فارسی 🇮🇷: جنگ غول ها... و پارس کردن به همدیگر
تۆرکجه 🇮🇷: باشی یئکه لر ساواشی ... و بیر بیرینه چلتیک آتمالاری...

فارسی 🇮🇷: از دوستان علاقه مند به حوزه پردازش زبان طبیعی الخصوص ماشین ترنسلیشن دعوت به همکاری برای یک مقاله ای می شود. این مقاله دیتاست جدید دارد و کد اش هم نوشته شده ولی چون جواب مطلوب گرفته نشده هست کسی اگر در این حوزه تخصص دارد و پروژه مشابه کار کرده می تواند به این پروژه ملحق شود. کسی خواست پیام دهد.
آی دی:
@jalil_kartal
تۆرکجه 🇮🇷: ماشین ترنسلیشن ایشلین اولسا گلسین بیر مقاله وار اونو باهم ایشلیق. کد یازماق دا حرفه اولسون و تجربه سی اولسون بو ساحه ده.

فارسی : تصویری از ربات سخنگوی بوستون با کمک گیری از چت جپت. حالا اگر این ربات ها به ربات جنگنده تبدیل شوند دیگر نیاز به نیروی انسانی برای جنگ لازم نیست کافیست ربات ها را از یک جایی کنترل کنند و باهاشون صحبت کنند و اطلاعات بگیرند.
تورکجه: چت جیبتنن جورانان بوستون داکی دانیشان ربات. ایندی بولاری گللر ساواش میدانلارینا سالالار داها انسان لازیم دئیل ساواش دا قاتیشا فقط اوتوروب کنترل ائده بیلر و رباتلار غارتلرین اللر.
خبرین لینکی:

https://www.linkedin.com/posts/endritrestelica_ai-tech-innovation-ugcPost-7125211037246574593-hYsK?utm_source=share&utm_medium=member_desktop

Yann LeCun:

A nice piece by Andrew Ng arguing that irrational fears about AI should not cause governments to regulate open source AI models out of existence.

https://lnkd.in/eRgHHaqP

کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

فارسی: نکته جالبی که اینجا وقتی می خونم دیدم. این هست که آقا این پول دارا هر وقت ببیند جایی یا صنعتی جلوی پول در اوری اینا رو می گیره شروع می کند به علیه آن چیز صحبت کردن. همانطور که اندراینگ هم اینجا اشاره می کند که بعضی ها که منافع شان با ایجاد ترس در مورد هوش مصنوعی پیش می ره. پس اینکارو می کنند و کار توسعه دهندگان را سخت می کنند. الیته توسعه دهندگان مدل های بزرگ.
تورکجه: عقل باتان بیر نکته نی بوردا گوردوم. دملی هاچان پولی اولان گورسه بیر تزه ایش یا ایده اونون اولدوقو یئری جایلاندیریر باشلیر او ایشین علیه ینه قورخو توکه و قورخو یارادا. اندرواینگ ده اله بونا اشاره ائدیر و دئیر بیرسری بوجور منفعت ایستین لر قورخو سالماقنان ایشلری چتین ائدیر. بو سوز بویوک مدل ایشلینلره صدق ائدیر.

𝗙𝗥𝗘𝗘 (𝗚𝗼𝗼𝗴𝗹𝗲) 𝗖𝗼𝘂𝗿𝘀𝗲𝘀 𝘆𝗼𝘂 𝘄𝗶𝗹𝗹 𝗿𝗲𝗴𝗿𝗲𝘁 𝗻𝗼𝘁 𝘁𝗮𝗸𝗶𝗻𝗴 𝗶𝗻 𝟮𝟬𝟮𝟯.

1. Python Basics for Data Analysis

🔗https://lnkd.in/dCGMEGpm

2. Data Science Foundations

🔗https://lnkd.in/daHK4m-i

3. Advanced Google Analytics

🔗https://lnkd.in/dbwP4_B7

4. Data, ML, and AI in Google Cloud

🔗https://lnkd.in/dSXa7aCG

5. Google Cloud Computing Foundations: Networking and Security in Google Cloud

🔗https://lnkd.in/du6YkCxq

6. Machine Learning Crash Course

🔗https://lnkd.in/dj_RxD9Y

7. Basics of Machine Learning

🔗https://lnkd.in/deC_yyZ3

8. Data Science with Python

🔗https://lnkd.in/dWGtY868
کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

'ChatGPT detector’ catches AI-generated papers with unprecedented accuracy
😂😂😂
فارسی 🇮🇷: آقا بالاخره هوش مصنوعی همه کاره می شه که.
چت جپت را هم انسان استفاده می کنه برای نوشته های خودش دیگه چه کاریه دوباره از مدلی برگرفته از خود چت جپت بخواهیم که بین نوشته انسان و ربات شناسایی انجام دهیم؟ سوال دیگه هم اینجاست دیتای ترین شده برای شناسایی انسان از ربات از کجا به دست آمده؟ از ژورنال ها؟ خوب ژورنال ها هم از اپلیکشن هایی مثله گرامرلی قبلا استفاده کرده برای اصلاح گرامر. جواب اش شاید در این مقاله نوشته شده باشد. نظری دارین؟

تۆرکجه 🇮🇷: گویه چیخاسیز یئره باتاسیز آخیری یاپای ذکاء هر ایشیزی گورجک 😂😂😂
مقاله یازیبلار چت جپت نین یازیلان مقاله لری تانین سین. سوْال؛: بو تانیما اپلیکشنی اوزی نئجه دوزلیب؟ هانکی دیتانان ترین اولوب؟ هاردان معلوم دیتالار اوزلری انسان یازیب؟ جوابین بلکه بو اشاغاداکی مقاله ده تاپاق اولار. سیزین باخیشیز ندیر؟
https://www.nature.com/articles/d41586-023-03479-4

کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

فارسی 🇮🇷: زیادی گندش نکردن؟
تۆرکجه 🇮🇷: چوخ بویودموبلر؟
😁 👍👎

فارسی 🇮🇷: کسی هست خدای واقعی هوش مصنوعی را نشناسه؟
تۆرکجه 🇮🇷: یاپای ذکاء نین آللهین تانیمیان وارمی؟
👍👎😁

data pipeline overview

از کارهای خدای هوش مصنوعی
یاپای ذکاء نین تانریسینین ایشلرینن

Yann LeCun
VP & Chief AI Scientist at Meta
❤️🌎👇🏽
Animals and humans get very smart very quickly with vastly smaller amounts of training data than current AI systems.

Current LLMs are trained on text data that would take 20,000 years for a human to read.
And still, they haven't learned that if A is the same as B, then B is the same as A.
Humans get a lot smarter than that with comparatively little training data.
Even corvids, parrots, dogs, and octopuses get smarter than that very, very quickly, with only 2 billion neurons and a few trillion "parameters."
🌘
My money is on new architectures that would learn as efficiently as animals and humans.
Using more text data (synthetic or not) is a temporary stopgap made necessary by the limitations of our current approaches.
The salvation is in using sensory data, e.g. video, which has higher bandwidth and more internal structure.

The total amount of visual data seen by a 2 year-old is larger than the amount of data used to train LLMs, but still pretty reasonable.
2 years = 2x365x12x3600 or roughly 32 million seconds.
We have 2 million optical nerve fibers, carrying roughly ten bytes per second each.
That's a total of 6E14 bytes. The volume of data for LLM training is typically 1E13 tokens, which is about 2E13 bytes.
It's a factor of 30.

🤔
Importantly, there is more to learn from video than from text because it is more redundant.
It tells you a lot about the structure of the world.

کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

تزه آپدیت:

😍حافظ فرهنگ خود باشید
🏆 جایزه نقدی هم هدیه بگیرید.

😍مدنیتینیزی قوْرویون
🏆 سیز ده پۇل مۆکافاتی قازانین 💶🇪🇺
📸🔊🔉 پایلاشین


عزیز تورکلر بو آخارا عضو اولون و اوز لهجه نیزنن جمله لری ضبط ا‌ئدین.
https://news.1rj.ru/str/+LEjcUcoiQYJhMmM0

فارسی 🇮🇷: هوش مصنوعی مولد می تواند تعداد حملات بر زنان را افزایش دهد.
تۆرکجه 🇮🇷:مولد یاپای ذکاء قادینلارا قارشی هۆجوملارین سایینی آرتیرا بیلر.
Read more:

https://on.unesco.org/3Gl7LuR

فارسی : فینقر پرینت همچنان در بورس. اپل دوباره سلامی می کند به فینقر پرینت 👇🏽
تورکجه : بارماق پرینتی یئنی دن اپل ایشلرینده گلجک. 👇🏽
https://www.biometricupdate.com/202311/apple-rumored-to-be-retiring-fingerprint-biometrics-on-iphones


کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

فارسی: پیشرفت آمریکایی ها در ربات های جنگنده هوش مصنوعی بیس
تورکجه: آمریکایی لرین یاپای ذکاء اوستونده ساواش رباتلارینین قاباغا گئدمگی
https://www.linkedin.com/feed/update/urn:li:activity:7134762014559596544?utm_source=share&utm_medium=member_desktop

داعش بعدی ربات های نیست در خاورمیانه؟ 😄
کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal

AI for Good

فارسی 🇮🇷: همه ما در اتفاقاتی که در دنیا می افتد تاثیر گذاریم.
تۆرکجه 🇮🇷: بیز هامیمیز بوتون حادیثه لرین دوشمکلرینده رول اویناریق.

به به اینم از راه رسید... مدل های ويژن بزرگ
بودا گلدی چیخدی... بویوگ ویژن مدلر
The LVM (large vision model) revolution is coming a little after the LLM (large language model) one, and will transform how we process images. But there’s an important difference between LLMs and LVMs:
- Internet text is similar enough to proprietary text documents that an LLM trained on internet text can understand your documents.
- But internet images – such as Instagram pictures – contain a lot of pictures of people, pets, landmarks, and everyday objects. Many practical vision applications (manufacturing, aerial imagery, life sciences, etc.) use images that look nothing like most internet images. So a generic LVM trained on internet images fares poorly at picking out the most salient features of images in many specialized domains.

That’s why domain specific LVMs – ones adapted to images of a particular domain (such as semiconductor manufacturing, or pathology) – do much better. At Landing AI, by using ~100K unlabeled images to adapt an LVM to a specific domain, we see significantly improved results, for example where only 10-30% as much labeled data is now needed to achieve a certain level of performance.

For companies with large sets of images that look nothing like internet images, I think domain specific LVMs can be a way to unlock considerable value from their data. Dan Maloney and I share more details in the video.
کانالیمیزی جانلی یایین:

https://news.1rj.ru/str/Machinelearning_Kartal