🔰 افتخار دیگه ای نصیبم شد تا مجدد در خدمت دانشجویان دانشگاه یزد باشم و بتونم چندی در مورد موضوع جذاب این روزها یعنی حوزه علوم داده، هوش مصنوعی، هوش تجاری، یادگیری ماشین و ... گپ بزنیم
#yazduniversity

شرکت های بزرگ هوش دیدن قانون گذاری و رسیدگی به هوش مصنوعی خیلی کند پیش میره...
خودشون دست به کار شدن یه جامعه جدید از Anthropic و Google و Microsoft برای بحث و تصمیم برای مدل های جدید و پیشرو تشکیل دادن...
https://openai.com/blog/frontier-model-forum
🔒📚@ArmanbehnamAI

فرآیند MLOps
به معنای توسعه‌دهندگی به‌منظور عملیات یادگیری ماشین است.

این فرآیند، چرخه کامل یادگیری ماشین را با یکپارچگی اصول بهتر از دنیای توسعه نرم‌افزار ادغام می‌کند. باعث می‌شود مدل‌های یادگیری ماشین نه تنها ساخته شوند، بلکه به طور موثر در محیط تولید، پیاده‌سازی، نظارت و مدیریت شوند.
شامل :
1. یکپارچگی مداوم (CI): آزمون خودکار کد و خطوط لوله یادگیری ماشین
2. تحویل مداوم (CD): فرآیندهای پیاده‌سازی مدل به صورت خودکار
3. ورژن‌بندی مدل: ورژن‌های مختلف مدل‌ها و داده‌ها
4. نظارت بر مدل
5. تجدید آموزش مدل: با تمرین مدل با داده‌های جدید، اطمینان حاصل کنید که مدل‌ها همچنان معتبر باقی می‌مانند.
6. مقیاس‌پذیری و ارائه مدل
7. همکاری: ابزارهایی برای همکاری تیمی و قابلیت تکرار در گردش کارهای یادگیری ماشین
_______________________
📚 @ArmanbehnamAI

عملکرد مدل‌های یادگیری ماشین

مدل‌های یادگیری ماشین (ML) بر اساس اصل بنیادی عمل می‌کنند: آن‌ها از داده‌ها "یاد می‌گیرند" تا پیش‌بینی‌ها یا تصمیم‌ها را بدون برنامه‌نویسی صریح برای وظیفه موردنظر انجام دهند.

🔴جمع‌آوری داده: همه چیز با داده‌ها شروع می‌شود. هر چه تعداد بیشتری از داده‌های باکیفیت جمع‌آوری کنید، مدل شما می‌تواند بهتر عمل کند. این داده‌ها می‌توانند هر چیزی مرتبط با مسئله‌ای باشند که در حال تلاش برای حل آن هستید - تصاویر، متن، اعداد و غیره.

🔵پیش‌پردازش داده: بعد از جمع‌آوری داده، اغلب نیاز به تمیز کردن و تبدیل داده وجود دارد. این ممکن است شامل پردازش مقادیر ناقص، نرمال‌سازی یا استانداردسازی داده، رمزگذاری متغیرهای طبقه‌بندی شده و تقسیم داده به مجموعه‌های آموزش و آزمایش باشد.

🟢انتخاب مدل: انواع مختلفی از مدل‌های ML وجود دارند (مانند رگرسیون خطی، درخت‌های تصمیم، شبکه‌های عصبی). انتخاب مدل معمولاً بستگی به ماهیت داده‌ها و مسئله‌ای دارد که در حال تلاش برای حل آن هستید.
_______________________
📚 @ArmanbehnamAI

یکی از بهترین توصیه نامه ها برای تحصیلات تکمیلی که میتونی از یه استاد کاردرست بگیری که آقای جان نش تونسته این تاثیرو بذاره! (هدف)
منبع :https://medium.com/illumination/worlds-most-iconic-graduate-school-recommendation-letter-3c2539fa4942
_______________________
📚 @ArmanbehnamAI

یک استارتاپ زمین گرمایی در نوادا آمریکا به اسم Fervo تونسته چاه های زمین گرمایی رو به باتری های خیلی بزرگ در مقیاس صنعتی تبدیل کنه که روش بسیار ارزان و آسان کاهش گازهای گلخانه ای محسوب میشه (ایده)
منبع: https://www.technologyreview.com/2023/03/07/1069437/this-geothermal-startup-showed-its-wells-can-be-used-like-a-giant-underground-battery/?utm_medium=tr_social&utm_source=Twitter&utm_campaign=site_visitor.unpaid.engagement&twclid=2-7aq36bm1ktz5xx0jzw37ryoog
_______________________
📚 @ArmanbehnamAI

نپتون، دورترین سیاره از خورشید ما، توسط تلسکوپ فضایی جیمز وب
_______________________
📚 @ArmanbehnamAI

"همه ترانسفورمرها LLM نیستند، چراکه ترانسفورماتورها می توانند برای بینایی کامپیوتر نیز استفاده شوند. و همه LLM ها ترانسفورمر نیستند زیرا مدل های زبان بزرگ مبتنی بر رویکردهای بازگشتی (RWKV) یا کانولوشنال (Hyena) وجود دارد."
عجب توصیف دقیقی از Sebastian Raschka!
_______________________
📚 @ArmanbehnamAI

When:        امروز ساعت ۱۰. شب به وقت تهران

Where:      Talk will be given remotely, and it will be live-streamed at 
                   Illinois Institute of Technology, Illinois Institute of Technology, Stuart Building,
  (zoom link)

Who:          Kevin Muyuan Xia, Columbia University

Talk noscript: The Causal-Neural Connection: Expressiveness, Learnability, and Inference

Talk abstract: One of the central elements of any causal inference is an object called structural causal model (SCM), which represents a collection of mechanisms and exogenous sources of random variation of the system under investigation (Pearl, 2000). An important property of many kinds of neural networks is universal approximability: the ability to approximate any function to arbitrary precision. Given this property, one may be tempted to surmise that a collection of neural nets is capable of learning any SCM by training on data generated by that SCM. In this paper, we show this is not the case by disentangling the notions of expressivity and learnability. Specifically, we show that the causal hierarchy theorem (Thm. 1, Bareinboim et al., 2020), which describes the limits of what can be learned from data, still holds for neural models. For instance, an arbitrarily complex and expressive neural net is unable to predict the effects of interventions given observational data alone. Given this result, we introduce a special type of SCM called a neural causal model (NCM), and formalize a new type of inductive bias to encode structural constraints necessary for performing causal inferences. Building on this new class of models, we focus on solving two canonical tasks found in the literature known as causal identification and estimation. Leveraging the neural toolbox, we develop an algorithm that is both sufficient and necessary to determine whether a causal effect can be learned from data (i.e., causal identifiability); it then estimates the effect whenever identifiability holds (causal estimation). Simulations corroborate the proposed approach.

Bio: Kevin is a fifth-year Ph.D. student in the computer science department at Columbia University, advised by Elias Bareinboim. His primary research interests lie in causal inference, specifically in principled approaches to causal deep learning and causal representation learning.
_______________________
📚 @ArmanbehnamAI

ویدئوی ضبط شده این گفت و گو
https://iit.hosted.panopto.com/Panopto/Pages/Viewer.aspx?id=72073784-c429-4e11-9774-b142014e2201
_______________________
📚 @ArmanbehnamAI

گزارش جامع جاب ویژن که با کمک نظرات بیش از 9۰ هزار نفر تهیه شده، میزان حقوق مشاغل مختلف در سال ۱۴۰۲، انتظارات افراد نسبت به حقوق دریافتی در سال ۱۴۰۳ و همچنین داده‌های دیگری درباره حقوق انواع مشاغل را در اختیار شما قرار می‌دهد.
_______________________
📚 @ArmanbehnamAI

دکتر اندرو ان جی به عضویت هیئت مدیره آمازون منصوب شد.

من فوق العاده طرفدار اندرو هستم، به خصوص اینکه او چقدر راحت پروژه های خود را در مورد هوش مصنوعی به اشتراک می گذارد تا به طور کلی در دسترس عموم قرار گیرد.

با این اعلامیه آمازون موقعیت خود را در بازار با یکی از برجسته ترین چهره ها در سناریوی هوش مصنوعی تقویت می کند.

https://www.aboutamazon.com/news/company-news/dr-andrew-ng-joins-amazon-board-of-directors
___________________
📚 @ArmanbehnamAI

لیست 8 دوره رایگان برای شروع در هوش مصنوعی توسط Google و Harvard

1. Google AI Courses
Introduction to Generative AI, Introduction to Large Language Models, Introduction to Responsible AI, Prompt Design in Vertex AI, and Responsible AI: Applying AI Principles with Google Cloud

2. Microsoft AI Course

3. HarvardX: Introduction to AI with Python

4. Coursera: Prompt Engineering for ChatGPT

5. OpenAI, Deeplearning.ai: ChatGPT Prompt Engineering for Devs

6. Google Colab,Deeplearning.ai: LLMOps

7. Coursera: Big Data, Artificial Intelligence, and Ethics

8. edx: AI Applications and Prompt Engineering
___________________
📚 @ArmanbehnamAI

اگر علاقمند به Reinforcement Learing (یادگیری تقویتی) هستید، پیشنهاد میکنم حتما این دوره رایگان Spring 2024 رو ببینید. از ابتدا با تمرینات و جزوه خوب از دانشگاه هاروارد با تدریس Emma Brunskill
صفحه رسمی دوره

جزوات و متریال درسی

فیلم ضبط شده کلاس در youtube

تمرینات کلاس

پروژه های کلاس
___________________
📚 @ArmanbehnamAI

🔻انجمن علمی آمار دانشگاه شهید بهشتی تهران با همکاری انجمن علمی فوتونیک دانشگاه تبریز برگزار میکند:

🎉پنجمین عیدانه: یادگیری ماشین در عمل: از تئوری تا کاربردهای صنعتی🎉

👨🏻‍💻 مدرس : جناب آقای مهندس آرمان بهنام
دانشجوی دکترای علوم کامپیوتر در زمینه هوش مصنوعی و یادگیری ماشین در دانشگاه فنی ایلینویز آمریکا

🔸 سرفصل:
- مقدمه و اصول پایه
- تکنیک‌های کلیدی یادگیری ماشین
- چالش‌های داده‌ای و پیش‌پردازش
- کاربردهای صنعتی
- روندهای آینده و فناوری‌های نوظهور
- پرسش و پاسخ

🔹تاریخ و ساعت: شنبه 9 فروردین ساعت 16-18

🔸 هزینه ثبت نام: رایگان

🔺 جهت ثبت نام و کسب اطلاعات بیشتر، به آی دی زیر کد 5 را ارسال کنید:

-------> @Statistics_anjoman2 <---------

🆔@sbustats | انجمن علمی آمار دانشگاه شهید بهشتی
🆔@photonic_of_tabrizuniversity | انجمن علمی فوتونیک دانشگاه تبریز

وبینار جدید من برای مبانی نظری تا جنبه‌های عملی یادگیری ماشین
https://youtu.be/sZ7CYD8A1oU

اسلایدهای ارائه
___________________
📚 @ArmanbehnamAI