🚀 چطوری از Bing/ ChatGPT بهتر استفاده کنیم؟💡

🤔 پرومت چیه همه دارن درباره ش صحبت میکنن؟

🧐چطوری به عنوان یه طراح/دانشجو/برنامه نویس/.. از ChatGPT استفاده کنیم؟

📢چطوری مکالمه رو باش حفظ کنیم و هدایتش کنیم ؟

🔥 پاسخ ها در شکل زیر!

💚 بازنشر منجر به ادامه ی فعالیت ما میشه، پس اگر پست براتون مفید بود، برای دوستاتون بفرستید حتما :)

آمازون با همکاری Udacity یه سری دوره های ماشین لرنینگ و هوش مصنوعی برگزار داره میکنه که به 1000 نفر هم گفته بابتش بورسیه میده..

لینک ثبت نام:
http://go.aws/3D17v2N

🧠 شبکه‌های عصبی، یکی از پرقدرت‌ترین ابزارهای یادگیری ماشینی هستند. این شبکه‌ها با استفاده از ساختارهای پیچیده، مانند شبکه‌های عمیق انتقالی (DBN) و گیت‌های بازگشتی گیبس (GRU)، توانایی یادگیری و تشخیص الگوها را دارند. 🌟

🤖 همچنین، در علم داده ما شاهد استفاده از روش‌های دیگری نیز هستیم. SVM که یک تقسیم‌بندی با حاشیه بیشینه است، با استفاده از داده‌های برچسب‌دار، به تشخیص الگوها می‌پردازد. در حالی که شبکه حافظه ترتیبی نئوترون (NTM) با قابلیت حافظه و دسترسی به اطلاعات گذشته، وظایف پیچیده‌تری را انجام می‌دهد. 📚

🔌 شبکه‌های تغذیه جلو (Feed Forward)، پرسپترون (Perceptron) و شبکه‌های عمیق تماماً متصل (DFF) نیز در دسته‌بندی و پیش‌بینی داده‌ها مورد استفاده قرار می‌گیرند. این شبکه‌ها با استفاده از لایه‌های متصل خطی و توابع غیرخطی، قادر به مدل‌سازی روابط پیچیده می‌باشند. 📊

با توجه به تنوع این ابزارها، شبکه‌های عصبی به عنوان یکی از اصولی‌ترین و مفیدترین روش‌ها در زمینه یادگیری ماشینی شناخته می‌شوند. 💡✨

خب، بریم سراغ این ابزار جدید AI که بش لینک YouTube میدین و براتون ویدیوهای سبک TikTok درست میکنه..
13 تا ورژن مختلف میده، با زیرنویس و رنگی!
میتونید ویدیو رو کاستومایز کنید یعنی متناسب با یه سری کلمات کلیدی بش بگید کجاها رو جدا کنه واستون!

https://opus.pro


کارهای قابل انجام:

☑ ویدئوهای پادکست.
☑ نقد و بررسی محصولات.
☑ ویدئوهای آموزشی.
☑ ویدئوهای تحلیلی.
☑ سخنرانی‌های انگیزشی.

در ارتباط با پست قبلی

من این کلیپ رو باش درست کردم..

اگرم کاملشو ندیدن که ببینید و بترسید :ی
Mo Gawdat

که از کارمندای رده بالای گوگل هم بوده و به خاطر تهدیدات AI استعفا میده..

توی این مصاحبه ش درباره ی AI و خطراتش صحبت میکنه..

https://youtu.be/bk-nQ7HF6k4

🔥 ما هر دو هفته توی تیممون یه چیزی داریم به اسم بازنگری. یعنی همه جمع میشیم میگیم چی خوب بود، چی بد بود، برنامه بعدی چیه و چیکار کنیم بهتر بشیم..

💡 راستش خیلی مفید بوده تا اینجا و تیم های محصول و توسعه دهنده ها، معمولا دارن اینو..

بعد ما هر سری هم قالب های جدید میذاریم

یبار جنگله، یبار جزیره س، یبار آسمون..

حالا داشتم فکر میکردم انجام همین کار برای زندگی شخصیمون چقد میتونه مفید باشه!

مثلا هر ماه بشینیم فکر کنیم، چی خوب/بد پیش رفت، چی باعث شد خوشحال شم و ... من یه مثالشو اینجا درست کردم.

میتونید خیلی قالب های جذاب توی Miro ببینید، کلید واژه ش هم retrospective هستش..

مثلا من اینو از اینجا برداشتم و یکم تغییرش دادم :
👇
https://miro.com/miroverse/the-hot-air-balloon-retrospective/


اشتراک گذاری پست ها باعث ادامه ی فعالت ما میشه، پس اگر براتون مفید بوده، ممنون میشیم برای دوستاتون هم بفرستید! ❤️✨

🚀 ماشین لرنینگ به زبان ساده💡

‏🤔 بد نیست همه مون یکم بدونیم در دنیای هوش مصنوعی چی میگذره!

‏🧐 سعی شده یه سری مفاهیم کلی با شکل در حد امکان و خلاصه توضیح داده بشه

‏📢 نظرتون رو دوست دارم بدونم نسبت به این اینفوگراف هایی که درست میکنم


مرسی که با اشتراک گذاری مطالب به ما کمک میکنید که به فعالیتمون با شوق بیشتری ادامه بدیم!‌:)

مرگ شغل‌های خدمات مشتری؟

این ابزار هوش مصنوعی جدید به نام "ایر" قادر است در تماس‌های خدمات مشتری به مدت ۵ تا ۴۰ دقیقه فعالیت کند و به طور کامل عملکرد می‌کند.

همچنین، قادر است به صورت خودکار کارهایی را در بیش از ۵۰۰۰ برنامه‌ی مختلف انجام دهد.

خطرات واقعی هستند: بنیانگذار یک استارتاپ فناوری در هند در هفته گذشته به دلیل اعتراف او درباره جایگزینی ۸۵٪ از کارکنان خود با یک چت‌بات هوش مصنوعی، مورد انتقاد شدیدی قرار گرفت.

سوال سخت: آیا هوش مصنوعی تهدید واقعی‌ای برای شغل‌های خدمات مشتری است؟ یا آیا این تکنولوژی بخش‌های تکراری این شغل‌ها را به صورت خودکار انجام داده و امکان تمرکز کارکنان بر وظایف باارزش بیشتر را فراهم می‌کند؟

https://www.air.ai/

مایکروسافت و لینکدین یه دوره ی کوتاه گذاشتن که مبانی کلی از هوش مصنوعی رو بیان میکنه..

بیشتر مناسب افرادی هست که میخوان آشنا بشن با موضوع هوش مصنوعی و اینکه چطوری میتونن از این تکنولوژی در کارشون استفاده کنن..

کدنویسی نداره اصلا..

لینک:
https://shorturl.at/gmuX3

🤗
احتمالا آخرین پست ما باشه برای فارسی زبان ها..

120 ابزار هوش مصنوعی که می تونید در کارهای روزمره و بیزنستون ازشون استفاده کنید...

من تونستم اکانت توییترم رو درست کنم و دوباره برگشتم!!


💡یه نمونه از نمایش داده ی خیلی جالب توسط گوگل

📢 گوگل ادعا کرده که در سال 2022، تونسته 64 درصد از انرژی دیتاسنترهاشو از طریق تکنولوژی های بدون کربن تامین کنه..

📷 گوگل خیلی زیرپوستی به نظرم داره وارد حیطه ی انرژی میشه و خیلی خوبم عمل کرده..

🔥 خب از وقتی توییت یکی از دوستان رو دیدم، به این فکر بودم که یه سری لیست از پادکست ها درست کنم که هم کسایی که دنبال بهبود زبانشونن استفاده کنن هم دو تا چیز در زمینه ی تکنولوژی یاد بگیریم دور هم..

🚀💡امیدوارم به کارتون بیاد و نظرتون هم بگید! اگر پادکست های بهتر هم میشناسید بازم معرفی کنید..

👇لینک همه شون رو این پایین گذاشتم.. اگر ایران هستید و دسترسی به یوتیوب براتون سخته، میتونید اسم کانال ها رو توی پلترفرمهای پادکست دیگه سرچ کنید و فکر میکنم بتونید اکثرشون رو پیدا کنید! :)

https://www.youtube.com/@mreflow
https://www.youtube.com/@MachineLearningStreetTalk
https://www.youtube.com/@Deeplearningai
https://www.youtube.com/@TheAiGrid
https://www.youtube.com/@TwoMinutePapers
https://www.youtube.com/@aiadvantage

💚من عاشق دوره های مایکروسافتم..🔥

✏️راستش هنوز منبع بهتری برای شخصِ خودم پیدا نکردم..

📝یه سری دوره ی رایگان داره که هم درس نامه دارن و هم کدهاشون رو گذاشتن و از همه مهمتر پروژه هم بتون میده در آخرش که فکر میکنم بگردید راحت جواباشونو پیدا می کنید..

👇لینکاشون رو این پایین گذاشتم براتون:


📊دوره ی مقدماتی علوم داده:
https://github.com/microsoft/Data-Science-For-Beginners
👨‍💻دوره ی مقدماتی ماشین لرنینگ:
https://github.com/microsoft/ML-For-Beginners
🤖 دوره ی مقدماتی هوش مصنوعی:
https://github.com/microsoft/ai-for-beginners
🌐دوره ی مقدماتی اینترنت اشیاء:
https://github.com/microsoft/IoT-For-Beginners/tree/main
👩‍💻دوره ی مقدماتی توسعه ی وب:
https://github.com/microsoft/Web-Dev-For-Beginners
🥽دوره ی مقدماتی واقعیت افزوده:
https://github.com/microsoft/xr-development-for-beginners


🏆🤗💚یادتون باشه، با اشتراک گذاری این منابع، هم باعث میشید یکی دیگه علمش اضافه بشه و جامعه مون پیشرفت کنه و هم اینکه باعث میشید ما انگیزه ی بیشتری بگیریم و کارهای بهتری ارائه بدیم!

💡 عملیات ماشین لرنینگ MLOps

🗝️هدف:
مایکروسافت میگه، ایجاد، استقرار و مانیتور کردن مدل های استوار که بتونن بدون مشکل راه حل به مصرف کننده ها ارائه بدن

🤖 ترکیبی از علوم داده و DevOps هستش و کلیاتش طبق مایکروسافت به شکل زیر هست.


📝🤗💚مرسی که با اشتراک گذاری مطالب به رشد جامعه مون و ایجاد انگیزه ی بیشتر برای ما کمک می کنید! 🙌

💚گوگل یه سری دوره ی جدید گذاشته 🔥

📝 🔥 رایگانن، بتون مدرک پایان دوره هم میده که می تونید توی رزومه بذارید یا اصن روی شبکه های اجتماعی مثل لینکدین با بقیه به اشتراک بذارید!


🤓 راستی اگر نمیدونید منظور از هوش مصنوعی مولد چیه، خیلی ساده و خلاصه بگم که این مدل های مثل چت جی پی تی، یه نمونه از این مدل هاست که توی این دوره ها، گوگل سعی کرده به زبان ساده توضیح بده این ها چطوری کار میکنن..

👇لینکاشون رو این پایین گذاشتم براتون:

1. معرفی هوش مصنوعی مولد

https://www.cloudskillsboost.google/course_templates/536

2.معرفی مدل های زبانی بزرگ
https://www.cloudskillsboost.google/course_templates/539

3.معرفی هوش مصنوعی مسئولیت پذیر
https://www.cloudskillsboost.google/course_templates/554

4.اصول هوش مصنوعی مولد
https://www.cloudskillsboost.google/course_templates/556

5.معرفی تولید شکل
https://www.cloudskillsboost.google/course_templates/541

6.ایجاد مدل های توصیف تصویر (Image Captioning)
https://www.cloudskillsboost.google/course_templates/542

📊 اگر به زمینه ی انرژی و data story telling یا همون داستان سرایی با داده علاقه دارین، شاید این بلاگ پستی که نوشتم به دردتون بخوره.. البته فارسی نیست متاسفانه.. ولی خلاصه ش رو براتون میگم! 📝

🔥 بحث هوش مصنوعی و دیتا خیلی داغه ولی عواقبش برای محیط زیست و انرژی چیه؟

🌉 اینکه انقد هوش مصنوعی داره رشد میکنه، همونقدرم انرژی نیاز داره...

💡📕من اومدم و یه نگاهی به این مسئله انداختم و خلاصه ش رو اینجا میگم بتون:

📈ایرلند از 2015 تا 2022، مصرف دیتا سنترهاش 400 درصد رشد داشته و در 2022 معادل 1.25 میلیون خونه، برق مصرف کردن! (ایرلند کلا 5 میلیون جمعیت داره! )

📊از سال 2021 تا 2022، 31 درصد مصرف انرژی دیتاسنترهای ایرلند افزایش پیدا کرده!

⚠️ خب نگران کننده س از نظر محیط زیست و هم خوشحال کننده س چون نشون میده کشوری مثل ایرلند چطوری داره رشد میکنه!

🔗 لینک مقاله اگر دوست داشتید بیشتر بدونید:
https://www.iesve.com/discoveries/view/36142/ies-for-sustainable-data-centres

وضع خرابه دوستان!! دمای زمین رو ببینید!

‏ماه جولای 2023، گرمترین ماه تابستانی در تاریخ!!!!

‏فاجعه س دوستان فاجعه... فقط نمیدونم چرا ما توی ایرلند داریم زیر بارون و باد خیس میشیم!

🚀 عملیات ماشین لرنینگ

👨‍💼 از داده ی خام تا تحویل یه محصول ML ، چه مسیرهایی طی میشه؟

💡مایکروسافت-> ایجاد، استقرار و مانیتور کردن مدل های استوار که بتونن بدون مشکل راه حل به مصرف کننده ارائه بدن

👇توضیح بیشتر در ادامه ی همین پست!

📝🤗💚مرسی که با اشتراک گذاری مطالب به رشد جامعه مون و ایجاد انگیزه ی بیشتر برای ما کمک می کنید! 🙌

کیفیت قبلی کم شده! این اصلی و ببینید!!

توضیحات:
در MLOps، یک سفر موفق از داده‌ها تا مدل‌های یادگیری ماشینی شامل چندین مرحله حیاتی است. بیایید با هم آن‌ها را بررسی کنیم:

📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.

🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.

🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.

🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.

📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.

🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.

✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.

💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.

📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.

🎛️ اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.

📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.

🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.

🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.

📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.

🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.

🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.

📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.

🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.

👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.

🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.توضیح

📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.

🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.

🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.

🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.

📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.

🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.

✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.

💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.

📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.

🎛️ اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.

📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.

🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.

🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.

📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.

🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.

🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.

📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.

🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.

👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.

🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.

📢ابزار جدیدی که دیدم و خیلی خوشم اومد اسمش Microsoft Design یا همون طراح مایکروسافت هست.

💡بش اول درخواستتون رو میدین به شکل پرامپت بعد اون طبق توصیفی که شما دادین، براتون پوستر، اسلاید، حتی عکس و ... طراحی میکنه..

🎥توی ویدیو نشون دادم!

🤗 اشتراک گذاری یادتون نره دوستان :)