🧠ایلان ماسک کاشت تراشه در مغز دومین بیمار نورالینک رو تأیید کرد

🔻ایلان ماسک در قسمت جدید پادکست لکس فریدمن تأیید کرد که دومین بیمار نورالینک تراشه مغزی این شرکت رو با موفقیت دریافت کرده. اطلاعات زیادی درباره زمان انجام این جراحی ارائه نشده اما ماسک می‌گه همه‌چیز فعلاً بسیار خوب پیش رفته.

🔻ایلان ماسک در گفتگو با لکس فریدمن درباره دومین بیمار دریافت‌کننده تراشه مغزی نورالینک گفت: به‌ نظر می‌رسه همه‌چیز درباره بیمار دوم فوق‌العاده خوب پیش رفته. سیگنال‌های زیاد و الکترودهای زیادی وجود داره.»

🔻گفته شده دومین بیمار نورالینک مثل بیمار اول آسیبی در طناب نخاعی خودش داشته. ماسک گفته ۴۰۰ الکترود در مغز این بیمار فعاله. نورالینک در وب‌سایت خودش اعلام کرده تراشه مغزی‌اش از ۱۰۲۴ الکترود استفاده می‌کنه. مدیرعامل نورالینک همچنین پیش‌بینی کرده در ادامه سال جاری میلادی ۸ بیمار دیگر هم این تراشه مغزی رو در کارآزمایی‌های بالینی دریافت کنن.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚 الگوریتم های یادگیری ماشین (قسمت سیو چهارم )

✔️الگوریتم Gradient Boosting(درس دوم)

🟡‏وقتی که ستون هدف پیوسته است، از Gradient Boosting Regressor استفاده می‌کنیم، و برای مسئله طبقه بندی ، از Gradient Boosting Classifier استفاده می‌کنیم. تنها تفاوت بین این دو "عملکرد ضرر" هست. برای مشکلات رگرسیون، توابع ضرر متفاوتی مثل میانگین مربعات خطا (MSE) و برای طبقه‌بندی، توابع مختلفی مثل log-likelihood خواهیم داشت.
‏Gradient Boosting شامل سه عنصر هست:
‏
1️⃣. تابع ضرر(Loss Function):

🟡تابع ضرر استفاده شده به نوع مشکل بستگی داره.به عنوان مثال، رگرسیون از یک خطای مربع و طبقه‌بندی از ضرر لگاریتمی استفاده می‌کنه.
یکی از مزایای Gradient Boosting  داشتن ،  یک چارچوب به اندازه کافی عمومیه، که می‌تونه از هر تابع ضرر متمایزپذیر استفاده کنه؛و لازم نیست یک الگوریتم تقویت جدید برای هر تابع ضرری که ممکنه بخواد استفاده بشه مشتق شود.

‏2️⃣. یادگیرنده ضعیف(Weak Learner):

🟡درختان تصمیم به عنوان یادگیرنده ضعیف استفاده می‌شند.به طور خاص از درخت‌های رگرسیون که مقادیر واقعی رو برای تقسیم‌ها و خروجی‌ها با هم جمع می‌کنند، اجازه می‌دند تا خروجی‌های مدل‌های بعدی اضافه بشند و باقی‌مانده‌ها در پیش‌بینی‌ها «تصحیح» بشند.
درختان به شیوه‌ای حریصانه ساخته می‌شند و بهترین نقاط تقسیم رو بر اساس امتیازهای خلوص مانند Gini یا برای به حداقل رساندن ضرر انتخاب می‌کنن.

🟡در ابتدا، از درخت‌های تصمیم بسیار کوتاهی که تنها دارای یک تقسیم‌اند استفاده می‌شد.درختان بزرگتر رو می‌شه به طور کلی با سطوح 4 تا 8 استفاده کرد.

‏3️⃣. مدل افزودنی(Additive Model):

🟡درخت‌ها یکی یکی اضافه می‌شند و درخت‌های موجود در مدل تغییر نمی‌کنند.
یک روش نزول گرادیان برای به حداقل رساندن تلفات موقع اضافه کردن درختان استفاده می‌شود.

🟡به طور سنتی، گرادیان نزول برای به حداقل رساندن مجموعه‌ای از پارامترها، مثل ضرایب در معادله رگرسیون یا وزن‌ها در یک شبکه عصبی استفاده می‌شه. پس از محاسبه خطا یا ضرر، وزن‌ها به روز می‌شند تا آن خطا به حداقل برسه.

#آموزش   #یادگیری_ماشین  #machine_learning
#الگوریتم_یادگیری_ماشین

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

زنده کردن عکس های قدیمی با کمک هوش مصنوعی😍

#سرگرمی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📌مرحله اول MLOps: جمع‌آوری و آماده‌سازی داده‌ها

(قسمت سوم)

🟣امروز می‌خواهیم درباره مرحله اول MLOps صحبت کنیم: جمع‌آوری و آماده‌سازی داده‌ها. این مرحله خیلی مهمه چون کیفیت داده‌ها مستقیم روی عملکرد مدل‌های یادگیری ماشین تأثیر می‌ذاره. بیاید ببینیم چطور می‌تونیم داده‌ها رو جمع کنیم و برای مدل‌سازی آماده کنیم.

1️⃣. جمع‌آوری داده‌ها

🟣جمع‌آوری داده‌ها همیشه آسون نیست. ممکنه با مشکلاتی مثل حجم زیاد، ناقص بودن، و کیفیت پایین داده‌ها روبرو بشیم. باید داده‌ها رو از منابع مختلف جمع کنیم و مطمئن بشیم که کامل و درست هستن.

2️⃣. پاک‌سازی و پیش‌پردازش داده‌ها

🟣بعد از جمع‌آوری، نوبت پاک‌سازی داده‌هاست. این یعنی حذف داده‌های تکراری و اشتباه، و پر کردن جاهای خالی. داده‌ها رو به فرمت مناسب برای مدل‌سازی تبدیل می‌کنیم تا بهتر بتونیم ازشون استفاده کنیم.

3️⃣. استانداردسازی و نرمال‌سازی داده‌ها

🟣برای اینکه مدل‌مون بهتر یاد بگیره، داده‌ها رو استانداردسازی و نرمال‌سازی می‌کنیم. این کار باعث می‌شه مقیاس‌ها یکسان بشن و مدل بتونه به‌درستی از داده‌ها استفاده کنه.

4️⃣ تقسیم داده‌ها

🟣آخر سر، داده‌ها رو به سه بخش تقسیم می‌کنیم:
آموزش (Training): برای یادگیری مدل (70-80%).
اعتبارسنجی (Validation): برای تنظیم مدل (10-15%).
آزمون (Test): برای ارزیابی نهایی مدل (10-15%).

🟣آماده‌سازی داده‌ها، اولین و شاید مهم‌ترین گام تو MLOps هست که باهاش می‌تونیم مدل‌هامون رو به دقت بالا و کارایی بهتر برسونیم.

#MLOPS

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🧠پیشرفت چشمگیر در خواندن ذهن؛ این هوش مصنوعی تصاویر مغزی رو با دقتی بالا بازسازی می‌کنه

⚫در سال ۲۰۲۲، محققان دانشگاه رادبود در هلند فناوری خوندن ذهن رو معرفی کردن که می‌تونست امواج مغزی یک فرد رو به تصویر ترجمه کنه. حالا اونها در مطالعه‌ای جدید، پژوهش قبلی خودشونو با تحقیقات جدید ترکیب کردند تا فعالیت مغزی رو با دقتی استثنایی به تصویر تبدیل کنند. این پیشرفت بعد از این حاصل شد که به سیستم‌های هوش مصنوعی توانایی تمرکز بر مناطق خاص مغز داده شد.

⚫در آزمایشی، محققان عکس‌هایی از چهره‌ها رو به دو داوطلب درون یک اسکنر قدرتمند تصویربرداری تشدید مغناطیسی عملکردی (fMRI) نشون دادن. درحالی‌که داوطلبان به تصاویر چهره‌ها نگاه می‌کردن، fMRI فعالیت نورون‌ها رو در مناطقی از مغزشون که مسئول بینایی هست، اسکن کرد. بعد محققان این اطلاعات رو به الگوریتم هوش مصنوعی کامپیوتر دادن که می‌توانست براساس اطلاعات اسکن fMRI، تصویری دقیق بسازه.

#کاربرد_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📣نظرات هنرمندان پس از آزمایش Sora؛ عملکرد هوش مصنوعی تولید ویدیو OpenAI چطور هست؟

🔴شرکت OpenAI به چندین هنرمند، طراح و فیلمساز امکان دسترسی به Sora رو داده تا به کمک بازخوردهای اون ها، این مدل رو در انجام کارهای خلاقانه بهبود بده. اکنون 4 نفر از این هنرمندان جنبه‌های مثبت و منفی این هوش مصنوعی رو با بیزینس اینسایدر مطرح کردن.

🔴شارلوت تریباس(Charlotte Triebus)، هنرمند و طراح رقص، حدود 4 ماهه که داره سورا رو تست می‌کنه. تریباس متوجه شده می‌تونه با این مدل افراد دارای جنسیت‌های مختلف ایجاد کنه اما هنوز هم این هوش مصنوعی مشکلاتی با فیزیک داره.

🔴هنرمند بعدی معمار و طراحه. تیم فو (Tim Fu) می‌گه هوش مصنوعی هنرمندان رو بیشتر به متصدیان هنری تبدیل کرده؛ زیرا ابزارهایی مثل Sora می‌تونند به تجسم ایده‌هایی کمک کنن که می‌شه اونها رو تا رسیدن به نتیجه‌ای مطلوب تغییر داد.

🔴دو هنرمند دیگه، مانوئل ساینسیلی (Manuel Sainsily)، سخنران TED و مدرس واقعیت گسترده (XR) در دانشگاه مک‌گیل، در کنار ویلیام سلویز(William Selviz)، مدیرتولید پروژه‌ای به نام Protopica هم با OpenAI همکاری کردن تا عملکرد Sora در کمک به داستان‌سرایی رو بررسی کنن. اونها فیلم کوتاهی برای این کار ساختن. از نظر این دو، سورا در تجسم داستان‌هایی که تصویربرداری یا فیلم‌برداری اونها دشواره، مفیده.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅مرحله دوم MLOps: مهندسی ویژگی‌ها

(قسمت چهارم)

🔵تا اینجا یاد گرفتیم که MLOps یه روشیه که کمک می‌کنه مدل‌های یادگیری ماشین رو راحت‌تر بسازیم و توی دنیای واقعی استفاده کنیم. حالا بریم سراغ مرحله دوم: مهندسی ویژگی‌ها.

🔵مهندسی ویژگی‌ها چیه؟

⬅️فرض کنیم می‌خوایم یه خونه بخریم. چی برامون مهمه؟ متراژ؟ تعداد اتاق‌ها؟ موقعیتش؟ اینا همون ویژگی‌ها هستن که بهمون کمک می‌کنن تصمیم بگیریم کدوم خونه رو بخریم.
در مورد مدل‌های یادگیری ماشین هم همینطوره. ما باید ویژگی‌های مهمی رو از داده‌ها انتخاب کنیم و به مدل بدیم تا بتونه بر اساس اون‌ها تصمیم بگیره. مثلاً اگه بخوایم مدلی بسازیم که قیمت خونه رو پیش‌بینی کنه، باید ویژگی‌هایی مثل متراژ، تعداد اتاق‌ها، موقعیت جغرافیایی و ... رو به مدل بدیم.

⬅️چرا مهندسی ویژگی‌ها مهمه؟

🔵مدل دقیق‌تر: اگه ویژگی‌های خوبی انتخاب کنیم، مدل‌مون دقیق‌تر پیش‌بینی می‌کنه.

🔵مدل ساده‌تر: با انتخاب ویژگی‌های مناسب، می‌تونیم مدل رو ساده‌تر کنیم و احتمال اینکه مدل اشتباه کنه رو کم کنیم.

🔵درک بهتر مدل: وقتی ویژگی‌های خوبی انتخاب کنیم، راحت‌تر می‌تونیم بفهمیم که مدل چطور داره کار می‌کنه.

⬅️چه کارهایی توی مهندسی ویژگی‌ها انجام می‌دیم؟

🔵انتخاب ویژگی: از بین همه ویژگی‌ها، اونایی رو انتخاب می‌کنیم که مهم‌ترن.

🔵تبدیل ویژگی: بعضی ویژگی‌ها رو باید به شکل دیگه تبدیل کنیم تا مدل بهتر بتونه ازشون استفاده کنه.

🔵ایجاد ویژگی جدید: بعضی وقت‌ها با ترکیب چند ویژگی، ویژگی جدیدی می‌سازیم که اطلاعات بیشتری به مدل می‌ده.

🔵کاهش تعداد ویژگی‌ها: اگه تعداد ویژگی‌ها خیلی زیاد باشه، می‌تونیم تعدادشون رو کم کنیم تا مدل سریع‌تر کار کنه.

🔵مثال ساده:
فرض کنیم می‌خوایم مدلی بسازیم که تشخیص بده یه ایمیل اسپمه یا نه. ویژگی‌های مهمی که می‌تونیم انتخاب کنیم عبارتند از: تعداد کلمات تکراری، وجود کلمات خاص (مثلاً کلماتی که تو ایمیل‌های اسپم زیاد استفاده میشه)، طول ایمیل و ...

#MLops

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📣امکان خلق تصاویر رایگان در ChatGPT فراهم شد: روزانه دو تصویر

⚫️شرکت OpenAI اعلام کرده که کاربران نسخه رایگان ChatGPT میتونن روزانه تا دو تصویر با استفاده از مدل DALL-E 3 ایجاد کنن.

⚫️گفتنیهDALL-E 3 با یک ویژگی کلیدی همراهه که به ChatGPT اجازه می‌ده پرامپت‌های تصویری بهتری تولید کنه، ساده‌سازی بیشتری در فرایند خلق تصاویر ایجاد می‌کنه. این اقدام، بخشی از گسترش تدریجی قابلیت‌های ChatGPT برای کاربرانه که همزمان با انتشار دیگه اخبار مهم OpenAI صورت می‌گیره.

⚫️به عنوان مثال، در یک دمو، آدیتیا رامش محقق ارشد و سرپرست تیم DALL-E از ChatGPT خواست که یک لوگو برای یک رستوران در منطقه کوهستانی طراحی کند. ChatGPT سپس یک پرامپت طولانی‌تر نوشت و DALL-E چهار گزینه تصویری ارائه داد.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅تشخیص شخصیت افراد از طریق توییت های اونها با هوش مصنوعی

🔴اگه دنبال اینی که شخصیت یک نفر رو براساس توییت هایی که منتشر کرده متوجه بشی این سایت رو بهت پیشنهاد میکنم ؛ چه توییت های خودتون چه شخص دیگه‌ای.

🔴این کار با استفاده از هوش مصنوعیی که پشت این ابزار وجود داره انجام‌ میگیره و رفتار و شخصیت شمارو تحلیل میکنه و در حد چند خط بهتون توضیح میده...

🔴https://twitter.wordware.ai/

#ابزار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📣وبینار رایگان هوش مصنوعی و جایگاه آن در کسب و کار ها

✔️شتابدهنده هوش مصنوعی اسمارتک با همکاری فروشگاه اینترنتی دارسو برگزار می کند:

👈سر فصل ها:

🔘آشنایی با هوش مصنوعی
🔘تاثیر هوش مصنوعی بر کسب و کار های آینده
🔘بررسی مشاغلی که با هوش مصنوعی از بین می روند
🔘مشاغل جدید آینده با هوش مصنوعی
🔘کاربرد های هوش مصنوعی
🔘روند توسعه کسب و کار ها با هوش مصنوعی
🔘تاثیر هوش مصنوعی بر جامعه
🔘چگونگی نقش آفرینی در عصر هوش مصنوعی

⏰زمان برگزاری: یکشنبه ۲۱ مرداد ساعت ۱۸

لینک ثبت نام👈

⚫️https://eseminar.tv/wb141992

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🔗هوش مصنوعی تبدیل متن به تصویر Flux معرفی شد؛ رقیب جدی میدجرنی

➕استارتاپ Black Forest Labs از هوش مصنوعی Flux رونمایی کرده که با ١٢ میلیارد پارامتر بزرگ‌ترین مدل متن‌باز تبدیل متن به تصویر تا امروزه. Flux می‌تونه تصاویری ارائه بده که با نمونه‌های میدجرنی قابل‌رقابت هستن و احتمالاً بتونه هر مدل دیگه ای رو که تا الان در دسترس قرار گرفته، متن‌باز یا بسته، شکست بده.

➕هوش مصنوعی Flux در سه نسخه ارائه می‌شه: Flux Dev که متن‌بازه و برای توسعه‌دهندگان در دسترس قرار می‌گیره. Flux Schnell که تا ١٠ برابر عملکرد سریع‌تری داره و تحت مجوز Apache 2 منتشر می‌شه. نسخه سوم، Flux Pro متن‌بسته اس که می‌شه از طریق API از اون استفاده کرد.

➕یکی از تفاوت‌های اصلی Flux با میدجرنی در اینه که Flux متن‌‌بازه و می‌شه اون رو روی سیستمی نسبتاً خوب هم اجرا کرد. دو نسخه Flux Dev و Flux Schnell الان برای دانلود در Hugging Face در دسترس قرار دارن.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🏓ربات جدید گوگل، حریف قدرتمند انسان‌ها در پینگ‌پنگ!

🔻گوگل DeepMind ربا‌تی رو توسعه داده که می‌تونه با عملکردی در سطح انسان‌ها بازی پینگ پنگ رو انجام بده. ربات ساخته‌شده توسط مهندسان گوگل از قابلیت‌های هوش مصنوعی و یک بازوی رباتیک بهره می‌بره که یک راکت پینگ‌پنگ به اون متصل شده.

🔻محققان گوگل می‌گن که ربات اونها موفق‌شده در ۱۳ مسابقه از مجموع ۲۹ مسابقه با انسان‌هایی که در پینگ‌پنگ توانایی مختلفی داشته‌ان، پیروز بشه. البته این سیستم هنوز با کامل‌بودن فاصله زیادی داره.

🔻هرچند ربات پینگ‌پنگ‌باز گوگل تونست تمام حریفان مبتدی و ۵۵ درصد از افراد با سطح آماتور رو شکست بده، اما تمام بازی‌های خودش در برابر بازیکنان حرفه‌ای رو شکست خورده. بااین‌حال، این ربات همچنان یک پیشرفت چشمگیر به حساب می‌آد.

🔻این ربات مجهز به هوش مصنوعی  می‌تونه ضرباتی که با چرخش سبک انجام می‌شن رو پاسخ بده و همچنین توانایی خواندن چرخش توپ رو هم داره. نکته قابل‌توجه دیگر، توانایی خیره‌کننده اون در نحوه کنترل توپ در تمام قسمت‌های میز هست.

#ربات # robot

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚 الگوریتم های یادگیری ماشین (قسمت سیو پنجم )

✔️الگوریتم Gradient Boosting(درس سوم)

🟢‏Gradient boosting ممکنه مشکل بیش از حد برازش(overfit) داشته باشه.
می‌تونه ار روش‌های منظم‌سازی که بخش‌های مختلف الگوریتم رو جریمه و محدود می‌کنن و به طور کلی با کاهش بیش از حد برازش، عملکرد الگوریتم رو بهبود می‌بخشه، استفاده کنه.

✅چهار تقویت پایه گرادیان
‏
1️⃣. محدودیت های درختی:

🟢مهمه که یادگیرنده‌های ضعیف مهارت داشته باشن اما ضعیف بمونن.چندین راه برای محدود کردن درختان وجود داره.هرچی ایجاد درخت محدودتر باشه، به درخت های بیشتری در مدل نیاز خواهیم داشت، و برعکس، جایی که درختان منفرد محدود کمتری دارن، درختان کمتری مورد نیاز هستن.

2️⃣. به روز رسانی وزن:

🟢پیش بینی‌های هر درخت به ترتیب با هم جمع می‌شند.سهم هر درخت در این مجموع رو می‌شه برای کاهش سرعت یادگیری توسط الگوریتم وزن کرد. این وزن‌دهی را انقباض یا نرخ یادگیری می نامند.

3️⃣. افزایش گرادیان تصادفی:

🟢یک دیدگاه بزرگ در مورد مجموعه‌های خوشه‌ای و جنگل‌های تصادفی به درختان اجازه می‌داد تا با حرص و آز از زیر نمونه‌های مجموعه داده آموزشی ایجاد بشند.

🟢همین مزیت رو می‌شه برای کاهش همبستگی بین درختان در دنباله در مدل‌های تقویت گرادیان استفاده کرد.این تنوع تقویت، تقویت گرادیان تصادفی نامیده می شود.

‏4️⃣. افزایش گرادیان مجازات:

🟢علاوه بر ساختار درختان پارامتری شده، محدودیت‌های اضافی رو می‌شه اعمال کرد.
درخت‌های تصمیم کلاسیک مانند CART به‌عنوان یادگیرنده ضعیف استفاده نمی‌شوند، در عوض از یک فرم اصلاح‌شده به نام درخت رگرسیون استفاده می‌شه که دارای مقادیر عددی در گره‌های برگ است(که به آن گره‌های پایانی نیز می‌گویند). مقادیر موجود در برگ درختان رو در برخی ادبیات می‌شه وزن نامید.

🟢پس متوجه شدیم که به دلیل استفاده از روش گرادیان نزول برای بهینه‌سازی پارامترهای مدل جدید در تقویت، آن را تقویت گرادیان می‌نامیم. ایده کلیدی  اینه که هر مدل جدیدی که به مجموعه اضافه میشه بر اصلاح اشتباهات مدل های قبلی تمرکز کنه. با به حداقل رساندن مکرر باقیمانده‌ها و بهبود پیش بینی‌ها، مجموعه به تدریج دقت خود را افزایش میده.

#آموزش   #یادگیری_ماشین  #machine_learning
#الگوریتم_یادگیری_ماشین

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🥸قدرت فوق‌العاده هوش مصنوعی در تصویر سازی

✔️عکس این دختر توسط هوش مصنوعی قدرتمند Flux ساخته شده و بعد از اون با استفاده از مدل تولید ویدیوی Gen-3 Alpha متحرک و به ویدیو تبدیل شده.

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚 چیت شیت پایتون اسمارتک(قسمت سوم)

⬅️ در این چیت شیت نکات مهم و اصولی پایتون به صورت خلاصه جمع آوری شده و میتونید در هر زمانی که نیاز داشتید با مرور این چیت شیت نکات پایتون رو مرور کنید.

🧷لینک قسمت اول

🧷لینک قسمت دوم

#آموزش #پایتون

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅مرحله سوم MLOps: آموزش مدل (Model Training)

(قسمت پنجم)

🟣تصور کنین مدل ما مثل یه دانش‌آموزه که داره دنیای داده‌ها رو یاد می‌گیره. تو این مرحله، ما یه معلم هستیم که به مدل‌مون یاد می‌دیم چطور از روی داده‌های آموزشی، الگوهایی رو پیدا کنه و پیش‌بینی‌های خوبی انجام بده.

⬅️چه اتفاقی می‌افته؟

🟣انتخاب الگوریتم: اول از همه، باید یه الگوریتم مناسب برای مدل‌مون انتخاب کنیم. مثلاً اگر می‌خوایم قیمت خونه رو پیش‌بینی کنیم، ممکنه از رگرسیون خطی استفاده کنیم. اما اگه بخوایم تشخیص بدیم که یه ایمیل اسپمه یا نه، شاید از الگوریتم‌های طبقه‌بندی مثل جنگل تصادفی استفاده کنیم.

🟣آماده‌سازی داده‌ها: داده‌هایی که برای آموزش مدل استفاده می‌کنیم، باید تمیز و آماده باشن. یعنی بدون داده‌های از دست رفته، نویز و خطا.

🟣تعریف پارامترها: هر الگوریتم، پارامترهای خاص خودش رو داره. مثلاً تعداد درخت‌ها در جنگل تصادفی یا نرخ یادگیری در شبکه‌های عصبی. ما باید این پارامترها رو طوری تنظیم کنیم که مدل بهترین عملکرد رو داشته باشه.

🟣آموزش مدل: حالا مدل‌مون رو با استفاده از داده‌های آموزشی، تعلیم می‌دیم. مدل سعی می‌کنه ارتباط بین ویژگی‌های ورودی و خروجی رو یاد بگیره.

🟣تکرار و بهبود: ممکنه چندین بار این فرآیند رو تکرار کنیم تا به بهترین نتیجه برسیم. مثلاً پارامترها رو تغییر بدیم یا الگوریتم‌های مختلفی رو امتحان کنیم.

⬅️هدف از آموزش مدل چیه؟

🟣ایجاد یک مدل دقیق: می‌خوایم مدلی داشته باشیم که بتونه با دقت بالایی، پیش‌بینی‌های درست انجام بده.

🟣کاهش خطا: سعی می‌کنیم خطای مدل رو به حداقل برسونیم تا پیش‌بینی‌ها قابل اعتمادتر باشن.

🟣یافتن الگوها: مدل با آموزش دیدن، الگوهایی رو در داده‌ها پیدا می‌کنه که ما ممکنه با چشم ندیده‌شون بگیریم.

⬅️چرا آموزش مدل مهمه؟

🟣بنیاد مدل: آموزش مدل، پایه و اساس همه کارهای بعدی ما در MLOps هست.

🟣تأثیر بر عملکرد: کیفیت آموزش مدل، به طور مستقیم روی عملکرد مدل در محیط واقعی تأثیر می‌گذاره.

🟣تکرارپذیری: با آموزش مدل، می‌تونیم نتایج رو تکرار کنیم و اطمینان پیدا کنیم که مدل همیشه به همین صورت عمل می‌کنه.

#MLOPS

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📱گوگل میت به‌زودی می‌تونه با هوش مصنوعی از جلسات شما یادداشت‌برداری کنه

🔵به گزارش سایت WorkspaceUpdates گوگل، این ویژگی که رسماً «یادداشت‌برداری برای من» (Take notes for me) نامیده می‌شه، به گوگل میت اجازه می‌ده تا در مورد هر چیزی که در جلسه آنلاین صحبت می‌شه یادداشت‌برداری کنه. این ویژگی از قابلیت‌های پیشرفته مدل‌های جمینای برای این کار استفاده می‌کنه. اگر اون رو فعال کنید، یک گزارش خودکار با یادداشت‌های متنی در جلسه دریافت میکنید. این یادداشت‌ها به شما امکان می‌ده کل جلسه رو مرور کنید تا مطمئن بشید هیچ صحبت مهمی از قلم نیفتاده.

🔵این ویژگی امکانات بیشتری هم داره؛ از جمله به شما امکان می‌ده با رهاشدن از دردسر یادداشت‌برداری، روی خودتون جلسه تمرکز کنید. همچنین به شما این امکان رو می‌ده که در صورت لزوم، خلاصه جلسات را با افرادی که در اون حضور نداشتند، به اشتراک بگذارید. یادداشت‌ها در حساب گوگل درایو شخصی که جلسه رو شروع کرده، در دسترس خواهد بود.

🔵از ٢۴ فروردین ١۴٠٣، کاربرانی که وضعیت ادمین دارن، گزینه «یادداشت برداری با هوش مصنوعی گوگل» (Google AI note-taking) رو در قسمت Apps > Google Workspace > Google Meet > Gemini Settings پیدا میکنن که به طور پیش‌فرض فعاله، اما در صورت تمایل می‌تونند اون هارو غیرفعال کنند.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

‏✅ عرضه اولین تراشه هوش مصنوعی مشترک انویدیا و مدیاتک در سال 2025؛ رقبای قدیمی، رفقای فعلی!

‏⚫️به نظر میاد دو غول تراشه‌سازی انویدیا و مدیاتک همکاری جدیدی رو آغاز کرده و قصد دارن یک تراشه مشترک روانه بازار کنن. ظاهراً تراشه مشترک این دو شرکت برای استفاده در کامپیوترهای هوش مصنوعی ساخته شده و در سال آینده میلادی از راه میرسه!

‏⚫️علاوه بر این با ورود انویدیا به پروژه ساخت این تراشه، به جرأت میشه گفت که این چیپ در زمینه گرافیکی حرف‌های زیادی برای گفتن داشته باشه ؛ این تراشه فعلاً در مرحله طراحی قرار داره و احتمالاً تا ۳ ، ۴ ماه آینده نسخه های اولیش عرضه میشه.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅مرحله چهارم MLOps: ارزیابی مدل (Model Evaluation)

(قسمت ششم)

🟡خب رسیدیم به مرحله‌ای که می‌خوایم ببینیم مدل ما چقدر خوب کار می‌کنه! بعد از اینکه مدل‌مون رو آموزش دادیم، نوبت به ارزیابی می‌رسه. این مرحله مثل یه امتحان نهایی برای مدل‌مون هست.

⬅️چه اتفاقی می‌افته؟

🟡داده‌های تست: ما یه مجموعه داده جداگانه به اسم داده‌های تست داریم که مدل هنوز ندیده‌ش. این داده‌ها رو به مدل می‌دهیم تا پیش‌بینی‌های خودش رو انجام بده.

🟡مقایسه پیش‌بینی‌ها با واقعیت: پیش‌بینی‌های مدل رو با جواب‌های واقعی مقایسه می‌کنیم. مثلاً اگه مدل‌مون قیمت خونه رو پیش‌بینی می‌کنه، قیمت‌های پیش‌بینی شده رو با قیمت‌های واقعی مقایسه می‌کنیم.

🟡محاسبه معیارهای ارزیابی: برای سنجش دقت مدل، از معیارهای مختلفی استفاده می‌کنیم. مثلاً برای مسائل رگرسیون از RMSE (میانگین مربعات خطا) و برای مسائل طبقه‌بندی از دقت، فراخوانی و F1-score استفاده می‌کنیم.

⬅️چرا ارزیابی مدل مهمه؟

🟡سنجش عملکرد: با ارزیابی مدل، می‌فهمیم که مدل‌مون چقدر خوب عمل می‌کنه و آیا به اندازه کافی دقیق هست یا نه.

🟡شناسایی مشکلات: اگه مدل عملکرد خوبی نداشته باشه، می‌تونیم مشکلات رو شناسایی کنیم و برای بهبودش اقدام کنیم.

🟡انتخاب بهترین مدل: اگه چندین مدل مختلف آموزش داده باشیم، با مقایسه نتایج ارزیابی، می‌تونیم بهترین مدل رو انتخاب کنیم.

🟡اعتماد به مدل: ارزیابی مدل به ما کمک می‌کنه تا به نتایج مدل اعتماد کنیم و ازش در تصمیم‌گیری‌هامون استفاده کنیم.

⬅️معیارهای ارزیابی مختلف چه کاربردی دارند؟

🟡معیار RMSE: به طور متوسط، چقدر پیش‌بینی‌های مدل از مقادیر واقعی دور هستن؟

🟡دقت: چند درصد از پیش‌بینی‌ها درست بوده؟

🟡فراخوانی: از بین همه نمونه‌های مثبت، چند تاشون توسط مدل به درستی شناسایی شدن؟

🟡معیارF1-score: میانگین هارمونیک دقت و فراخوانی

⬅️چه زمانی می‌گیم مدل ما خوب هست؟

🟡اینکه چه عددی برای معیارهای ارزیابی خوب باشه، بستگی به مسئله و داده‌ها داره. اما به طور کلی، هرچه این معیارها به ۱ نزدیک‌تر باشن، مدل بهتر عمل کرده.

#MLOPS

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📱 مهم‌ترین ویژگی‌های هوش مصنوعی پیکسل ۹

⚫️شب گذشته رویداد Made by Google با رونمایی از گوشی‌های جدید پیکسل ۹ برگزار شد. در ادامه، نگاهی به مهم‌ترین ویژگی‌های هوش مصنوعی این دستگاه‌ها می‌اندازیم:

⚫️اولین تجربه دوربین هوش مصنوعی جهان: با HDR+ بهبودیافته که رنگ پوست، بافت‌ها، سایه‌ها و موارد دیگه رو دقیق‌تر ثبت می‌کنه، دنیای اطراف رو به صورت واقعی‌تر ضبط کنین.

⚫️قابلیت Add Me: این قابلیت اطمینان می‌ده که هیچ‌کس از عکس جا نمی‌مونه. اول از گروه عکس بگیرین و بعد عکاس رو اضافه کنین. پیکسل به صورت بی‌نقص هر دو عکس رو ترکیب می‌کنه.

⚫️پیکسل استودیو: هر چیزی که تصور می‌کنین رو با Pixel Studio خلق کنین. این اپلیکیشن از مدل Imagen 3 استفاده می‌کنه و روی گوشی‌های پیکسل ۹ به‌صورت پیش‌فرض نصب خواهد بود.

⚫️ویدئوی 8K پیشرفته: Video Boost کیفیت ویدئوی رو به رزولوشن 8K ارتقا می‌ده و رنگ‌ها، نورپردازی و تثبیت رو بهبود می‌بخشه تا بهترین کیفیت ویدئو در پیکسل ارائه شه.

⚫️قابلیت Pixel Screenshots: این ویژگی جدید با استفاده از هوش مصنوعی به شما کمک می‌کنه تا به سرعت هر چیزی رو که در یک اسکرین‌شات وجود داره، پیدا کنین.

⚫️دستیار تماس: قابلیت CallAssist خلاصه‌ای از مکالمه رو در اختیار شما قرار می‌ده و این کار به صورت کاملا محرمانه و با پردازش اطلاعات روی گوشی انجام می‌شه.

⚫️اولین گوشی با Gemini Nano: گوگل روی پیکسل ۹ نسخه multi-modal مدل Gemini Nano رو قرار داده. این مدل سه برابر قدرتمندتر و پیچیده‌تر از مدل سال گذشته است. با این ویژگی، پیکسل ۹ می‌تونه تا ۴۵ توکن در ثانیه، بالاترین نرخ خروجی موبایل در صنعت، رو تولید کنه.

⚫️همچنین سری پیکسل ۹ پرو قراره یکسال به اشتراک Google One AI یکسال Gemini Advanced و دو ترابایت حافظه رایگان دسترسی داشته باشن.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram