این Repository یک راهنمای جامع و مفید برای یادگیری، پیشرفت و ورود به دنیای #علم_داده است که منابع یادگیری رایگان و پولی داخلش معرفی شدن.
#GitHub
#Data_Science
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
شرکت اپل یک مدل زبان متنباز با 7 میلیارد پارامتر رو معرفی کرده که با استفاده از 2.5 تریلیون توکن از مجموعه دادههای متن باز آموزش داده شده. برای دسترسی به این مدل در Huggingface کلیک کنین.
این مدل، DCLM-7B، بخشی از پروژه DataComp هست که با همکاری دانشگاه واشنگتن و سایر موسسات ایجاد شده و تونسته دقت 64 درصدی در ارزیابی MMLU رو به دست بیاره و با مدلهای پیشرفتهای چون Mistral-7B-v0.3 رقابت کنه. همچنین، این مدل بهطور قابلتوجهی منابع محاسباتی کمتری نسبت به مدلهای مشابه مصرف میکنه.
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
پایتورچ و تنسورفلو به عنوان دو فریمورک مهم و پرکاربرد شناخته میشن که به دلیل سهولت استفاده، قابلیت مقیاسپذیری و ماهیت متنباز، محبوبیت زیادی دارن. کراس هم که به عنوان یک رابط کاربری سطح بالا روی TensorFlow ساخته شده و به توسعهدهندگان اجازه میده به سادگی و با سرعت بالا مدلهای یادگیری عمیق رو ایجاد و آموزش بدن.
#Deep_Learning
#Data_Science
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
علم داده و هوش مصنوعی برای همه رشتهها
یه یوتیوبر آمریکایی این مقاله جواد نجادی، از دانشجویان دوره جامع دیتا ساینس و ماشین لرنینگ، رو بسیار ارزشمند دونسته و در بخشی از ویدئوش به صحبت درباره این مقاله و #معماری_ترنسفورمر پرداخته.
#Data_Science
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
Linkedin
Dylan Curious on my article in video | Javad Nejadi posted on the topic | LinkedIn
Hi everyone
I'm thrilled and honored that Dylan Curious discussed my article in their latest video! Your support and insightful analysis mean a lot to me…
I'm thrilled and honored that Dylan Curious discussed my article in their latest video! Your support and insightful analysis mean a lot to me…
علم داده و هوش مصنوعی برای همه رشتهها
در ادامه پلیلیست بررسی مقالههای #ماشین_لرنینگ، به بررسی مقاله معماری #رزنت پرداختیم که هم از نظر نگارش مقاله جالبیه و هم از نظر محتوا و ایده مهمه، تا اونجا که بسیاری از ایده های مطرح شده در این مقاله در مدلهای امروزی استفاده میشن.
👈
#YouTube
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
مقاله شبکه عصبی رزنت | ResNet 2015
به نظر میاد دومین انتخاب منطقی برای پلی لیست بررسی مقاله های ماشین لرنینگ، مقاله نتورک رزنت باشه که هم از نظر نگارش خیلی مقاله جالبیه و هم از نظر محتوا و ایده خیلی مهمه تا اونجا که کلی از ایده های مطرح شده تو این مقاله در مدلهای امروزی خیلی استفاده میشه.…
This media is not supported in your browser
VIEW IN TELEGRAM
این ویدئو رو امروز ایلان ماسک منتشر کرده!
#AI_Generated
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
علم داده و هوش مصنوعی برای همه رشتهها
Audio
۶۰٪ تخفیف برای پکیج ۱۰ کارگاه: Data60
۳۰٪ تخفیف برای هر کارگاه: Data30
#Courses
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
#AI_Generated
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
سرویس «روتوش» که به صورت رایگان به دیوار اضافه شده با استفاده از هوشمصنوعی اسباب و اثاثیه رو از عکسهای آگهی ملک حذف میکنه. تا در نتیجه باعث افزایش بازدید آگهی و تماس بیشتر برای خرید یا اجاره ملک میشه. این ویژگی یکی از کاربردهای #ماشین_لرنینگ در محصوله.
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
علم داده و هوش مصنوعی برای همه رشتهها
در این بلاگ، تجربه همکاری تیمیمون در مجموعه مسابقات Kaggle رو با شما به اشتراک گذاشتیم. اگه دانشجو، دانشمند داده یا مهندس یادگیری ماشین هستین، با مطالعه این مطلب نکاتی کاربردی برای بهبود مهارتهای مدلسازی رگرسیون یاد میگیرین.
#Data_Science
#Kaggle_Competition
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
#AI_Generated
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
علم داده و هوش مصنوعی برای همه رشتهها
درک ساختار U-Net به درک مفهوم AutoEncodrs کمک میکنه و در این ویدیو به بهونه بررسی مقاله U-Net، با فرآیند down/up sampling که در ساختار encode/decoderها استفاده میشه آشنا خواهیم شد.
👈
#YouTube
#Deep_Learning
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
مقاله شبکه عصبی یونت | U-Net 2015
شبکههای عصبی کانولوشنی و بازگشتی خیلی ساختار متفاوتی دارند و تقریبا ربطی به هم ندارن. از یه جا با هم یک چیزی رو مشترک وارد ساختارهاشون کردن اون هم مفهوم autoencoders هست. CNNs ها با U-net این و RNNs ها با Transformers از ساختار AutoEncoders بهره بردن.
درک…
درک…
ایلان ماسک در توییتی اعلام کرد که شب گذشته آموزش روی ابرخوشه تازهساخته شده X.AI شروع شده. این مرکز داده با ۱۰۰,۰۰۰ واحد GPU مدل H100 مجهز شده که بهطور قابلتوجهی بیشتر و قویتر از خوشههای اخیر META و سیستم آموزشی GPT-4 هست. این سیستم میتونه ده برابر قویتر از سیستمهای فعلی باشه. همچنین در پست دیگهای گفته شرکتش قصد داره قدرتمندترین هوش مصنوعی جهان رو آموزش بده و این کار تا دسامبر ۲۰۲۴ انجام میشه.
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
در این وبینار با سجاد رحیمی، دکتری دیتاساینس و سینیور دیتاساینتیست در Shell و Tesla، به گفتوگو میپردازیم.
#Webinars
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
شرکت متا از انتشار مدل هوش مصنوعی متنباز Llama 3.1 خبر داد که جدیدترین و پیشرفتهترین مدل در سری Llama است. این مدل در سه نسخه و وزنهای 8 میلیارد پارامتری (8B)، 70 میلیارد پارامتری (70B) و 405 میلیارد پارامتری (405B) عرضه شده.
مدل 405B در این سری، یک پیشرفت چشمگیر در تواناییهای هوش مصنوعی متنباز به شمار میره و متا رو در صدر نوآوریهای هوش مصنوعی قرار میده. همچنین با انعطافپذیری، کنترل و عملکرد برجستهای که داره، حتی با پیشرفتهترین مدلهای بسته هم رقابت میکنه.
با پشتیبانی از هشت زبان و Context Window به طول 128 هزار کاراکتر، Llama 3.1 برای مواردی مثل خلاصهسازی متنهای بلند و عاملهای گفتگوی چندزبانه بسیار مناسبه.
ویژگیهای کلیدی Llama 3.1:
- امتیاز MMLU برای مدل 405B برابر 85.2، برای مدل 70B برابر 79.3 و برای مدل 8B برابر 66.7 بوده که نشون دهنده عملکرد برتر این مدله.
- آموزش روی 15 تریلیون توکن و 25 میلیون خروجی تولید شده به صورت مصنوعی.
- استفاده از 39.3 میلیون ساعت GPU با 16,000 پردازنده گرافیکی H100 برای مدل 405B.
- توانایی برجسته در انجام وظایف مرتبط با تولید کد.
- انتشار ابزار Prompt Guard که یک طبقهبند مبتنی بر BERT برای تشخیص حملات، کدهای مخرب و غیره هست.
#Artificial_Intelligence
@DSLanders | دیاسلندرز
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM