با پتانسیلی که شبکههای عصبی ژرف در حل مسائلی مانند بینایی ماشین و پردازش و فهم زبان از خود نشان داده اند، زمان آن رسیده که برای جنبهها و مسائل چالشی تر هوش مانند منطق و استدلال (reasoning) نیز بر روی آنها حساب کنیم و مجددا به رویکردهایی مثل Symbolic AI ولی اینبار با ابزارهای مدرن مثل مدلهای زبانی ژرف فکر کنیم.
بعد از AlphaCode شرکت DeepMind اینبار پژوهشگران آزمایشگاه OpenAI موفق به ساخت یک هوش مصنوعی موسوم به statement curriculum learning شدند که قادر است مسائل المپیاد ریاضی سطح دبیرستان مثل مسائل مسابقات AMC12 و مسابقات AIME را حل کند. این مدل روی دیتاست miniF2F به دقت 41.2% دست پیدا کرده است.
لینک بلاگپست معرفی:
https://openai.com/blog/formal-math/
لینک مقاله:
https://cdn.openai.com/papers/Formal_Mathematics_Statement_Curriculum_Learning__ICML_2022.pdf
بعد از AlphaCode شرکت DeepMind اینبار پژوهشگران آزمایشگاه OpenAI موفق به ساخت یک هوش مصنوعی موسوم به statement curriculum learning شدند که قادر است مسائل المپیاد ریاضی سطح دبیرستان مثل مسائل مسابقات AMC12 و مسابقات AIME را حل کند. این مدل روی دیتاست miniF2F به دقت 41.2% دست پیدا کرده است.
لینک بلاگپست معرفی:
https://openai.com/blog/formal-math/
لینک مقاله:
https://cdn.openai.com/papers/Formal_Mathematics_Statement_Curriculum_Learning__ICML_2022.pdf
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
نوشتن یک برنامهی Sentiment Analysis به کمک دستیار برنامهنویسی Github Copilot
https://copilot.github.com/
https://copilot.github.com/
This media is not supported in your browser
VIEW IN TELEGRAM
OpenAI has released new versions of GPT-3 and Codex which can edit or insert content into existing text, rather than just completing existing text. These new capabilities make it practical to use the OpenAI API to revise existing content, such as rewriting a paragraph of text or refactoring code. This unlocks new use cases and improves existing ones; for example, insertion is already being piloted in GitHub Copilot with promising early results.
https://openai.com/blog/gpt-3-edit-insert/
https://openai.com/blog/gpt-3-edit-insert/
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Make facial filters like Instagram/Snapchat by Google Mediapile:
https://google.github.io/mediapipe/solutions/face_mesh.html
https://learnopencv.com/create-snapchat-instagram-filters-using-mediapipe/
https://google.github.io/mediapipe/solutions/face_mesh.html
https://learnopencv.com/create-snapchat-instagram-filters-using-mediapipe/
This media is not supported in your browser
VIEW IN TELEGRAM
جستجو با استفاده از تصویر + متن به کمک قابلیت multisearch در Google Lens:
https://blog-google.cdn.ampproject.org/c/s/blog.google/products/search/multisearch/amp/
https://blog-google.cdn.ampproject.org/c/s/blog.google/products/search/multisearch/amp/
پروفسور Peter Abeel استاد یادگیری تقویتی دانشگاه برکلی، به خاطر مجموعه تحقیقاتی که بخش اعظمی از علم روباتیک امروزی را تشکیل داده برنده جایزه ۲۰۲۱ ACM در حوزهی Computing شد.
https://awards.acm.org/about/2021-acm-prize?fbclid=IwAR2FEYn0nHdatfGBh7tqHmmcgfJr_-iwasv2vr86PfNZ2qROUk8Gru5cJOQ
https://awards.acm.org/about/2021-acm-prize?fbclid=IwAR2FEYn0nHdatfGBh7tqHmmcgfJr_-iwasv2vr86PfNZ2qROUk8Gru5cJOQ
Introducing Pathways: A next-generation AI architecture
Blog post:
https://blog.google/technology/ai/introducing-pathways-next-generation-ai-architecture/
Paper:
https://lnkd.in/esc_-xKt
Blog post:
https://blog.google/technology/ai/introducing-pathways-next-generation-ai-architecture/
Paper:
https://lnkd.in/esc_-xKt
👎1
استخدام Senior Data Scientist در شرکت اسنپ فود، برای اطلاعات بیشتر و ارسال رزومه به صفحه موقعیت شغلی در جابینجا مراجعه کنید.
https://jobinja.ir/companies/snappfood/jobs/RdGe/1
https://jobinja.ir/companies/snappfood/jobs/RdGe/1
جابینجا، شغلی رویایی خود را پیدا کنید
استخدام Senior Data Scientist در اسنپ فود | جابینجا
استخدام برای فرصت شغلی Senior Data Scientist در Snappfood,
Experience with stream processing tools like Apache Kafka, Apache Flink, and Apache ...
Experience with stream processing tools like Apache Kafka, Apache Flink, and Apache ...
خیلی از متخصصین هوش مصنوعی و یادگیری ماشین در پیادهسازی وب تجربه و مهارت کافی ندارند بنابراین در تبدیل مدلهای خود به محصول قابل ارائه (مثلا یک WebApp) با مشکلاتی مواجه میشوند. ازینرو ابزارهایی مانند Plotly Dash و Streamlit به وجود آمده اند که به شما کمک میکنند به سادگی و تنها با برنامهنویسی پایتون بتوانید یک WebApp کامل برای دموی مدل خود و تحلیل آن بسازید. این ابزارها حتی برای مقاصدی مثل هوشمندی در کسبوکار (BI) و تحلیل کسب و کار زمانی که ابزارهایی مانند Tableau و PowerBI کارامد نیستند و نیاز به برنامهنویسی پایتون دارید، کمک کننده اند.
در ویدئوی زیر ۱۲ وباپ دیتایی پرکاربرد به کمک Streamlit ساخته میشوند:
https://www.youtube.com/watch?v=JwSS70SZdyM
در ویدئوی زیر ۱۲ وباپ دیتایی پرکاربرد به کمک Streamlit ساخته میشوند:
https://www.youtube.com/watch?v=JwSS70SZdyM
YouTube
Build 12 Data Science Apps with Python and Streamlit - Full Course
Learn how to build interactive and data-driven web apps in Python using the Streamlit library.
✏️ Course developed by Chanin Nantasenamat (aka Data Professor). Check out his YouTube channel for more data science tutorials: http://youtube.com/dataprofessor…
✏️ Course developed by Chanin Nantasenamat (aka Data Professor). Check out his YouTube channel for more data science tutorials: http://youtube.com/dataprofessor…
آموزش رایگان برنامهنویسی پایتون برای هوش مصنوعی و علوم داده - دانشگاه صنعتی شریف:
- آموزش مقدمات برنامهنویسی و حل مساله با پایتون:
https://www.aparat.com/playlist/848831
- آموزش پکیج نامپای (NumPy) برای محاسبات برداری در پایتون:
https://www.aparat.com/v/m1gM5
- آشنایی با بصریسازی دادهها و انواع نمودارهای آماری:
https://www.aparat.com/v/eOJay
- آموزش رسم نمودار با پکیج matplotlib در پایتون:
https://www.aparat.com/v/nzfFQ
- آموزش کار با پکیج Pandas برای تحلیل جداول دادهای:
https://www.aparat.com/v/ypYs4
.
- آموزش مقدمات برنامهنویسی و حل مساله با پایتون:
https://www.aparat.com/playlist/848831
- آموزش پکیج نامپای (NumPy) برای محاسبات برداری در پایتون:
https://www.aparat.com/v/m1gM5
- آشنایی با بصریسازی دادهها و انواع نمودارهای آماری:
https://www.aparat.com/v/eOJay
- آموزش رسم نمودار با پکیج matplotlib در پایتون:
https://www.aparat.com/v/nzfFQ
- آموزش کار با پکیج Pandas برای تحلیل جداول دادهای:
https://www.aparat.com/v/ypYs4
.
آپارات - سرویس اشتراک ویدیو
مبانی برنامهسازی (Python) - دانشگاه صنعتی شریف - لیست پخش
جلسه اول درس مبانی برنامهسازی (پایتون) - نیمسال دوم ۹۹-۰۰ - دانشگاه صنعتی شریف,جلسه دوم درس مبانی برنامهسازی (پایتون) - نیمسال دوم ۹۹-۰۰ - دانشگاه صنعتی شریف,جلسه سوم درس مبانی برنامهسازی (پایتون) - نیمسال دوم ۹۹-۰۰ - دانشگاه صنعتی شریف,جلسه چهارم درس…
🙏1
یان گودفلو سرپرست یادگیری ماشین اپل، مبدع GAN و نویسنده کتاب مشهور Deep Learning به خاطر حضوری شدن Apple از دوم خرداد، استعفا داد 😁
https://appleinsider.com/articles/22/05/07/apples-director-of-machine-learning-exits-over-return-to-office-policy
https://appleinsider.com/articles/22/05/07/apples-director-of-machine-learning-exits-over-return-to-office-policy
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
Amazon releases 51-language dataset (including Persian) for language understanding
https://www-amazon-science.cdn.ampproject.org/c/s/www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding?_amp=true
یکی از تسکهای مهم و آیندهدار در پردازش زبان طبیعی، فهم چندزبانی (MMNLU) است که به کمک Transfer Learning و Multi-task learning به یک مدل یادگیری ماشین واحد اجازه میدهد representation مشترکی برای زبانهای مختلف (حتی با دیتای محدود به ازای بعضی از زبانها) یاد بگیرد. از چنین مدلی میتوان در ساخت چتباتها و دستیارهای صوتی چندزبانه استفاده کرد.
دو مسئله اصلی در ساخت سیستمهای NLU مسئلههای intent classification و slot filling است. مثلا وقتی سیستم با عبارت «برای تعطیلات آخر هفته یک اتاق در هتل هیلتون استانبول رزرو کن» روبهرو میشود، intent در اینجا «رزرو هتل» و slot ها عبارتند از:
{زمان: تعطیلات آخر هفته، مقصد: استانبول، محل اقامت: هتل هیلتون}
دیتاست جدید Amazon موسوم به MASSIVE حدود ۱۷۰۰۰ عبارت یکسان به ازای ۵۱ زبان مختلف از جمله فارسی به تفکیک intent و slotها دارد.
https://www-amazon-science.cdn.ampproject.org/c/s/www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding?_amp=true
یکی از تسکهای مهم و آیندهدار در پردازش زبان طبیعی، فهم چندزبانی (MMNLU) است که به کمک Transfer Learning و Multi-task learning به یک مدل یادگیری ماشین واحد اجازه میدهد representation مشترکی برای زبانهای مختلف (حتی با دیتای محدود به ازای بعضی از زبانها) یاد بگیرد. از چنین مدلی میتوان در ساخت چتباتها و دستیارهای صوتی چندزبانه استفاده کرد.
دو مسئله اصلی در ساخت سیستمهای NLU مسئلههای intent classification و slot filling است. مثلا وقتی سیستم با عبارت «برای تعطیلات آخر هفته یک اتاق در هتل هیلتون استانبول رزرو کن» روبهرو میشود، intent در اینجا «رزرو هتل» و slot ها عبارتند از:
{زمان: تعطیلات آخر هفته، مقصد: استانبول، محل اقامت: هتل هیلتون}
دیتاست جدید Amazon موسوم به MASSIVE حدود ۱۷۰۰۰ عبارت یکسان به ازای ۵۱ زبان مختلف از جمله فارسی به تفکیک intent و slotها دارد.
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
a-generalist-agent.webm
2.4 MB
A Generalist Agent
از مقالات دیپ مایند گوگل که به سمت #AGI رفته و با وزن های مشابه می تواند شرح تصاویر(image captioning) را انجام دهد، در یک گفتگوی تعاملی شرکت کند(chat bot) و بازوی ربات را در میان بسیاری از کارهای دیگر کنترل کند یا بازی کامپیوتری و آتاری بازی کند!!
https://www.deepmind.com/publications/a-generalist-agent
https://arxiv.org/pdf/2205.06175.pdf
@cvision
از مقالات دیپ مایند گوگل که به سمت #AGI رفته و با وزن های مشابه می تواند شرح تصاویر(image captioning) را انجام دهد، در یک گفتگوی تعاملی شرکت کند(chat bot) و بازوی ربات را در میان بسیاری از کارهای دیگر کنترل کند یا بازی کامپیوتری و آتاری بازی کند!!
https://www.deepmind.com/publications/a-generalist-agent
https://arxiv.org/pdf/2205.06175.pdf
@cvision
This media is not supported in your browser
VIEW IN TELEGRAM
فریمورک جدید Anaconda به اسم PyScript به شما اجازه میدهد که داخل فایل HTML با Python کد بزنید و حتی از لایبرری های JavaScript استفاده کنید.
این قابلیت به دیتاساینتیستها و متخصصین یادگیری ماشین اجازه میدهد که از مدل های یادگیری ماشین و پکیج هایی مثل NumPy و Pandas برای ساخت یک محصول مبتنی بر وب استفاده کنند و یا دشبرد های آماری و تحلیلی خود را به سادگی و با زبان Python بسازند:
https://anaconda.cloud/pynoscript-python-in-the-browser
مثالها:
https://github.com/pynoscript/pynoscript/tree/main/examples
این قابلیت به دیتاساینتیستها و متخصصین یادگیری ماشین اجازه میدهد که از مدل های یادگیری ماشین و پکیج هایی مثل NumPy و Pandas برای ساخت یک محصول مبتنی بر وب استفاده کنند و یا دشبرد های آماری و تحلیلی خود را به سادگی و با زبان Python بسازند:
https://anaconda.cloud/pynoscript-python-in-the-browser
مثالها:
https://github.com/pynoscript/pynoscript/tree/main/examples
👍1
What is Dask? | Data Science | NVIDIA Glossary
https://www.nvidia.com/en-us/glossary/data-science/dask/
https://www.nvidia.com/en-us/glossary/data-science/dask/
NVIDIA Data Science Glossary
What is Dask?
Designed to provide parallelism to the existing Python stack.
Deepmind AI Researchers Introduce ‘DeepNash’, An Autonomous Agent Trained With Model-Free Multiagent Reinforcement Learning That Learns To Play The Game Of Stratego At Expert Level
https://www.marktechpost.com/2022/07/09/deepmind-ai-researchers-introduce-deepnash-an-autonomous-agent-trained-with-model-free-multiagent-reinforcement-learning-that-learns-to-play-the-game-of-stratego-at-expert-level/
https://arxiv.org/pdf/2206.15378
https://www.marktechpost.com/2022/07/09/deepmind-ai-researchers-introduce-deepnash-an-autonomous-agent-trained-with-model-free-multiagent-reinforcement-learning-that-learns-to-play-the-game-of-stratego-at-expert-level/
https://arxiv.org/pdf/2206.15378
👍1