این تبلیغ با هوش مصنوعی ایجاد شده.
تو حوزه مارکتینگ و فیلمسازی به نظر میرسه شاهد تحولاتی بشیم 🧐

سوال بسیاری از دوستان که این فیلم ها رو چطور میسازند در مقاله ای که اخیرا توسط تیم هوش مصنوعی Meta منتشر شده است توضیحات لازم و راهکارها شرح داده شده است. هرچند بیشتر مدلهای منتشر شده توسط مدل diffusion ، clip و... منتشر شده است که با سرچ بیشتر میتوان پیدا کرد و در کانال این ایده‌ها را معرفی کرده ام و میتواند مورد تحقیق قرار داد که هرکدام چه ایده ای را ارایه داده اند.

🔸 Make-A-Video: Text-to-Video Generation without Text-Video Data

🔸 Imagen Video: High Definition Video Generation with Diffusion Models

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

Lamini: The LLM engine for rapidly customizing models
Official repo for Lamini's data generator for generating instructions to train instruction-following LLMs.

All data and LLMs are under a CC-BY license that allows commercial use—all yours, you own it!

✅Your LLM outperforms general-purpose models on your specific use case
✅You own the model, weights and all, not us
✅Your data can build you an AI moat
✅Any developer can do it today in just a few lines of code
✅Commercial-use-friendly with a CC-BY license

🔸 https://lamini.ai/blog/introducing-lamini

🔸 https://github.com/lamini-ai/lamini/

🔸 https://huggingface.co/spaces/lamini/instruct-playground

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

➖➖➖➖➖➖➖➖➖➖➖
مدل خطی - رگرسیون خطی بخش یک | Linear Model - Linear Regression part1

تو این ویدیو به سادگی به مفاهیم باقیمانده‌ها - مجموع مربعات - محاسبه R2 - آماره فیشر - معنی‌دار بودن مدل پرداخته شده. مفاهیم کاملا در سطح بیسیک می‌باشد و قابل فهم برای تمامی رشته‌های تحصیلی در تمامی مقاطع می‌باشد.
➖➖➖➖YouTube➖➖➖➖
https://youtu.be/kh6gqxsC4FU
➖➖➖➖website➖➖➖➖
https://www.dataexperts.ir
➖➖➖➖➖➖➖➖➖➖➖
🔰 @Data_Experts
➖➖➖➖➖➖➖➖➖➖➖

Controlled Text Generation with Natural Language Instructions

-Extract constraints through NLP tools + simple heuristics
-Verbalize them into instructions for training data
-Fine-tune LLM to incorporate constraints

-More flexible, high quality, faster than modifying decoding

https://arxiv.org/abs/2304.14293

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

چطور مدل زبان LLMs سفارشی خودمون رو بسازیم؟
https://blog.replit.com/llm-training

#مقاله #ایده_جذاب #مبتدی

✅ @AI_DeepMind

مدل های زبان LLMs وارد دنیای موبایل ها شدند

https://mlc.ai/mlc-llm/

در لینک زیر هم به صورت اوپن سورس در اختیار همگان قرار گرفته است.
https://github.com/mlc-ai/mlc-llm

#خبر #هوش_هوصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

احتمالا تو Colab دیدید که وقتی میخواید Hardware Accelerator رو انتخاب کنید
گزینه های GPU, TPU هستن
از GPU استفاده کردن رو که به صورت عادی انتخاب میکنید
اما در مورد TPU میخوام چند تا نکته اشاره کنم:
1. برای اینکه بتونید از TPU به نحو احسنت استفاده کنید از TPUStrategy تنسورفلو میتونید بهره مند بشید.
2. کولب بعد از وصل شدن به کلاستر، 8 تا tpu core در اختیارتون میزاره
3. لینک پایین رو مطالعه کنید که چطوری میتونید حرکت هایی که گفتم رو بزنید و خیلی ساده است، صرفا 4 5 تا خط کد اضافه میکنید.
4. درمورد اینکه چقدر بهبود رخ میده: تو همین لینک مثلا بنچ مارکی که گرفته 90 دقیقه ترین رسیده به 10 دقیقه تقریبا.
5. ممکنه تو یه سری شرایط خاص سرعت برعکس کمتر شه، چون TPUStrategy میاد از همون مدل چندین نسخه کپی تو هر core قرار میده بعدش تو زمان هماهنگ سازی(sync) کردن یا reduce کردن، رو cpu یا یه core دیگه ای land میکنه مدل ها رو و خب یه اورهد محسوب میشه و ممکنه برای مدل های خیلی کوچیک این اورهد باعث شه سرعت ترین کاهش پیدا کنه

https://towardsdatascience.com/using-tpus-on-google-colab-966239d24573



#TPU
#Colab
#مبتدی

تا الان شاید براتون سوال بوده "یادگیری" برای الگوریتم که میگن به چه معنا هستش؟!

زمانی که فرد برای اولین بار با یادگیری ماشینی مواجه می شود، اغلب الگوریتم ها را پشت سر می گذارد، تکنیک به تکنیک و معادله به معادله را دنبال می کند. اما پس از آن است که می توان در مورد روندهای کلی دانشی که آنها به دست آورده اند فکر کرد. معنای «یادگیری» مفهومی بسیار انتزاعی است. هدف این مقاله ارائه دو تفسیر کلی از معنای یادگیری ماشین است. همانطور که خواهیم دید، این دو تفسیر، دو روی یک سکه هستند و همه جا در یادگیری ماشین با آنها برخورد می شود.
وضعیت یک الگوریتم با مقادیر مجموعه پارامترهای آن تعریف می‌شود. پارامترها، در این زمینه، مقادیر غیر استاتیکی هستند که نحوه رفتار یک الگوریتم را تعیین می‌کنند. به عنوان مثال، سعی کنید بازی بولینگ خود را بهینه کنید. چندین پارامتر در دسترس است: وزن توپ بولینگ، پیکربندی انگشتان شما در سوراخ کاسه یا توپ، سرعت شما هنگام آماده شدن برای کاسه، سرعت بازو، زاویه ای که در آن کاسه می زنی، چرخش در لحظه آزاد کردن، و غیره. هر بار که کاسه می‌زنید، وضعیت جدیدی را تعریف می‌کنید، زیرا شما - به عنوان یک الگوریتم بهینه‌سازی - در حال آزمایش پارامترهای جدید هستید (مگر اینکه دقیقاً مانند قبل کاسه می‌زنید، در این صورت به حالت قبلی برمی‌گردید، اما این یک اتفاق نادر است. هم در بولینگ و هم در یادگیری ماشینی).

هر یک از ضرایب در رگرسیون خطی و رگرسیون لجستیک یک پارامتر است. مدل‌های مبتنی بر درخت تعداد پارامترهای ثابتی ندارند، زیرا عمق آنها تطبیقی است. در عوض، آنها می توانند شرایط کمتر یا بیشتر را برای بهینه سازی معیارهای کسب اطلاعات ایجاد کنند، اما اینها همه پارامترها هستند.
https://towardsdatascience.com/what-does-it-really-mean-for-an-algorithm-to-learn-1f3e5e8d7884



#مقاله #هوش_هوصنوعی #مبتدی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

دلایل خروج دکتر جفری هینتون از گوگل

در مقاله جدیدی اومدند پاسخ های پزشکان به بیماران با هوش مصنوعی رو مقایسه کردند . که پاسخ های هوش مصنوعی هم از نظر کیفیت و هم از نظر همدردی به شکل قابل توجهی عملکرد بهتری نسبت به پزشکان داشته است

🔸 Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum

#مقاله #هوش_هوصنوعی #مبتدی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

ده ایده جذابی که در هفته گذشته منتشر شده است.

1) Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning - applies deep reinforcement learning to synthesize agile soccer skills for a miniature humanoid robot; the resulting policy allows dynamic movement skills such as fast recovery, walking, and kicking.

2) Scaling Transformer to 1M tokens and beyond with RMT - leverages a recurrent memory transformer architecture to increase BERT’s effective context length to two million tokens while maintaining high memory retrieval accuracy.

3) Track Anything: Segment Anything Meets Videos - an interactive tool for video object tracking and segmentation; it’s built on top segment anything and allows flexible tracking and segmenting via user clicks.

4) A Cookbook of Self-Supervised Learning - provides an overview of fundamental techniques and key concepts in SSL; it also introduces practical considerations for implementing SSL methods successfully.

5. Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond - a comprehensive and practical guide for practitioners working with LLMs; discusses many use cases with practical applications and limitations of LLMs in real-world scenarios.

6) AudioGPT: Understanding and Generating Speech, Music, Sound, and Talking Head - connects ChatGPT with audio foundational models to handle challenging audio tasks and a modality transformation interface to enable spoken dialogue.

7) DataComp: In search of the next generation of multimodal datasets - releases a new multimodal dataset benchmark containing 12.8B image-text pairs.

8) ChatGPT for Information Extraction - provides a deeper assessment of ChatGPT's performance on the important information extraction task.

9) Comparing Physician vs ChatGPT - investigates if chatbot assistants like ChatGPT can provide responses to patient questions while emphasizing quality and empathy; finds that chatbot responses were preferred over physician responses and rated significantly higher in terms of both quality and empathy.

10) Stable and low-precision training for large -scale vision-language models - introduces methods for accelerating and stabilizing training of large-scale language vision models.

#مقاله #هوش_هوصنوعی #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

work Specformer shows that a simple set-to-set Transformer based spectral filter achieves SOTA on various benchmarks, beating message-passing GNNs (e.g., graph transformers).

🔸 Specformer: Spectral Graph Neural Networks Meet Transformers

#مقاله #هوش_هوصنوعی #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

اگر قصد فراگیری یادگیری ماشین به صورت تیوری دارید و هنوز اول مسیر و سردرگم هستید که یادگیری ماشین رو از کدوم منبع شروع کنید این کورس دانشگاه استنفورد را پیشنهاد میدم

🔸 Stanford CS229: Machine Learning

مباحث پایه ای این مبحث :

▪️ Linear Regression and Gradient Descent
▪️ Logistic Regression
▪️ Naive Bayes
▪️ SVMs
▪️ Kernels
▪️ Decision Trees
▪️ Introduction to Neural Networks
▪️ Debugging ML Models
و ...

#فیلم #مبتدی #یادگیری_ماشین #آموزش_کلاسی #منابع #منابع_یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

اگر به طور خاص تر و با جزی تر میخایین پایه یادگیری ماشین را به زبان خودمونی یادبگیرید این کورس دکتر Cassie Kozyrkov مدیر بخش Decision Scientist گوگل را پیشنهاد میدم.

🔸 Making Friends with Machine Learning

مباحث مقدماتی این دوره :

▪️ Explainability in AI
▪️ Classification vs. Regression
▪️ Precession vs. Recall
▪️ Statistical Significance
▪️ Clustering and K-means
▪️ Ensemble models
و ...

#فیلم #مبتدی #یادگیری_ماشین #منابع #منابع_یادگیری_ماشین #آموزش_کلاسی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

مقاله جدیدی اومده
Transformers for graphs
علاقمندین بیشتر بدونین تاک و مقاله این مبحث رو مطالعه کنید.
🔸 Video

🔸 Attending to Graph Transformers

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

تا حالا برای افراد این اتفاق افتاده از گوش دادن و یاداشت برداری از فیلم های آموزشی به خاطر زبان انگلیسی ضعیفشان و درک درست مطالب بازموندند و از ادامه یادگیری منصرف شدند.

حال سوال اینکه که چطور یادگیری ماشین را از پایه شروع کنیم ؟ کتاب پیش روی شما این قابلیت خوب رو دره که به زبان ساده هرآنچه از یادگیری ماشین نیاز است برای شروع در اختیار شما قرار میدهد.

🔸 کتاب

#کتاب_مقدماتی #منابع #مبتدی #منابع_یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

با استفاده از هوش مصنوعی یک عکس یا فیلم بهش میدید و بعدش اینطوری نمایش میده

Kaiber.ai

#خبر #هوش_مصنوعی


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

مدل اوپن سورس جایگزین کوپایلت، کلی زبان برنامه نویسی هم بلده:
https://huggingface.co/blog/starcoder