چهار مدل در یک مدل تلفیق شده Beyonder-4x7B

- Chat: AlphaMonarch-7B
- Code: CodeNinja-1.0-OpenChat-7B
- RP: Kunoichi-DPO-v2-7B
- Math: NeuralDaredevil-7B
https://huggingface.co/mlabonne/Beyonder-4x7B-v3
https://huggingface.co/mlabonne/Beyonder-4x7B-v3-GGUF




#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نسخه جدید ابزار YouTube Smart Trannoscription منتشر شد.
- تبدیل ویدیو های یوتیوب به متن در قالب پست وبلاگ و ساختاربندی شده (Markdown) با دو آپشن Mistral و Gpt-4
http://youtube2text.streamlit.app/

#هوش_مصنوعی #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دریافت صدا و خلاصه ویدیو (یا هر درخواستی) از یوتوب با هوش مصنوعی با ربات تلگرامی

https://github.com/AiGptCode/YDS-YOUTUBE-DOWNLOADER-AND-SUMMERIZE

#هوش_مصنوعی #منابع #پروژه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

تجربه، من بعد از چند ماه دنبال کار گشتن (برای پوزیشن های data scientist و machine learning engineer ):

۱. الان دیگه سال ۲۰۱۹ نیست که همه در‌به‌در دنبال یه دیتا ساینتیست باشن که بیاد یه مدلی رو train کنه و data analysis انجام بده. این کارارو همه بلدن. مارکت الان data engineer و mlops engineer میخواد.
۲. مشکل اینکه همه میرن دیتا ساینس می‌خونن ولی دانشگاه اون چیزی که صنعت میخواد رو به شما یاد نمی‌ده. Train و test کردن مدل اونم تو نوت بوک برای پروژه‌های دانشگاس. صنعت از شما میخواد که بتونید مدل رو ببرید پروداکشن، scaling ،monitoring و orchestration بلد باشید. در واقع machine learning engineer باشید.
پس باید کار کردن با RestAPIs، Docker، Kubernetes رو یاد بگیرید. و از همه اینا مهم تر کار کردن با cloud مثلا AWS. اینکه چطور مدل رو دیپلوی کنید و پرفرومنسش رو مانیتور کنید خیلی مهمه. (لازم نیست همه اینارو فول باشید، ولی یادگیری هر کدوم ازینا یه قدم شمارو به آفر نزدیک تر می‌کنه)
۳. حتما MLOps یاد بگیرید. اینکه با continuous integration/continuous delivery بتونید کل flow طراحی و دیپلوی مدل رو automate کنید. هرچی از اهمیت continuous integration/continuous delivery بگم کمه. به نظرم GitHub Actions بهترین ابزار برای continuous integration/continuous delivery عه.

کار کردن با ابزار experiment tracking و hyper parameter optimization رو یادبگیرد. مثل clearML یا MLFlow.
۴. تیر آخر: Data Engineering یاد بگیرید. هم خودش خیلی پوزیشن داره، هم data scientist ای که Data Engineering بلد باشه رو هوا میزن. شرکتها در به در دنبال Data Engineering هستن. یکی که بلد باشه دیتا رو از سورس ها مختلف جمع کنه، integrate کنه، clean کنه و preprocessing رو انجام بده.حالا کسی که بتونه کل کارای data pipeline رو automate کنه، مثلا با Airflow دیگه واقعاً خواهان داره.
به نظر من کسی Data Engineering و MLops بلد باشه واقعاً غیر ممکنه بیکار بمونه تو این مارکت. رقابت برای Data Engineering بالاس، چون همه بلدن دیتا تمیز آنالیز کنن، مدل رو دیتا تمیز train کنن. ولی هرکسی Data Engineering و Mlops و بردن مدل رو پروداکشن رو بلد نیست.
سعی کنید یک machine learning engineer خوب باشید، تا یه دیتا ساینتیست.

پ.ن: چیزایی که نیازه یک machine learning engineer بدونه در عکس قابل بررسی هست.
پ.ن: نظر و پیشنهادات خودتون رو کامنت کنین.

#هوش_مصنوعی #منابع #پروژه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

خلاصه ای مفید و جامع از مدلهای دیفیوژن

▪️ Tutorial on Diffusion Models for Imaging and Vision

#هوش_مصنوعی #منابع #کتاب #الگوریتمها

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

آینده ی خرید آنلاین اینطوریه! همین چند ماه دیگه به نظرم میان به بازار!

شما عکست رو آپلود میکنی (سمت چپ تصویر) بعد انواع لباسایی که میخوای رو میتونی امتحان کنی و ببینی چطوری میشی توشون!
▪️ GitHub
▪️ Outfit Anyone: Ultra-high quality virtual try-on for Any Clothing and Any Person

#ایده_جذاب #مقاله

پ.ن: دوستان استارت اپ موری کمی متحول تر بشید چندتا مقاله بالاتر وجود داره نگاه کنید

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگه درگیر تقویت (یا یادگیری) SQL هستین یا میخواین برای پوزیشن های Data Engineer یا Data Analyst اقدام کنید👇

https://dataexpert.io/questions

یه سری سوال با لول های سختی متفاوت گذاشته که میتونید توی همون وبسایتشون هم کد بزنید و هم خروجی بگیرید!

#پایگاه_داده #کتاب #الگوریتمها

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

This is a set of noscripts that may be helpful to people looking for a career in research.

▪️Research Career Tools

Find My Citers: This noscript helps find people who have cited your papers, which can be useful to find recommendation letter writers for job or visa applications.

#هوش_مصنوعی #الگوریتمها

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دوره آموزش پردازش زبان طبیعی NLP از دکتر رحیم دهخوارقانی استاد سابق دانشگاه بناب و استاد دانشگاه Kadir Has ترکیه

▪️ سرفصل‌های دوره

#پردازش_زبان_طبیعی #منابع #فیلم #کلاس_آموزشی #مقدماتی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

استاد Andrew Ng فرمودند:

Last week, I described four design patterns for AI agentic workflows that I believe will drive significant progress this year: Reflection, Tool use, Planning and Multi-agent collaboration. Instead of having an LLM generate its final output directly, an agentic workflow prompts the LLM multiple times, giving it opportunities to build step by step to higher-quality output. Here, I'd like to discuss Reflection. For a design pattern that’s relatively quick to implement, I've seen it lead to surprising performance gains.

You may have had the experience of prompting ChatGPT/Claude/Gemini, receiving unsatisfactory output, delivering critical feedback to help the LLM improve its response, and then getting a better response. What if you automate the step of delivering critical feedback, so the model automatically criticizes its own output and improves its response? This is the crux of Reflection.

Take the task of asking an LLM to write code. We can prompt it to generate the desired code directly to carry out some task X. After that, we can prompt it to reflect on its own output, perhaps as follows:

Here’s code intended for task X:
[previously generated code]
Check the code carefully for correctness, style, and efficiency, and give constructive criticism for how to improve it.

Sometimes this causes the LLM to spot problems and come up with constructive suggestions. Next, we can prompt the LLM with context including (i) the previously generated code and (ii) the constructive feedback, and ask it to use the feedback to rewrite the code. This can lead to a better response. Repeating the criticism/rewrite process might yield further improvements. This self-reflection process allows the LLM to spot gaps and improve its output on a variety of tasks including producing code, writing text, and answering questions.

And we can go beyond self-reflection by giving the LLM tools that help evaluate its output; for example, running its code through a few unit tests to check whether it generates correct results on test cases or searching the web to double-check text output. Then it can reflect on any errors it found and come up with ideas for improvement.

Further, we can implement Reflection using a multi-agent framework. I've found it convenient to create two different agents, one prompted to generate good outputs and the other prompted to give constructive criticism of the first agent's output. The resulting discussion between the two agents leads to improved responses.

Reflection is a relatively basic type of agentic workflow, but I've been delighted by how much it improved my applications’ results in a few cases. I hope you will try it in your own work. If you’re interested in learning more about reflection, I recommend these papers:
- Self-Refine: Iterative Refinement with Self-Feedback, by Madaan et al. (2023)
- Reflexion: Language Agents with Verbal Reinforcement Learning, by Shinn et al. (2023)
- CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing, by Gou et al. (2024)

I’ll discuss the other agentic design patterns as well in the future.
https://www.deeplearning.ai/the-batch/issue-242/

#هوش_مصنوعی #الگوریتمها

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

یک مدل جذاب

SotA for both speech editing and zero-shot text-to-speech, Outperforming VALL-E, XTTS-v2, etc.

VoiceCraft works on in-the-wild data such as movies, random videos and podcasts


▪️ VoiceCraft: Zero-Shot Speech Editing and Text-to-Speech in the Wild

▪️ Demo

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

#هوش_مصنوعی در خدمت فوتبال
TacticAI
دستیار هوش مصنوعی برای تاکتیک های فوتبال
منتشر شد
به عنوان بخشی از همکاری چند ساله خود با باشگاه لیورپول، ما یک سیستم هوش مصنوعی کامل ایجاد کردیم که می تواند مربیان را در مورد ضربات کرنر راهنمایی کند...
https://deepmind.google/discover/blog/tacticai-ai-assistant-for-football-tactics/?utm_source=twitter&utm_medium=social&utm_campaign=TacticAI/

اگر حال نوشتن ندارین، حرف بزنید تا هوش مصنوعی براتون مینویسه.

سایت زیر به صورت رایگان ابزار صوت به متن در زبانهای مختلف از جمله فارسی رو در اختیار شما قرار میده، از دست ندید.

لینک سایت:
https://speechtexter.com

پ.ن: بررسی کردم کیفیت خوبی داره

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

تویتر من هستش اگه دوست داشتین اینجام میتونین منو دنبال کنین تویت فارسی انگلیسی اونجام منتشر میکنم منتظرتونم
https://twitter.com/farzadhss

مقاله ای Survey از مدل GAN اینجا میتونین اطلاعات جامعتری که دوستان سوال داشتن بدس بیارن

#کتاب #ایده_جذاب #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

سوال تعداد زیادی از دوستان برای Data Engineering منبع خواستند فعلن این منبع رو داشته باشید تا برای بقیه هم در فرصتهای آتی مرفی میکنم

▪️ CMU Distributed Systems

#آموزش #کلاس_آموزشی #سیستمهای_توزیع_شده #منابع #فیلم #مقدماتی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Long-form factuality in large language models
https://arxiv.org/abs/2403.18802