Lambda GPU Cloud | VMs for Deep Learning with 4 & 8 GPUs
https://lambdalabs.com/service/gpu-cloud?utm_source=ainewsletter&utm_medium=newsletter&utm_campaign=acq-ain-cloud-q121&utm_term=lambdalabs7

💥ویدئو کامل وبینار منتشر شد💥

"وبینار بین المللی ریترکشن" (ابطال مقالات)


با همکاری مرکز تحقیقات اخلاق و تاریخ پزشکی دانشگاه علوم پزشکی تهران

برگزار کننده: سامانه اخلاق حرفه ای در علم
Www.avoidretraction.com

t.iss.one/avoidretraction

در گوگل عنوان “وبینار بین المللی ریترکشن” جستجو شود، اولین نتیجه، ویدئو این وبینار خواهد بود

لینک ویدئو کامل در یوتیوب:

https://youtu.be/KgqOIRARbfE

لطفا برای همکارانتان ارسال بفرمایید.

ضمنا" از اشکالات فنی که در زمان پخش وبینار پیش آمد صمیمانه عذر خواهی میکنیم و امیدواریم با پخش ویدئوی اصلی این مشکل جبران شده باشد.🌺

💠#نورون های مصنوعی نوین: کشف شگفت‌انگیز #هوش_مصنوعی

✅ محققان هوش مصنوعی درون یک سیستم هوش مصنوعی نورون هایی را کشف کرده‌اند که فقط قبلاً در مغز انسان دیده شده بود.

⚡ این کشف خیره‌کننده را استارتاپ OpenAI که توسط #ایلان_ماسک تاسیس شده انجام داده است.

📢 استارتاپ #OpenAI در وبلاگ خود در مورد این کشف چنین نوشته است: ما سلول‌های عصبی را در CLIP کشف کرده‌ایم که می‌توانند به صورت مفهومی، نمادین یا واقعی به همان شکل نورون‌های طبیعی پاسخ دهند.

📌 برای خواندن متن کامل مقاله به لینک زیر مراجعه کنید:
🔗 yun.ir/8dcn9c

جدیدترین اخبار و مقالات هوش مصنوعی را در کانال هوشیو بخوانید:
🆔@hooshio

Deep Generative Modelling:
A Comparative Review of #VAEs, #GANs, Normalizing Flows, Energy-Based and Autoregressive Models

https://arxiv.org/abs/2103.04922

#Generative_Models #Variational_Autoencoders #Generative_Adversarial_Networks #Autoregressive_Models #Review_Paper

@ml_nlp_cv

Publications in AI/ML these days 😁

📇 فناوری دیپ نوستالوژی، متحرک کردن عکس‌های قدیمی
‌
شرکت MyHeritage با کمک هوش‌مصنوعی، سرویس جدیدی به نام دیپ نوستالژی ارائه داده است که می توان عکس‌های قدیمی را متحرک کرد.

پایشگرنیوز آدرس سایت این تکنولوژی را در ادامه برای شما همراهان عزیز درج کرده است و می توانید یک عکس قدیمی از چهره بزرگان خانواده خود را بدهید و برای شما همانند ویدیو بالا چهره را متحرک کند!

🌐 myheritage.com/deep-nostalgia

🎯 مارا به دوستان خود معرفی کنید.

🔎 @PAYESHGAR_IR

A core challenge in #DeepLearning is the disconnect between the theory of how models generalize and how they perform in practice. A new theoretical framework demonstrates how to understand model generalization through optimization behavior. Check it out at https://ai.googleblog.com/2021/03/a-new-lens-on-understanding.html?m=1

@ml_nlp_cv

SpeechBrain is an open-source and all-in-one speech toolkit based on PyTorch.

یک لایبرری خوب پایتورچی برای speech

داکیومنت

@pytorch_howsam

گفتگو با اندرو ان-جی (استاد دانشگاه استنفورد) -چهارشنبه هفته آینده

لینک ثبت نام رایگان:
yun.ir/z03a3g

@ml_nlp_cv

🎥ویدیو جلسه دوازدهم #کدنویسی_هوش_مصنوعی_با_فیلاگر آپلود شد!

🔺موضوع این جلسه:
"پیش‌بینی قیمت بیت‌کوین با هوش مصنوعی"


💻در رویداد کدنویسی هوش مصنوعی با فیلاگر، قدم به قدم، به صورت آنلاین و گروهی، برنامه نویسی هوش مصنوعی رو یاد میگیریم.

🔸حضور در این رویداد کاملا رایگان است.

📌برای تماشای رایگان ویدیو این جلسه به همراه تمام جلسات قبلی با ترافیک نیم‌بها و دانلود کدها، به لینک زیر مراجعه کنید:

🔺🔗ویدیو جلسات کدنویسی هوش‌مصنوعی با فیلاگر

🎟برای شرکت در جلسات بعدی، کانال تلگرام فیلاگر رو دنبال کنید.
👉🏻@filoger_com

💜با به اشتراک‌گذاری این برنامه رایگان، در نشر دانش سخاوتمند باشید:)
#فیلاگر_تی_وی

🧠فیلاگر|جامعه هوش‌مصنوعی ایران
@filoger_com

Finetune GPT2-XL (1.5 Billion Parameters) and GPT-NEO (2.7 B) on a single GPU with Huggingface Transformers using DeepSpeed
https://github.com/Xirider/finetune-gpt2xl

@ml_nlp_cv

وبینار NVIDIA
با حضور مدیر عامل NVIDIA، بزرگان یادگیری عمیق و دیگر صنایع از شرکت‌های بزرگ

ثبت نام

@ml_nlp_cv

Topological GNNs and graph models for video

Two articles recently were featured on Synced. One is Making GNNs ‘Topology-Aware’ to Advance their Expressive Power about using persistent homology for additional expressivity of GNNs. Another is SOTA GNN ‘Reasons’ Interactions over Time to Boost Video Understanding about modeling images as graphs to reason about their content.

@ml_nlp_cv

Adversarial machine learning: The underrated threat of data poisoning
https://bdtechtalks.com/2021/04/05/machine-learning-data-poisoning-2/

@ml_nlp_cv

گوگل، کد Lyra را Open Source کرد.

https://opensource.googleblog.com/2021/04/lyra-enabling-voice-calls-for-next-billion-users.html?m=1

این Audio codec که مبتنی بر یادگیری ماشین می باشد، کیفیت تماس صوتی رو حتی در جاهایی که سیگنال تماس ضعیف باشد، بالا نگه میدارد.

@ml_nlp_cv

Make your code clearer, more concise, and more Pythonic with Sourcery's coding assistant.
ابزار sourcery کد پایتون‌تون رو ریفکتور و تمیز می‌کنه. برای PyCharm و VSCode هم addOn آماده داره.

#python #refactor #clean #cleancode #refactoring #tools #pycharm #vscode
@pythony

https://sourcery.ai

MBRL-Lib: A Modular Library for Model-based Reinforcement Learning

https://github.com/facebookresearch/mbrl-lib

Paper

@ml_nlp_cv

یک کمپانی اومده با پردازش تصویر و هوش مصنوعی، فیلم‌ها دوبله میکنه.لحن و صدای بازیگرا عوض نمیشه ولی زبان اونها عوض میشه. دیالوگها با حرکات دهان بازیگرا تو فیلم‌ها و مدت دیالوگ‌شون هماهنگ میشه

خب کم کم با زیر نویس و دوبلاژ بی کیفیت خداحافظی کنید.


#خبرهای_تکنولوڑی_را_بخوانید_و_شگفت_زده_شوید👇👇👇👇
@iAPtel

معماری تماما MLP برای پردازش تصویر

پست امروز درباره یک معماری ساده است که همین دو روز پیش مقاله‌اش منتشر شده. این معماری برای تسک دسته‌بندی تصاویر ارائه شده و بر خلاف شبکه‌های نامداری مثل ResNet و ViT هیچ گونه کانولوشن و اتنشی درون خودش نداره و تماما از MLP تشکیل شده. خیلی خلاصه بخوایم توضیح بدیم، ابتدا مثل ViT میاد و تصویر رو به تکه (patch) هایی تقسیم می‌کنه، سپس بعد از عبور دادن این پچ‌ها از لایه‌ی امبدینگ و به دست آوردن یک وکتور برای هر یک از تکه‌ها، اونها رو از N تا لایه به اسم MixerLayer می‌گذرونه. این MixerLayer درون خودش از دو تا شبکه MLP تشکیل شده که اولیش میاد یک فیدفوروارد روی یک جنبه از تماما تصویر‌ها میزنه (در واقع یک فیچر از روی یک فیچر تمامی تکه‌ها درست می‌کنه) و دومین MLP هم میاد یک فیدفوروارد از روی فیچر‌های یک تکه درست می‌کنه (شکل پیوست شده رو اگر ببینید درکش بسیار راحته، به اون T یا Transpose ها فقط باید دقت کنید) در نهایت هم به یک شبکه رسیدند و آزمایش‌های مختلف پیش‌آزمایش و فاین تیون رو روش انجام دادند.
شبکه اش از نظر دقتی خاص و برجسته نیست و البته پرت هم نیست. نقطه مثبتش رو میشه نرخ توان عملیاتی بالاش (throughput) دونست که خیلی از شبکه‌های مثل ViT بهتره (یک دلیلش میتونه این باشه که توی ViT به خاطر وجود اتنشن با افزایش رزولشن و در نتیجه افزایش تعداد تکه‌ها و طول ورودی، میزان نیاز به حافظه به صورت توان دویی زیاد میشه ولی اینجا این اتفاق به صورت خطی رخ میده).
کلا مقاله جالبیه و خب البته سوالاتی رو هم برمی‌انگیزه که چطوری بدون سوگیری القایی (inductive bias) خاصی به این نتیجه رسیده.

مثل همیشه یانیک کیلچر هم به سرعت یک ویدئو در توضیح این مقاله بیرون داده که می‌تونید تماشا کنید:
https://www.youtube.com/watch?v=7K4Z8RqjWIk

لینک مقاله:
https://arxiv.org/abs/2105.01601v1

#read
#paper
#watch

@nlp_stuff

#سخنرانی

"Making Sense of Limited Resources in Cross-Lingual NLP"


‼️سخنرانی به‌صورت آنلاین می‌باشد. لطفا جهت دریافت لینک سخنرانی و شرکت در رویداد، از طریق لینک زیر ثبت‌نام فرمایید.


📆 دوشنبه ١٧ خردادماه ۱۴۰۰

🕚 ساعت ١۶:٠٠

ثبت‌نام(الزامی):

https://teias.institute/rasooli-talk202106/

‼️مهلت ثبت‌نام: ١٢ خردادماه ۱۴٠٠

@pasargadschools