اگر می‌خواهید از متن انگلیسی سوال بسازید، کتابخانه QuestGen راه‌حل خوبی است که از ترنسفورمرها مدل T5 برای رمزنگاری رمزگشایی استفاده کرده است.

https://github.com/ramsrigouthamg/Questgen.ai

@silicon_brain

در پست ریپلای شده دقت مدل با اندازه های خیلی کوچک و کوچک روی نمودار نشان داده شده بود .
اما وقتی حریص میشویم تا اندازه ی مدل یادگیری را بزرگتر (عمیق تر) کنیم تا دقت بالا رود چه اتفاقی می افتاد؟
به خط قرمز و آبی دقت کنید . صرفا عمیق کردن مدل دقت بالایی روی داده های آموزشی خواهد داشت اما روی داده های اعتبار سنجی دقت پایین تر از حتی مدل کوچک خواهد بود.
پس همواره پیچیده و عمیق شدن مدل راه حل درستی نیست.

#deep_reinforcement_learning
#reinforcement_learning
سال 2015 یک برنامه هوش مصنوعی با استفاده از یادگیری تقویتی عمیق توسط Google DeepMind ایجاد شد که بازی های آتاری را انجام میداد و توانایی ارتقا به سطح فوق انسانی را داشت .
در این ویدیو، عامل هوشمد بعد از 240 دقیقه آموزش دیدن متوجه میشود که تونل زدن و رسیدن به پشت اجزا بهترین راه حل ممکن برای این بازی است .
@silicon_brain

عملکرد انواع الگوریتم های بهینه سازی
https://www.theaidream.com/post/optimization-algorithms-in-neural-networks

#optimization
@silicon_brain

مقایسه دانشمند داده و مهندس داده
#data_science #data_engineering
@silicon_brain

اگر نصف عمرتون پشت ترین کردن مدل یادگیری گذشته باید بدونید که با استفاده از
Dataset.cache()
در کتابخانه تنسورفلو داده ها در epoch اول از دیسک وارد مموری میشود و برای epoch های بعدی لازم نیست به دیسک مراجعه شود.

اینکار اطمینان می دهد که مجموعه داده هنگام آموزش مدل شما به یک گلوگاه تبدیل نمی شود و سرعت یادگیری به طور چشم گیری افزایش میابد.
#tensorflow
@silicon_brain

تصویر قسمتی از یک شبکه ی CNN را مشاهده میکنید که جهت تشخیص حیوانات استفاده شده است.
- در لایه Convolutional تصاویر پیچیده ساده تر میشوند و اطلاعات به درد بخور تصویر نگه داشته میشود .
- با استفاده از Pooling سایز داده ها کاهش پیدا میکند همینطور تعداد پارامتر ها نیز کاهش پیدا میکند و این باعث سریع تر شدن شبکه میشود .

- از تابع فعالسازی RELU هم در ادامه استفاده میشود (کلیک کنید)
این پایان کار شبکه نیست و ممکن است لایه هایی که گفتیم بار ها تکرار شوند تا مدل به دقت کافی برسد.
#cnn #pooling #relu #convolutional
@silicon_brain

#keras #data_augmentation #generator #memory
در هوش مصنوعی تنها پیاده کردن مدل یادگیری مد نظر نیست. شما باید بتوانید منابع سخت افزاری که در دسترس دارید را به خوبی و بصورت بهینه کنترل کنید.
البته کتابخانه ها مختلف اکثر این کار ها را به صورت خودکار انجام میدهند و تنها کاری که شما باید بکنید آشنایی با دستورات مختلف هر کتابخانه ست.
@silicon_brain

#معرفی_دیتاست
#تحلیل_احساسات
#انگلیسی_2020

PerSenT (Bastan et al.)

این دیتاست احساسات نویسنده را نسبت به موجودیت اصلی در یک مقاله خبری را جمع کرده است. این مجموعه داده دارای 5.3 هزار سند و 38 هزار پاراگراف با 3.2 هزار موجودیت یونیک است.

سایت | مقاله

(هدف از این سری پست‌ها تشویق علاقه‌مندان به تولید دیتاست فارسی هست)
@silicon_brain