دستاوردهای یادگیری عمیق(InTec)
9.53K subscribers
364 photos
40 videos
44 files
676 links
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
موضوع اصلی کانال

این یک بلاگ شخصی با طرز تفکر شخصی هست.

Core Python : @PyHints

تلاشی هم در یادگیری Rust دارم که درحال داکیومنت شدن هم هست؛ اگر شماهم به این زبان علاقمند هستید join یادتون نره

Rust: @PyRust
Download Telegram
Cans
DialogueBox
نویسنده و خوانش : احسان عبدی‌پور

آلودگی‌هوا، مشکلات ریوی، کرونا و زلزله
من رو یاد این خوانش انداخت.
💔1
سایت کراس با بروزرسانی جدید و آموزش‌های کامل و دقیق، تو این آموزش‌ها از توابع جدید و کلاس‌هایی که در

#future_of_keras
اشاره شد هم استفاده شده

درحال حاضر اگر می‌خواهید با این آموزش‌ها (ورژن‌های آینده کراس) کار کردن رو یاد بگیرید باید نسخه
tf-nightly

رو نصب کنید؛ (ممکنه کمی مشکلات و باگ داشته باشید)
اگر تا امروز توی ژوپیتر از
Extension
ها استفاده نکردید پیشنهاد میدم حتماً ی نگاهی به این لیست بندازید، توی لینک زیر لیستی از پرکاربردترین extension های ژوپیتر موجود هست

Jupyter nbextensions

شخصاً ۳ مورد رو پیشنهاد می‌کنم حتماً داشته باشید:

1- Variable Inspector
2- ZenMode
3- ScratchPad
کنترل حرکت حشرات چیزی‌ هست که سالها روش کار می‌شه، تقریباً حدود ۵ سال پیش اولین باری بود که با تیمی آشنا شدم که اینکار رو انجام میداد

اهداف و کاربردهای زیادی پشت این موضوع وجود داره، اما چیزی که بیشتر از همه مسئله رو سخت می‌کرد کنترل کردن حشرات بود (توی بیشتر موارد از انواع سوسک‌های با قابلیت پرواز برای این موضوع استفاده می‌شه) مشکل وقتی ایجاد می‌شه که توی بیشتر شرایط آزمایشگاهی شما بهترین شرایط آب و هوایی رو دارید و سیستم روی بدن حشره و شخصی که هدایت رو در دست می‌گیره برای این شرایط کالیبره می‌شه و در شرایط جوی مختلف استفاده ازین موضوع بسیار کار رو سخت می‌کنه (حتی باد با سرعت کم) البته مسائل دیگری هم وجود داره (مثل خورده شدن توسط پرندگان و ... که خارج از بحث هست)

امروز تونستم مجدداً با یکی از افرادی که روی این موضوع کار می‌کنند صحبت کنم و به این بحث برسیم که احتمال بسیار بالا
Deep learning
به ویژه
Reinforcement Learning
بسیار مناسب اینکار هست چه برای تنظیم پارامتر‌ها و چه برای کنترل و هدایت
سخت‌‌ترین کار توی این نوع کنترل مانورهای سریع هست، که باتوجه به دستاوردها و پتانسیل موجود در RL برای کنترل quadcopter, ... اون رو مناسب هدایت حشرات هم می‌کنه.

Reinforcement Learning
فقط برای آتاری بازی نیست

پ.ن :
برای دوستانی که با این موضوع آشنایی ندارند ویدئو لینک زیر رو می‌تونید ببینید

YouTube
#خارج_از_بحث

چندروزی هست که مشکلات بسیاری برای dns adblocker های موجود بوجود اومده (که به احتمال زیاد مشکل از سمت ISP های داخلی هست چون اکثر این adblocker ها امکان اتصال بهشون وجود نداره)

مثلاً توی دیوایس‌های آندرویدی یک بخشی بنام
Private DNS
وجود داره که با تنظیم اون روی یکی از این آدرسها تبلیغاتی نخواهید داشت؛ یا بطور کلی تر با تنظیم dns مودم تمام تبلیغات بلاک می‌شه (هم صرفه‌جویی در مصرف اینترنت، هم جلوگیری از تبلیغات خسته کننده)

جایگزین این dns adblocker ها که به لطف ISP های داخلی فعلاً قطع شدند
pi-hole.net
هست نصب خیلی ساده‌ایی داره و مهمتر از اون درخواست‌ها به سرورهای تبلیغاتی حتی از شبکه لوکال خودتون هم خارج نمی‌شه پس ISP , ... هم نمی‌تونه ببندش.
ی تیم خیلی فوق‌العاده که با سرعت زیاد هم کد منتشر می‌کنند
تخصصی NLP؛

Hugging Face
رو می‌تونید توی گیتهاب چک کنید، نوت‌بوک‌های آموزشی عالی هم موجود هست ازشون

برای مثال ترنسفورمر‌ها :

GitHub
👍2
NLP MODEL SELECTION CHEAT SHEET
http://opus.nlpl.eu/

دیتاست برای nlp، بیشتر برای تسک‌های مربوط به ترجمه مطرح هست
Reformer, Can process sequences as long as 500.000 tokens

پیاده‌سازی بهینه توسط hugging face (قبلتر معرفی شده) در گیت‌هاب موجود هست


Paper Link
خروجی فوق‌العاده از OpenAi برای تولید کد؛ مدل GPT2 رو اگر بخاطر داشته باشید اینبار OpenAi همون مدل رو روی سورس کدهای متن‌باز گیت‌هاب برای پایتون آموزش داده

نهایتاْ خروجی اینه که شما اسم تابع آرگومان‌ها و داک‌استرینگ رو تعریف می‌کنید و باقیش رو به مدل میسپارید:

ویدئو کامل (بنده روی تایم دمو مدل قرار دادم می‌تونید کامل ببینید اگر علاقمند بودید) :
https://www.pscp.tv/Microsoft/1OyKAYWPRrWKb?t=29m19s
تعجبم از اینکه در مقالات روی این دیتا دقت 99.5 هم گزارش شده

درصورتی که خطاهای بیشتری وجود داره، ستون وسط لیبل داده و ستون راست خروجی مدل هست (به حرف 'و' دقت کنید)
جایگزین فوق‌العاده سریع برای pandas,
البته به همون اندازه راحت

PyPi Link

تست شده روی ۱۲۰ میلیون سطر داده
Hugging Face (🤗)

رو قبلتر برای دوستان nlp کار معرفی کردم، حالا این تیم درحال کار روی Gpt-3 هست (احتمال میره سایز مدل کامل چیزی بین 350-750G باشه

نکته جالب اینه که تعداد پارامتر‌ها و سایز مدل‌ها تنها چیزیه که این روزها بهش اشاره می‌شه
توی پست‌ها تعداد خیلی کمی به بهبودهای این مدل و اینکه چه تسکهایی رو انجام میده اشاره کردند ( آیا واقعاً کار شما به همچین مدلی نیاز داره ؟!)

Github Link