تکنولوژی هایی که صاحب آینده هستند...
@silicon_brain

در اين شكل رفتار نمودار دقت/epoch را براي دو حالاتي كه:
-مدل يادگيري عميق ما خيلي كوچك باشد (يك لايه مخفي با 16 نود)
-مدل يادگيري عميق ما كوچك باشد (2 لايه مخفي هر كدام 16 نود )
مشاهده ميكنيد
به نظر شما براي مدل يادگيري عميق با سايز متوسط (3 لايه مخفي هر كدام 64 نود ) چه رفتاري خواهد داشت؟(فكر كنيد)
@silicon_brain

حتما دیدید که تو برنامه های تلویزیونی و جلوه های ویژه از پرده سبز برای دستکاری پس زمینه و جایگزینی آن با پس زمینه دلخواه استفاده میکنند.
اما دیگه با استفاده از دیپ لرنینگ و بینایی ماشین، نیازی به پرده سبز نیست
لینک گیتهاب این پروژه:
https://github.com/PeterL1n/BackgroundMattingV2
#background_matting

آشنایی با کتابخانه Numpy - بخش چهارم
در صفحه ی اینستاگرام سیلیکون برین:

https://www.instagram.com/p/CI-8Cq5gO52/?igshid=mzv9geq6vy1u

پیشرفت چشمگیر در زمینه پردازش متن های طبیعی NLP
مدل GPT-2 برای تولید متون توسط ماشین، اخیرا خروجی‌های چشمگیری ارائه داد و مورد توجه قرار گرفت. وارد لینک زیر شوید و start writing را بزنید، یک متن را در این محیط وارد کنید و با زدن دکمه‌ی tab پیشنهادهای ماشین را برای تکمیل متن وارد شده مشاهده کرده و از هوشمندی سیستم لذت ببرید.
https://transformer.huggingface.co

@silicon_brain

#دیپ_فیک - بخش سوم
صفحه ی اینستاگرام سیلیکون برین:

https://www.instagram.com/p/CJJJ3Rrgosy/?igshid=18trntvaftkos

در پست بالا در مورد دیپ فیک و شبکه GAN با جزئیات توضیح داده شده بود. برای توضیح جزئی و ساده در مورد شبکه GAN معمولا از این مثال استفاده میشه :

" فرض کنید جاعل اسکناس برای اولین بار اسکناسی را جعل می نماید و آن به طریقی به دست کارآگاه می رساند. کارآگاه آن را با اسکناس حقیقی مقایسه می نماید و متوجه میشود که اسکناس جعلی است. او به همکاران خود گذارش می دهد و به این ترتیب جاعل از لو رفتن اسکناس تولیدی خود مطلع می گردد. جاعل پس از آن سعی در بهبود اسکناس های جعلی می نماید. برای تلاش بعدی دوباره اسکناس جعلی بهبود داده شده را به طریقی به دست کارآگاه می رساند. کارآگاه که از دفعه ی پیش تجربه کسب کرده بود با دقت بیشتری به بررسی آن می پردازد و سعی در بررسی بیشتر ظرافات موجود در اسکناس می نماید.بدین ترتیب کارآگاه دوباره به جعلی بودن اسکناس پی می¬برد. این کار تا زمانی تکرار می گردد که جاعل اسکناسی به اندازه ی کافی شبیه به اسکناس حقیقی تولید نماید که کارآگاه متوجه جعلی بودن اسکناس نگردد. پس از آن اسکناس های جعلی را به بازار عرضه می نماید. "
@silicon_brain

❔در مورد jax چه میدانید؟

فریمورک jax ابزاری عالی برای حوزه یادگیری ماشین هست. این فریمورک بر پایه نامپای کار میکنه

دو تا ویژگی مهم jax :

1⃣ بصورت خودکار قابلیت مشتق‌گیری داره
2⃣ توانایی انجام محاسبات در GPU و TPU

نمونه کد مشتق‌گیری خودکار رو در تصویر ببینید. با دستور grad در #jax می‌تونید مشتق خودکار بگیرید.

@silicon_brian

مدل زبانی فارسی GPT2-Persian اپن سورس توسط #بلبل_زبان برای منتشر شد.


👌 تشکر ویژه از کسانی که علم رو رایگان به اشتراک می‌گذارند.


https://huggingface.co/Bolbol-zaban/gpt2-persian


@silicon_brain

همان‌گونه که می‌دانیم یادگیری ماشین نیاز به داده دارد و جمع‌آوری داده کاری حوصله‌بر و زمان‌بری است ولی کاری است ارزشمند و باقی الصالحات!
بنظرم یک فیلدی در کنار مهندسی هوش مصنوعی هم نیاز داریم😅 به اصطلاح بیاد مارو کاور کنه ! (Inclusive Engineering)



با این حال دادگان فارسی پابلیک به نسبت کم است ولی در ادامه چندین منبع برای دادگان فارسی آمده است که اگر کسی به این فیلد آشنا باشد در پوست خود نمی‌گنجد😁


چند منبع دادگان متنی برای زبان فارسی :

nlpdataset.ir
......
https://github.com/persiannlp/parsinlu
......
https://github.com/danyaljj/persian_raw_text

@silicon_brain

تولید دیتا یا Data Augmentation در متن


قبلا این مبحث برای تصویر رو گفتیم ولی یک روش جالب برای تولید اضافه داده در متن استفاده از back translation هست!

متن رو ترجمه میکنه و ترجمه رو دوباره میبره به زبان مبدأ

این مدل MarianMT هست و از ترنسفورمرها استفاده کرده👌

@silicon_brain