سلام رفقا
تا الان دوره و کتابهای زیادی در دیپ لرنینگ و ماشین لرنینگ بهتون معرفی کردم. الان میخوام یه دوره دیپ لرنینگ متفاوت بهتون معرفی کنم. این دوره دیگه فقط شامل شبکه MLP CNN Transformer GAN و غیره نیست. مطالبی که توی این دوره گفته شده، ممکن هست دغدغه خیلی از شماها باشه. مثلا چی؟ مثلا، MLOPS یا Data Management یا Test یا AI Ethics و ...

علاوه بر عناوین بالا، یک جلسه جالب با موضوع ML Teams & Startups دیدم. مربوط میشه به نحوه تشکیل یک تیم ML که جالب هست. یک اسلاید از این جلسه رو در تصویر بالا میبینید؛ تعریف دقیقی از تخصصها ارائه داده که واقعا آموزنده هست.

ویدئوها و اسلایدهای این دوره به صورت رایگان دردسترس هست:
https://fullstackdeeplearning.com/spring2021/lecture-13/

اما یک توضیح کلی هم درباره سایتشون (fullstackdeeplearning.com) بدم؛ از اسمش (فول استک دیپ لرنینگ) میشه حدس زد که اهدافش چی هست. به بخشهای دیگه سایت حتما سر بزنید و این منبع آموزشی متفاوت رو از دست ندید.

حالا برو فوتبال ببین! 😁

@pytorch_howsam

سلام
مجموعه deeplearning.ai (دکتر اندروانگ و دوستان) یکسری کورس کوتاه معرفی کرده که به گفته خودشون برای مدت محدودی رایگان هست. این کورسها شامل مطالب جالبی هستن:
* Building Systems with the ChatGPT API
* ChatGPT Prompt Engineering for Developers
* LangChain for LLM Application Development
* How Diffusion Models Work

موضوعها ترند هستن. فقط اون مورد آخر، دیفیوژن مدلها، برای افرادی مناسب هست که دانش و مهارت خوبی در یادگیری عمیق دارن. چون خیلی کوتاه و خلاصه درموردش توضیح دادن.

لینک:
https://www.deeplearning.ai/short-courses/

@pytorch_howsam

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

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

خیلیا میدونن paperswithcode چیه و خیلیا هم نمیدونن...

ما همیشه توی همه دوره هامون و همچنین گروه های پشتیبانی میگیم که از سایت paperswithcode غافل نشید. اگه میخوای مقاله با کد پیدا کنی، اگه میخوای موضوع مناسب برای پایان نامه پیدا کنی، اگه میخوای کارهای تحقیقاتی ترند رو پیدا کنی و ... همه و همه اینها در این سایت وجود داره.

حالا، ما در سایت یک وبلاگ براش نوشتیم. یک ربع وقت بذارید مطالعه کنید، لینکش رو هم بوکمارک کنید، بعدا بدردتون میخوره.

لینک وبلاگ آشنایی با سایت paperswithcode:
https://howsam.org/paperswithcode-introduction/

@pytorch_howsam 🫶

سلام
یک دوره خوب و جدید با رویکرد هوش مصنوعی کاربردی در کورسرا. اسم دوره:
AI for Good Specialization

شامل سه بخش (پروژه) هست:
AI and Public Health
AI and Climate Change
AI and Disaster Management

اینم معرفی دوره:
Learn AI's role in addressing complex challenges. Build skills combining human and machine intelligence for positive real-world impact using AI

لینک کورس

@pytorch_howsam

یکی از کارهای مهم برای تقویت رزومه، انجام پروژه هست. پروژه هایی که در حد MNIST و CIFAR نباشه و البته یک پروژه سنگین تجاری هم نباشه!

با اومدن ChatGPT این فرصت در اختیار افراد قرار گرفته که راحت تر و بهتر از قبل برای خودشون پروژه تعریف کنن و به کمک اون انجامش بدن.

خیلی راحت میتونیم ازش بخواییم که برامون پروژه تعریف کنه که هم متناسب با توانایی ما باشه، هم توانایی ما ارتقا پیدا کنه و هم اینکه یک آیتم یا ویژگی خوب به رزومه مون اضافه بشه.

میخوام یک پست از towardsdatascience بهتون معرفی کنم که درمورد این مساله صحبت کرده. گفته که شما باید نمونه کار در رزومه داشته باشید و اتفاقا یکسری از پروژه هایی که میشه با LLM-ها (مدلهای زبانی هیولا!) ساخت رو ذکر کرده.

یکی از پیشنهاداتش، YouTube or Podcast Summarizer هست. ممکن هست، بگید که "حاجی خبر نداری، اینو خیلی وقته ساختن!" نه، نشد! ما این پروژه ها رو با اهداف تجاری نمیسازیم، بلکه با اهداف یادگیری، ارتقای توانایی و رزومه مسازیم. پس مهم نیست که قبلا ساخته شده...

لینک وبلاگ معرفی شده

@pytorch_howsam

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/

پادکست : تولید دیتا در فوتبال

دیتا رو شکنجه کنی ، به هر چی اعتراف میکنه 🤠

باشگاه برایتون و برنتفورد Brighton / Brentford توسط دیتاساینتیست ها مدیریت می شود.

در عصر هوش مصنوعی ، دیگه حرف فرگوسن شوخیه !

(برشی از برنامه پادکست فوتبال 360)

A powerful tool for unstructured Data, DagsHub Data Engine!

Designed to conquer the complexities of unstructured data and build reliable models.

She made the sale !
Could you tell this is AI?
PEARL by NLPearl.AI is a human-like, fully autonomous sales and support agent that can actually sell any product from start to end, including executing credit card payments, sending emails and doing any action required during the call. PEARL significantly increases income for businesses as it can be used on its own to setup a call center, expand an existing call center or call clients back.

PEARL's one hour of air time is worth a lot more than a human agent's without the costs related to employment.

Sales and support with limitless scale & zero hassle. https://nlpearl.ai/

Join us at SIGGRAPH2023 to learn to become a developer for the next wave of physically-accurate 3D virtual worlds and learn to build on NVIDIA Omniverse and #OpenUSD.

Did you know that diffusion models are revolutionizing research in the life sciences?

They're even being used to generate molecules for drug discovery!

By diving into the technicalities of diffusion models, you'll gain a deeper understanding of how they work and unlock your potential to utilize these models for your own applications.

Level up your knowledge with How Diffusion Models Work.

3D-LLMInjecting the 3D World into Large Language Models

Large language models (LLMs) and Vision-Language Models (VLMs) have been proven to excel at multiple tasks, such as commonsense reasoning but is not grounded in the 3D physical world.

خبری آمد ... 🤠
برو بچ IBM هم به جامعه ی Pytorch پیوستند. و جامعه ی پایتورچ نیز ایز هپی 🤠 و خوشحال است که IBM به اعضای Premier اضافه شده است.

هدف از پیوستن IBM این بوده است که به بخش سخت افزاری و نرم افزاری این تیم قدرت بخشد و زیرساخت های ابری و هیبریدی را قوی تر کند.

“We’re happy to welcome IBM as a premier member.
IBM’s expertise and dedication to advancing the field of artificial intelligence align perfectly with the mission of the PyTorch community,”
said PyTorch Foundation Executive Director Ibrahim Haddad.
“Their commitment to open collaboration and innovation will strengthen our collective efforts to empower developers and researchers worldwide.”

نه! ... خوشمان آمد 🤠

امروز آغاز یک تحول جدید و هیجان انگیز برای Stack Overflow خواهد بود.
رونمایی پلتفرم OverflowAI که نشان دهنده ی نقشه راه ، توسط هوش مصنوعی و generative AI می باشد.

از این به بعد هم چت کنید ،
هم به جای جستجو در سایت ، سوال کنید
و جواب ها را همراه با مثال و قطعه کدها دریافت کنید
و همچنین مباحث مرتبط با موضوعی که به سوال شما ربط دارد را مشاهده کنید.

همچنین
یک پلاگین در VS-Code همراه شماست که از همانجا می توانید سوالات و خطاهارا بررسی کنید.

و این قابلیت به عنوان یک دستیار هم در Slack هم همراه شماست.

سلام
چطورید؟ 🫶

هفته گذشته یک خبر جالب درمورد کراس شنیدیم. Keras Core معرفی شد که میتونه Backend-های مختلفی داشته باشه. یعنی، علاوه‌بر تنسورفلو، حالا میتونه Backend پایتورچ و جکس هم داشته باشه. اتفاق جالبی هست! 🤌

حالا یعنی چی؟
یعنی شما میتونید از سادگی و خلاصه بودن کراس استفاده کنید و درعین حال از مزیت‌های پایتورچ هم بهره ببرید. یک نمونه مثال از این قابلیت رو در لینک زیر می‌تونید ببینید:
https://keras.io/keras_core/guides/custom_train_step_in_torch/

نصب کراس کور هم ساده هست:
!pip install keras-core

و همچنین Backend رو به‌صورت زیر تعیین می‌کنید:
os.environ["KERAS_BACKEND"] = "torch"

تامام!

@pytorch_howsam

برو بچ Hugging Face هم به پایتورچ ملحق شدن 🤠 و از امروز به عنوان اعضای Premier فعالیت می کنند.

The PyTorch Foundation, a neutral home for the deep learning community to collaborate on the open source PyTorch framework and ecosystem, is announcing today that Hugging Face has joined as a premier member.

انویدیا ، از کنفرانس سه بعدی ، بواسطه ی هوش مصنوعی ، رونمایی کرد.

Come see how our researchers are conducting AI-mediated 3D video conferencing across several displays, including a 3D Looking Glass holographic display.

- Experience this hand-on demo at SIGGRAPH2023.

- NVIDIA Emerging Technology Booth

INT8 Quantization for x86 CPU in #PyTorch

Looking to speed up deep learning inference on x86 CPU ?

در معماری x86، پردازنده‌ها به طور پیش‌فرض از فرمت‌های داده با دقت بالاتر استفاده می‌کنند که باعث مصرف بیشتر منابع سخت‌افزاری و کاهش کارایی می‌شود.

اما با استفاده از کوانتیزیشن INT8، می‌توان دقت داده‌ها را به 8 بیت تقلیل داده و در عوض سرعت اجرای مدل‌ها را افزایش داد.

این کار به ویژه برای برنامه‌ها و سناریوهایی که نیاز به پردازش سریع تصاویر، صدا یا داده‌های مشابه دارند، مفید است.