یک مقاله جالب

اگه کمی با ساختار مغز آشنا باشید، میدونید که در مغز انسان نورونهای مختلفی وجود داره.

اما اکثر شبکه های عصبی ما ساختار یکسانی برای نورون درنظر میگیرن که یک تابع فعالساز مثل سیگموید، رلو یا موارد دیگه داره. حالا در مقاله ای اومدن شبکه Neural Diversity رو معرفی کردن که میتونه با وزنهای رندوم مسائل RL رو حل کنه.

به ویدئوی بالا نگاه کنید؛ سمت چپی، یک شبکه عصبی استاندارد و سمت راستی شبکه پیشنهاد شده در این مقاله هست. به توابع فعالساز دو شبکه نگاه کنید؛ ببینید تفاوت قالب توجهی باهم دارند. درعین حال، به نقطه چینهای قرمز و سبز هم دقت کنید. قرمزها قابل آموزش و سبزها ثابت هستن. میبنید که دو شبکه برعکس همدیگه هستن.

در شبکه استاندارد، نورونها ثابت و اتصالات بین نورونها قابل یادگیری هست. اما در شبکه پیشنهادی، نورونها قابلیت یادگیری دارن و اتصالات ثابت و صرفا اعدادی رندوم هستن. هر نورون در این شبکه ساختاری مشابه با RNN داره و به قول مولفهای مقاله، یک TinyRNN هست. این نورونها یکسری وزن دارن که قابلیت یادگیری دارن. به اکتیویشنها در ویدئو دقت کنید. اکتیویشنهای متنوعی میبینید.

مقاله | رفرنس

@pytorch_howsam

Transformers as Statisticians

Unveiling a new mechanism "In-Context Algorithm Selection" for In-Context Learning (ICL) in LLMs/transformers.

arxiv.org/abs/2306.04637

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

اگر دنبال دوره خوب برای یادگیری عمیق هستید که با مثال و عملی و تیوری بهتون یاد بده، این صفحه رو حتما ببینید:
https://dataflowr.github.io/website/modules/

📌 ویدیوی کارگاه هفتم -طراحی Machine Learning Pipelines

👥 عنوان کارگاه:
Productionizing Machine Learning Models: Designing ML Pipelines

📱 Instagram | Twitter | LinkedIn

🆔 @Datadays_Sharif

یه منبع خوب و (نسبتا) جمع و جور برای هر چیزی که در رابطه با ماتریس بهش نیاز دارید و خواهد داشت

Matrix Cookbook:
https://www.math.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf

در مطالب آموزشی درس یادگیری ماشین، کمتر به بحث بهینه سازی (Optimization) پرداخته میشه. درحالیکه در یادگیری ماشین حضور پررنگی داره. اصلا قلب تپنده خیلی از الگوریتمهای یادگیری ماشین هست.

اگه یادگیری ماشین رو در سطح خوبی یاد گرفتید، مطالعه Convex Optimization براتون مفیده و میتونه دید شما رو در یادگیری ماشین ارتقا بده.

اینجا یک اسلاید قدیمی و تروتمیز از دانشگاه برکلی براتون گذاشتیم که نگاهی بهش بندازید. قطعا کافی نیست، ولی برای دیدن رئوس مطالب و آشنایی با کلیدواژه ها خوب هست.

https://people.eecs.berkeley.edu/~jordan/courses/294-fall09/lectures/optimization/slides.pdf

@pytorch_howsam

✨✨✨ انجمن علمی دانشکده مهندسی برگزار می کند. ✨✨

✔️ مقدمه ای بر پردازش زبان طبیعی، روش طبقه بندی متون و تعبیه کلمات

📌 با حضور دکتر محمد حاجی آبادی (استاد دانشگاه واترلو کانادا)

مدرس:فرهان فرسی (محقق هوش مصنوعی دانشگاه صنعتی امیر کبیر)

🗓 زمان : سه شنبه ٣٠ خرداد ساعت ١٢ الی ١٣

🏢 مکان:  سالن همایش های مجازی پردیس مهندسی

⚠️  حضور برای عموم افراد مجاز است.

___
@SSOCS

مسیر تحصیل رایگان و خودخوان computer science دانشگاه MIT

Path to a free self-taught education in Computer Science!

لینک توییت

حتما یک سر به این ریپو بزنید توش موارد جالبی هست. مثل این بحث یادگیری ابزار دانشگاه MIT که قبلا هم اشاره شد.

The Missing Semester of Your CS Education

@deeptimeai

بهترین مقالات برگزیده در کنفرانس CVPR 2023
1) Visual Programming for Compositional Visual Reasoning
https://prior.allenai.org/projects/visprog

2) Planning-oriented Autonomous Driving
https://opendrivelab.github.io/UniAD/

3) DynIBaR Neural Dynamic Image-Based Rendering
https://dynibar.github.io/

4) 3D Registration with Maximal Cliques
https://arxiv.org/abs/2305.10854

5) DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation
https://dreambooth.github.io/

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

قبلتر یک سری منابع اینجا معرفی کردم جال در ادامه یک منبعی کاربردی و عملی که چگونه #الگوریتمها را بهینه سازی کنیم
Optimization: Principles and Algorithms by Michel Bierlaire

https://optimizationprinciplesalgorithms.com/

#منابع #متوسط #پیشرفته #ریاضی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

🌑 آقای هوش مصنوعی🌑
🎥رسانه هوش مصنوعی دانشگاه تهران

@MrArtificialintelligence

🀄 Drag-GAN: user-friendly image-manipulation 🀄

👉 Manual deforming of (real and generated) images over pose, shape, expression and layout.

😎Review https://bit.ly/3BFyXlR
😎Paper arxiv.org/pdf/2305.10973.pdf
😎Project vcai.mpi-inf.mpg.de/projects/DragGAN
😎Code github.com/XingangPan/DragGAN

🔥🔥 Source Code IS OUT! 🔥🔥

😎 More: https://t.ly/ZddLl

بدون کپشن :) از دست ندین

https://www.youtube.com/watch?v=sFztPP9qPRc

♨️هوش‌مصنوعی جدید گوگل می‌تواند گفتار فارسی را با صدای خودتان به انگلیسی تبدیل کند👌

مدل هوش مصنوعی AudioPaLM گوگل از زبان‌های مختلفی پشتیبانی می‌کند که یکی از آن‌ها، فارسی است. در ویدیوی زیر تبدیل گفتار فارسی به انگلیسی با حفظ صدای گوینده را می‌بینید.

@Razcom

اگه شما هم مثل من، هنوز مشتق های ماتریسی براتون گنگه و دیدی نسبت بهش ندارین، توصیه میکنم حتما به این داک یه نگاه بندازید!
https://souryadey.github.io/teaching/material/Matrix_Calculus.pdf

🔮 SAM-PT: Segment Anything + Tracking 🔮

👉SAM-PT is the first method to utilize sparse point propagation for Video Object Segmentation (VOS).

😎Review https://t.ly/QLMG
😎Paper arxiv.org/pdf/2307.01197.pdf
😎Project www.vis.xyz/pub/sam-pt/
😎Code github.com/SysCV/sam-pt

دوستانی که تمایل دارند برای ترم تابستان به عنوان واحد کاراموزی، در زمینه هوش مصنوعی کاراموزی بروند؛ لطفا تا انتهای این هفته رزومه و علایق کاری مرتبط خود را به این آدرس ایمیل کنند

[email protected]

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
https://shenasa.ai
https://shenasa-ai.ir
@shenasa_ai