفته، ریاضیات است. ابزارهای هوش مصنوعی طراحی شده برای حل مسائل ریاضی، با استفاده از الگوریتمهای پیچیده و یادگیری ماشین، قادرند طیف گستردهای از مسائل ریاضی را با دقت بالا حل کنند.
از محبوبترین ابزارهای هوش مصنوعی برای حل مسائل ریاضی
Wolfram Alpha: یک موتور محاسباتی است که قادر به حل طیف گستردهای از مسائل ریاضی، علمی و مهندسی است.
Mathway: یک ابزار آنلاین محبوب برای حل مسائل ریاضی از جبر تا حساب دیفرانسیل و انتگرال است.
Symbolab: یک ابزار قدرتمند برای حل مسائل ریاضی به صورت گام به گام است و از نمادگذاری ریاضی استفاده میکند.
Photomath: یک اپلیکیشن موبایلی است که با اسکن کردن یک مسئله ریاضی نوشته شده روی کاغذ، آن را حل میکند.
@faraapply
👍1
چرا درخت تصمیم مهم است؟
درخت تصمیم به ما کمک میکند تا الگوها را در دادهها پیدا کنیم، پیشبینی کنیم و تصمیمات بهتری بگیریم. از پزشکی تا بازاریابی، درخت تصمیم کاربردهای فراوانی دارد. #هوش_مصنوعی #درخت_تصمیم #داده_کاوی"
@faraapply
درخت تصمیم به ما کمک میکند تا الگوها را در دادهها پیدا کنیم، پیشبینی کنیم و تصمیمات بهتری بگیریم. از پزشکی تا بازاریابی، درخت تصمیم کاربردهای فراوانی دارد. #هوش_مصنوعی #درخت_تصمیم #داده_کاوی"
@faraapply
👍1
Media is too big
VIEW IN TELEGRAM
تصمیمگیری به سبک کامپیوتر!
تو این ویدیو، بهتون نشون میدیم که چطور یک الگوریتم ساده و در عین حال قدرتمند مثل درخت تصمیم میتونه تصمیمهای پیچیده رو بگیره. از تشخیص بیماری گرفته تا پیشنهاد محصولات، درخت تصمیم کاربردهای زیادی داره.
ببینید که چطور این درخت مجازی با شاخهها و برگهاش، دادهها رو تجزیه و تحلیل میکنه و به بهترین نتیجه میرسه.
#درخت_تصمیم #یادگیری_ماشین #داده_کاوی #الگوریتم #علم_داده #AI #machinelearning #datascience"
@faraapply
تو این ویدیو، بهتون نشون میدیم که چطور یک الگوریتم ساده و در عین حال قدرتمند مثل درخت تصمیم میتونه تصمیمهای پیچیده رو بگیره. از تشخیص بیماری گرفته تا پیشنهاد محصولات، درخت تصمیم کاربردهای زیادی داره.
ببینید که چطور این درخت مجازی با شاخهها و برگهاش، دادهها رو تجزیه و تحلیل میکنه و به بهترین نتیجه میرسه.
#درخت_تصمیم #یادگیری_ماشین #داده_کاوی #الگوریتم #علم_داده #AI #machinelearning #datascience"
@faraapply
👎1
⏳ زیر 30 ثانیه با هوش مصنوعی لوگوی حرفه ای بزن
🌀 تو این پست قراره یه روشیو بگم که بتونید لوگو های حرفه ای برای کسب و کارتون ایجاد کنید ؛ نه از این لوگو الکیا که بعضی از سایتا میزنن و همشم مثل همه...
✅ با استفاده از ChatGPT + Dall-E2
1️⃣ خب ؛ اول از همه به چت جی پی تی بگو چی میخوای ؛ مثلا من بهش میگم یه کانال تلگرامی داریم که در حوزه تکنولوژی ، ترفند و اخبار روز فعالیت داره
2️⃣ برام یه Promt بنویس که بتونم ازش تو Dall-E استفاده کنم
▪️متن پیشنهادی :
3️⃣ تو جای خالی بنویس براش دقیقاً چی میخوای
4️⃣ حالا از متن ChatGPT یه کپی بگیر ، وارد هوش مصنوعی ساخت تصاویر بینگ شو و اون متن رو پیست کن👌
هم میتونی از اپ اندرویدیش استفاده کنی هم از سایتش
@faraapply
🌀 تو این پست قراره یه روشیو بگم که بتونید لوگو های حرفه ای برای کسب و کارتون ایجاد کنید ؛ نه از این لوگو الکیا که بعضی از سایتا میزنن و همشم مثل همه...
✅ با استفاده از ChatGPT + Dall-E2
1️⃣ خب ؛ اول از همه به چت جی پی تی بگو چی میخوای ؛ مثلا من بهش میگم یه کانال تلگرامی داریم که در حوزه تکنولوژی ، ترفند و اخبار روز فعالیت داره
2️⃣ برام یه Promt بنویس که بتونم ازش تو Dall-E استفاده کنم
▪️متن پیشنهادی :
Please Write me a great promt for Dall-E to generate amazing logo about ....3️⃣ تو جای خالی بنویس براش دقیقاً چی میخوای
4️⃣ حالا از متن ChatGPT یه کپی بگیر ، وارد هوش مصنوعی ساخت تصاویر بینگ شو و اون متن رو پیست کن👌
هم میتونی از اپ اندرویدیش استفاده کنی هم از سایتش
@faraapply
از زمانی که هوش مصنوعی تولیدکننده در اواخر سال 2022 به جریان اصلی اتفاقات وارد شد، بسیاری از ما درک اساسی از این فناوری و نحوه استفاده از زبان طبیعی برای کمک به تعامل آسانتر با رایانهها به دست آوردهایم. برخی از ما حتی میتوانیم اصطلاحات پرکاربرد مانند "prompts" و "machine learning" را در هنگام قهوه خوردن با دوستان به زبان بیاوریم. (اگر هنوز به این مرحله نرسیدهاید، میتوانید با این مقاله مقدماتی شروع کنید) اما با ادامه تکامل هوش مصنوعی، واژگان آن نیز در حال تغییر است. آیا تفاوت بین مدلهای زبان بزرگ و کوچک را میدانید؟ یا اینکه "GPT" در ChatGPT مخفف چیست؟ یا اینکه RAG چه ارتباطی با تمیز کردن ساختگیها دارد؟ ما اینجا هستیم تا با یک تجزیه و تحلیل سطح بعدی از اصطلاحات هوش مصنوعی به شما کمک کنیم تا به روز باشید.
در ادامه به صورت روزانه با این اصطلاحات آشنا میشویم ...
@faraapply
در ادامه به صورت روزانه با این اصطلاحات آشنا میشویم ...
@faraapply
👍1
استدلال و برنامهریزی (Reasoning/planning)
رایانههای مبتنی بر هوش مصنوعی اکنون میتوانند با استفاده از الگوهایی که از دادههای تاریخی آموختهاند، مشکلات را حل کرده و وظایف را انجام دهند تا معنای اطلاعات را درک کنند، که چیزی شبیه استدلال است. پیشرفتهترین سیستمها توانایی رفتن یک گام جلوتر را نشان میدهند و با ایجاد برنامهها و تدوین یک دنباله از اقدامات برای رسیدن به یک هدف، مشکلات پیچیدهتری را برطرف میکنند. تصور کنید که از یک برنامه هوش مصنوعی بخواهید در برنامهریزی یک سفر به یک پارک تفریحی کمک کند. این سیستم میتواند این هدف را (بازدیدی که در آن شش سواری مختلف انجام میدهید، از جمله اطمینان از اینکه ماجراجویی آبی در گرمترین قسمت روز انجام میشود) به مراحل مختلف برای یک برنامه تقسیم کند و با استفاده از استدلال اطمینان حاصل کند که هیچ جا برگشت نخواهید خورد و در ساعت بین ظهر و 3 بعد از ظهر بر روی غلتک آببازی خواهید بود.
@faraapply
رایانههای مبتنی بر هوش مصنوعی اکنون میتوانند با استفاده از الگوهایی که از دادههای تاریخی آموختهاند، مشکلات را حل کرده و وظایف را انجام دهند تا معنای اطلاعات را درک کنند، که چیزی شبیه استدلال است. پیشرفتهترین سیستمها توانایی رفتن یک گام جلوتر را نشان میدهند و با ایجاد برنامهها و تدوین یک دنباله از اقدامات برای رسیدن به یک هدف، مشکلات پیچیدهتری را برطرف میکنند. تصور کنید که از یک برنامه هوش مصنوعی بخواهید در برنامهریزی یک سفر به یک پارک تفریحی کمک کند. این سیستم میتواند این هدف را (بازدیدی که در آن شش سواری مختلف انجام میدهید، از جمله اطمینان از اینکه ماجراجویی آبی در گرمترین قسمت روز انجام میشود) به مراحل مختلف برای یک برنامه تقسیم کند و با استفاده از استدلال اطمینان حاصل کند که هیچ جا برگشت نخواهید خورد و در ساعت بین ظهر و 3 بعد از ظهر بر روی غلتک آببازی خواهید بود.
@faraapply
آموزش و استنتاج (Training/inference)
برای ایجاد و استفاده از یک سیستم هوش مصنوعی، دو مرحله وجود دارد: آموزش و استنتاج. آموزش نوعی آموزش برای سیستم هوش مصنوعی است، زمانی که یک مجموعه داده به آن داده میشود و یاد میگیرد که بر اساس آن دادهها وظایف را انجام دهد یا پیشبینی کند. به عنوان مثال، ممکن است یک لیست از قیمتهای خانههای اخیراً فروخته شده در یک محله، همراه با تعداد اتاق خوابها و حمامها در هر خانه و بسیاری از متغیرهای دیگر به آن داده شود. در طول آموزش، سیستم پارامترهای داخلی خود را تنظیم میکند که مقادیری هستند که تعیین میکنند چه مقدار وزن به هر یک از این عوامل در تأثیرگذاری بر قیمتگذاری داده شود. استنتاج زمانی است که از این الگوها و پارامترهای آموخته شده برای پیشبینی قیمت یک خانه جدید که قرار است به بازار عرضه شود، استفاده میکند.
@faraapply
برای ایجاد و استفاده از یک سیستم هوش مصنوعی، دو مرحله وجود دارد: آموزش و استنتاج. آموزش نوعی آموزش برای سیستم هوش مصنوعی است، زمانی که یک مجموعه داده به آن داده میشود و یاد میگیرد که بر اساس آن دادهها وظایف را انجام دهد یا پیشبینی کند. به عنوان مثال، ممکن است یک لیست از قیمتهای خانههای اخیراً فروخته شده در یک محله، همراه با تعداد اتاق خوابها و حمامها در هر خانه و بسیاری از متغیرهای دیگر به آن داده شود. در طول آموزش، سیستم پارامترهای داخلی خود را تنظیم میکند که مقادیری هستند که تعیین میکنند چه مقدار وزن به هر یک از این عوامل در تأثیرگذاری بر قیمتگذاری داده شود. استنتاج زمانی است که از این الگوها و پارامترهای آموخته شده برای پیشبینی قیمت یک خانه جدید که قرار است به بازار عرضه شود، استفاده میکند.
@faraapply
روز جهانی برنامهنویس بر تمامی مهندسان نرمافزار، توسعهدهندگان و خالقان دنیای دیجیتال مبارک باد. تلاشهای شما در ساخت دنیایی بهتر و هوشمندتر ستودنی است.
#روزجهانی_برنامه_نویس #برنامه_نویس #توسعه_دهنده #کدنویسی #IT #programmer #developer #coding #softwareengineer
@faraapply
#روزجهانی_برنامه_نویس #برنامه_نویس #توسعه_دهنده #کدنویسی #IT #programmer #developer #coding #softwareengineer
@faraapply
💔2😐1
مدلهای زبان کوچک SLM/small language model (SLM)
مدلهای زبان کوچک (SLM)، نسخههای جیبی مدلهای زبان بزرگ (LLM) هستند. هر دو از تکنیکهای یادگیری ماشین برای کمک به تشخیص الگوها و روابط استفاده میکنند تا بتوانند پاسخهای طبیعی و واقعی به زبان تولید کنند. اما در حالی که LLMها بسیار بزرگ هستند و به یک دوز سنگین قدرت محاسباتی و حافظه نیاز دارند، SLMها مانند Phi-3 بر روی مجموعه دادههای کوچکتر و دستهبندی شده آموزش داده میشوند و پارامترهای کمتری دارند، بنابراین فشردهتر هستند و حتی میتوانند بدون اتصال به اینترنت، به صورت آفلاین استفاده شوند. این آنها را برای برنامههای کاربردی روی دستگاههایی مانند لپتاپ یا تلفن مناسب میکند، جایی که ممکن است بخواهید سوالات اساسی در مورد مراقبت از حیوانات خانگی بپرسید اما نیازی به بررسی عمیق استدلال چند مرحلهای در مورد نحوه آموزش سگهای راهنمای نابینایان ندارید.
@faraapply
مدلهای زبان کوچک (SLM)، نسخههای جیبی مدلهای زبان بزرگ (LLM) هستند. هر دو از تکنیکهای یادگیری ماشین برای کمک به تشخیص الگوها و روابط استفاده میکنند تا بتوانند پاسخهای طبیعی و واقعی به زبان تولید کنند. اما در حالی که LLMها بسیار بزرگ هستند و به یک دوز سنگین قدرت محاسباتی و حافظه نیاز دارند، SLMها مانند Phi-3 بر روی مجموعه دادههای کوچکتر و دستهبندی شده آموزش داده میشوند و پارامترهای کمتری دارند، بنابراین فشردهتر هستند و حتی میتوانند بدون اتصال به اینترنت، به صورت آفلاین استفاده شوند. این آنها را برای برنامههای کاربردی روی دستگاههایی مانند لپتاپ یا تلفن مناسب میکند، جایی که ممکن است بخواهید سوالات اساسی در مورد مراقبت از حیوانات خانگی بپرسید اما نیازی به بررسی عمیق استدلال چند مرحلهای در مورد نحوه آموزش سگهای راهنمای نابینایان ندارید.
@faraapply
زمینهسازی (Grounding)
سیستمهای هوش مصنوعی تولیدکننده میتوانند داستانها، شعرها و جوکها را بسازند و همچنین به سوالات تحقیقاتی پاسخ دهند. اما گاهی اوقات آنها با چالش تفکیک واقعیت از خیال روبرو میشوند یا دادههای آموزشی آنها قدیمی است و سپس میتوانند پاسخهای نادرستی ارائه دهند که به عنوان توهمات شناخته میشوند. توسعهدهندگان برای کمک به هوش مصنوعی در تعامل دقیق با دنیای واقعی از طریق فرآیند زمینهسازی تلاش میکنند که در آن مدل خود را با دادهها و مثالهای ملموس مرتبط و لنگر میاندازند تا دقت را بهبود بخشند و خروجیهای مرتبطتر و شخصیسازی شده بیشتری تولید کنند.
@faraapply
سیستمهای هوش مصنوعی تولیدکننده میتوانند داستانها، شعرها و جوکها را بسازند و همچنین به سوالات تحقیقاتی پاسخ دهند. اما گاهی اوقات آنها با چالش تفکیک واقعیت از خیال روبرو میشوند یا دادههای آموزشی آنها قدیمی است و سپس میتوانند پاسخهای نادرستی ارائه دهند که به عنوان توهمات شناخته میشوند. توسعهدهندگان برای کمک به هوش مصنوعی در تعامل دقیق با دنیای واقعی از طریق فرآیند زمینهسازی تلاش میکنند که در آن مدل خود را با دادهها و مثالهای ملموس مرتبط و لنگر میاندازند تا دقت را بهبود بخشند و خروجیهای مرتبطتر و شخصیسازی شده بیشتری تولید کنند.
@faraapply