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

سوال در مورد یادگیری عمیق داشتید اینجا بپرسید:
https://t.iss.one/DeepLearningAIExperts

در مورد پردازش زبان طبیعی هم اینجا:
https://t.iss.one/NLPExperts

مستقیم سوالتون رو بپرسید و از سوالاتی مثل:
کسی یادگیری عمیق بلده؟
جواب: نه ده هزار نفر الکی دور هم جمع شدند. گروه آنلی فنز هستش!

کسی پردازش زبان میدونه؟
جواب: همون بالایی.

کسی می‌دونه فلان چیز رو؟ سوال داشتم آخه!
جواب: 😐

هاگینگ فیس برای موتور بازی سازی یونیتی api داده که از طریقش میتونید یک سری تسکهای پردازش زبان و تصویر رو انجام بدید.
مخصوصا برای وقتی که داخل بازی نیاز دارید به این چیزها.

https://huggingface.co/blog/unity-api

📢 دریافت داده از شبکه های اجتماعی را به ما بسپارید 📢

✅ توییتر :
🔰سرچ کوئری،
🔰توییت های یک حساب کاربری،
🔰کامنت های یک پست،
🔰افراد ریتوییت کننده پست،
🔰افراد لایک کننده پست

✅ اینستاگرام :
🔰سرچ کوئری،
🔰پست های یک حساب کاربری،
🔰کامنت های یک پست،
🔰افراد لایک کننده یک پست

📌 نمونه داده های دریافت شده را میتوانید در ریپوی زیر مشاهده بفرمایید.
🌐 : https://github.com/sajad-git/Twitter-Instagram-Crawler

📎جهت دریافت اطلاعات بیشتر و ثبت درخواست به اکانت زیر پیام دهید.
🆔 : @ticra_admin

مقاله خوبیه وقت کردید یه نگاه بکنید به آینده شبکه های عصبی کوانتومی:
https://arxiv.org/pdf/2206.03066.pdf

امروز با یک سرویس باحال آشنا شدم، گفتم به شما هم معرفیش کنم. فرضا یه ویدیو زبان اصلی دارید مثل این:
youtu.be/HwRAaywZXAQ‎

کافیه برید اینجا
neurodub.ai‎

لینکش رو بدید! تا اونو به زبان فارسی، ترجمه، دوبله و صدا گذاری بکنه!

#خبر #هوش_مصنوعی


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

چندتا سایت مفید

1. fliki.ai
Blog to video in 2 minutes with realistic voice.

2. hoppycopy.co
Write emails 10x faster for marketing, newsletter, etc.

3. magify.design
Text to Figma design files – with code.

اومدن گفتن با هوش مصنوعی (GPT4) میشه در واقع رفتار نورون‌ها رو به زبان طبیعی توضیح داد.
این یکی از بزرگترین کارهایی هست که تو هوش مصنوعی مخصوصا explainable AI انجام شده.
هرچی دستتونه بزارید زمین اینو بخونید:
https://openai.com/research/language-models-can-explain-neurons-in-language-models

شبیه سازی رفتار نورن ها هم بخشی از کارهایی بود که انجام دادند.

کم کم مدلها دارن به صورت اوپن سورس منتشر میشن مدل PaLM
https://github.com/conceptofmind/PaLM