#معرفی_وبلاگ
لیلیان ونگ، وبلاگ نویس مطالب دیپ لرنینگ و هوش مصنوعی است که پس 7 سال فعالیت در OpenAI اخیرا اعلام کردند که این شرکت را برای انجام تجربیات جدیدی ترک می کنند. مطالب و مقالات ایشان را از طریق وبلاگشان میتونید دنبال کنید:
https://lilianweng.github.io

لیست مقالات اخیر منتشر شده :
◾️Reward Hacking in Reinforcement Learning

◾️Extrinsic Hallucinations in LLMs

◾️Diffusion Models for Video Generation

◾️Thinking about High-Quality Human Data

◾️Adversarial Attacks on LLMs

◾️LLM Powered Autonomous Agents

◾️Prompt Engineering

◾️The Transformer Family Version 2.0

◾️Large Transformer Model Inference Optimization

◾️Generalized Visual Language Models

◾️How to Train Really Large Models on Many GPUs?

◾️What are Diffusion Models?

◾️Learning with not Enough Data Part 1

◾️Contrastive Representation Learning

اگر وبلاگ مفید دیگری در زمینه دیپ لرنینگ میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی
#دیپ_لرنینگ #وبلاگ

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

رونمایی #Projects در #ChatGPT

قابلیت جدید Projects در ChatGPT به کاربران این امکان را می‌دهد تا چت ها را در دسته‌های مشخص برای هر پروژه مدیریت کنند. این ابزار امکان فیلتر و مرتب‌سازی چت‌ها بر اساس موضوع یا تاریخ را نیز فراهم می‌کند و به کاربران این امکان را می دهد که برای هر پروژه فایل های مورد نظرشان را اضافه کنند. به نظر می رسد این قابلیت جدید برای پروژه‌های تحقیقاتی یا نوشتاری پیچیده خیلی مفید باشد.

توضیحات بیشتر :
https://help.openai.com/en/articles/10169521-using-projects-in-chatgpt

#هوش_مصنوعی #OpenAI


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

معرفی #کتابخانه #PyPOTS

کتابخانه PyPOTS یک ابزار متن‌باز برای تحلیل و مدل‌سازی داده‌های سری زمانی با مقادیر گمشده است. این کتابخانه شامل مدل های دیپ لرنینگ معروفی از جمله TimeMixer، iTransformer، PatchTST، Informer و ... برای پر کردن مقادیر گمشده(Imputation) است.
در ضمن تسک های Forecasting, Classification, Clustering, Anomaly Detection هم توسط تعداد محدودی از مدل ها در این کتابخانه ساپورت می شود.

🔹 PyPOTS website
🔹 Github
🔹 Tutorials for PyPOTS Imputation Models


#Imputation_Methods
#Time_Series_Forecasting

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

سلام سلام
عزیزان اگه کسی رو می‌شناسید یا خودتون مایل هستید که در کنار ما توی متیس به عنوان توسعه‌دهنده‌ی مید/سنیور فرانت(ری‌اکت) باشید، لطفا رزومه رو برای من بفرستید.

@mahdiAkhi

اگه مید لول بکند (جنگو) هستید و دوست دارید توی گفتا باشید هم برای بنده رزومه بفرستید

کاملا ریموت و منعطف از نظر زمانی هستیم و برامون خیلی مهمه که کالچر فیت و تاثیرگذار باشید 🤝
@LeilaSadatAlavi

❤️ و امثال تو که دیگه برنمیگردن

۲۰ پوزیشن دکترا فول اسکالرشیپ برای دانشگاه اکسفورد در زمینه فاندمنتال AI ،
نیاز به ارشد هم نداره اما خوب رقابت سنگینه!

https://www.eitcdt.ox.ac.uk/foaicdt

Quick Start Guide to Large Language Models

راهنمای سریع:

مقدمه‌ای بر مدل‌های زبانی بزرگ (Large Language Models) ارائه می‌دهد.
راهبردها و بهترین شیوه‌های استفاده از LLMها مانند ChatGPT را معرفی می‌کند.
مناسب برای توسعه‌دهندگان، محققان داده، و علاقه‌مندان به هوش مصنوعی و کاربردهای مدل‌های زبانی است.
به عنوان مرجعی برای یادگیری نحوه استقرار و مدیریت LLMها مورد استفاده قرار می‌گیرد.

#LLM #LargeLanguageModels #ChatGPT
#Book

معرفی #منابع پیشنهادی برای #یادگیری_عمیق


✅1 - فراگیری مفاهیم مقدماتی یادگیری ماشین
مباحث آموزشی دکتر هینتون و بنجیو و لکون
👈 لینک
✅ فیلم های اموزشی یادگیری ماشین و یادگیری عمیق دکتر رضوی
👈 لینک
✅ تسلط بر مباحث برنامه نویسی پایتون و کار با تنسرفلو وکراس
✅ تسلط بر مباحث ریاضیات و جبر از دانشگاه MIT
👈 لینک
✔️ معادلات ماتریسی یادگیری عمیق دانشگاه کالیفرنیا جنوبی
👈 لینک
✔️ استفاده از سایت بسیار مشهور که به وسیله پژوهشگران برتر هدایت میشود
fast.ai
👈 لینک

📚 2 - مطالعه منابع عمیق دانشگاه ها و...
یادگیری عمیق دانشگاه آکسفورد
👈 لینک
👈 لینک ۲
👈 لینک ۳
🖋فیلمهای این دانشگاه
❌ آموزش های شبکه ای کانولوشن و یادگیری ماشین و...
⁉️ لینک
❌ وبسایتی که آموزشها و مقالات را از سال ۲۰۱۲ تا ۲۰۱۶ قابل دسترس است
⁉️ لینک
❌ شبکه عصبی کانولوشن برای تشخیص بصری
⁉️ لینک
❌ پردازش زبان طبیعی برای یادگیری ماشین
⁉️لینک
❌ مدرسه تابستانی یادگیری عمیق مونترال
⁉️ لینک ۱
⁉️ لینک ۲
❌ شبکه کانولوشن عصبی و شبکه عصبی
⁉️ لینک
🔍 یادگیری شبکه های عصبی جفری هینتون کورسرا

📘 کلاس شبکه های عصبی دانشگاه اوشربروک کانادا
👈لینک
📕منابع یادگیری ماشین دانشگاه کالتک برای یادگیری نظری ها
👈 لینک
📘 3- معرفی کتابها
Neural Networks and Deep Learning Book by Michael Nielsen
Deep Learning Book by Ian Goodfellow, Yoshua Bengio and Aaron Courville

📘 4- سایر منابع
CS231n Convolutional Neural Networks for Visual Recognition University of Stanford
Getting Started in Computer Vision by Mostafa S. Ibrahim he focus on GPU and ...

🗓 پردازش زبان طبیعی دانشگاه استنفورد
👈 لینک
👈لینک ۲
🗓 مطالعه مقاله درمورد حافظه شبکه
👈 لینک
📘 مطالعه مقاله پایه ای حافظه شبکه و NLP
👈 لینک
ویدیوهای شرکت DeepMind
👈 لینک

❇️ یادگیری عمیق تقویتی
👈 لینک کتابهای
❇️ فهم یادگیری LSTM
👈 لینک
❇️ اثر بخشی ناعادلانه RNN
👈 لینک
✔️ مدل های تولیدی
✅ مقاله جهت یادگیری مدلهای GANs
👈لینک
✅ یادگیری مدل VANs
👈 لینک
✅ مقاله نوشته شده دکتر Ian Goodfellow در مورد GAN
👈 لینک
✅ مقاله نوشته شده LAPGAN
👈 لینک
✅ مقاله نوشته شده در مورد DCGAN
👈لینک مقاله
👈 لینک کدها
✅ استفاده از روش DCGAN برای تصاویر کیفیت بالا
👈 لینک
✅ فیلم های یادگیری عمیق برای پردازش تصویر
👈 لینک
🌐 ساخت پروژه
👈 لینک دیتا
🌐 شناسایی و طبقه بندی تصاویر
👈 لینک ۱
👈 لینک ۲
🌐 تحلیل احساسات با استفاده از RNN
👈لینک
و با استفاده از CNN
👈 لینک
🌐 کاربرد الگوریتم عصبی سبک هنری
👈لینک
🌐 ساخت موسیقی با استفاده از RNNs
👈 لینک
🌐 ساخت بازی پینگ پونگ با استفاده از یادگیری عمیق تقویتی
👈 لینک
✳️ استفاده از شبکه عصبی Rate a selfie
👈 لینک
✳️ استفاده از رنگ عکسهای سیاه و سفید با استفاده از یادگیری عمیق
👈 لینک
✳️ سایر منابع یادگیری عمیق از پژوهشگران برتر کارپاتی
👈 لینک مقالات
✳️ لینک یادگیری عمیق دانشگاه استنفورد
👈 لینک ۱
👈 لینک ۲
✳️ یادگیری عمیق
👈 لینک

#یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

در ادامه معرفی #منابع پیشنهادی برای #یادگیری_عمیق و #یادگیری_ماشین :

✅ فیلم درس یادگیری ماشین دکتر مهدیه سلیمانی
👈 لینک
✅ فیلم درس یادگیری عمیق دکتر مهدیه سلیمانی
👈 لینک

#هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

آیا دوران توکنایز کردن در NLP به سر رسیده؟
معرفی Byte Latent Transformer (BLT) از متا- رویکردی جدید که توکنایز کردن (Tokenize) را به‌کلی کنار می‌گذارد و مستقیماً با بایت‌های خام کار می‌کند. این می‌تواند یک تغییر بزرگ باشد!مشکل توکنایز کردن:
مدل‌های زبانی متن را به توکن‌هایی با استفاده از یک دیکشنری ثابت تقسیم می‌کنند (مثلاً "the" = یک توکن). این فرآیند که به آن توکنایز BPE می‌گویند. دلخواه و بی قاعده است. برای متن‌های پیچیده انعطاف پذیرنیست.

این BLT چه کار متفاوتی انجام می‌دهد؟
روش BLT به‌کلی توکنایز کردن را حذف می‌کند! به جای آن، متن را به‌صورت بایت‌های خام (بله، همان بایت‌های "0110") پردازش می‌کند. این بایت‌ها در قالب پچ‌های پویا (dynamic patching) گروه‌بندی شده و به ترانسفورمرها ارسال می‌شوند.چرا این موضوع اهمیت دارد؟
عملکرد BLT برابر یا حتی بهتر از مدل‌های توکن‌بنیان مثل Llama 3 است، در حالی که:
تا ۵۰٪ محاسبات کمتر در زمان استنتاج استفاده می‌کند.

▪️ Byte Latent Transformer: Patches Scale Better Than Tokens
توضیحاتی از دکتر الهیاری

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person