خروجی کد زیر چی میشه؟
x = ["apple", "banana", "cherry"]
y = x
print(x is y)

z = ["apple", "banana", "cherry"]
w = ["apple", "banana", "cherry"]
print(z is w)


1) True True
2) True False
3) False True

@Ai_Events

.
جواب پست قبلی:
از کلمه کلیدی is برای آزمایش اینکه آیا دو متغیر به یک شی اشاره دارند استفاده می‌شود.
اگر دو شیء یک شی باشند، تست True را برمی‌گرداند.

اگر دو شیء یکسان نباشند، تست False را برمی‌گرداند، حتی اگر دو شی 100٪ برابر باشند.

از عملگر == برای تست برابری دو متغیر استفاده می‌کنیم.

اگه ابهام یا سوالی دارید کامنت کنید لطفا.
@Ai_Events

Heterogeneous Face Recognition
Speaker: Prof. Dr. Ran He, National Laboratory of Pattern Recognition,
CASIA, China
When: 29 March 2013, at 10 am Beijing time (4 am CEST, 9 pm CST, 10 pm EST)
Where: Online (Zoom)
Registration: (free, but required):
https://us06web.zoom.us/webinar/register/WN_QhsNRSWRQTOP3KJXkWVVVw
Talk Summary: IN COMMENTS
About the Speaker: IN COMMENTS

@Ai_Events

OpenAI released today GPT4 👇🏼

https://openai.com/research/gpt-4

@Ai_Events

🎥 A live broadcast of GPT-4 (Tonight from 23:30 Tehran time zone!)

👤 Presenter: Greg Brockman, President and Co-Founder of OpenAI

🗒 Content: Demo showcasing GPT-4 and some of its capabilities/limitations

🌐 https://www.youtube.com/watch?v=outcGtbnMuQ

📌 #GPT4 is a large multimodal model (accepting image and text inputs, emitting text outputs)
🔗 https://openai.com/product/gpt-4

@irandeeplearning

A summary of large language models, including original release date, largest model size, and whether the weights are fully open source to the public

@Ai_Events

NN-SVG - Draw Neural Network and Deep Learning Architecture Schematics with Ease

NN-SVG is a tool for creating Neural Network (NN) architecture drawings parametrically rather than manually. It also provides the ability to export those drawings to Scalable Vector Graphics (SVG) files, suitable for inclusion in academic papers or web pages.

The tool provides the ability to generate figures of three kinds: classic Fully-Connected Neural Network (FCNN) figures, Convolutional Neural Network (CNN) figures of the sort introduced in the LeNet paper, and Deep Neural Network figures following the style introduced in the AlexNet paper.

Github - https://lnkd.in/gZF3dQhh

@Ai_Events

که هنوز من نبودم، که تو در دلم نشستی ...

پی‌نوشت: چه عشقی داره این بارون

Proxy
@Ai_Events

WOW!
حتما ببینید ویدئو زیر رو!
به نظر تو زمینه‌ی هوش مصنوعی، رقابت سر دقت بهتر و ... خیلی وقته تموم شده، الان کاملا خلاقیت پیشتازی می‌کنه!

https://www.linkedin.com/posts/genai-center_this-is-crazy-and-absolutely-surreal-ugcPost-7059395625250938881-HKYm

@Ai_Events

سال‌ها پیش، پس از حل چالش Big Data، یکی از چالش‌های بزرگ موتورهای جستجو، مواجهه با مسئله Fast Data بود. هنگامی که یک خبر در وب‌سایت‌های مختلف و شبکه‌های اجتماعی وایرال می‌شود، یک موتور جستجوی خوب باید بتواند مثلا بعد از چند دقیقه با وارد کردن چند کلمه کلیدی مرتبط، خبر مورد نظر، که حتی یک ساعت هم از شروع انتشار آن نگذشته، را تشخیص داده و در نتایج جستجوی کاربر نمایش دهد. این مسئله آپدیت بودن یک موتور جستجو با Fast Data موجود خیلی مهمه، چرا که مثلا اگه فردا موتور جستجو آپدیت بشه، امکان داره این اطلاعات ارزشش رو از دست داده باشه و کاربر بهش احتیاج نداشته باشه.
در مورد مدل‌های زبانی بزرگ هم به نظر میرسه آپدیت بودن اطلاعات می‌تونه بسیار کمک کننده باشه تا خروجی‌هایی که می‌گیریم مربوط به گذشته نباشه. من برای مقایسه سوال زیر رو از سه مدل زبانی قابل دسترس برای کاربرای ایرانی پرسیدم، و نتیجه رو در کامنت‌ها قرار میدم.

شما هم از مدل‌هایی که استفاده می‌کنید این سوال رو بپرسید و نتیجه رو کامنت کنید تا بتونیم مقایسه بهتری داشته باشیم از خروجی آپدیت شده مدل‌ها.
Why Jeffry Hinton resigned from Google?

@Ai_Events