🀄 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

DNA can be used as a "living digital camera" to capture images! 96 pixels for now.

Instead of synthesizing a new DNA for each image, which is costly & complex, this work (called "BacCam") records the light signal directly via site-specific DNA editing.

https://www.nature.com/articles/s41467-023-38876-w

به نظر از این به بعد میتونیم از نتورک های کراس روی رانتایم های پایتورچ و جکس هم استفاده کنیم🤩

https://twitter.com/fchollet/status/1678777783848419330?t=2_KYo0eje7yRZGEjWQrWkw&s=35

کورس تابستانی دانشگاه Heinrich Heine یک دوره Representation Learning ارائه داده که جای این دوره خیلی خالی بود این کورس کلاسی خیلی مفیده علاقمندان این فیلد دنبال کنند.
- Visual self-supervised learning methods
- Natural language representation
- Contrastive learning
- Vision transformers & knowledge distillation
- Self-distillation
- Masked-based visual learning
- Multimodal representation learning
- Emerging topics in representation learning
- Scaling laws ...

🔸 Course

#منابع #الگوریتمها #پیشرفته

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

انجمن علمي علوم كامپیوتر دانشگاه علامه طباطبايي برگزار مي كند:

محاله دانشجو و شیفته ی هوش مصنوعی باشی و اسم ترنسفورمر ها و مکانیزم توجه را نشنیده باشی.
توی این کارگاه در مورد این مکانیزم صحبت می کنیم و مقاله پایه attention is all you need را مورد بررسی قرار میدیم تا یک نگاه کلی و مناسب نسبت به این موضوع به دست بیارید. برای شرکت در کارگاه کافیه از طریق فرم زیر درخواست ارسال لینک رو بدید.

https://forms.gle/8iu9g6T1p7giwX5R6

لينك ورود بعد از تکمیل فرم براتون ايميل ميشه.

⚫️اين يك كارگاه براي تمام افراد فارغ از رشته تحصيليشون هست.

⚫️كارگاه رايگان و حضور براي عموم آزاد است.

🔴به دلیل برگزاری در گوگل میت ظرفیت محدود می باشد.

جمعه ۳۰ تير از ساعت ۱۱ تا ۱۲ ميزبان شما خواهيم بود.

ارتباط با پشتیبانی انجمن: @atucs_support


@Ai_Events

Introducing the world's first ever AI that can have full on 10-40 minute long phone calls that sound like a REAL human, with infinite memory, perfect recall, and can autonomously take actions across 5,000 plus applications. It can do the entire job of a full time agent without having to be trained, managed or motivated. It just works 24/7/365.

با پیشرفت فناوری هوش مصنوعی، امکان پیاده‌سازی سیستم‌های هوش مصنوعی پیچیده‌تر به منظور مدیریت تعاملات با مشتریان فراهم شده است.

این سیستم‌های هوش مصنوعی
قابلیت برقراری مکالمات تلفنی بلند
تماس‌های تلفنی کامل ۱۰ تا ۴۰ دقیقه‌ای
که صدایی شبیه به یک انسان واقعی دارد و
با شباهت به رفتار انسانی، حافظه نامحدود، بازخوانی کامل و قادر به انجام عملیات به صورت خودکار در بیش از 5000 برنامه مختلف را دارند.

https://www.air.ai/

یه ریپو فوق العاده برای یادگیری سریع پایتورچ
از دست ندید...

https://github.com/Kaixhin/grokking-pytorch

اینم ی توضیح از
Transformer
همیشه گفتم اگر چیزی رو متوجه نمی‌شید، سعی کنید اون رو به تصویر‌ بکشید یا کد بزنید

Youtube Link

Google offers free courses with certificates, lot's of them about data!
https://learndigital.withgoogle.com/digitalunlocked/courses

وقتی که شبکه عصبی خودکفا میشه!

ریسرچرای گوگل یه مدل جدیدی رو ارائه دادن که این امکان رو میده که هایپرپارامتر ها رو از فرایند آموزش شبکه های عصبی حذف کنیم. ممکنه سوال پیش بیاد که چجوری؟ مگه میشه؟
بله، فعلا که شده

تو این روش اومدن و به جای استفاده از الگوریتم های بهینه سازی و گل سر سبد هر فرایند آموزشی یعنی backpropagation، یک شبکه عصبی از جنس بازگشتی قرار دادن (در اصل LSTM) تا بتونه وزن نتورک دوم که نقش تولید آپدیت های نتورک اصلی رو داره، بازی کنه. ممکنه با خودتون بگین خب پس چجوری همین دو تا نتورک - LSTM و اون نتورکی که نقش آپدیت وزن های نتورک اصلی رو داره - چجوری ترین میشن؟ باید بگم که از تکنیک evolution استفاده کردن. تعریف ساده اینه که تعداد زیادی LSTM با اختلاف رندوم وزن دهی میشن و بر اساس عملکرد هر کدوم، میانگین وزن دار گرفته میشه و در نهایت یه LSTM میانگین به دست میاد و همون انتخاب میشه :)

https://www.deeplearning.ai/the-batch/velo-the-system-that-eliminates-the-need-for-optimizer-hyperparameters/

https://arxiv.org/abs/2211.09760

ساده بگم جز زیبایی ندیدم...
https://deeprevision.github.io/posts/001-transformer/