Forwarded from FaraDars_Course
✳️ مجموعه آموزش‌های «شبکه عصبی مصنوعی» در فرادرس
💢آموزش کاربردی شبکه‌های عصبی مصنوعی:
🔗 fdrs/start-course1
💢آموزش سیستمهای فازی در متلب:
🔗 fdrs/start-course2
💢آموزش شبکه‌های عصبی مصنوعی در متلب:
🔗 fdrs/start-course3
💢آموزش طراحی سیستم فازی عصبی (ANFIS) با الگوریتم فرا ابتکاری و تکاملی:
🔗 fdrs/start-course4
💢آموزش شبکه عصبی GMDH - پیاده‌سازی در متلب:
🔗 fdrs/start-course5
📚 لیست کامل آموزش‌های شبکه عصبی مصنوعی:
🔗 fdrs.ir/u87f
@FaraDars - فرادرس
💢آموزش کاربردی شبکه‌های عصبی مصنوعی:
🔗 fdrs/start-course1
💢آموزش سیستمهای فازی در متلب:
🔗 fdrs/start-course2
💢آموزش شبکه‌های عصبی مصنوعی در متلب:
🔗 fdrs/start-course3
💢آموزش طراحی سیستم فازی عصبی (ANFIS) با الگوریتم فرا ابتکاری و تکاملی:
🔗 fdrs/start-course4
💢آموزش شبکه عصبی GMDH - پیاده‌سازی در متلب:
🔗 fdrs/start-course5
📚 لیست کامل آموزش‌های شبکه عصبی مصنوعی:
🔗 fdrs.ir/u87f
@FaraDars - فرادرس
Forwarded from MatlabTips (Rohola Zandie)
🔵تخیل ماشینی!🔵
We should give up on the idea of magic because the science itself is the most magical phenomena in the world!
یکی از قابلیت های منحصر بفرد انسان قدرت تخیل است! مثلا من می توانم بگویم در ذهنت این را تصور کن:
«یک مانکن زن که یک کت چرمی سیاه و یک دامن کوتاه چین دار طلایی به تن دارد»
« یک ساعت سبز پنج گوشه»
ما تصویری ذهنی از چنین چیزهایی میسازیم حتی اگر کسی تا به حال چنین چیزی به ذهنش نرسیده باشد! اما این کار دیگر محدود به بشر نیست!
امروز (۵ ژانویه ۲۰۲۱) کمپانی OpenAI نوع جدیدی از پژوهش مولتی مودال (Multimodal) به نام DALL.E را منتشر کرد که با گرفتن ورودی متنی تصویر متناظرش را میسازد (یا تخیل می کند!!). با اینکه این ایده جدید نیست اما کیفیت و دقت خروجی های OpenAI واقعا خیره کننده است. معماری این روش همانطور که ممکن است حدس زده باشید GPT3 و بر اساس ترنسفورمر ها است.
این سیستم ورودی های متن و تصویر را یکجا در یک استریم داده که متشکل از ۱۲۸۰ توکن است میگیرد و با استفاده از maximum likelihood به دنبال یافتن توکن بعدی است.
اما این مدل فراتر هم می رود و می تواند چیزهایی را تصور کند که بسیار به هم بی ربط هستند و قبلا به نظر می رسید که تنها ذهن انسان قادر به انجام آن باشد. مثلا: یک پنگوئن که از بادمجان درست شده است! و مدل قادر به بازنمایی آن است.
علاوه بر این ها مدل قادر به بازنمایی جملاتی است که نیاز به دانش دارند: مثلا غذای چینی یا پل گلدن بریج. جملاتی که نیاز به درک زمان دارند: یک تلفن در دهه بیست میلادی. و جملاتی که نیاز به استدلال تصویری دارند: کشیدن همان تصویر در یک زاویه دیگر یا تصور کردنش با رنگ و نوشته دیگر.
پست اصلی
We should give up on the idea of magic because the science itself is the most magical phenomena in the world!
یکی از قابلیت های منحصر بفرد انسان قدرت تخیل است! مثلا من می توانم بگویم در ذهنت این را تصور کن:
«یک مانکن زن که یک کت چرمی سیاه و یک دامن کوتاه چین دار طلایی به تن دارد»
« یک ساعت سبز پنج گوشه»
ما تصویری ذهنی از چنین چیزهایی میسازیم حتی اگر کسی تا به حال چنین چیزی به ذهنش نرسیده باشد! اما این کار دیگر محدود به بشر نیست!
امروز (۵ ژانویه ۲۰۲۱) کمپانی OpenAI نوع جدیدی از پژوهش مولتی مودال (Multimodal) به نام DALL.E را منتشر کرد که با گرفتن ورودی متنی تصویر متناظرش را میسازد (یا تخیل می کند!!). با اینکه این ایده جدید نیست اما کیفیت و دقت خروجی های OpenAI واقعا خیره کننده است. معماری این روش همانطور که ممکن است حدس زده باشید GPT3 و بر اساس ترنسفورمر ها است.
این سیستم ورودی های متن و تصویر را یکجا در یک استریم داده که متشکل از ۱۲۸۰ توکن است میگیرد و با استفاده از maximum likelihood به دنبال یافتن توکن بعدی است.
اما این مدل فراتر هم می رود و می تواند چیزهایی را تصور کند که بسیار به هم بی ربط هستند و قبلا به نظر می رسید که تنها ذهن انسان قادر به انجام آن باشد. مثلا: یک پنگوئن که از بادمجان درست شده است! و مدل قادر به بازنمایی آن است.
علاوه بر این ها مدل قادر به بازنمایی جملاتی است که نیاز به دانش دارند: مثلا غذای چینی یا پل گلدن بریج. جملاتی که نیاز به درک زمان دارند: یک تلفن در دهه بیست میلادی. و جملاتی که نیاز به استدلال تصویری دارند: کشیدن همان تصویر در یک زاویه دیگر یا تصور کردنش با رنگ و نوشته دیگر.
پست اصلی
Openai
DALL·E: Creating images from text
We’ve trained a neural network called DALL·E that creates images from text captions for a wide range of concepts expressible in natural language.
500 AI, Machine learning, Deep learning, Computer vision & NLP Projects with code
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@ml_nlp_cv
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@ml_nlp_cv
GitHub
GitHub - ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code: 500 AI Machine learning Deep…
500 AI Machine learning Deep learning Computer vision NLP Projects with code - ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
انواع داوران همتا!
در این تصویر ۹ نوع داور همتا معرفی شده‌اند!
شما با کدام نوع تا به حال برخورد داشته‌اید؟
1. Pedant
“Be sure to include the counterion with every pH buffer, Tris-HCl, PIPES-NaOH etc…”
2. Stream-of-consciousness
“I was a bit surprised at what the authors we’re claiming here.”
3. Broad brushstrokes/Big thinker
“The implications of this work are potentially transformative for the field.”
4. Hijacker
“In order to properly demonstrate what the authors claim, they will need to…”
5. Assassin
“I feel this story needs more work in order to be acceptable.”
6. Sycophant
“The data are of the quality that’s always associated with this group.”
7. Bitter lemon
“The images shown here are embarrassingly poor. And again no quantitation.”
8. Last-minuter
“I only have a few points to raise.”
9. Unicorn
“I have a few suggestions that the authors may wish to implement.”
https://www.editage.com/insights/9-types-of-peer-reviewers
@ml_nlp_cv
در این تصویر ۹ نوع داور همتا معرفی شده‌اند!
شما با کدام نوع تا به حال برخورد داشته‌اید؟
1. Pedant
“Be sure to include the counterion with every pH buffer, Tris-HCl, PIPES-NaOH etc…”
2. Stream-of-consciousness
“I was a bit surprised at what the authors we’re claiming here.”
3. Broad brushstrokes/Big thinker
“The implications of this work are potentially transformative for the field.”
4. Hijacker
“In order to properly demonstrate what the authors claim, they will need to…”
5. Assassin
“I feel this story needs more work in order to be acceptable.”
6. Sycophant
“The data are of the quality that’s always associated with this group.”
7. Bitter lemon
“The images shown here are embarrassingly poor. And again no quantitation.”
8. Last-minuter
“I only have a few points to raise.”
9. Unicorn
“I have a few suggestions that the authors may wish to implement.”
https://www.editage.com/insights/9-types-of-peer-reviewers
@ml_nlp_cv
Data-efficient image Transformers:
A promising new technique for image classification
https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification
@ml_nlp_cv
A promising new technique for image classification
https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification
@ml_nlp_cv
Facebook
Data-efficient image Transformers: A promising new technique for image classification
We’re training computer vision models that leverage Transformers, a breakthrough deep neural network architecture. Data-efficient image Transformers (DeiT) use less data and computing resources to produce high-performance image classification AI models, and…
موقعیت Postdoc در استونی
در زمینه کاری یادگیری ماشین
مهلت اپلای: چهارم فوریه ۲۰۲۱
اطلاعات بیشتر :https://www.cs.ut.ee/en/jobs
@ml_nlp_cv
در زمینه کاری یادگیری ماشین
مهلت اپلای: چهارم فوریه ۲۰۲۱
اطلاعات بیشتر :https://www.cs.ut.ee/en/jobs
@ml_nlp_cv
www.cs.ut.ee
Job Offers
4 key reasons to work at the Institute of Computer Science Rapidly evolving organization – You will be joining a rapidly growing department with an ambitious strategic agenda. International and welcoming community – You will broaden your horizon and work…
مترجم هوشمند و اپن سورس فیسبوک برای تبدیل کدهای نوشته شده با یک زبان برنامه نویسی به کدهایی به زبان دلخواه با استفاده یادگیری عمیق و ترجمه ماشینی (زبان های برنامه نویسی قدیمی مثل کوبول رو هم پوشش میده)
https://ai.facebook.com/blog/deep-learning-to-translate-between-programming-languages/
@ml_nlp_cv
https://ai.facebook.com/blog/deep-learning-to-translate-between-programming-languages/
@ml_nlp_cv
Meta
Deep learning to translate between programming languages
TransCoder is the first self-supervised neural transcompiler system for migrating code between programming languages. It can translate code from Python to C++, for example, and it outperforms rule-based translation programs.
Forwarded from مجله هوش مصنوعی
📝 جهشی بزرگ برای بشریت: تئوری هوش مصنوعی ذهن
🔸 تئوری هوش مصنوعی ذهن ( Mind AI ) : رایانه های مجهز به این نوع هوش مصنوعی قادر به درک احساسات خواهند بود و آن ها قادر خواهند بود بین احساسات مختلف افراد مختلف تفاوت قائل شوند. آن ها عملکرد خود را متناسب با احساسات افراد تنظیم می کنند. این نوع هوش مصنوعی در حال پیشرفت است.
➕ مشاهده ادامه مطلب
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
🔸 تئوری هوش مصنوعی ذهن ( Mind AI ) : رایانه های مجهز به این نوع هوش مصنوعی قادر به درک احساسات خواهند بود و آن ها قادر خواهند بود بین احساسات مختلف افراد مختلف تفاوت قائل شوند. آن ها عملکرد خود را متناسب با احساسات افراد تنظیم می کنند. این نوع هوش مصنوعی در حال پیشرفت است.
➕ مشاهده ادامه مطلب
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
Forwarded from Meteor journal ☄ (Maryam)
Media is too big
VIEW IN TELEGRAM
💻 معرفی سایت kaggle و بررسی قسمت های:
Compete
Datasets
Notebooks
Communities
Courses
🔺فیلم به زبان انگلیسی با زیرنویس انگلیسی
#گلل #علم_داده
🙋🏻♀@meteorjournal
Compete
Datasets
Notebooks
Communities
Courses
🔺فیلم به زبان انگلیسی با زیرنویس انگلیسی
#گلل #علم_داده
🙋🏻♀@meteorjournal
گوگل یک مدل زبانی با یک تریلیون پارامتر آموزش داد.
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/
مقاله مربوطه: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
@ml_nlp_cv
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/
مقاله مربوطه: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
@ml_nlp_cv
VentureBeat
Google trained a trillion-parameter AI language model
Researchers at Google claim to have trained a natural language model containing over a trillion parameters.
Forwarded from آخرین خبر (M.Z)
This media is not supported in your browser
VIEW IN TELEGRAM
Forwarded from NLP stuff
هاگینگ فیس و AutoNLP
هاگینگ فیس یک کتابخونه‌ی AutoNLP داره آماده می‌کنه که به صورت خودکار مدل، فاین تیون کردن روی دیتا و دیپلویمنت مدل را برای تسک‌های مختلفی مثل classification, NER, summarization, translation به راحتی خوردن یک لیوان آب سالم می‌کنه و قراره در سه ماهه‌ی اول ۲۰۲۱ release بشه.
لینک پایین را هم دادند که ملت ثبت نام کنند و بگن که برای چه زبان و تسکی و اینا می‌خوان استفاده کنند که به نسخه بتا بهشون دسترسی بده.
https://huggingface.typeform.com/to/FAtsVfbg
#news
@nlp_stuff
هاگینگ فیس یک کتابخونه‌ی AutoNLP داره آماده می‌کنه که به صورت خودکار مدل، فاین تیون کردن روی دیتا و دیپلویمنت مدل را برای تسک‌های مختلفی مثل classification, NER, summarization, translation به راحتی خوردن یک لیوان آب سالم می‌کنه و قراره در سه ماهه‌ی اول ۲۰۲۱ release بشه.
لینک پایین را هم دادند که ملت ثبت نام کنند و بگن که برای چه زبان و تسکی و اینا می‌خوان استفاده کنند که به نسخه بتا بهشون دسترسی بده.
https://huggingface.typeform.com/to/FAtsVfbg
#news
@nlp_stuff
Forwarded from MatlabTips (Rohola Zandie)
🔵معمای دانش متعارفی🔵
چگونه ما جهان اطرافمان را براحتی درک میکنیم اما هوش مصنوعی در درک آن دچار مشکل است. یکی از بزرگترین سوالات هوش مصنوعی از روز های نخست این بود که چگونه میتوان آنچه را که به نام «فهم متعارفی» (common sense) میشناسیم در سیستم های هوش مصنوعی وارد کنیم. به طور مثال اگر من بگویم فلانی چاق است و به دکتر رفته است شما می دانید که او دکتر تغذیه رفته است یا حتی ضمنی تر او باید زمانی را با دکتر تنظیم کند یا اینکه معمولا مردم پیش دکتر می روند نه اینکه دکتر پیش ان ها بیاید. و غیره و غیره! اینها فهم ما از جهان اطراف است که جایی نوشته نشده است ولی همه ما می دانیم! آن ها در واقع دانش پیش زمینه ای هستند که تعامل ما با بقیه را امکان پذیر می کند. حجم چنین دانشی بسیار بزرگتر از چیزی است که تصور می کنید.
تلاش های بسیار زیادی شده است که چنین دانشی را به مدل های هوش مصنوعی آموزش داده شود. حتی نوشتن این دانش خود مساله ی پیچیده ای است که روش های زیادی برای حمله کردن به آن وجود دارد. از پر کردن جای خالی در یک جمله گرفته تا استدلال در مورد وقایع غیر ممکن. مثلا ما می توانیم درک کنیم اگر فلان اتفاق نمی افتاد نتیجه اش چه میشد (counterfactual reasoning) یا با دادن چند کلمه می توانیم یک جمله از آن درست کنیم چون می توانیم رابطه ی بین مفاهیم را درک کنیم.
در نوشتار زیر من مهمترین دیتاست های این زمینه که بیشترشان توسط موسسه AllenAI توسعه داده شده اند را معرفی کرده ام. این نوشتار سعی شده کامل باشد و به تمام این مسائل اشاره کند
(به زبان انگلیسی)
https://hilbert-cantor.medium.com/a-curated-list-of-the-most-important-common-sense-datasets-in-nlp-66963567d00b
چگونه ما جهان اطرافمان را براحتی درک میکنیم اما هوش مصنوعی در درک آن دچار مشکل است. یکی از بزرگترین سوالات هوش مصنوعی از روز های نخست این بود که چگونه میتوان آنچه را که به نام «فهم متعارفی» (common sense) میشناسیم در سیستم های هوش مصنوعی وارد کنیم. به طور مثال اگر من بگویم فلانی چاق است و به دکتر رفته است شما می دانید که او دکتر تغذیه رفته است یا حتی ضمنی تر او باید زمانی را با دکتر تنظیم کند یا اینکه معمولا مردم پیش دکتر می روند نه اینکه دکتر پیش ان ها بیاید. و غیره و غیره! اینها فهم ما از جهان اطراف است که جایی نوشته نشده است ولی همه ما می دانیم! آن ها در واقع دانش پیش زمینه ای هستند که تعامل ما با بقیه را امکان پذیر می کند. حجم چنین دانشی بسیار بزرگتر از چیزی است که تصور می کنید.
تلاش های بسیار زیادی شده است که چنین دانشی را به مدل های هوش مصنوعی آموزش داده شود. حتی نوشتن این دانش خود مساله ی پیچیده ای است که روش های زیادی برای حمله کردن به آن وجود دارد. از پر کردن جای خالی در یک جمله گرفته تا استدلال در مورد وقایع غیر ممکن. مثلا ما می توانیم درک کنیم اگر فلان اتفاق نمی افتاد نتیجه اش چه میشد (counterfactual reasoning) یا با دادن چند کلمه می توانیم یک جمله از آن درست کنیم چون می توانیم رابطه ی بین مفاهیم را درک کنیم.
در نوشتار زیر من مهمترین دیتاست های این زمینه که بیشترشان توسط موسسه AllenAI توسعه داده شده اند را معرفی کرده ام. این نوشتار سعی شده کامل باشد و به تمام این مسائل اشاره کند
(به زبان انگلیسی)
https://hilbert-cantor.medium.com/a-curated-list-of-the-most-important-common-sense-datasets-in-nlp-66963567d00b
Medium
A curated list of the most important common-sense datasets in NLP
The problem of common sense and background knowledge is probably one of the most challenging problems in AI. Most of our reasoning about…
Forwarded from مرکز تحقیقات هوش مصنوعی پارت
This media is not supported in your browser
VIEW IN TELEGRAM
✳️ کشاورزی در گذشته نیاز به نیروی انسانی زیادی داشته است. امروزه با پیشرفت تکنولوژی بسیاری از کارهای دستی مکانیزه شده‌اند و در یکی از جدیدترین پیشرفت‌ها کار برداشت میوه‌ی رسیده نیز بر عهده هوش مصنوعی گذاشته شده است.
👈 این دستگاهی است که با استفاده از فناوری پردازش تصویر و تشخیص اشیا و به‌کارگیری الگوریتمهای توسعه داده شده، میوه‌های رسیده را از میوه‌های کال تشخیص میدهد و آن‌ها را می‌چیند. با این حساب احتمالا در آینده‌ای نزدیک، فقط وظیفه‌ی خوردن میوه بر عهده انسان‌ها باشد!
.
.
🆔 @partdpai
👈 این دستگاهی است که با استفاده از فناوری پردازش تصویر و تشخیص اشیا و به‌کارگیری الگوریتمهای توسعه داده شده، میوه‌های رسیده را از میوه‌های کال تشخیص میدهد و آن‌ها را می‌چیند. با این حساب احتمالا در آینده‌ای نزدیک، فقط وظیفه‌ی خوردن میوه بر عهده انسان‌ها باشد!
.
.
🆔 @partdpai
Forwarded from 10th WSS ☃️
🖋 برای نخستین بار مقاله‌ای از ایران توسط مهدی صفرنژاد بروجنی، دانشجوی دکترای دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف و از ارائه‌دهندگان چندین دوره WSS، در ژورنال Journal of the ACM، یکی از معتبرترین ژورنال‌های «علوم کامپیوتر»، پذیرفته شد.
این دستاورد را به ایشان و جامعه علمی کشور تبریک میگوییم.
متن کامل خبر را میتوانید در لینک زیر بخوانید.
🔗 https://b2n.ir/167575
این دستاورد را به ایشان و جامعه علمی کشور تبریک میگوییم.
متن کامل خبر را میتوانید در لینک زیر بخوانید.
🔗 https://b2n.ir/167575
Forwarded from مرکز تحقیقات هوش مصنوعی پارت
🎓 دانشگاه هاروارد اقدام به برگزاری دوره آموزش رایگان هوش مصنوعی کرده و از این بابت که هوش مصنوعی در حال دگرگون کردن نحوه زندگی، کار و فرایندهای ماست، این دوره می‌تواند اهمیتی ویژه برای علاقه‌مندان داشته باشد.
📍 با توسعه روزافزون فناوری‌‌های هوشمند و استفاده از آن ها در ابزارهای جدیدی همچون اتومبیل‌‌های خودران، سیستمهای سفارش خودکار و موتورهای جستجوی هوشمند، تقاضا برای تخصص در هوش مصنوعی و #یادگیری_ماشین به سرعت در حال رشد است. این دوره آموزشی رایگان به شما امکان میدهد اولین قدم اساسی در جهت حل مشکلات مهم دنیای واقعی با استفاده از راه‌حل‌‌های #هوش_مصنوعی را بردارید و برای ساختن آینده شغلی خود آماده شوید.
🎯 آنچه در پایان این دوره خواهید آموخت:
✅ الگوریتمهای جستجوی نمودار
✅ #یادگیری_تقویتی
✅ یادگیری ماشین
✅ مبانی هوش مصنوعی
✅ نحوه طراحی سیستمهای هوشمند
✅ نحوه استفاده از هوش مصنوعی در برنامه‌‌های #پایتون
📌 برای ثبت نام و کسب اطلاعات بیشتر به لینک زیر مراجعه کنید:
🔗 yun.ir/rts5i7
جدیدترین یافته‌ها و اخبار هوش مصنوعی در کانال مرکز تحقیقات هوش مصنوعی پارت
🆔 @partdpai
📍 با توسعه روزافزون فناوری‌‌های هوشمند و استفاده از آن ها در ابزارهای جدیدی همچون اتومبیل‌‌های خودران، سیستمهای سفارش خودکار و موتورهای جستجوی هوشمند، تقاضا برای تخصص در هوش مصنوعی و #یادگیری_ماشین به سرعت در حال رشد است. این دوره آموزشی رایگان به شما امکان میدهد اولین قدم اساسی در جهت حل مشکلات مهم دنیای واقعی با استفاده از راه‌حل‌‌های #هوش_مصنوعی را بردارید و برای ساختن آینده شغلی خود آماده شوید.
🎯 آنچه در پایان این دوره خواهید آموخت:
✅ الگوریتمهای جستجوی نمودار
✅ #یادگیری_تقویتی
✅ یادگیری ماشین
✅ مبانی هوش مصنوعی
✅ نحوه طراحی سیستمهای هوشمند
✅ نحوه استفاده از هوش مصنوعی در برنامه‌‌های #پایتون
📌 برای ثبت نام و کسب اطلاعات بیشتر به لینک زیر مراجعه کنید:
🔗 yun.ir/rts5i7
جدیدترین یافته‌ها و اخبار هوش مصنوعی در کانال مرکز تحقیقات هوش مصنوعی پارت
🆔 @partdpai