عید سعید فطر مبارک باد

@cvision

با سلام خدمت همراهان گرامی کانال
ان شاء الله در طی ۳ ماه پیش رو دو دوره آنلاین از گروه کلاس ویژن خواهیم داشت
دوره نخست شبکه های عصبی گرافی, و دوره دوم موضوع ترانسفورمرها خواهد بود.
نحوه ثبت نام و مشاهده سرفصل دوره اول(Graph) در طی چند روز آینده اطلاع رسانی خواهد شد
لطفاً اگر پیشنهادی برای این دوره دارید در این چند روز و از طریق کامنت همین پست بفرمایید تا در صورت امکان در تنظیم دوره دیده شود
از همراهی شما سپاسگزارم🙏

نشست آشنایی با تحلیل داده‌های زمین-مکانی (Geospatial Data Analysis) و پکیج GeoPandas در پایتون.

پنجشنبه ۱۴۰۱/۲/۷ ساعت ۸ شب در کلاس مجازی دانشگاه شریف:
https://vc.sharif.edu/ch/hosseinkhani

شرکت در این نشست رایگان است


این نشست به متخصصان علوم مرتبط با داده، دانشجویان و سایر علاقه‌مندان به تحلیل داده‌های جغرافیایی مثل نقشه پیشنهاد می‌شود.

به امید دیدار.

@schoolofai

Free ChatGPT Site List

اگر موفق به ساخت اکانت در openAI نشده اید یا میخواهید به صورت رایگان از GPT4 استفاده کنید این گیتهاب لیست ارزشمندی از لینکهای چت باتهای رایگانی نظیر  سایت
https://chat.forefront.ai
که فقط با داشتن اکانت گوگل  رایگان و البته با محدودیت زمانی بهتون اجازه چت با gpt3.5 و gpt4 را میده
یا سایت
chatbot.theb.ai
که حتی ثبت نام هم نمیخواد!

لینک:
https://github.com/xx025/carrot/blob/main/README.md

منابع مفید برای یادگیری شبکه های عصبی گرافی عمیق

#منبع #GNN

https://www.nytimes.com/2023/05/01/technology/ai-google-chatbot-engineer-quits-hinton.html?smid=nytcore-ios-share&referringSource=articleShare

PS: https://twitter.com/geoffreyhinton/status/1652993570721210372?s=46&t=MQPibaP_HVF6h-GAgMXenQ

A brief history of LLaMA models

https://agi-sphere.com/llama-models/

جزئیات دوره آموزشی آنلاین Graph Neural Network
https://class.vision/product/graph-neural-network/?a=temp

کد تخفیف 10 درصدی مخصوص اعضای کانال:
graph_cvision
این کد تخفیف تا 22 اردیبهشت اعتبار دارد

واقعا این API جی چی تی OpenAI خیلی از کارهای قدیمی دیپ لرنینگ تو NLP را تغییر داده
و تو فارسی هم کارایی مطلوبی داره !

review = "من کلا از شیائومی راضی هستم؛ قبلا ترازو و دستگاه تصفیه هواشو گرفتم، الان مسواکشو خریداری کردم. پیشنهاد میکنم"

prompt = f"""
Identify the following items from the review text: 
- Sentiment (positive or negative)
- Is the reviewer expressing anger? (true or false)
- Item purchased by reviewer
- Company that made the item

The review is delimited with triple backticks. \
Format your response as a JSON object with \
"Sentiment", "Anger", "Item" and "Brand" as the keys.
If the information isn't present, use "unknown" \
as the value.
Make your response as short as possible.
Format the Anger value as a boolean.

Review text: '''{review}'''
"""
response = get_completion(prompt)
print(response)

{
"Sentiment": "positive",
"Anger": false,
"Item": "مسواک",
"Brand": "شیائومی"
}

یک زبان برنامه‌نویسی جدید به نام Mojo توسط Chris Lattner (خالق LLVM و زبان Swift) معرفی شد.
این زبان،
- سادگی و کاربردپذیری و دست‌خط Python رو در کنار پرفورمنس C دارد.
- پشتیبانی کاملی از Parallel Programming در پردازنده‌های چندهسته ای و وکتور ها و accelerator ها دارد.
- می‌تواند از پکیج‌های پایتون مثل Numpy و Pandas و Matplotlib استفاده کند.
- تایپ دارد

https://www.modular.com/mojo

دوره‌ی آموزشی آنلاین Graph Neural Network
https://class.vision/product/graph-neural-network/

کد تخفیف 10 درصدی مخصوص اعضای کانال:
graph_cvision
این کد تخفیف تا 22 اردیبهشت اعتبار دارد

کاربردهای شبکه‌های عصبی گرافی (Graph Neural Networks)
https://class.vision/blog/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%b4%d8%a8%da%a9%d9%87%d9%87%d8%a7%db%8c-%d8%b9%d8%b5%d8%a8%db%8c-%da%af%d8%b1%d8%a7%d9%81%db%8c-graph-neural-networks/

یان لکان:
اگر شما نگران "هوش مصنوعی باعث بیکاری گسترده" هستید، به اقتصاددانان گوش کنید که اثر انقلاب‌های فناوری را بر روی بازار کار مورد مطالعه و بررسی قرار داده‌اند، مانند اریک برینیولفسون.

از گوش دادن به دانشمندان کامپیوتری که نگران پیامدهای اجتماعی کار خود هستند، خودداری کنید

منبع

DINOv2
Meta AI just open sourced DINOv2 - a new method for training high-performance computer vision models using self-supervised learning.

* DINOv2 delivers strong performance without fine-tuning or heavily relying on labeled data
* DINOv2 is a family of models to encode visual features, evaluated across 30 different benchmarks covering 8 types of visual tasks from image classification to monocular depth estimation
* Pre-trained on a dataset of 142 M images without using any labels or annotations
* Applications include depth estimation, image retrieval, and semantic segmentation

Meta keeps on open-sourcing powerful foundation models—just a few weeks ago it released Segment Anything, sparking a new wave or innovative computer vision projects.

demo and more: https://dinov2.metademolab.com/
#DINOv2