🌐 وبسایت https://thispersondoesnotexist.com/ یک وبسایت جذاب است که تصاویر واقع‌گرایانه و با کیفیت بالا از چهره‌های انسان – از افرادی که واقعاً وجود ندارند – تولید می‌کند. هر بار که صفحه را رفرش می‌کنید، یک چهره جدید و منحصر به فرد ظاهر می‌شود که توسط هوش مصنوعی با استفاده از نوعی شبکه عصبی به نام Generative Adversarial Network (GAN) ایجاد شده است.

⚙️ این ابزار مبتنی بر GAN که توسط NVIDIA توسعه یافته است، از StyleGAN استفاده می‌کند، مدلی که روی مجموعه داده‌های گسترده‌ای از چهره‌های واقعی انسان آموزش دیده است تا تصاویر فوق‌العاده واقع‌گرایانه تولید کند. چهره‌ها کاملاً واقعی به نظر می‌رسند، با ویژگی‌های صورت طبیعی، بافت پوست و حالات چهره، و تشخیص آن‌ها از عکس‌های واقعی دشوار است.

✅ این وبسایت نشان می‌دهد که هوش مصنوعی تا چه حد در ایجاد تصاویر مصنوعی قابل‌باور پیشرفت کرده است و سوالات جالبی در مورد دیپ‌فیک‌ها، اخلاق هوش مصنوعی و استفاده بالقوه از این تصاویر تولید شده در رسانه‌ها و برنامه‌های دیجیتال مطرح می‌کند.

🔹 مقاله مدل StyleGAN
🔹 کد پیاده‌سازی شده با تنسورفلو

🚀@IDS_AI_ML
🚀@IDSchools

💡اگر به متقارن بودن گوش ها در دو تصویر مورد نظر توجه کنین، در تصویر سمت چپ، گوش چپ بزرگتر از گوش راست است و این یک نوع آرتیفکت در ساخت تصویر توسط هوش مصنوعی هست.

💠ویژگی‌های بارز تصاویر چهره تولید شده توسط هوش مصنوعی:
🟡بلورشدگی: مدل‌های هوش مصنوعی ممکن است در تولید جزئیات با کیفیت بالا، مخصوصاً در مو، چشم‌ها و بافت پوست، دچار مشکل شوند. این امر می‌تواند منجر به ظاهر کمی تار یا غیر واقعی شود.
🟡بافت‌های غیرطبیعی: تصاویر تولید شده توسط هوش مصنوعی ممکن است بافت‌های غیرطبیعی مانند پوست بیش از حد صاف یا الگوهای غیر واقعی در لباس یا پس‌زمینه داشته باشند.
🟡نورپردازی ناهمگون: مدل‌های هوش مصنوعی ممکن است همیشه نتوانند شرایط نورپردازی واقعی را به درستی شبیه‌سازی کنند، که منجر به ناهماهنگی در سایه‌ها، هایلایت‌ها و تعادل کلی نورپردازی می‌شود.
🟡ویژگی‌های تحریف‌شده: گاهی اوقات، چهره‌های تولید شده توسط هوش مصنوعی ممکن است دارای ویژگی‌های تحریف‌شده مانند چشم‌های نامتقارن، شکل غیرعادی بینی یا لبخند غیرطبیعی باشند.
🟡کمبود جزئیات ظریف: مدل‌های هوش مصنوعی ممکن است در ثبت جزئیات ظریف مانند کک و مک، چین و چروک یا موهای فردی مشکل داشته باشند، که منجر به ظاهری کلی کلیشه‌ای می‌شود.

✉️@IDS_AI_ML
✉️@IDSchools

🤔 تا به حال فکر کرده‌اید که چگونه عکس‌های قدیمی و تار می‌توانند به تصاویر شفاف و واضح تبدیل شوند؟ یا چگونه برنامه‌های تلویزیونی مورد علاقه‌تان می‌توانند روی صفحه نمایش 4K شما واضح‌تر از همیشه به نظر برسند؟

💬 سوپر رزولوشن چیست؟
این یک فناوری پیشرفته است که می‌تواند تصاویر یا ویدیوهای با وضوح پایین را به وضوح بالاتر ارتقا دهد، جزئیات پنهان را آشکار کند و کیفیت کلی تصویر را بهبود بخشد.

🟡 کاربردهای دنیای واقعی:

⏺ بازسازی تصویر: احیای عکس‌های قدیمی و آسیب‌دیده.
⏺ تصویربرداری پزشکی: افزایش وضوح اشعه ایکس، ام آر آی و سی تی اسکن برای تشخیص دقیق‌تر.
⏺ ارتقای ویدیو: لذت بردن از فیلم‌ها و سریال‌های تلویزیونی مورد علاقه‌تان با وضوح خیره کننده 4K یا 8K.
⏺ نظارت و امنیت: بهبود کیفیت تصاویر دوربین‌های مداربسته برای شناسایی و تحلیل بهتر.
⏺ نجوم: تقویت تصاویر کهکشان‌های دور و اجرام سماوی.

✈️@IDS_AI_ML
✈️@IDSchools

🔣این مقاله مروری جامع بر آخرین پیشرفت‌های تکنیک‌های سوپر رزولوشن مبتنی بر یادگیری عمیق ارائه می‌دهد. این مقاله جنبه‌های مختلف این حوزه از جمله معماری‌های مختلف شبکه، توابع هزینه و معیارهای ارزیابی را پوشش می‌دهد.

✉️@IDS_AI_ML
✉️@IDSchools

🌐 سایت https://podcast.ai/ یک پادکست کاملاً تولید شده توسط هوش مصنوعی است. این پادکست هر هفته به بررسی عمیق یک موضوع جدید می پردازد و شنوندگان می توانند موضوعات آینده، مهمانان احتمالی یا حتی صدای میزبان مورد نظر خود را پیشنهاد دهند. این یک تجربه منحصر به فرد است که فناوری هوش مصنوعی را با روایت جذاب ترکیب می کند.

✉️@IDS_AI_ML
✉️@IDSchools

🌐 وبسایت https://www.machinelearningisfun.com/ یک وبسایت فوق‌العاده است که مفاهیم پیچیده یادگیری ماشین را قابل فهم و لذت‌بخش می‌کند. این وبسایت طراحی شده است تا موانع فنی را از بین ببرد و شما را به دنیای هیجان‌انگیز هوش مصنوعی به روشی سرگرم‌کننده و تعاملی معرفی کند.

🔹 ویژگی ها:

🟡توضیحات واضح و مختصر: این وبسایت از زبان ساده و مثال‌های عملی برای توضیح حتی پیچیده‌ترین الگوریتم‌های یادگیری ماشین استفاده می‌کند.
🟡پروژه‌های عملی: شما می‌توانید پروژه‌های واقعی، از تشخیص تصویر تا پردازش زبان طبیعی، بسازید. این پروژه‌ها درک شما را تقویت کرده و اعتماد به نفس شما را افزایش می‌دهند.
🟡تصاویر جذاب: این وبسایت از نظر بصری جذاب است و دارای نمودارهای رنگی و عناصر تعاملی است که یادگیری را لذت‌بخش‌تر می‌کند.
🟡جامعه و پشتیبانی: می‌توانید با سایر یادگیرندگان ارتباط برقرار کنید، سوال بپرسید و در بحث‌ها شرکت کنید.

✉️@IDS_AI_ML
✉️@IDSchools

⬅️ مقاله Highly accurate protein structure prediction with AlphaFold سیستم پیشرفته هوش مصنوعی AlphaFold، توسعه‌یافته توسط دیپ‌مایند، را معرفی می‌کند که ساختار پروتئین‌ها را با دقت نزدیک به آزمایشگاهی بر اساس توالی اسیدهای آمینه پیش‌بینی می‌کند. آلفافولد از یک شبکه عصبی استفاده می‌کند که اصول تکاملی، فیزیکی و هندسی را برای پیش‌بینی ساختارها با دقت اتمی ادغام می‌کند. در رقابت CASP14، پیش‌بینی‌های آلفافولد به طور قابل‌توجهی از سایر روش‌های محاسباتی پیشی گرفتند و پتانسیل قابل‌توجهی برای پیشرفت زیست‌شناسی ساختاری با تسریع و دسترسی‌پذیرتر کردن تحلیل‌های ساختاری که قبلاً زمان‌بر بودند، ارائه می‌دهد.

✈️@IDS_AI_ML
✈️@IDSchools

📌 مقاله AlphaFold2 and its applications in the fields of biology and medicine اصول، نوآوری‌ها و کاربردهای AlphaFold2 در زیست‌شناسی و پزشکی را مورد بحث قرار می‌دهد. AlphaFold2 که در پیش‌بینی ساختارهای سه‌بعدی پروتئین به دقت بالایی دست‌یافته است، در حوزه‌هایی مانند کشف دارو، زیست‌شناسی ساختاری و طراحی پروتئین تأثیرگذار است. این بررسی معماری و رویکردهای یادگیری ماشینی AlphaFold2 را تشریح می‌کند و پتانسیل عمیق آن را برای تسریع تحقیقات در زیست‌شناسی ساختاری و امکان‌پذیر کردن کاربردهایی در توسعه دارو و درک برهم‌کنش‌های پروتئین-پروتئین برجسته می‌کند.

🚀@IDS_AI_ML
🚀@IDSchools

➡️How AI Could Save (Not Destroy) Education | Sal Khan | TED

🌐 Reference

✉️@IDS_AI_ML
✉️@IDSchools

➡️ Cornell University’s CS 5787: Applied Machine Learning, taught by Professor Volodymyr Kuleshov

🌐 Reference

🚀@IDS_AI_ML
🚀@IDSchools

🌐 وبسایت Towards Data Science یک پلتفرم آنلاین محبوب است که بر روی داده کاوی، یادگیری ماشین و هوش مصنوعی تمرکز دارد. این پلتفرم جایی است که دانشمندان داده، تحلیلگران و علاقه‌مندان می‌توانند دانش، بینش و تجربیات خود را با مخاطبان گسترده‌ای به اشتراک بگذارند.

🟡 ویژگی‌های کلیدی Towards Data Science:

◀️ محتوای متنوع: این پلتفرم طیف گسترده‌ای از موضوعات در حوزه داده کاوی را پوشش می‌دهد، از جمله:
🟡تمیز کردن و پیش‌پردازش داده‌ها
🟡مهندسی ویژگی‌ها
🟡ساخت و ارزیابی مدل‌ها
🟡پردازش زبان طبیعی
🟡بینایی ماشین
🟡بصری سازی داده‌ها
🟡داده‌های بزرگ و محاسبات ابری
◀️قابل دسترسی برای همه: مقالات به گونه‌ای نوشته شده‌اند که هم برای مبتدیان و هم برای حرفه‌ای‌ها قابل فهم است.
◀️کاربردهای عملی: بسیاری از مقالات بر روی کاربردهای دنیای واقعی داده کاوی تمرکز دارند و بینش‌های عملی و مثال‌های کد را ارائه می‌دهند.
◀️جامعه فعال: این پلتفرم بر اساس یک جامعه قوی از دانشمندان داده ساخته شده است که به طور فعال در ایجاد محتوا و تعامل با یکدیگر مشارکت می‌کنند.

➡️https://towardsdatascience.com/

✈️@IDS_AI_ML
✈️@IDSchools

👈 وبسایت StudentAI.app یک مجموعه از ابزارهای مبتنی بر هوش مصنوعی است که به طور خاص برای دانشجویان طراحی شده است و به آن‌ها در انجام کارهایی مانند تولید محتوا، ویرایش، خلاصه‌سازی و پشتیبانی از مطالعه کمک می‌کند. این پلتفرم با ادغام قابلیت‌های مختلفی مانند نوشتن مقاله، یادداشت‌برداری، تولید استناد و آمادگی برای امتحان، جریان‌های کاری تحصیلی را ساده می‌کند. StudentAI.app بر روی دسترسی آسان و سهولت استفاده تأکید دارد، با هدف کمک به دانشجویان برای صرفه‌جویی در وقت و افزایش بهره‌وری در تحصیل آن‌ها.

🚀@IDS_AI_ML
🚀@IDSchools

🌐 وبسایت Doctrina AI یک پلتفرم آموزشی است که از هوش مصنوعی برای پشتیبانی از دانش‌آموزان و معلمان با ابزارهایی مانند خلاصه‌سازی یادداشت‌های کلاس، ایجاد مقاله، تولید آزمون‌های شخصی‌سازی‌شده و آزمون‌های تعاملی استفاده می‌کند. دستیار هوش مصنوعی آن همچنین به سوالات دانشگاهی پاسخ می‌دهد و تجربیات یادگیری جذاب را تسهیل می‌کند. علاوه بر این، مؤسسات می‌توانند از طریق SDK خود Doctrina AI را در سیستم‌های خود ادغام کنند و اکوسیستم‌های آموزشی را ارتقا دهند. این پلتفرم با هدف ترکیب کارایی هوش مصنوعی با تمرکز بر مشارکت فعال دانش‌آموزان، قصد دارد آموزش را متحول کند.

🚀@IDS_AI_ML
🚀@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕

🟢دپارتمان علوم زیستی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار میکند:

✨سری وبینارهای رایگان «همگام با پیشتازان»✨

5️⃣1️⃣قسمت پانزدهم:

🔺با حضور: آقای پوریا آزادی
🔺دانش آموخته کارشناسی ارشد سیستم های الکترونیک دیجیتال دانشگاه علم‌ و صنعت

🔻حوزه فعالیت استاد: پیچیدگی، سیبرنتیک و زیست شناسی نظری

💡موضوع ارائه: self organization, active matter and agency: why life is really different from inanimate matter

🔜 پنجشنبه 1 آذر 1403، ساعت 18 به وقت ایران

🔹 در این سری وبینارهای رایگان که به همت مدارس میان‌رشته‌ای برگزار می‌شود، میزبان اساتید، پژوهشگران و دانشجویان برگزیده و نخبه در داخل و خارج کشور خواهیم بود و با مسیر موفقیت آکادمیک ایشان و نیز پژوهش‌های میان‌رشته‌ای آشنا خواهیم شد.

🟢مدارس میان رشته‌ای در نظر دارد در تمامی کانال‌های علمی خود شامل: هوش مصنوعی، نوروساینس، روانشناسی، علوم زیستی، پزشکی، فیزیک، ریاضیات و... این سری وبینارهای ارزشمند را به صورت ماهانه برگزار نماید.

👈 برای ثبت نام در این وبینار به کانال علوم زیستی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.


✉️| @IDS_Bio||کانال علوم زیستی|
✉️| @IDSchools||کانال اصلی|
✉️| @Bio_IDSchools|گروه تعاملی علوم زیستی|

👈مخزن گیت‌هاب Tutorial-Leveraging-LLM-and-Telegram-Bot-Integration-in-GeminiPro-for-Student-Mentorship یک آموزش برای ایجاد یک ربات تلگرام با ادغام یک مدل زبان بزرگ (LLM) با استفاده از پلتفرم GeminiPro گوگل ارائه می‌کند. این پروژه برای اهداف آموزشی طراحی شده است و به یک ربات اجازه می‌دهد تا به دانش‌آموزان در انجام وظایف یادگیری شخصی‌سازی‌شده کمک کند.

🟢خروجی‌های مهم:

1-کمک آموزشی:
🟡ایجاد سوالات چندگزینه‌ای (MCQs).
🟡ارائه خلاصه و توضیح برای مطالب آپلود شده مانند کتاب‌های درسی یا اسلایدها.
2-یادگیری شخصی‌سازی‌شده:
🟡پردازش مطالب سفارشی برای ارائه مشاوره متمرکز.
🟡پاسخ به پرسش‌ها با راهنمایی سفارشی‌شده بر اساس آموزش‌های خاص.
3-رفتار قابل تنظیم ربات:
🟡کاربران می‌توانند قوانینی را برای نحوه تعامل ربات با درخواست‌ها تعریف کنند.
🟡قابلیت‌ها و حوزه‌های تمرکز ربات از طریق آموزش قابل تطبیق است.
4-قابلیت ادغام یکپارچه:
🟡ترکیب عملکرد ربات تلگرام با قابلیت‌های پیشرفته LLM‌ها.
🟡استفاده از API‌ها برای تعامل کارآمد و مقیاس‌پذیر.

✈️@IDS_AI_ML
✈️@IDSchools

❓ Why can't AI 'think' like us? | Graham Morehead | TEDxSpokane

✉️@IDS_AI_ML
✉️@IDSchools

📝مقاله "Attention Is All You Need "در سال 2017 منتشر شد و تحولی عظیم در حوزه پردازش زبان طبیعی (NLP) ایجاد کرد. این مقاله یک معماری شبکه عصبی جدید به نام ترانسفورمر (Transformer) معرفی کرد که به طور قابل توجهی رویکرد ما به مسائل NLP را تغییر داده است.

🔣 مهمترین دستاوردها:

🔺مکانیزم خودتوجهی (Self-Attention): نوآوری اصلی ترانسفورمر، مکانیزم خودتوجهی است. برخلاف مدل‌های توالی به توالی سنتی که به شبکه‌های عصبی بازگشتی (RNN) یا شبکه‌های عصبی کانولوشنال (CNN) متکی هستند، ترانسفورمر از خودتوجهی برای وزن‌دهی اهمیت بخش‌های مختلف توالی ورودی هنگام پردازش هر موقعیت استفاده می‌کند. این امر به مدل اجازه می‌دهد تا وابستگی‌های بلندمدت را به طور موثرتر درک کند.

🔺معماری ترانسفورمر: معماری ترانسفورمر از یک رمزگذار (Encoder) و یک رمزگشا (Decoder) تشکیل شده است که هر دو از چندین لایه خودتوجهی و شبکه‌های عصبی پیش‌خور تشکیل شده‌اند. این معماری به مدل اجازه می‌دهد تا توالی‌ها را به صورت موازی پردازش کند و در نتیجه آموزش آن بسیار سریع‌تر از مدل‌های مبتنی بر RNN است.

🔺کدگذاری موقعیتی (Positional Encoding): از آنجایی که ترانسفورمر ذاتاً ترتیب توکن‌های ورودی را در نظر نمی‌گیرد، کدگذاری موقعیتی به تعبیه‌های ورودی اضافه می‌شود تا اطلاعاتی در مورد موقعیت نسبی یا مطلق هر توکن در توالی ارائه دهد.

🔸 تاثیر:

🟡معماری ترانسفورمر تحولی در حوزه NLP ایجاد کرده است و به نتایج پیشرفته‌ای در طیف گسترده‌ای از وظایف از جمله ترجمه ماشینی، خلاصه‌سازی متن، پرسش و پاسخ و تولید متن منجر شده است. همچنین الهام‌بخش توسعه مدل‌های بزرگ زبانی مانند GPT-3 و BERT بوده است که مرزهای توانایی‌های هوش مصنوعی را بیشتر جابجا کرده‌اند.

🟡توانایی ترانسفورمر در درک وابستگی‌های بلندمدت و قابلیت پردازش موازی آن، آن را به ابزاری قدرتمند برای بسیاری از کاربردهای NLP تبدیل کرده است. همچنین در حوزه‌های دیگری مانند بینایی رایانه‌ای و تشخیص گفتار نیز کاربرد داشته است و نشان دهنده تطبیق‌پذیری و پتانسیل آن است.

🩵@IDS_AI_ML
🩵@IDSchools

📌مقاله You Only Look Once: Unified, Real-Time Object Detection رویکردی نوآورانه به تشخیص شیء را معرفی کرد که به نام YOLO (You Only Look Once) شناخته می‌شود. این روش انقلابی حوزه بینایی رایانه‌ای را با بهبود چشمگیر سرعت و دقت وظایف تشخیص شیء متحول کرد.

💡مهمترین دستاوردها:

✅ معماری یکپارچه: برخلاف روش‌های سنتی تشخیص شیء که از یک پایپلاین چند مرحله‌ای استفاده می‌کنند، YOLO تشخیص شیء را به عنوان یک مسئله رگرسیون واحد در نظر می‌گیرد. این معماری یکپارچه بهینه سازی انتها به انتها را امکان‌پذیر می‌کند که منجر به نتایج سریع‌تر و دقیق‌تر می‌شود.

✅ پردازش بلادرنگ: طراحی کارآمد YOLO پردازش تصاویر و ویدیوها را در زمان واقعی امکان‌پذیر می‌کند و آن را برای کاربردهایی مانند خودروهای خودران، سیستم‌های نظارتی و رباتیک مناسب می‌کند.

✅ دقت بالا: با وجود سرعت بالا، YOLO دقت بالایی را نیز کسب می‌کند و از بسیاری از سیستم‌های تشخیص شیء پیشرفته پیشی می‌گیرد.

⚡️ تاثیر:
الگوریتم YOLO تأثیر عمیقی بر حوزه بینایی رایانه‌ای داشته است. این الگوریتم به طور گسترده مورد استفاده قرار گرفته و توسعه یافته است و منجر به سری‌های مختلف YOLO (YOLOv2، YOLOv3 و غیره) شده است که همچنان مرزهای عملکرد تشخیص شیء را جابجا می‌کنند. تأثیر YOLO را می‌توان در کاربردهای مختلفی از خودروهای خودران تا تحلیل تصاویر پزشکی مشاهده کرد.

📱@IDS_AI_ML
📱@IDSchools