اکوسیستم
https://crfm.stanford.edu/ecosystem-graphs/index.html?mode=table

7 baby steps to start with machine learning:

1. Start with Python
2. Use Google Colab
3. Take a Pandas tutorial
4. Then a Seaborn tutorial
5. Decision Trees are a good first algorithm
6. Finish Kaggle's "Intro to Machine Learning"
7. Solve the Titanic challenge

+ Here are the next steps:

- learn numpy
- learn Tensorflow/Pytorch/Keras
- train a neural net to solve a vision classification task


#منابع

پ.ن: چیزی دیگه اطلاع دارید مفید هست، کامنت کنید‌

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کورس کلاسی دانشگاه کرنل آمریکا


🎥 20 hours of video lectures
✨ 17 sets of slides
📖 Lecture notes

▪️ Deep Generative Models
https://m.youtube.com/playlist?list=PL2UML_KCiC0UPzjW9BjO-IW6dqliu9O4B

▪️ Site
https://kuleshov-group.github.io/dgm-website/


#منابع #پیشرفته #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دوستان، اگه روی پروژه متن‌بازی کار می‌کنید و دوست‌دارین که یکم دیده شه، (شاید) این کمترین کاری باشه که می‌تونم انجام بدم. زیر همین پست، لینک ریپازیتوریتون رو شیر کنید + یه توضیح کوچیک راجع به اینکه پروژه چیه و چیکار می‌کنه. زیر همین پست ریپلای کنید

اگه تا صبح بیدارین و پروژه دارید گوش بدید لذت ببرید انرژي بگیرید

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مولوی:

اگر همه جا تاریک بود دوباره
بنگر،شاید نور خود تو باشی✨


پ.ن: اینم برای کسایی که شاید بهش نیاز داشته باشند.

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

فارسی:
دوستان سلام
دنبال ایجاد یک استارت آپ در زمینه هوش مصنوعی هستم. و در این خصوص به یک نفر مسط به طراحی وب سایت و البته زبان تورکی (از طراحی صحفه تا دیپلوی) جهت همکاری نیازمندم.
کسی از دوستان اگر هست و تمایل به همکاری در این استارت آپ دارد لطفا رزمه خود را به ای دی زیر در تلگرام ارسال کنید:
@jalil_kartal

تۆرکجه: استارت آپ یارادماق اۆچون بیر نفر یاردیمچی آختاریرام. وب سایت یازما باشارا و تورک دیلین بیله.
من اۆچون یازین:
@jalil_kartal

بعد ی هفته ای ی منبع اموزشی منم بزنم کانال گراف در یادگیری ماشین
Graph Machine Learning

- Lab1: Generate LFR social networks
https://github.com/xbresson/GML2023/blob/main/codes/02_Graph_Science/code01.ipynb
- Lab2: Visualize spectrum of point cloud & grid
https://github.com/xbresson/GML2023/blob/main/codes/02_Graph_Science/code02.ipynb
- Lab3/4: Graph construction for two-moon & text documents
https://github.com/xbresson/GML2023/blob/main/codes/02_Graph_Science/code03.ipynb
https://github.com/xbresson/GML2023/blob/main/codes/02_Graph_Science/code04.ipynb

- Lab1: k-means
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code01.ipynb
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code02.ipynb
- Lab2: Metis
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code03.ipynb
- Lab3/4: NCut/PCut
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code04.ipynb
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code05.ipynb
- Lab5: Louvain
https://github.com/xbresson/GML2023/blob/main/codes/03_Graph_Clustering/code06.ipynb https://pic.twitter.com/vSXCx364pe

- Lab1: Standard/Linear SVM
https://github.com/xbresson/GML2023/blob/main/codes/04_Graph_SVM/code01.ipynb
- Lab2: Soft-Margin SVM
https://github.com/xbresson/GML2023/blob/main/codes/04_Graph_SVM/code02.ipynb
- Lab3: Kernel/Non-Linear SVM
https://github.com/xbresson/GML2023/blob/main/codes/04_Graph_SVM/code03.ipynb
- Lab4: Graph SVM
https://github.com/xbresson/GML2023/blob/main/codes/04_Graph_SVM/code04.ipynb

https://storage.googleapis.com/xavierbresson/lectures/CS6208/running_notebooks.pdf

💡 Github

#منابع #پیشرفته #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کلاس آموزشی #یادگیری_تقویتی (Reinforcement learning) دانشگاه شریف از دکتر رهبان - بهار 1403

https://www.aparat.com/playlist/9319081

#منابع #کلاس_آموزشی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

#فان #متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگر طبق آگهی فکر میکنید گزینه خوبی هستید و سابقه کاری مرتبط دارید اپلای کنید. حقوقش بد نیست.
https://www.linkedin.com/posts/meysam-ac_applied-ai-engineer-mfx-ultimate-activity-7188211732824174592-fMuc

ورژن جدید پایتورچ منتشر شد.
PyTorch 2.3

https://pytorch.org/blog/pytorch2-3/

#پایتون

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

برای اینکه دوست داشتم.

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مدل
Llama-3-8B-Web
https://huggingface.co/McGill-NLP/Llama-3-8B-Web
https://github.com/McGill-NLP/webllama


#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

پادکست کامل گفتگوی زاکربرگ:

- Llama 3
- open sourcing towards AGI
- custom silicon, synthetic data, & energy constraints on scaling
- Caeser Augustus, intelligence explosion, bioweapons, $10b models, & much more

https://x.com/dwarkesh_sp/status/1780990840179187715

https://open.spotify.com/episode/6Lbsk4HtQZfkJ4dZjh7E7k

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

#متفرقه

مردی که دنیا را فروخت - نیروانا
The man who sold the world - nirvana
پ.ن:
ممنون از همراهیتون

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نظرسنجی جالب ایلان ماسک:


اگر کسی پرچم آمریکا رو پاره کنه و یه پرچم دیگه میاره بالا، یه سفر رایگان، یک طرفه ولی اجباری به همون جایی که پرچمش رو برده بالا باید بره

یک سری از دوستان در مورد اینکه چطوری میتونم یادگیری ماشین رو شروع کنم سوال کرده بودند.
منابع چی هست؟
از کجا شروع کنم و ...

برای شروع میتونید اول یه نگاهی به این کتاب بندازید:
https://themlbook.com/

این کتاب خیلی مختصر ایده کلی بهتون میده و اگر پیش زمینه ای دارید میتونید سریع وارد موضوع بشید. ولی خب همه چیزهایی که نیاز دارید رو نداره و باید پایتون بلد باشید به عنوان مثال.
کتاب دیگه می‌تونه این باشه:
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow by Geron Aurelien

که ایده کلی و کراس و تنسورفلو و ... رو هم تا حدودی یاد میده.

ولی اگر میخواهید هوش مصنوعی رو از پایه شروع کنید، حداقل یک دوره شش ماهه تا یک ساله خواهید داشت.
چون این کتابها تیوری خیلی ضعیفی ارایه میدند. برای اینکه بتونید تیوری بحث رو متوجه بشید و بیشتر پیشرفت کنید به نظرم پایه ای تر شروع کنید.

این دوره شش ماهه بهتره این ها رو بخونید:
اول ایده کلی هوش مصنوعی رو متوجه بشید با این کتاب:
https://aima.cs.berkeley.edu/
الگوریتمهای مختلف و خوبی هم یاد میده. اشکال مختلف یادگیری هم توش مطرح شده.
اگه میخواهید وارد حوزه پردازش زبان بشید با این کتاب ادامه بدید:
https://web.stanford.edu/~jurafsky/slp3/

سعی کنید اگر واقعا میخواهید پردازش زبان کار کنید این کتاب رو کامل بخونید.
اگر میخواهید وارد حوزه پردازش تصویر بشید این رو بخونید:
https://www.amazon.de/-/en/Rafael-C-Gonzalez/dp/013168728X
این کتاب تمریناتش با متلب هست ولی میتونید با پایتون هم بزنید کدش رو.
بیشتر روشهای پایه و اساسی پردازش تصویر مطرح می‌شه توش. این رو بخونید مباحث دیگه مثل کانولوشن رو کاملتر و راحت تر درک میکنید.
بحث بعدی این هست که یادگیری عمیق یادبگیرید که یکی از بهترین کتابهاش این هست:
https://www.deeplearningbook.org/
جبر خطی هم توش مطرح شده. کتاب نسبتا کامل و جامعی هست. کامل میتونید ازش یادبگیرید.
ولی بحث پیاده سازی رو نباید غافل بشید، به نظرم پیاده سازی رو از این کتاب یاد بگیرید:
https://www.manning.com/books/deep-learning-with-pytorch
این بهتون یادگیری عمیق با پایتورچ یاد میده. دیگه تنسورفلو و کراس رو کم کم باید بزارید کنار چون کمتر بهش توجه میشه و اکثرا با پایتورچ کار میکنند جدیدا.

در مورد ترنسفرمرها هم کتابهای مختلفی هست، این دوتا از کتابهای خوب این زمینه است و اگر میخواهید چیزهای جدیدتر رو هم یادبگیرید بهتره اینارو هم بخونید:
https://transformersbook.com/

https://www.amazon.de/-/en/Sava%C5%9F-Y%C4%B1ld%C4%B1r%C4%B1m/dp/1801077657

مورد بعدی این هست که این مسیر یادگیری صرفا شامل یادگیری ماشین و یادگیری عمیق شد.
اگر میخواهید که به دیتاساینس هم بیشتر وارد بشید بهتره این کتاب رو بخونید:
https://www.amazon.de/-/en/Python-Data-Science-Handbook-Essential/dp/1491912057

ولی خب حوزه ها خیلی گسترده هستند، مخصوصا دیتاساینس رو باید بیشتر مطالعه کنید. صرفا با این کتابها در حد جونیور میتونید شروع کنید البته اگر همیشه سعی کنید که مطالب جدید رو دنبال کنید.

10 MILLION REAL Bing search queries with 60 MILLON+ REAL user clicks on 10 BILLION ClueWeb22 documents.

https://github.com/microsoft/MS-MARCO-Web-Search

#دیتاست #مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person