what is difference between diffusion models and generative models?

Diffusion models are a specific type of generative model, so while they share some similarities, they also have key differences:

Similarities:

* Both aim to generate new data: Both generative models and diffusion models are trained on existing data to learn its underlying patterns and distributions. They then use this knowledge to create new data points that resemble the original data.
* Both involve learning: Both types of models utilize machine learning algorithms to analyze and learn from data. However, the specific learning processes they employ differ.

Differences:

* Generation approach:
* Generative models: Build directly from scratch, often using neural networks to learn a mapping from a latent space (noise) to the data space.
* Diffusion models: Start with the actual data and gradually add noise to it (diffusion process). Then, they learn to reverse this process (denoising) to recover the original data. By manipulating the noise, they can create new data variations.
* Interpretability: Diffusion models can be more interpretable than some generative models due to the clear steps involved in their generation process. This can be helpful in understanding how the model works and what factors influence its outputs.
* Sample quality: Diffusion models have shown impressive results in generating high-quality, realistic images compared to some traditional generative models.
* Computational cost: Training diffusion models can be more computationally expensive than some generative models.

Here's an analogy:

Imagine building a sculpture.

* Generative model: Starts with a block of stone and carves away to create the desired shape.
* Diffusion model: Starts with the finished sculpture and adds layers of clay on top, then learns to remove the clay in the correct way to reveal the original sculpture again. By manipulating the clay differently, it can create variations of the sculpture.

I hope this clarifies the key differences between diffusion models and generative models!

@Ai_Events

حتما تا حالا اسم مدل‌های Diffusion رو شنیدید،‌ متن بالا برای درک بهتر این نوع مدل‌ها و تفاوت اون‌ها با مدل‌های Generative نوشته شده.

پیشنهاد می‌کنم مطالعه کنید و اگر نکته‌ای دارید حتما کامنت بذارید.

@Ai_Events

OOD Generalization Explained:

Out-of-Distribution (OOD) generalization refers to the ability of a machine learning model to perform well on data that differs significantly from the data it was trained on. This is a crucial challenge in real-world applications, where encountering truly unseen data is almost inevitable.

Here's a breakdown of the key aspects:

Traditional ML vs. OOD:

* Imagine training a model to recognize different types of flowers based on pictures from a garden. In traditional machine learning, the model is assumed to encounter similar pictures of flowers from the same garden (similar distribution).
* However, in the real world, the model might be shown pictures of exotic flowers from a rainforest, blurry underwater shots, or even hand-drawn illustrations of flowers (different distribution). These are all examples of out-of-distribution data.

Challenges of OOD Generalization:

* Models trained on specific data distributions often overfit to those patterns, struggling to generalize effectively to data with different characteristics.
* This can lead to misleading predictions on OOD data, potentially causing consequences depending on the application. For example, misdiagnosed medical images or incorrectly flagged emails.

Why is OOD Generalization Important?

* Robustness: Models able to handle OOD data are more reliable and trustworthy in real-world scenarios, adapting to unforeseen situations.
* Safety: In critical applications like self-driving cars or medical diagnosis, OOD detection and handling are crucial for safety and ethical considerations.
* Applicability: By generalizing beyond training data, models become more versatile and adaptable to wider contexts, enhancing their usefulness.

Techniques for OOD Generalization:

* Calibrated uncertainty estimation: Training models to assess their own confidence in predictions allows them to flag potentially OOD data.
* Anomaly detection: Building separate models to identify outlier data points that significantly deviate from the expected distribution.
* Domain adaptation: Adapting models to new domains with subtle differences, bridging the gap between training and OOD data.

@Ai_Events

بچه‌ها تا حالا در مورد Out-of-Distribution Generalization چیزی شنیدید؟ OODG یه مفهوم جالب تو یادگیری ماشین هست و متن بالا کمک زیادی می‌کنه تا بتونید متوجه‌ش بشید.

این ویدیو هم کمک خوبی به متوجه شدن مشکل و راه حل می‌کنه:
https://www.youtube.com/watch?v=NliJwEGwUpA

@Ai_Events

این پست آقای دکتر قدرت آبادی هم جذاب بود.

اینکه ایشون به زبان فارسی پست می‌ذارن بسیار قابل احترام و ستایش هست.

@Ai_Events

معاون حوزه علمیه: حوزه علمیه با سرعت به حوزه هوش‌مصنوعی ورود کرده است

مهدی رستم‌نژاد، معاون حوزه‌های علمیه:

🔹آیت‌الله اعرافی پیش از آنکه مدیر حوزه علمیه شوند، در قالب یک پروژه شخصی، مساله هوش‌مصنوعی را دنبال می‌کردند.

🔹سال گذشته نمایشگاهی در حوزه علمیه داشتیم که مرتبط با همین مباحث هوش‌مصنوعی بود.

🔹 برخی از افراد از وزارتخانه مرتبط دعوت شده بودند که برای آن‌ها هم موجب اعجاب شده بود که حوزه علمیه با این سرعت به این حوزه ورود کرده است./ ایرنا

@Ai_Events

.
بچه‌ها یه دست بزنید واسه آقا ملّا، آفرین ملّا!

#موقت
@Ai_Events

معضل هک داده‌های شخصی

نفوذ اخیر در سامانه دادگستری و افشای اطلاعات میلیون‌ها پرونده قضایی هم از
حیث گستردگی اطلاعات و هم از نظر حساسیت آنها چنان اتفاق بزرگی است که قابل
مقایسه با هیچ‌کدام از حملات پیشین نیست.

اغراق نیست اگر بگوییم وضعیت امنیت اطلاعات شهروندان اکنون به یک مساله امنیت ملی بدل شده است.

مشکل اصلی کماکان فقدان قانونی است که از داده‌های شخصی مردم حفاظت کند.

متاسفانه به‌دلیل بی‌اعتمادی به کیفیت فرآیند سیاستگذاری و نگرانی از اینکه نکند چنین قانونی به جای آنکه به حمایت از کاربران بپردازد به ابزاری برای
محدودیت بیشتر بدل شود، اکوسیستم اقتصاد دیجیتال هم در مطالبه چنین قانونی مردد و بی‌میل است.

اما اتفاقات اخیر نشان داد حتی یک قانون بد، بهتر از بی‌قانونی فعلی است.

واقعا افراد چگونه می‌توانند بابت سهل‌انگاری رخ‌داده در قوه قضائیه به خود این قوه شکایت کنند؟

اگر به واسطه این افشای اطلاعات خساراتی متوجه افراد شود چه کسی این خسارات را پرداخت خواهد کرد؟

آیا دولتی‌ها همان شدت و حدتی که در برخورد با بخش خصوصی دارند، در مواجهه با خودشان هم نشان می‌دهند؟

ما نیازمند قانونی هستیم که داده‌های شخصی را تعریف کند، مسوولیت‌ها را مشخص کند، کوتاهی را جرم‌انگاری کند و به مردم امکان بدهد اگر به واسطه این
کوتاهی خسارتی متوجه آنها شد بتوانند از مقصر، بدون تبعیض میان بخش خصوصی و دولتی، شکایت کنند.


👤 نیما نامداری

@Ai_Events

🌱 هفتمین رویداد کاشتن برای آینده؛ با موضوع "ایران هوشمند و متصل"

"همراه با برگزاری آیین درختکاری🌱

سخنرانان:

آقای دکتر بابک حسین خلج
رئیس دانشکده مهندسی برق دانشگاه صنعتی شریف
(مدل های زبانی بزرگ و آینده مخابرات: شروع دنیایی نوین)

آقای مهندس حسین ریاضی:
بنیان‌گذار شرکت صنایع ارتباطی پایا
(تجربه کار آفرینی)

آقای دکتر حامد ساجدی
موسس و عضو هيئت مدیره شرکت دانش‌بنیان طنین پرداز
(توان بخشی شنوایی؛ بازگشت امید)

آقای دکتر حبیب‌الله اصغری
رییس پژوهشکده فناوری اطلاعات جهاد دانشگاهی
(توسعه ساختارهای فناوری؛ کلیدهای موفقیت در یک نمونه بومی)

زمان: سه‌شنبه 15 اسفند 1402

ساعت: 15 الی 19

مکان: خیابان کارگر شمالی، بالاتر از تقاطع جلال آل‌احمد، دانشکدگان فنی دانشگاه تهران، سالن آمفی‌تئاتر دانشکده مهندسی برق و کامپیوتر

لینک ثبت‌نام

cct.isti.ir
@cct_isti


@Ai_Events

اگه تو حوزه هوش مصنوعی و علوم داده مبتدی هستید و می‌خواید به صورت حرفه‌ای تو این حوزه‌ها فعالیت کنید، تو آموزش‌هایی که می‌بینید، زبان فارسی رو کاملا کنار بذارید.

شاید با خودتون بگید مباحث ابتدایی رو خوبه که به فارسی یاد بگیرید بعدش تو مراحل جلوتر زبان رو تغییر بدید، اما این راه هم جواب نمیده به چند دلیل؛

- یک: عادت می‌کنید که به فارسی آموزش ببینید؛

- دو: گوش‌تون به کلمه‌های تخصصی با تلفظ صحیح عادت نمی‌کنه؛

- سه: سرعت تغییر مباحث این حوزه اونقدر زیاد هست که اگه منتظر بمونید تا یکی بره اون آموزش رو ببینه، بعد بیاد محتوای فارسی تولید کنه برای شما، مشخصا از میانگین جامعه عقب‌تر حرکت خواهید کرد.

همه این موارد در آینده حرفه‌ای‌تون بسیار تاثیرگذار خواهد بود.

یادتون باشه، شما نخبه‌های این خاک هستید، رو خودتون کار کنید و هر روز روی آموزش خودتون وقت در نظر بگیرید.❤

@Ai_Events

وبینار بسیار جذاب با عنوان "آیا مغز ما آشوبناک است؟"

تئوری آشوب (Chaos Theory) یک چهارچوب نظری برای فهم بهتر سیستم های محتوم فراهم
میکند. سیستم های محتوم (Deterministic Systems) سیستم هایی هستند که
شرایط کنونی و دینامیک حاکم بر آنها شرایط آینده شان را تعیین میکنند.
آشوبناکی یک سیستم به این معناست که تغییرات کوچک در حالت سیستم با سرعت
نمایی گسترده شوند. طبیعتا برای قابل اعتماد بودن پردازش اطلاعات حسی,
دینامیک حاکم بر مغز ما نبایستی آشوبناک باشد. در این سمینار در ابتدا نشان
خواهم داد که فعالیت سلول های قشر مغز (Cerebral Cortex) محتوم اند. سپس
با بدست دادن مدلی از این سلول ها (Rapid Theta Neuron model) تلاش خواهیم
کرد که آشوبناکی در پردازش جمعی اطلاعات حسی را در این سیستم بررسی کنیم.
@CCNSD
برای حضور در وبینار، در روز سه شنبه ساعت ۱۴:۰۰، از طریق لینک زیر وارد جلسه شوید.

👇👇👇👇👇
http://meet.google.com/yuk-cbmv-tis


@Ai_Events

پست جالب آقای پاول دروف، بنیان‌گذار تلگرام در مورد قطعی اینستاگرام:


Millions of people have been signing up and sharing content on Telegram in the last hour while Instagram and Facebook were down. Interestingly, Telegram is more reliable than these services — despite spending several times less on infrastructure per user.

We also have about 1000 times (!) fewer full-time employees than Meta, but manage to launch new features and innovate faster.

Throughout 2023, Telegram was unavailable for a total of only 9 minutes out of the year’s 525,600 minutes. That’s a 99.9983% uptime
https://news.1rj.ru/str/rove


@Ai_Events

این هم پست آقای ایلان ماسک در رابطه با قطعی سرویس‌های متا 😂

@Ai_Events

یکی از دوستان پیام زیر رو برام ارسال کردند:

سلام،

ما یک  استارت‌آپ در امریکا و فیلیپین هستیم که به دنبال
دو پوزیشن جهت استخدامیم

پوزیشن اول : یک توسعه‌دهنده ML/DL/NLP  .

پوزیشن دوم: full stack developer

این آگهی استخدام برای دو شغل تمام وقت است، به دنبال دو کارمند بلند مدت مسلط به زبان انگلیسی هستیم، که در نهایت یک تیم را ایجاد کنیم.

اگر علاقه‌مند هستید، رزومتون رو برای آی‌دی زیر بفرستید.
@Parsa5k
متشکرم

@Ai_Events

.


بدون عشق؛
همه‌ى موسيقى‌ها،
سر و صدا!


همه‌ى رقص‌ها،
ديوانگى!


و همه‌ى نيايش‌ها،
بيهوده‌اند!


جلال‌الدين بلخی

@Ai_Events