Forwarded from Deleted Account
This media is not supported in your browser
VIEW IN TELEGRAM
🔶 کار شگرف گروه گوگل DeepMind که با استفاده از تمامی TPUهای موجود در گوگل و شبکه های GAN و تماشای هزاران فیلم از یوتیوب، فیلم های کوتاه بدون وجود خارجی تولید کرده است!
بیشتر بخوانید👇
arxiv.org/abs/1907.06571
🆔 @software_engineers_channel
بیشتر بخوانید👇
arxiv.org/abs/1907.06571
🆔 @software_engineers_channel
Forwarded from Deleted Account
✅ دوآپس (DEVOPS ) در علوم داده ! :
🔸 چگونه در فرایند توسعه برنامه های علوم داده و هوش مصنوعی ارتباط و یکپارچگی (DEVOPS) را حفظ کنیم؟
🔸 دوآپس (DEVOPS ) مجموعه اي از ابزارها و روش هايي است كه ارتباطات و يكپارچگي بين تيم هاي توسعه نرم افزار ، تيم هاي استقرار نرم افزار و تيم هاي بررسي كيفيت و تست را برقرار ميسازد يا بهبود ميدهد. مفهومی که غالبا مهندسان نرم افزار و توسعه دهندگان با آن سر و کار دارند و نه متخصصین هوش مصنوعی و علوم داده ! اما اهمیت این فرایند ها در تولید و توسعه برنامه ها از جمله برنامه های مرتبط با هوش مصنوعی و علوم داده به اندازه ایست که عدم به کار گیری آنها می تواند فرایند تولید و یا توسعه این برنامه ها را با مشکلات جدی مواجه کند.
🔸 یکی از نکاتی که شاید کمتر در توسعه پروژه های هوش مصنوعی و علوم داده در ایران مورد توجه قرار میگیرد استفاده از این فرایند های یکپارچگی و ارتباط بین اعضای کاری تیم است. سوالات اساسی در این حوزه این است که چگونه می توان بر روی این پروژه ها تغییراتی هماهنگ و زمان بندی شده اعمال نمود؟چطور میتوان فرایند توسعه و بهبود این برنامه ها را به صورت کنترل شده بین اعضای مختلف تیم به اشتراک گذاشت؟
🆔 @software_engineers_channel
🔸 چگونه در فرایند توسعه برنامه های علوم داده و هوش مصنوعی ارتباط و یکپارچگی (DEVOPS) را حفظ کنیم؟
🔸 دوآپس (DEVOPS ) مجموعه اي از ابزارها و روش هايي است كه ارتباطات و يكپارچگي بين تيم هاي توسعه نرم افزار ، تيم هاي استقرار نرم افزار و تيم هاي بررسي كيفيت و تست را برقرار ميسازد يا بهبود ميدهد. مفهومی که غالبا مهندسان نرم افزار و توسعه دهندگان با آن سر و کار دارند و نه متخصصین هوش مصنوعی و علوم داده ! اما اهمیت این فرایند ها در تولید و توسعه برنامه ها از جمله برنامه های مرتبط با هوش مصنوعی و علوم داده به اندازه ایست که عدم به کار گیری آنها می تواند فرایند تولید و یا توسعه این برنامه ها را با مشکلات جدی مواجه کند.
🔸 یکی از نکاتی که شاید کمتر در توسعه پروژه های هوش مصنوعی و علوم داده در ایران مورد توجه قرار میگیرد استفاده از این فرایند های یکپارچگی و ارتباط بین اعضای کاری تیم است. سوالات اساسی در این حوزه این است که چگونه می توان بر روی این پروژه ها تغییراتی هماهنگ و زمان بندی شده اعمال نمود؟چطور میتوان فرایند توسعه و بهبود این برنامه ها را به صورت کنترل شده بین اعضای مختلف تیم به اشتراک گذاشت؟
🆔 @software_engineers_channel
Forwarded from Deleted Account
✅ افزونه های مایکروسافت برای پیاده سازی هوش مصنوعی و یادگیری عمیق در ویژوال استدیو
مایکروسافت مجموعه ای از ابزارها را برای پیاده سازی راه حل های هوش مصنوعی ویادگیری عمیق در ویژوال استدیو فراهم آورده است که می توان با استفاده از آنها به ساخت و استقرار برنامه هوشمند توسط ویژوال استدیو پرداخت.مجموعه این افزونه ها و توضیح چگونگی استفاده از آنها در لینک زیر قرار دارد.
Link :
https://github.com/Microsoft/vs-tools-for-ai/
🆔 @software_engineers_channel
مایکروسافت مجموعه ای از ابزارها را برای پیاده سازی راه حل های هوش مصنوعی ویادگیری عمیق در ویژوال استدیو فراهم آورده است که می توان با استفاده از آنها به ساخت و استقرار برنامه هوشمند توسط ویژوال استدیو پرداخت.مجموعه این افزونه ها و توضیح چگونگی استفاده از آنها در لینک زیر قرار دارد.
Link :
https://github.com/Microsoft/vs-tools-for-ai/
🆔 @software_engineers_channel
GitHub
microsoft/vs-tools-for-ai
Visual Studio Tools for AI is a free Visual Studio extension to build, test, and deploy deep learning / AI solutions. It seamlessly integrates with Azure Machine Learning for robust experimentation...
Forwarded from Deleted Account
✅ مقاله تحقیقی جدید با همکاری شرکت مایکروسافت برای آموزش و ارزیابی عقل سلیم در هوش مصنوعی با تمرکز بر حوزه پردازش زبان طبیعی
(یک محقق ایرانی دکتری در دانشگاه مگ گیل کانادا به نام علی امامی نیز از نویسندگان این مقاله است)
هوش مصنوعی در سال های اخیر قدم های بزرگی برای پیشرفت برداشته است.از برتری هوش مصنوعی گوگل در بازی "go" گرفته تا خلق داستان و یادگیری برنامه نویسی و ...اما همچنان هوش مصنوعی کنونی یک نقطه ضعف اساسی دارد و آن هم اینکه فاقد عقل سلیم است. برای درک موضوع این جمله را در نظر بگیرید :
"ماموران آتش نشانی چون از فاصله خیلی دوری می آمدند بعد از نیروهای پلیس به محل حادثه رسیدند." آیا ماشین میتواند تشخیص دهد که در این سناریو کدام یک از نیروهای پلیس یا ماموران آتش نشانی از راه دورتری می آمدند؟ یک انسان به راحتی بر اساس تجربه این را تشخیص می دهد ولی درک این مسئله بسیار ساده برای یک ماشین هنوز ممکن نیست.اکنون سوال اینست که ما چگونه ماشین ها را برای چنین موضوعاتی آموزش دهیم و سوال دیگر اینکه چگونه پیشرفت به سوی این هدف را در آنها اندازه گیری کنیم؟
به تازگی جمعی از محققین دانشگاه "مک گیل" با همکاری شرکت مایکروسافت مقاله ای در این زمینه منتشر کرده اند که قصد پاسخ به این سوالات را داشته است که در ادامه می توانید اصل مقاله را نیز از لیک پایین دریافت کنید.
Link:
https://arxiv.org/abs/1811.01747
🆔 @software_engineers_channel
(یک محقق ایرانی دکتری در دانشگاه مگ گیل کانادا به نام علی امامی نیز از نویسندگان این مقاله است)
هوش مصنوعی در سال های اخیر قدم های بزرگی برای پیشرفت برداشته است.از برتری هوش مصنوعی گوگل در بازی "go" گرفته تا خلق داستان و یادگیری برنامه نویسی و ...اما همچنان هوش مصنوعی کنونی یک نقطه ضعف اساسی دارد و آن هم اینکه فاقد عقل سلیم است. برای درک موضوع این جمله را در نظر بگیرید :
"ماموران آتش نشانی چون از فاصله خیلی دوری می آمدند بعد از نیروهای پلیس به محل حادثه رسیدند." آیا ماشین میتواند تشخیص دهد که در این سناریو کدام یک از نیروهای پلیس یا ماموران آتش نشانی از راه دورتری می آمدند؟ یک انسان به راحتی بر اساس تجربه این را تشخیص می دهد ولی درک این مسئله بسیار ساده برای یک ماشین هنوز ممکن نیست.اکنون سوال اینست که ما چگونه ماشین ها را برای چنین موضوعاتی آموزش دهیم و سوال دیگر اینکه چگونه پیشرفت به سوی این هدف را در آنها اندازه گیری کنیم؟
به تازگی جمعی از محققین دانشگاه "مک گیل" با همکاری شرکت مایکروسافت مقاله ای در این زمینه منتشر کرده اند که قصد پاسخ به این سوالات را داشته است که در ادامه می توانید اصل مقاله را نیز از لیک پایین دریافت کنید.
Link:
https://arxiv.org/abs/1811.01747
🆔 @software_engineers_channel
arXiv.org
The Knowref Coreference Corpus: Removing Gender and Number Cues...
We introduce a new benchmark for coreference resolution and NLI, Knowref,
that targets common-sense understanding and world knowledge. Previous
coreference resolution tasks can largely be solved...
that targets common-sense understanding and world knowledge. Previous
coreference resolution tasks can largely be solved...
Forwarded from Deleted Account
This media is not supported in your browser
VIEW IN TELEGRAM
Forwarded from Deleted Account
💢 چرا پایتون؟
۱- محبوبیت زبان پایتون و کسب درآمد زیاد از طریق آن
۲- استفاده از زبان پایتون در علم داده
۳- اسکریپت و اتوماسیون در پایتون
۴- استفاده از پایتون برای دادههای بزرگ
۵- پشتیبانی پایتون از تست (Testing)
۶- گرافیک کامپیوتری در پایتون
۷- استفاده از پایتون در هوش مصنوعی
۸- استفاده از پایتون در توسعه وب
۹- سازگار و قابل انتقال بودن
۱۰- سادگی و یادگیری آسان
🆔 @software_enginners_channel
۱- محبوبیت زبان پایتون و کسب درآمد زیاد از طریق آن
۲- استفاده از زبان پایتون در علم داده
۳- اسکریپت و اتوماسیون در پایتون
۴- استفاده از پایتون برای دادههای بزرگ
۵- پشتیبانی پایتون از تست (Testing)
۶- گرافیک کامپیوتری در پایتون
۷- استفاده از پایتون در هوش مصنوعی
۸- استفاده از پایتون در توسعه وب
۹- سازگار و قابل انتقال بودن
۱۰- سادگی و یادگیری آسان
🆔 @software_enginners_channel
Forwarded from Deleted Account
✅ ✳️تفاوت تجزیه و تحلیلهای توصیفی (Descriptive)، پیشگویانه (Predictive) و دستورالعملی (Prescriptive)
#بخش_اول
با در نظر گرفتن حجم عظیم اطلاعاتی که از زنجیرهی تامین، در اختیار کسب و کارها قرار میگیرد، شرکتها در جستوجوی راه حلهای تحلیلی برای استخراج مفاهیم از حجم زیاد دادهها هستند به گونهای که در امر تصمیمگیری آنها را مشایعت نماید. شرکتهایی که در صدد هستند فرآیندهای فروش و فعالیتهای خویش را بهینه نمایند، نیازمند توانمندیهایی جهت بررسی دادههای تاریخی و پیشبینی رویدادهای ممکن در آینده هستند. حرکت به سمت شیوههایی که فرآیندهای سازمان را بر داده کاوی منطبق میسازند امر دشواری است. با این حال، این حوزه از جذابیت بالایی برخوردار است زیرا نرخ بازگشت سرمایه تحت اثر بهینهسازی زنجیرهی تامین، کاهش هزینههای عملیاتی، بهبود خدمات مشتریان و ارتقاء معماری محصولات افزایش مییابد.
در چنین فضایی، نظر به وجود رویکردهای تحلیلی متنوع، انتخاب راهکار مناسب از پیچیدگی بالایی برخوردار است. با این حال، خوشبختانه میتوان به صورت کلی، ابزار تحلیل را در سه دستهی کلی قرار داد. حقیقت امر آن است که هیچ یک از این دستهبندیها بر یکدیگر برتری مطلق نداشته و عملا این روشها مکمل یکدیگر هستند. برای آن که یک کسب و کار بتواند درک جامعی از بازار و نحوهی رقابت در آن به دست آورد، یک رویکرد تحلیلی استوار مورد نیاز است که شامل بخشهای زیر است:
🔹تجزیه و تحلیل توصیفی:
روش تحلیلی است که در آن از روشهای تجمیع دادهها و دادهکاوی برای دستیابی به بینشی نسبت به گذشته و آگاهی از آن چه رخ داده است، استفاده میشود.
🔹تجزیه و تحلیل پیشگویانه:
روش تحلیلی است که در آن از مدلهای آماری و روشهای پیشبینی به منظور آگاهی از آینده و آن چه ممکن است روی بدهد، استفاده میشود.
🔹تجزیه و تحلیل دستورالعملی:
روش تحلیلی است که در آن از تکنیکهای بهینهسازی و شبیهسازی برای تشخیص آن چه باید انجام شود و نتایج اختمالی آن استفاده میشود.
📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/
🆔 @software_engineers_channel
#بخش_اول
با در نظر گرفتن حجم عظیم اطلاعاتی که از زنجیرهی تامین، در اختیار کسب و کارها قرار میگیرد، شرکتها در جستوجوی راه حلهای تحلیلی برای استخراج مفاهیم از حجم زیاد دادهها هستند به گونهای که در امر تصمیمگیری آنها را مشایعت نماید. شرکتهایی که در صدد هستند فرآیندهای فروش و فعالیتهای خویش را بهینه نمایند، نیازمند توانمندیهایی جهت بررسی دادههای تاریخی و پیشبینی رویدادهای ممکن در آینده هستند. حرکت به سمت شیوههایی که فرآیندهای سازمان را بر داده کاوی منطبق میسازند امر دشواری است. با این حال، این حوزه از جذابیت بالایی برخوردار است زیرا نرخ بازگشت سرمایه تحت اثر بهینهسازی زنجیرهی تامین، کاهش هزینههای عملیاتی، بهبود خدمات مشتریان و ارتقاء معماری محصولات افزایش مییابد.
در چنین فضایی، نظر به وجود رویکردهای تحلیلی متنوع، انتخاب راهکار مناسب از پیچیدگی بالایی برخوردار است. با این حال، خوشبختانه میتوان به صورت کلی، ابزار تحلیل را در سه دستهی کلی قرار داد. حقیقت امر آن است که هیچ یک از این دستهبندیها بر یکدیگر برتری مطلق نداشته و عملا این روشها مکمل یکدیگر هستند. برای آن که یک کسب و کار بتواند درک جامعی از بازار و نحوهی رقابت در آن به دست آورد، یک رویکرد تحلیلی استوار مورد نیاز است که شامل بخشهای زیر است:
🔹تجزیه و تحلیل توصیفی:
روش تحلیلی است که در آن از روشهای تجمیع دادهها و دادهکاوی برای دستیابی به بینشی نسبت به گذشته و آگاهی از آن چه رخ داده است، استفاده میشود.
🔹تجزیه و تحلیل پیشگویانه:
روش تحلیلی است که در آن از مدلهای آماری و روشهای پیشبینی به منظور آگاهی از آینده و آن چه ممکن است روی بدهد، استفاده میشود.
🔹تجزیه و تحلیل دستورالعملی:
روش تحلیلی است که در آن از تکنیکهای بهینهسازی و شبیهسازی برای تشخیص آن چه باید انجام شود و نتایج اختمالی آن استفاده میشود.
📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/
🆔 @software_engineers_channel
Logility
Home
Logility’s platform for supply chain optimization uses machine learning to automate planning, augment performance and accelerate decision-making.
Forwarded from Deleted Account
@BIMining
✅ تفاوت تجزیه و تحلیلهای توصیفی (Descriptive)، پیشگویانه (Predictive) و دستورالعملی (Prescriptive)
#بخش_دوم
☑️ تجزیه و تحلیل توصیفی، بینشی به گذشته:
تجزیه و تحلیل توصیفی یا آماری به تشریح و خلاصه سازی دادههای خام میپردازد و بر آن است دادههای خام را به طریقی، برای انسان قابل تقسیر نماید. نکتهی مثبت این رویکرد در آن است که امکان یادگیری از رفتارهای گذشته را برای کسب و کارها فراهم میسازد و امکان درک اثر وقایع گذشته را بر آینده ایجاد مینماید.
روشهای توصیفی در نشان دادن مواردی نظیر کل موجودی در انبار، میانگین هزینه به ازای هر مشتری، تغییرات سالیانه فروش و ... مناسب هستند. مثالهای معمول این روش در کسب و کارها، شامل گزارشهای تولید گذشتهی شرکت، اطلاعات مالی گذشته، فرآیندها، فروش، موجودی و مشتریان هستند.
📢 از روش مذکور در مواقعی استفاده میشود که کسب و کارها نیازمند نیل به درک جامعی از آن چه در شرکت روی میدهد هستند و همچنین زمانی که نیت توصیف جنبههای مختلف یک کسب و کار است
📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/
🆔 @software_engineers_channel
✅ تفاوت تجزیه و تحلیلهای توصیفی (Descriptive)، پیشگویانه (Predictive) و دستورالعملی (Prescriptive)
#بخش_دوم
☑️ تجزیه و تحلیل توصیفی، بینشی به گذشته:
تجزیه و تحلیل توصیفی یا آماری به تشریح و خلاصه سازی دادههای خام میپردازد و بر آن است دادههای خام را به طریقی، برای انسان قابل تقسیر نماید. نکتهی مثبت این رویکرد در آن است که امکان یادگیری از رفتارهای گذشته را برای کسب و کارها فراهم میسازد و امکان درک اثر وقایع گذشته را بر آینده ایجاد مینماید.
روشهای توصیفی در نشان دادن مواردی نظیر کل موجودی در انبار، میانگین هزینه به ازای هر مشتری، تغییرات سالیانه فروش و ... مناسب هستند. مثالهای معمول این روش در کسب و کارها، شامل گزارشهای تولید گذشتهی شرکت، اطلاعات مالی گذشته، فرآیندها، فروش، موجودی و مشتریان هستند.
📢 از روش مذکور در مواقعی استفاده میشود که کسب و کارها نیازمند نیل به درک جامعی از آن چه در شرکت روی میدهد هستند و همچنین زمانی که نیت توصیف جنبههای مختلف یک کسب و کار است
📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/
🆔 @software_engineers_channel
Logility
Home
Logility’s platform for supply chain optimization uses machine learning to automate planning, augment performance and accelerate decision-making.
Forwarded from Deleted Account
🔸مجموعه داده تقلب در تصافات رانندگی برای گرفتن پول بیمه
https://yon.ir/C2kn1
🆔 @software_engineers_channel
https://yon.ir/C2kn1
🆔 @software_engineers_channel
Forwarded from Deleted Account
🔸شرکت هوش مصنوعی DeepMind در حال کار بر روی یک سیستم هوش مصنوعی است که می تواند نارسایی حاد کلیوی را 48 ساعت زودتر پیش بینی کند. یكی از بزرگترین چالشهای بیمارستانها این است كه آنها نمی توانند پیش بینی كنند كه چه زمانی بیماری حاد یک بیمار منجر به مرگ او خواهد شد.
🔸مقاله ای که اخیراً در مجله بسیار معتبر Nature منتشر شده است ذکر می کند که محققانی که در DeepMind کار می کنند ، راه حلی برای این وضعیت ارائه می دهند. محققان در حال ایجاد یک سیستم یادگیری ماشینی هستند که می تواند صدها هزار شاخص از داده ها را در سوابق سلامت الکترونیکی بررسی کند. با استفاده از این سیستم هوش مصنوعی ، ممکن است مدت ها قبل از وقوع یک بحران قریب الوقوع ، به پزشکان هشدار داده شود. میزان موفقیت 90 درصد سیستم باعث شده است محققان برای اثبات پتانسیل سیستم از آن برای پیش بینی نارسایی حاد کلیوی (کاهش ناگهانی عملکرد کلیه) استفاده کنند.
🔸نتایج کامل این تحقیق در مقاله "A clinically applicable approach to continuous prediction of future acute kidney injury " که سه روز پیش منتشر شده است قابل بررسی بیشتر است.
🆔 @software_engineers_channel
🔸مقاله ای که اخیراً در مجله بسیار معتبر Nature منتشر شده است ذکر می کند که محققانی که در DeepMind کار می کنند ، راه حلی برای این وضعیت ارائه می دهند. محققان در حال ایجاد یک سیستم یادگیری ماشینی هستند که می تواند صدها هزار شاخص از داده ها را در سوابق سلامت الکترونیکی بررسی کند. با استفاده از این سیستم هوش مصنوعی ، ممکن است مدت ها قبل از وقوع یک بحران قریب الوقوع ، به پزشکان هشدار داده شود. میزان موفقیت 90 درصد سیستم باعث شده است محققان برای اثبات پتانسیل سیستم از آن برای پیش بینی نارسایی حاد کلیوی (کاهش ناگهانی عملکرد کلیه) استفاده کنند.
🔸نتایج کامل این تحقیق در مقاله "A clinically applicable approach to continuous prediction of future acute kidney injury " که سه روز پیش منتشر شده است قابل بررسی بیشتر است.
🆔 @software_engineers_channel
Forwarded from Deleted Account
💢کشف بکدور در بیش از 50،000 وبسایت وردپرس که به راحتی قابل اکسپلویت هستند.
🆔@software_engineers_channel
🆔@software_engineers_channel
Forwarded from Deleted Account
🔰PhanTap
ابزار جدید معرفی شده توسط NCC Group به نام PhanTap برای شنود ترافیک شبکه با قابلیت های گسترده،قابل نصب بر روی OpenWrt
https://github.com/nccgroup/phantap
🆔@software_engineers_channel
ابزار جدید معرفی شده توسط NCC Group به نام PhanTap برای شنود ترافیک شبکه با قابلیت های گسترده،قابل نصب بر روی OpenWrt
https://github.com/nccgroup/phantap
🆔@software_engineers_channel
Forwarded from Deleted Account
آیا باز هم فکر میکنید که دیگه نمیشه از شرکتایی مثل گوگل و یاهو باگ گرفت؟
عکسای بالا هر دو باگ xss رو نشون میدن که به تازگی کشف شدند.
جالبه بدونید که گوگل اینو به عنوان باگ قبول نکرده چون نمیشه کوکی رو گرفت
🆔 @software_engineers_channel
عکسای بالا هر دو باگ xss رو نشون میدن که به تازگی کشف شدند.
جالبه بدونید که گوگل اینو به عنوان باگ قبول نکرده چون نمیشه کوکی رو گرفت
🆔 @software_engineers_channel
Forwarded from Deleted Account
🔸پیدا کردن فایل های از دست رفته با استفاده از Scalpel
https://red.ht/2YKf6Ab
🆔 @software_engineers_channel
https://red.ht/2YKf6Ab
🆔 @software_engineers_channel