🔻 گوگل اسکولار | Google Scholar

⌛ زمان مطالعه: ۴۵ ثانیه

🔹 #معرفی

🔺 امروز می‌خوایم به معرفی یک ابزار خیلی کمک‌کننده در مسیر پژوهش بپردازیم که مسیر مقاله دادن و ریسرچ و انتخاب فیلد و همه‌ی موارد مربوط به ریسرچ رو کوتاه‌تر و هموار نسبت به قبل می‌کنه.

🔺 گوگل اسکولار یه موتور جستجو مخصوص مقالات دانشگاهیه که دسترسی به نشریات علمی، پایان‌نامه‌ها، کتاب‌ها و داده‌های قضایی رو برای ما فراهم می‌کنه. فکر کنید هر چیزی که لازم دارید برای تحقیق‌تون اینجا می‌تونید پیدا کنید!

🔺 ویژگی خیلی خوبش اینه که وقتی دنبال یه موضوع خاص تحقیق می‌کنید، Google Scholar نه تنها مقالات مرتبط رو بهتون نشون می‌ده، بلکه تعداد دفعات استناد به هر مقاله رو هم می‌گه، که این خودش کلی کمک می‌کنه تا بفهمید کدوم یک از این مقالات اهمیت بیشتری دارن.

🔺 علاوه بر این، می‌تونید به راحتی مشاهده کنید که چه کسانی این مقالات رو نوشتند و با کلیک روی نام‌هاشون به صفحه‌ی پروفایلشون دسترسی پیدا کنید. این خیلی عالیه چون می‌تونید ببینید این نویسندگان چه تحقیقات دیگه‌ای انجام دادن.

🔺 و همچنین، اگه دنبال منابع آزاد هستید، Google Scholar بهتون کمک می‌کنه که به راحتی مقالاتی که دسترسی باز دارند رو پیدا کنید و دانلود کنید. خیلی سریع و راحت!

🔗 https://scholar.google.com

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 دی‌بی‌ال‌پی | DBLP

⌛ زمان مطالعه: ۴۵ ثانیه

🔹 #معرفی

🔺 امروز می‌خوایم یه ابزار تحقیقاتی دیگه رو بهتون معرفی کنم که شاید کمتر شنیده باشید اما کاربردیه:
✔️ DBLP Computer Science Bibliography!

🔺 دی‌بی‌ال‌پی یک پایگاه داده عظیم و رایگان از مقالات علمی در زمینه علوم کامپیوتر است. این سرویس به شما اجازه می‌ده که به سرعت به اطلاعات دقیق و جامعی دسترسی پیدا کنید. فکر کنید که هر چیزی که در مورد علوم کامپیوتر نیاز دارید، اینجا موجود هست!

🔺 ویژگی خاص DBLP اینه که شما می‌تونید از فیلترهای متنوعی برای جستجوی مقالات استفاده کنین. این ابزار به شما کمک می‌کنه تا براساس نویسندگان، مجلات، کنفرانس‌ها و سال انتشار فیلتر کنین.

🔺 یکی از مزایای بزرگ DBLP اینه که شما می‌تونید پروفایل‌های دانشمندان و محققان رو مشاهده کنین و به راحتی کارهای دیگر اون‌ها رو بیابید. این بخش به خصوص برای کسانی که در حال شبکه‌سازی علمی هستند، بسیار مفید هست.

🔺 علاوه بر این، DBLP اطلاعات آماری و تحلیلی در مورد نشریات و نویسندگان رو نیز ارائه می‌ده که می‌تواند برای درک تأثیر کارهای تحقیقاتی مفید باشه.

🔺 در مقایسه با Google Scholar، خیلی این دو ابزار شبیه هستند اما در زمینه‌ی Computer Science، ابزار DBLP معتبرتر و کامل‌تر هست همیشه و پیشنهاد می‌شه از این ابزار استفاده بشه!

🔗 https://dblp.org

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

💻 آکادمی هرم | Pyramid!

ما در هرم سعی می‌کنیم از دنیای ریسرچ، ابعاد مختلف و کاربردی اون، پژوهش‌های مقاطع مختلف و لبه‌ی تکنولوژی و علم صحبت کنیم.

🌐 بررسی مقالات فیلدهای پزشکی و مهندسی
🌐 آموزش ریسرچ
🌐 معرفی اپلای و اینترنشیپ
🌐 ارتباط با اساتید معتبر ایران و جهان

🔄 ما، اینجاییم تا با هم این مسیر پیچیده رو دنبال کنیم و به قله هرم پژوهشی برسیم! ما توی آکادمی هرم تجربیاتمون رو با همدیگه به‌اشتراک می‌گذاریم تا انتخاب‌هامون در آینده راحت‌تر باشه و با یادگیری مباحث بروز و کارآمد، زندگی‌ آکادمیک بهتری داشته باشیم.

✅ روابط عمومی کانال:
✈️ @Pyramid_Research_Support

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 Confusion Matrix

⌛️ زمان مطالعه و تماشای ویدیو: ۳ دقیقه

🔹 #هوش‌مصنوعی
🔹 #ماشین‌لرنینگ

🔺 در رابطه با پست استفاده از هوش مصنوعی برای تشخیص اوتیسم، چند تا از عزیزان درخواست کردن که بیشتر درباره Confusion matrix توضیح بدیم،

🔺 ارجاع‌تون می‌دیم به این ویدیوی کوتاه که با یک مثال جالب درباره کارکرد الگوریتم های یادگیری ماشین این موضوع رو توضیح می‌ده.

🔺 البته در ادامه، این مطلب رو در قالب آنالیزهای آماری و sensitivity و specifity تست‌ها هم شرح خواهیم داد 😉

🔹 لینک ویدیو:
🔗 https://youtu.be/bN-yBh4GAeY?si=SEchBp1GVUUM-M93

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 اینترنشیپ، کارآموزی تحقیقاتی در داخل و همچنین کشورهای خارجی

⌛️ زمان مطالعه: ۱ دقیقه

🔺 جدای از مقاطع تحصیلی عادی دانشگاهی، یک کارآموزی تابستانه معمولا برای دانشجویان مهندسی و به‌خصوص مهندسی کامپیوتر، برق و مکانیک تعریف می‌شه که افراد خیلی وقت‌ها بابت اون‌ها تابستون رو خارج از کشور می‌گذرونن!

❕ در این پست بیشتر راجع به این موضوع صحبت خواهیم کرد.

🔺 کارآموزی تحقیقاتی تابستانه چیست؟ کارآموزی تحقیقاتی تابستانه، یک برنامه‌ی طراحی شده توسط اساتید برای دانشجوهاست یا که طی اون دانشجوها توسط دانشگاه‌های مختلف جذب می‌شن و در یک بازه‌ی ۲ الی ۳ ماهه، به ریسرچ و پژوهش در زمینه‌ی مربوطه می‌پردازن. این فعالیت معمولا همراه با fund (درآمد) هست و افراد می‌تونن هزینه‌ی محل سکونت، حمل و نقل، خورد و خوراک و تفریح خودشون رو با درآمد حاوی از این پژوهش‌ها، در بیارن!

🔺 معمولا روند اپلای برای این اینترنشیپ از طریق فرم applicationهای دانشگاه‌هاست که رزومه، داکیومنت نمرات و یک سری موارد دیگه از جمله تجربه ریسرچ شما رو دریافت می‌کنن و بعدش توسط اساتید بررسی می‌شه و مصاحبه با افراد برتر تنظیم می‌شه و در نهایت، یک تعدادی برای حضور در دانشگاه مقصد به شکل حضوری و پژوهش با اساتید اکسپت می‌شن.

🔺 به‌خصوص در رشته‌های مهندسی اینترنشیپ‌ها خیلی فعال هستند و از کشور خود ما نیز تابستون‌ها دانشجوهای زیادی برای پژوهش به خارج از کشور می‌رن و بعد از تابستون برمی‌گردن. خیلی از این تجربه‌ها رو می‌تونید در این کانال هم بخونید:
🔗 https://news.1rj.ru/str/sharif_internship

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 سختی ادمیشن Ph.D این روزها در Machine Learning

⌛️ زمان مطالعه: ۱ دقیقه

🔹 #دکتری

💥 حدودا ۵ ماه از این پست reddit می‌گذره:
🔗 https://www.reddit.com/r/MachineLearning/comments/1c2x5mx/d_folks_here_have_no_idea_how_competitive_top_phd/

🔺 شاید خیلی ترسناک به نظر بیاد محتوای پست، شاید خیلی از کامنت‌های همین پست مخالفش هستند و شاید تجربه‌ی biasedای باشه، اما خوبه درباره‌ی اون صحبت کنیم.

🔺 خیلی خلاصه بخوایم درباره‌ش صحبت کنیم، پست درباره‌ی این صحبت می‌کنه که این روزها ادمیشن گرفتن برای دکتری در زمینه‌ی Machine Learning و به‌خصوص فیلد Natural Language Processing خیلی سخت‌تر از قبل شده، افراد با ۷ ۸ تا مقاله در کنفرانس‌های معتبر جهان اپلای می‌کنند و بعضا مقاله‌های بسیار باکیفیتی هم هستن که جایزه‌ی بهترین مقاله‌ی اون کنفرانس رو هم دریافت می‌کنن. افراد خیلی‌هاشون اینترنشیپ‌های بسیار خفنی در بهترین شرکت‌های دنیا از جمله Google دارند و خیلی‌ها از بهترین Recommendation Letterهای اساتید خیلی خوب دانشگاه‌های معتبر استفاده می‌کنن و دیگه آسون نیست phd گرفتن و در واقع admission برای phd در فیلد ML.

🔺 کامنت‌های زیادی هم البته هست زیر این پست. بحث خوبی شکل گرفته. بحث درباره‌ی اینه که انقدر یاد گرفتن مهارت‌های مختلف از جمله تکنیک‌های Machine Learning آسون شده و دسترسی به courseهای مختلف امکان‌پذیر، که درآمدزایی در این زمینه هم نیاز نداره که شما phd بگیرید و بعدش برید سر کار و خیلی افراد بدون مدرک آکادمیک الان سر کار می‌رن در همین فیلد و درآمدهای خیلی بالا دارن.

🔺 کامنت دیگری هست درباره‌ی این‌که شخصی با مدرک phd در یک فیلد کاملا نامرتبط، ریسرچ Machine Learning انجام می‌ده این روزها و به تولید productهای جدید از اون‌ها مشغوله و کاملا self-taught به Machine Learning رو آورده برای کارش!

🔹 شاید خوب باشه بررسی پست‌های جدید reddit و مسائل مربوط به ریسرچ برای نتیجه‌گیری درباره‌ی میزان رقابت دکتری خواندن در کشورهای خوب دنیا در این زمینه.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 دنیای LLMها و ChatGPT

⌛️ زمان مطالعه: ۱ دقیقه

🔺 احتمالا وقتی کلمه‌ی LLM رو می‌خونید، متوجه نمی‌شید داستان این پست چیه. حتی اگر بگیم مخفف Large Language Models هم هست شاید خیلی واضح نباشه. اما اگر بگیم یک نمونه‌ی اون، ChatGPT هست که دنیا رو زیر و رو کرده دیگه واضح خواهد بود براتون. در این پست می‌خوایم راجع به LLMها صحبت کنیم و در پست‌های آینده خیلی بیشتر درباره‌ی مقالات مربوط به اون‌ها و تفاوت‌های بارزی که در زندگی روزمره‌ی ما به وجود میارن، صحبت خواهیم کرد.

🔺 مدل‌های زبانی بزرگ (Large Language Models) یا به اختصار LLMها، یکی از فناوری‌های پیشرفته‌ای هستن که بر مبنای هوش مصنوعی توسعه داده شدن. این مدل‌ها، که از یادگیری عمیق و شبکه‌های عصبی بهره می‌برن، به توانایی پردازش زبان‌های طبیعی (Natural Language Processing) دست یافتن و می‌تونن متونی بسیار شبیه به زبان انسان تولید کنن. کاربردهای گسترده‌ای که این مدل‌ها دارن، از پردازش و تحلیل داده‌های متنی تا تولید خودکار محتوا و حتی ترجمه و نوشتن مقالات علمی، نشان‌دهنده‌ی قابلیت‌های فوق‌العاده اون‌هاست.

🔺 اما بخوایم به زبان ساده بیان کنیم قابلیت‌های اون‌ها رو، کافیه به این فکر کنید یک هوش مصنوعی وجود داره که همه‌ی متن‌های ممکن رو قبلا خونده و وقتی شما سوال جدید ازش می‌پرسید، سوال شما رو با علمش تطبیق می‌ده و سعی می‌کنه خلاصه کنه دانش خودش رو در اون زمینه‌ی خاص و به شما پاسخ مربوط رو بده. یکی از دلایلی که بعضی وقت‌ها خیلی جواب‌ها کلی و general به شما می‌ده و اون پاسخی نیست که انتظار دارید، همین مورد هست که دیتای خیلی زیادی داره در هر زمینه‌ای و خلاصه کردن این دیتای با حجم بالا، به general شدن پاسخ نهایی می‌انجامه.

🔺 درباره‌ی ساختار LLMها بخوایم صحبت کنیم، مدل زبانی بزرگ اساساً یک شبکه عصبی پیچیده‌ست که با استفاده از داده‌های متنی وسیع آموزش دیده. این مدل‌ها توانایی درک و یادگیری از متن‌های نوشته‌شده رو از طریق پیش‌بینی توالی کلمات به دست میارن. به این معنی که با دیدن بخشی از یک متن، مدل قادر هست کلمه یا جمله بعدی رو با دقت بالایی پیش‌بینی کنه.

🔹 این مطالب، شروع صحبت ما درباره‌ی LLMها، دنیای ChatGPT و تفاوت ایجاد شده بعد از به‌وجود اومدن اون‌هاست. در ادامه خیلی بیشتر درباره‌ی ساختار، پیاده‌سازی، مطالب فنی‌تر و مقالات اون‌ها صحبت خواهیم کرد.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 مقالات Case Series

⌛ زمان مطالعه: یک دقیقه

🔹 #آموزش
🔹 #پزشکی

🔺 در این پست راجع‌به معیارهای CARE برای نوشتن Case Report صحبت کردیم.

🔺 یکی دیگه از انواع مقاله که هنوز در رده‌های پایین هرم پژوهش قرار داره، case series هست.

🔺 به طور کلی case series از گزارش چند کیس (معمولا کمتر از ۱۰ کیس) مرتبط و همسو با همدیگه تشکیل می‌شه، و معیارهای CARE در رابطه با نوشتن این نوع مقالات هم صادق هستن!!

🔺 چندتا نکته‌ی کلی هست که دونستش می‌تونه به بهتر شدن سطح کیفی مقاله کمک کنه و اتفاقا بعضی از ژورنال‌ها هم بهش اشاره کردن:

🔹 مداخلات، درمان‌ها و follow-up همه کیس‌ها بهتره که مستند باشن
🔹 گاها ممکنه توی بعضی از مقالات ببینین که روی متغیرهای بیسیک کیس‌ها مثل اطلاعات دموگرافیک (سن و جنس و...) آنالیز آماری صورت گرفته
🔹 اگر تعداد کیس‌ها بیشتر از ۱۰ تا بشه، احتمالا بد نیست که آنالیز آماری مفصل‌تری هم انجام بدین! البته توی این حالت شاید بهتر باشه نوع مطالعه تغییر کنه و مثلا از نوع کوهورت گذشته‌نگر بهش نگاه بشه.

🔺 در پیوست یک مقاله‌ی case series از پژوهشگرهای کشور خودمون گذاشتیم که می‌تونین مطالعه و قسمت‌های مختلفش رو بررسی کنین.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 افت ۴۵ درصدی پذیرش دانشجوهای international در دانشگاه‌های کانادا

⌛ زمان مطالعه: یک دقیقه و نیم

🔹 #اپلای

🔺 اخیرا بحث اپلای به کشورهای آمریکا و کانادا خیلی داغ‌تر از قبل شده و با توجه به admission ساده‌تر و البته ارزشمندتر دانشجوها در دانشگاه‌های این کشورها نسبت به پذیرش از کنکور ارشد و دکتری در دانشگاه شریف و تهران، خیلی از دانشجوهای دانشگاه‌های کشور و به‌خصوص رشته‌های مهندسی، به اپلای برای این دانشگاه‌ها و تحصیل در مقاطع ارشد و دکتری می‌پردازن.

🔺 اما طبق سیاست جدید دولت کانادا، پذیرش دانشجوهای خارجی در دانشگاه‌های کانادا، افت ۴۵ درصدی داشته است. دولت فدرال، سقفی برای دانشجوهای بین‌المللی تعیین کرده تا فشار روی خدمات مثل مسکن و بهداشت رو کم کنه، ولی به نظر می‌رسه این طرح جواب نداده. می‌گن این سقف باعث شده تعداد پذیرش‌ها از ۳۶۴ هزار تا تو سال ۲۰۲۴ به حدود ۲۹۲ هزار تا کاهش پیدا کنه.

🔺 حالا مایکل مک‌دونالد، مدیر روابط دولتی کالج‌ها و مؤسسات کانادا، می‌گه افت ثبت‌نام خیلی شدیدتر از این حرفاست و دانشگاه‌ها و کالج‌ها ممکنه حتی بیشتر از این هم ضرر ببینن.

🔺 این کاهش شدید دانشجوها می‌تونه خیلی روی توانایی مدارس برای ارائه آموزش خوب تأثیر بذاره. به‌خصوص که دانشجوهای بین‌المللی علاوه بر پولی که برای تحصیل می‌دن، به اقتصاد کانادا هم کمک می‌کنن. البته که جذب دانشجوهای خارجی و مخصوصا ایرانی، در دانشگاه‌های کانادا همواره زیاد بوده و خیلی وقت‌ها باکیفیت‌ترین دانشجوهای ایرانی، مقصد مهاجرت خودشون رو کانادا انتخاب می‌کردن تا ریسک ریجکتی ویزای آمریکا و البته چالش‌های مالیاتی اروپا رو نداشته باشن.

🔺 حالا بحث اینه که دولت کانادا باید چیکار کنه؟ میلر می‌گه لازمه دولت هرچه زودتر یه کمپین بازاریابی جهانی رو شروع کنه تا شهرت کانادا رو به عنوان یه مقصد برای بهترین‌ها و باهوش‌ترین‌ها برگردونه. احتمالا تا انجام هر اقدامی زمان زیادی طول می‌کشه و ادمیشن‌های کانادا در ادامه‌ی سیاست‌های سال قبل، امسال نیز کم و کم‌تر بشن.

🔺 از دلایل اصلی این اتفاق می‌شه به مهاجرت خیلی زیاد دانشجوهای هندی، افزایش نرخ بیکاری و قیمت مسکن اشاره کرد.

⭐ منبع این پست:
🔗 https://globalnews.ca/news/10738537/universities-canada-international-student-enrolment-drop/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 شاخص H-index

⌛ زمان مطالعه: یک دقیقه و نیم

🔹 #معرفی

🔺 یکی از شاخص‌هایی که (شاید به اشتباه!!) برای سنجش تاثیر علمی محقق‌ها به کار می‌ره، H-index هست.

🔺 به طور کلی اگه بخوایم با یک مثال ساده تعریفش کنیم، شما برای اینکه H-indexای برابر با q داشته باشین، باید q تا مقاله داشته باشین که هر کدوم q بار مورد استناد سایر پژوهش‌ها قرار گرفته یا به اصطلاح citation خورده باشه.

🔺 اما برای این‌که درمورد رزومه‌ی پژوهشی یک فرد قضاوت کنین، این شاخص کافی نیست! مسائلی مثل نوع مطالعه، کیفیت مقاله، کیفیت ژورنال و حتی خود استنادی می‌تونن توی impact حقیقی پژوهش‌گر و پایین یا بالا بودن این شاخص، موثر باشن.

🔺 برای مثال عموما مطالعات ریویو یا مطالعات اپیدمولوژیک سایتیشن‌های زیادی می‌خورن و بالعکس، مطالعات کوهورت ممکنه به نسبت انرژی‌ای که برای انجام‌شون برده می‌شه، سایتیشن‌های کمتری بخورن!

🔺 بنابراین نکته‌ای که مهمه اینه که بیشتر روی کیفیت مقاله‌تون کار کنید تا اینکه صرفا رزومه‌تون رو پر کرده باشین و H-index بالایی داشته باشین 😉

🔹 گذشته از این مسائل شما داخل سایت زیر می‌تونین H-index اساتید فعال در وزارت بهداشت رو مشاهده کنین و در صورت علاقه به فیلد کاری‌شون باهاشون لینک بشین.

🔗 https://isid.research.ac.ir/

🔹 تصویر پست هم مربوط به پروفسور رونالد کسلر هست که بالاترین H-index رو در دنیا دارن 😎🔥

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 استخراج اطلاعات documentهای مختلف با AI

⌛ زمان مطالعه: ۱ دقیقه و نیم

🔹 #مقاله

🔺 احتمالا برای شما هم پیش اومده که بخواید در کوتاه‌ترین زمان ممکن، جواب خودتون رو از sourceهای مختلف که تعداد صفحات بالایی هم دارن پیدا کنید. از وقتی مدل‌های زبانی پیشرفت قابل توجهی کردند، یکی از taskهای مدنظر تعداد زیادی از ریسرچرها، استخراج اطلاعات از documentها و سوال و جواب آنلاین با کمک مدل‌های زبانی بوده و هست.

🔺 اما اخیرا محققانی از دانشگاه استنفورد و شرکت Adobe، مقاله‌ای رو منتشر کردند که با استفاده از ابزار اون، عملیات پرسش و پاسخ روی فایل‌ها و اسناد مختلف خیلی آسون‌تر شده. PDFTriage که ابزار این مقاله هستش، قادره به صورت خودکار ساختار محتوایی یک سند PDF رو تشخیص بده و سپس به سوالات مختلفی که از اون سند پرسیده می‌شه در سریع‌ترین زمان ممکن و با کیفیت بالا، پاسخ بده.

🔺 اما خب شاید فکر کنید خیلی مقاله‌های مشابهی هستن و همین کار رو می‌کنن که فکر درستی هم هست، اما تفاوت اصلی این approach با روش‌های دیگه، اینه که در نظر گرفته خیلی از webpageها، pdfها و فایل‌ها، شامل جدول، تعداد صفحات زیاد، بخش و عکس هستند و اون‌ها رو هم با استفاده از PDFTriage می‌تونید آنالیز کنید. در واقع اکثر مقالات از این روش استفاده می‌کنن که متن‌های مربوط به سوال شما رو استخراج می‌کنن از pdf و پاسخ شما رو از اون متون جمع‌بندی می‌کنن، اما این روش همه‌ی بخش‌های فایل رو بررسی می‌کنه حتی عکس‌ها و جدول‌ها و نهایتا خروجی رو از همه‌ی اطلاعات مربوطه جمع‌بندی می‌کنه.

🔺 یکی دیگه از contributionهای این مقاله، ایجاد دیتاستی شامل بیش از ۹۰۰ سوال نوشته‌ی انسان بر روی بیش از ۸۰ فایل ساختارمند از ۱۰ موضوع مختلف هست که باعث می‌شه کارهای آتی مربوط به این موضوع آسون‌تر بشن و بتونن از این دیتاست هم به عنوان نمونه استفاده کنن.

🔹 لینک مقاله:
🔗 https://huggingface.co/papers/2309.08872

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»