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 :)

📢 یک دانشجو در دانشگاه استنفورد موفق شده که عینکی بسازه که همزمان که افراد باتون صحبت میکنن، این عینک - در لحظه- براتون متن صحبت رو آماده میکنه..

💡این ابزارها میتونند دنیای جدیدی از ارتباطات رو به روی انسان، مخصوصاً افراد ناشنوا باز کنن! :)

🎥ویدیوش رو ببینید! 😍🔥

📢 از پست قبلی خفن تر میدونید چیه؟ این ابزار جدید شرکت مِتا (Meta) هستش..


💡شما براش نوع، سبک و ابزار موسیقی ای که دوست دارید بشنوید رو می نویسید و اون براتون موزیک رو تولید میکنه! بی نظیر بی نظیر..😍

👨‍💻👩‍💻 کدش هم Open source هست و میتونید ببینید...

🔗 لینکش و اینجا گذاشتم اگر بیشتر میخواید بدونید:
https://audiocraft.metademolab.com/musicgen.html

🙌 اشتراک بذارید ممنون میشیم :)

👨‍💻👩‍💻🤓دانشگاه هاروارد یک سری دوره ی رایگان برای آموزش هوش مصنوعی و علم داده گذاشته که به نظر جالب میان. دوره ها رایگانن ولی اگر مدرک بخواین باید یه هزینه ای بدین در نهایت... اما اگر هدفتون فقط یادگیری هست، به رایگان میتونید همه ی دوره هاشون رو شرکت کنید.. 


◼️ مقدمه ای بر هوش مصنوعی با پایتون

Link: https://lnkd.in/gygaeAcY

◼️ علم داده: یادگیری ماشین

Link: https://lnkd.in/gUNVYgGB

◼️ تحلیل داده های بعد بالا

Link: https://lnkd.in/gv9RV9Zc

◼️ آمار و R

Link: https://lnkd.in/gUY3jd8v

◼️ علم رایانه برای متخصصان تجارت

Link: https://lnkd.in/g8gQ6N-H

◼️ مقدمه ای بر برنامه نویسی با پایتون

Link: https://lnkd.in/gAdyf6xR



📝📊 موفق باشید

📢اگر ابتدای راهِ ماشین لرنینگ و علوم داده هستین 👇

👨‍💼👩‍🏫شکل زیر یه آگاهی کلی بتون میده نسبت به اینکه
1- مهندس داده
2- دیتا ساینتیست
3- مهندس ماشین لرنینگ
چیکار میکنن..

📈شما دوست دارید کدوم رو ادامه بدین؟

📝 توضیحات بیشتر

شکل با کیفیت تر.... تلگرام کیفیت رو کم میکنه خودش.. 🤓

👩‍💻مهندس داده: مناسب برای کسانی که علاقه مند به کار با داده هستند
• یادگیری ورود داده: مهارت‌های مدیریت داده را فرا بگیرید.
• اعتبارسنجی داده: مهارت‌های کنترل کیفیت داده را مسلط شوید.
• تمیز کردن داده: تکنیک‌های تمیز کردن داده را یاد بگیرید.
• استانداردسازی داده: قوانین استانداردسازی داده را متوجه شوید.
• تدوین داده: داده‌ها را به صورت کارآمد سازماندهی و مدیریت کنید.


👨‍💻 دانشمند داده (دیتا ساینتیست): ایده آل برای کسانی که ذهن های تحلیلی دارند
• استخراج ویژگی‌ها: یادگیری یافتن الگوها
• انتخاب ویژگی‌ها: مسلط شدن به انتخاب ویژگی‌ها برای افزایش کارآیی مدل ها
• شناسایی مدل‌های کاندید: تکنیک‌های انتخاب مدل را کشف کنید.

👨‍💻👩‍💻 دانشمند داده و مهندس ماشین لرنینگ: برای کسانی که کدنویسی را دوست دارند
• نوشتن کد: مهارت‌های برنامه‌نویسی را توسعه دهید.
• آموزش مدل‌ها: فرآیند آموزش مدل‌ها (ماشین لرنینگ) را متوجه شوید.
• اعتبارسنجی مدل‌ها: تکنیک‌های اعتبارسنجی را یاد بگیرید.
• ارزیابی مدل‌ها: معیارهای ارزیابی را مسلط شوید.
• بازبینی مدل‌های کاندید: فرآیند بهبود مدل‌ها را متوجه شوید.
• انتخاب بهترین مدل: یادگیری انتخاب مدل مناسب را تجربه کنید.

🚀مهندس عملیات ماشین لرنینگ برای کسانی که به دیپلوی کردن (استقرار) مدل ها علاقه دارند
• بسته‌بندی مدل: اصول بسته‌بندی را یاد بگیرید.
• ثبت مدل: پیگیری مدل را مسلط شوید.
• محیطی‌سازی مدل: مفاهیم محیطی‌سازی را متوجه شوید.
• استقرار مدل: راهبردهای استقرار را مسلط شوید.


✏️📊🤓📝این نقش‌ها شامل جنبه‌های مختلف داده و ماشین لرنینگ هستند و به تفاوت علایق و مهارت‌های مختلف پاسخ می‌دهند. در این حوزه‌ها کاوش کنید، علایق خود را شناسایی کنید و مسیر یادگیری خود را به‌مناسبت آن تنظیم کنید.

💡 خب قبلن هم گفتیم یه عده دنبال پادکست خوب بودن و هستن، من خودم عاشقم مصاحبه و Talk show هستم..

🎤🎧 این لینک مصاحبه خانم "میرا مُراتی"، CTO شرکت OpenAI، یا همون شرکتی که ChatGPT رو درست کردن با CTO شرکت Microsoft هست...

👩‍💻 35 سال سن داره
👩‍🏫مهندسی مکانیک خونده
🚗 برای تسلا کار میکرده

اما در شکل گیری یکی از بزرگترین محصولات هوش مصنوعی اخیر، نقش اساسی داشته!



https://youtu.be/5PGBn1t5CLQ🔥

🤓👨‍💼👩‍🏫 دانشگاه استفورد، دوره ی هوش مصنوعی مربوط به شناخت و درک زبان رو به شکل رایگان در یوتیوب و گیت هاب گذاشتن تا همه استفاده کنن..

🔥جالبه هزینه ی این دوره 1750 دلار آمریکاس که رایگانش کردن..

💡مدرک طبیعتا بتون نمیده ولی آنچه باید رو یادتون میده..

🔗👩‍💻 لینک کدهای درس:
https://github.com/cgpotts/cs224u/

🎥 لینک ویدیوهای درس در یوتیوب:
https://www.youtube.com/playlist?list=PLoROMvodv4rOwvldxftJTmoR3kRcWkJBp

🙌🤗 موفق باشید

تکامل هوش مصنوعی در پرتره‌ای از مصاحبه گیتس و اسکات 🤖🔬🚀

📝چه مهارت هایی را تقویت کنیم؟

۱. بازگشت ابررایانه‌ها: شاهد بازگشایی بهینه‌سازی موازی و معماری‌های عملکرد بالا در پشت پیشرفت هوش مصنوعی باشید. 💡

۲. ریاضیات و برنامه‌نویسی: گیتس به ارتباط ریاضی-برنامه‌نویسی اشاره می‌کند؛ برنامه‌نویسان هوش مصنوعی امروزی باید اصول ریاضی را درک کنند تا مسلط به معادلات شوند. 📐🖥️

۳. بهینه سازی منابع: گیتس به موضوع بهینه سازی منابع چه در مدل های محاسباتی مانند پارامترها یا ساده سازی معادلات، چه در مبحث تامین برق دیتاسنترها و چه در مدیریت دیتابیس ها اشاره میکند. ⚙️🔌


لینک کامل مصاحبه برای علاقه مندان در زیر: 🌟🤝

https://youtu.be/bHb_eG46v2c

💚🙌 اشتراک گذاری مطالب این کانال، منجر به افزایش دانش جامعه ی اطراف ما، انگیزه ی ما و قطعا تلاش برای تولید محتوای بهتر میشه! :)

👩‍💻📈🤓آیا شما یک دانشمند علوم داده هستید؟ آیا به افزایش کارآیی انرژی‌های تجدیدپذیر جهت کمک به تسریع در انتقال انرژی علاقه دارید؟

💡اگر شما دانشجو، شرکت نوپا، فرد علاقه‌مند به داده‌های انرژی یا حتی علاقه‌مندان به انرژی هستید، تمرین کنید و آماده بشید تا در مسابقه IEEE (انجمن مهندسین برق و الکترونیک) در زمینه انرژی تجدیدپذیر هیبریدی و پیش‌بینی شرکت کنید! 🏆

💵 در این مسابقه مجموعاً 20,000 دلار جایزه در انتظار شماست 💰

🌏🌋سوابق گرمای جهانی این تابستان نشان داده که تهدید تغییرات آب و هوا از هر زمان دیگری بیشتر اهمیت دارد. ما به ذهنیت‌ها قوی نیاز داریم تا به همین چالش عظیم پاسخ دهند!

🔗لینک ثبت نام:
https://glasgow.us21.list-manage.com/subscribe?u=a42b044d56565ab2a5a6bbb9b&id=336217f7a7

الان فقط میتونید ایمیلتون رو بذارید بعد بتون ایمیل میدن که چطوری باید برای شرکت کردن در مسابقه و تیم ساختن شرکت کنید.. 🙌🔥💵💵💵💵

سهم من یادتون نره! 😂