سریع‌ترین #LLM دنیا بنام #groq با سرعت 18 برابر #gpt و 10 برابر #Gmini معرفی شد.
این مدل رایگانه و از طریق این درگاه در دسترس عموم قرار گرفته.
https://groq.com

@elmedade | آموزش علم داده و هوش مصنوعی

متا از هوش مصنوعی متا با قابلیت تولید صدا رونمایی کرد - رقیب مدل صوتی پیشرفته OpenAI

🅱️ https://huyenchip.com/blog/
🟦 in: Chip Huyen

@elmedade | آموزش علم داده و هوش مصنوعی

تراشه‌های رایانه‌ای نقش مهمی در پیش‌رفت هوش مصنوعی داشته‌اند، حال نوبت به هوش مصنوعی‌ست که دین خود را ادا کند.

چهارسال پیش، آزالیا میرحسینی در گوگل موفق شد به‌کمک یادگیری تقویتی عمیق، روشی برای طراحی چیدمان تراشه‌های کامپیوتری (chip floorplanning) ابداع کند.

در این روش، ابتدا، یک Grid خالی درنظر گرفته شده و در هر تکرار، یکی از مولفه‌ها (مدارها)،‌ روی آن قرار می‌گیرد. پاداش نهایی از روی کیفیت چیدمان تراشه‌ی نهایی مشخص می‌شود. یک شبکه‌ی عصبی گرافی مبتنی بر یال (Edge-based GNN) ارتباط بین مولفه‌ها را یادگرفته و آن را به بخش‌های دیگر تعمیم می‌دهد.

لازم به ذکرست، تمام تراشه‌های شتاب‌دهی هوش مصنوعی گوگل (TPU) و همین‌طور Google Axion توسط این روش طراحی شده‌اند.

امروز بعد از چهار سال، این مدل، AlphaChip نام گرفت و به‌زودی چک‌پوینت (وزن‌های) آن برای استفاده‌ی سایرین دردسترس قرار خواهد گرفت.


بلاگ‌پست:
https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/
گیت‌هاب:
https://github.com/google-research/circuit_training/

لینک مقاله مربوطه (منتشر شده در ۲۶ دسامبر ۲۰۲۴)
🔗 https://www.nature.com/articles/s41586-024-08032-5.pdf

#یادگیری_عمیق #هوش_مصنوعی #یادگیری_تقویتی #یادگیری_تقویتی_عمیق

@elmedade | آموزش علم داده و هوش مصنوعی

✅ بنابر این مقاله
🔗 https://arxiv.org/pdf/2004.10746

چیت شیت پایتون برای مبتدیان
منبع: https://www.linkedin.com/posts/web3schools_python-basics-cheatsheet-activity-7247184942344888320-VC92?utm_source=share&utm_medium=member_android

#پایتون #برنامه_نویسی #چیت_شیت

@elmedade | آموزش علم داده و هوش مصنوعی

🔻رگرسیون خطی ساده

• Simple Linear Regression

• اسلاید آموزشی
• انگلیسی
• تعداد صفحات: ۸۲

🌀 University of Colorado


🔹کانال علوم آماری و محاسباتی

♾ @statistical_science

مقاله استاد دانشگاه شریف روی جلد نشریه معتبر علوم اعصاب و شیمی
تیم تحقیقاتی دکتر محمدرضا هرمزی‌نژاد، استاد دانشکده شیمی دانشگاه صنعتی شریف، با توسعه حسگر آرایه‌ای چندرنگی بر پایه پوشش‌دهی فلزی نانومیله‌های پلاسمونی طلا به وسیله نقره، روش رنگ‌سنجی نوینی در تلفیق با روش‌های #یادگیری_ماشین جهت تشخیص و اندازه‌گیری زیست نشانگر‌های بیماری‌های مرتبط با زوال عقل ارائه دادن و نتایج این پژوهش در مجله ACS Chemical Neuroscience منتشر شد و با تصمیم هیئت تحریریه مجله، به عنوان طرح روی جلد شماره اخیر این مجله انتخاب شد.

ادامه مقاله رو در این لینک بخونید.

@elmedade | آموزش علم داده و هوش مصنوعی

جایزه نوبل فیزیک ۲۰۲۴ به دو چهره سرشناس در حوزه هوش مصنوعی تعلق گرفت.
آقایان John J. Hopfield و Geoffrey E. Hinton به علت تحقیقاتشان برای آموزش شبکه عصبی با استفاده از فیزیک موفق به اخذ مدال نوبل ۲۰۲۴ شدند.

https://www.nobelprize.org/uploads/2024/10/press-physicsprize2024.pdf

@elmedade | آموزش علم داده و هوش مصنوعی

John Hopfield created an associative memory that can store and reconstruct images and other types of patterns in data. Geoffrey Hinton invented a method that can autonomously and properties in data, and so perform tasks such as identifying specifc elements in pictures.

@elmedade | آموزش علم داده و هوش مصنوعی

نوبل شیمی ۲۰۲۴ هم به محققین هوش مصنوعی بدلیل آموزش مدل‌های پیش‌بینی ساختارهای پروتئینی مبتنی بر یادگیری ماشینی (شبکه‌های عصبی مصنوعی) تعلق گرفت.

@elmedade | آموزش علم داده و هوش مصنوعی

ستاره نوظهور
هر چند یک هفته ای از انتشار مدل 𝐃𝐞𝐞𝐩𝐒𝐞𝐞𝐤–𝐑𝟏 می گذره، ریزش امروز سهام شرکت 𝐍𝐯𝐢𝐝𝐢𝐚 باعث شد در وب فارسی هم این استارتاپ چینی مورد توجه قرار بگیره.

ماجرا از این قراره که یک استارتاپ چینی به اسم 𝐃𝐞𝐞𝐩𝐒𝐞𝐞𝐤 مدلی رو انتشار داده که تونسته با مدل 𝐎𝐩𝐞𝐧𝐀𝐈 𝐨𝟏 رقابت کنه.(𝟏) خوب این چه اهمیتی داره؟
– این مدل برای اولین بار به صورت اوپن سورس در اختیار همه قرار گرفته.(𝟐) همینطور مقاله مفصلی هم داره که جزئیات مدل و نحوه ترین کردن رو توضیح داده.(𝟑)

–شاید مهمترین نکته در مورد این مدل هزینه آموزش کم این مدل باشه. در واقع هزینه آموزش مدل 𝐑𝟏 به لطف خلاقیتی که در طراحی مدل داشته، فقط 𝟑 درصد هزینه آموزش مدل شرکت 𝐎𝐩𝐞𝐧𝐀𝐈 بوده یعنی حدود 𝟔 میلیون دلار و همین نکته باعث میشه هزینه 𝐀𝐏𝐈 اون در مقایسه با شرکت رقیب به مراتب کمتر باشه.

–ادعا شده ریزش سهام 𝐍𝐯𝐢𝐝𝐢𝐚 ناشی از انتشار همین مدل بوده. آمریکا صادرات 𝐆𝐏𝐔 𝐇𝟏𝟎𝟎 شرکت 𝐍𝐯𝐢𝐝𝐢𝐚 به چین رو تحریم کرده و چگونگی آموزش این مدل بدون دسترسی به تعداد زیادی 𝐆𝐏𝐔 از نوع 𝐇𝟏𝟎𝟎 سوالات زیادی ایجاد کرده و باعث تردید در سودآوری و آینده شرکت 𝐍𝐯𝐢𝐝𝐢𝐚 شده. این مسئله باعث شد بزرگ ترین ریزش قیمت سهام در تاریخ بازار سهام آمریکا امروز رقم بخوره و سهام شرکت 𝐍𝐯𝐢𝐝𝐢𝐚 ریزش بیش از 450 میلیارد دلاری رو تجربه کنه (𝟒) . این ریزش حدود 3 برابر ارزش دلاری بورس تهران بود :)

–نکته جالب در مورد شرکت 𝐃𝐞𝐞𝐩𝐒𝐞𝐞𝐤 اینه که این شرکت توسط لیانگ ونفنگ - مهندس الکترونیک، کوانت منیجر و همبنیانگذار هج فاند 𝐇𝐢𝐠𝐡–𝐅𝐥𝐲𝐞𝐫- ایجاد شده. همه جا پای یک مالی در میان است! :)

از اینجا می تونید از این مدل به صورت رایگان تست کنید:
https://www.deepseek.com/

منبع: لینکدین

#deepseek #ai

@elmedade | علم داده و هوش مصنوعی

Step by step DeepSeek-R1 (distilled Llama) fine-tuning
منبع: لینکدین

#ai #deepseek

اهمیت توجه به مسئله پیچیدگی الگوریتم‌های یادگیری ماشین | بخش اول
اهمیت دانش الگوریتم و ساختمان داده نه تنها با گسترش و توسعه ابعاد هوش مصنوعی کم نشده، بلکه روز به روز اهمیت این موضوع بیشتر میشه.
پیچیدگی مسئله یکی از مهم‌ترین عوامل حل مسائل بشمار میاد و توجه به پیچیدگی الگوریتم‌ها حتی گاهی از توجه به خود مسئله هم مهم‌تر میشه.
پیچیدگی حل مسائل رو میشه به زبون ساده بصورت کارایی راه‌حل تعریف کرد. پیچیدگی مسئله کارآمد بودن ابعاد مختلف یه راه حل رو بررسی می‌کنه. تمام راه‌حل ها در دنیای فناوری اطلاعات باید از لحاظ زمان و حافظه بررسی و تایید بشن.
پیچیدگی در حالت کلی به همین دو موضوع زمان مورد نیاز برای حل مسئله (time complexity) و همینطور حافظه مورد نیاز برای ذخیره داده‌ها (space complexity) خلاصه میشه.
بسیاری از مسائل وجود دارند که هنوز راه حل معقول با پیچیدگی قابل قبولی براشون ارائه نشده. و تعدادی از مسائل دیگه‌ای هم وجود دارن که ثابت شده که نمیشه براشون راه‌حل کارایی براشون پیدا کرد و الگوریتم مناسبی براشون معرفی کرد.
در ادامه پیچیدگی الگوریتم‌های یادگیری ماشین رو بررسی می‌کنیم. حوزه هوش مصنوعی هم مثل خیلی از حوزه‌های داده و فناوری اطلاعات همیشه با دو محدودیت حافظه و زمان روبرو بوده و خواهد بود. مسئله پیچیدگی اهمیت فراوانی در تحلیل داده‌ها داره. مسیر توسعه هوش مصنوعی با اینکه تلاش‌های زیادی برای رفع محدودیت ها چه از لحاظ نرم‌افزاری و چه از از لحاظ سخت‌افزاری شده، هنوز هم پیچیدگی بسیاری از مسائل رفع نشده.
به طور کلی، پیچیدگی در الگوریتم‌های یادگیری ماشین رو می‌توان به جنبه‌های مختلفی تقسیم کرد:
1. پیچیدگی محاسباتی (Computational Complexity):

• پیچیدگی زمانی (Time Complexity): زمان مورد نیاز برای اجرای الگوریتم، معمولاً بر حسب اندازه ورودی (مانند تعداد داده‌ها، تعداد ویژگی‌ها) اشاره داره. پیچیدگی زمانی معمولاً با نماد O بزرگ (Big O) بیان میشه که نشون‌دهنده رشد زمان اجرا با افزایش اندازه ورودیه.
* زمان آموزش (Training Time): مدت زمانی که طول می‌کشه تا الگوریتم از داده‌های آموزشی یاد بگیره و مدل رو بسازه.
* زمان پیش‌بینی (Prediction Time): مدت زمانی که طول می‌کشه تا مدل آموزش‌دیده برای داده‌های جدید پیش‌بینی انجام بده.

• پیچیدگی فضایی (Space Complexity): میزان حافظه مورد نیاز برای اجرای الگوریتم، شامل حافظه مورد نیاز برای ذخیره‌سازی داده‌ها، مدل و متغیرهای میانی.

2. پیچیدگی نمونه (Sample Complexity):
• میزان داده‌های آموزشی مورد نیاز برای یادگیری یک مدل با عملکرد خوب و قابل اعتماد اشاره دارد. الگوریتم‌هایی که پیچیدگی نمونه بالایی دارن به داده‌های آموزشی بیشتری نیاز دارن تا بتونن به طور موثر یاد بگیرن و تعمیم‌پذیری خوبی داشته باشن.

3. پیچیدگی مدل (Model Complexity):
• به ساختار و تعداد پارامترهای یک مدل یادگیری ماشین اشاره داره. مدل‌های پیچیده‌تر معمولاً انعطاف‌پذیری بیشتری دارن و می‌توانن الگوهای پیچیده‌تری را در داده‌ها یاد بگیرن، اما ممکنه مستعد بیش‌برازش (overfitting) باشن و به منابع محاسباتی بیشتری نیاز داشته باشن.
* تعداد پارامترها: مدل‌های با پارامترهای بیشتر معمولاً پیچیده‌تر در نظر گرفته می‌شن.
* ساختار مدل: ساختار الگوریتم (مثل عمق درخت تصمیم، معماری شبکه عصبی) نیز بر پیچیدگی مدل تاثیر می‌زاره.

#یادگیری_ماشین #پیچیدگی #complexity #الگوریتم

@elmedade | علمـ داده

متخصصین حوزه هوش مصنوعی در چه سمت‌های شغلی میتونن مشغول به کار بشن و چقدر میتونن درآمد داشته باشن؟ | بخش اول
• مهندس یادگیری ماشین (Machine Learning Engineer):  این شغل یکی از پرطرفدارترین و پردرآمدترین مشاغل در حوزه هوش مصنوعیه. مهندسان یادگیری ماشین مسئول طراحی، توسعه و پیاده‌سازی مدل‌های یادگیری ماشینن. با داده‌ها کار می‌کنند، الگوریتم‌ها را آموزش می‌دن و مدل‌ها رو برای حل مشکلات مختلف به کار می‌برن.
    * درآمد:
        * ایران (تقریبی و بسیار متغیر):  بسته به تجربه، شرکت و شهر، از حدود 20 میلیون تومان تا 80 میلیون تومان در ماه یا بیشتر. در شرکت‌های بزرگ‌تر و دانش‌بنیان پیشرفته، ممکن است بالاتر هم بره.
        * خارج از ایران (تقریبی):  بسیار بالاتر است و بسته به کشور، شهر و شرکت، از 100 هزار دلار تا 300 هزار دلار یا بیشتر در سال متغیره. در شهرهای بزرگ فناوری مانند سیلیکون ولی، نیویورک، لندن و ... درآمدها معمولاً بالاترن.

• دانشمند داده (Data Scientist):  دانشمندان داده با تحلیل حجم زیادی از داده‌ها به دنبال الگوها و بینش‌های ارزشمندن. یعنی چی؟ درواق اونها از تکنیک‌های آماری، یادگیری ماشین و هوش مصنوعی برای حل مشکلات کسب‌وکار و ارائه راهکارها استفاده می‌کنن.
    * درآمد:
        * ایران (تقریبی):  تقریباً مشابه مهندس یادگیری ماشین، از 20 میلیون تومان تا 70 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 90 هزار دلار تا 250 هزار دلار یا بیشتر در سال.

• مهندس هوش مصنوعی (AI Engineer):  این عنوان شغلی گاهی به طور کلی برای متخصصان یادگیری ماشین و هوش مصنوعی به کار می‌ره. وظایفشون  شامل توسعه سیستم‌های هوشمند، رباتیک، پردازش زبان طبیعی (NLP) و بینایی ماشینه (Computer Vision).
    * درآمد:
        * ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 20 میلیون تومان تا 80 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 100 هزار دلار تا 300 هزار دلار یا بیشتر در سال.

• محقق هوش مصنوعی (AI Researcher):  محققای هوش مصنوعی در دانشگاه‌ها، مراکز تحقیقاتی و شرکت‌های بزرگ فناوری به تحقیق و توسعه الگوریتم‌ها و روش‌های جدید در هوش مصنوعی می‌پردازن. این شغل بیشتر جنبه آکادمیک و پژوهشی داره.
    * درآمد:
        * ایران (تقریبی):  در دانشگاه‌ها و مراکز تحقیقاتی دولتی، درآمد معمولاً بر اساس رتبه علمی و سابقه کار تعیین می‌شود و ممکن است از 15 میلیون تومان تا 50 میلیون تومان در ماه یا بیشتر باشد. در بخش خصوصی و شرکت‌های دانش‌بنیان، ممکن است بالاترم باشه.
        * خارج از ایران (تقریبی):  در دانشگاه‌ها و مراکز تحقیقاتی، بسته به رتبه و سابقه، از 80 هزار دلار تا 200 هزار دلار یا بیشتر در سال. در شرکت‌های بزرگ فناوری، ممکن است بالاتر هم باشه.

#هوش_مصنوعی #یادگیری_ماشین

@elmedade | علمـ داده

متخصصین حوزه هوش مصنوعی در چه سمت‌های شغلی میتونن مشغول به کار بشن و چقدر میتونن درآمد داشته باشن؟ | بخش دوم
• مهندس بینایی ماشین (Computer Vision Engineer):  متخصصان بینایی ماشین بر توسعه سیستم‌هایی تمرکز دارن که می‌تونن تصاویر و ویدیوها رو درک و تفسیر کنن. کاربردهاش در خودروهای خودران، تشخیص چهره، پزشکی و ... بسیار گسترده است.
    * درآمد:
        * ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 20 میلیون تومان تا 70 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 90 هزار دلار تا 250 هزار دلار یا بیشتر در سال.

• مهندس پردازش زبان طبیعی (NLP Engineer):  این متخصصان بر توسعه سیستم‌هایی تمرکز دارند که می‌توانند زبان انسان را درک و پردازش کنند. کاربردهای آن در چت‌بات‌ها، ترجمه ماشینی، تحلیل احساسات و ... رو به افزایشه.
    * درآمد:
        * ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 20 میلیون تومان تا 70 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  مشابه مهندس یادگیری ماشین، از 90 هزار دلار تا 250 هزار دلار یا بیشتر در سال.

مشاغل مدیریتی و مرتبط با کسب‌وکار:

• مدیر محصول هوش مصنوعی (AI Product Manager):  مدیران محصول هوش مصنوعی مسئولیت تعریف استراتژی محصول، برنامه‌ریزی و اجرای محصولات مبتنی بر هوش مصنوعی را بر عهده دارن. اونا باید درک خوبی از فناوری هوش مصنوعی و نیازهای بازار داشته باشن.
    * درآمد:
* ایران (تقریبی):  بسته به تجربه و شرکت، از 30 میلیون تومان تا 100 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  از 120 هزار دلار تا 350 هزار دلار یا بیشتر در سال.

• مشاور هوش مصنوعی (AI Consultant):  مشاوران هوش مصنوعی به شرکت‌ها کمک می‌کنن تا از هوش مصنوعی در کسب‌وکار خود استفاده کنن. اونا استراتژی‌های هوش مصنوعی را طراحی می‌کنن، پروژه‌ها را مدیریت می‌کنن و به شرکت‌ها در پیاده‌سازی راهکارهای هوش مصنوعی مشاوره می‌دن.
    * درآمد:
        * ایران (تقریبی):  بسته به تجربه و شرکت مشاوره‌ای، از 25 میلیون تومان تا 80 میلیون تومان در ماه یا بیشتر.
        * خارج از ایران (تقریبی):  بسته به تجربه و شرکت مشاوره‌ای، از 100 هزار دلار تا 300 هزار دلار یا بیشتر در سال