Machine learning books and papers

با عرض سلام پروژه جدیدمون شروع شد. هدف اصلی این پروژه اموزش یک مدل پیشنهاد دهنده ی مدل برای مسائله طبقه بندی تصاویر پزشکی میباشد که از اموزش مجدد مدل ها جلوگیری میکند. این مسائله با جنبه جلوگیری از مصرف انرژی اموزشی و زمان اموزش مدل ها ارائه می شود. برای این منظور ۵۰۰۰ مقاله در این زمینه جمع اوری شده است. جزئیات بیشتر در لینک گیت قرار دارد. Project Title: MedRec: Medical recommender system for image classification without retraining Github: https://github.com/Ramin1Mousa/MedicalRec Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence Impact factor: 20.8 ۷ نفر دیگر امکان اضافه شدن به این پروژه رو دارند. هر شخص نیاز هست که حدودا داده های ۴۰۰ مقاله رو بررسی کند. زمان تقریبی هر مقاله ۵-۱۰ دقیقه می باشد. هزینه مشارکت در مقاله: 🔹 2- 600$❌ 🔺 3- 500$❌ 💠 4- 400$✅ 🔺 5- 300$✅ 🔹 6- 200$❌ 🔸 7- 200$❌ جهت مشارکت می تونید به ایدی بنده پیام بدین. تنها نفرات ۴ و ۵ باقی مانده....! @Raminmousa

📽 Accelerating Drug Discovery With a Biomedical Knowledge Graph 🎞 Watch @Machine_learn

Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap Large language models (LLMs) have not only revolutionized natural language processing but also extended their prowess to various domains, marking a significant stride towards artificial general intelligence. The interplay between LLMs and evolutionary algorithms (EAs), despite differing in objectives and methodologies, share a common pursuit of applicability in complex problems. Meanwhile, EA can provide an optimization framework for LLM's further enhancement under black-box settings, empowering LLM with flexible global search capacities. On the other hand, the abundant domain knowledge inherent in LLMs could enable EA to conduct more intelligent searches. Furthermore, the text processing and generative capabilities of LLMs would aid in deploying EAs across a wide range of tasks. Based on these complementary advantages, this paper provides a thorough review and a forward-looking roadmap, categorizing the reciprocal inspiration into two main avenues: LLM-enhanced EA and EA-enhanced #LLM. Some integrated synergy methods are further introduced to exemplify the complementarity between LLMs and EAs in diverse scenarios, including code generation, software engineering, neural architecture search, and various generation tasks. As the first comprehensive review focused on the EA research in the era of #LLMs, this paper provides a foundational stepping stone for understanding the collaborative potential of LLMs and EAs. The identified challenges and future directions offer guidance for researchers and practitioners to unlock the full potential of this innovative collaboration in propelling advancements in optimization and artificial intelligence. Paper: https://arxiv.org/pdf/2401.10034v3.pdf Code: https://github.com/wuxingyu-ai/llm4ec https://t.me/deep_learning_proj

تنها دو روز تا شروع اين پروژه باقي مونده دوستاني كه مايل به همكاري هستن به ايدي بنده پيام بدن @Raminmousa

با عرض سلام پروژه جدیدمون شروع شد. هدف اصلی این پروژه اموزش یک مدل پیشنهاد دهنده ی مدل برای مسائله طبقه بندی تصاویر پزشکی میباشد که از اموزش مجدد مدل ها جلوگیری میکند. این مسائله با جنبه جلوگیری از مصرف انرژی اموزشی و زمان اموزش مدل ها ارائه می شود. برای این منظور ۵۰۰۰ مقاله در این زمینه جمع اوری شده است. جزئیات بیشتر در لینک گیت قرار دارد. Project Title: MedRec: Medical recommender system for image classification without retraining Github: https://github.com/Ramin1Mousa/MedicalRec Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence Impact factor: 20.8 ۷ نفر دیگر امکان اضافه شدن به این پروژه رو دارند. هر شخص نیاز هست که حدودا داده های ۴۰۰ مقاله رو بررسی کند. زمان تقریبی هر مقاله ۵-۱۰ دقیقه می باشد. هزینه مشارکت در مقاله: 🔹 2- 600$❌ 🔺 3- 500$❌ 💠 4- 400$✅ 🔺 5- 300$✅ 🔹 6- 200$❌ 🔸 7- 200$❌ جهت مشارکت می تونید به ایدی بنده پیام بدین. تنها نفرات ۴ و ۵ باقی مانده....! @Raminmousa

Mathematics of Backpropagation Through Time. 📕 Paper @Machine_learn

از این پروژه نفرات ۲ ، ۳، ۶ و ۷ رزرو شدن...!🔸🔹🔺

از این پروژه نفرات ۲ ، ۶ و ۷ رزرو شدن...!🔸🔹🔺

LatentSync: Audio Conditioned Latent Diffusion Models for Lip Sync Paper: https://arxiv.org/pdf/2412.09262v1.pdf Code: https://github.com/bytedance/LatentSync @Machine_learn

Continual Forgetting for Pre-trained Vision Models (CVPR2024) 🖥 Github: https://github.com/bjzhb666/GS-LoRA 📕 Paper: https://arxiv.org/abs/2501.09705v1 🧠 Dataset: https://paperswithcode.com/dataset/coco @Machine_learn

دوستان این مقاله هم If اش بالاست و هم یک کار بنیادیه. جزئیات کار داخل گیت هست.

با عرض سلام پروژه جدیدمون شروع شد. هدف اصلی این پروژه اموزش یک مدل پیشنهاد دهنده ی مدل برای مسائله طبقه بندی تصاویر پزشکی میباشد که از اموزش مجدد مدل ها جلوگیری میکند. این مسائله با جنبه جلوگیری از مصرف انرژی اموزشی و زمان اموزش مدل ها ارائه می شود. برای این منظور ۵۰۰۰ مقاله در این زمینه جمع اوری شده است. جزئیات بیشتر در لینک گیت قرار دارد. Project Title: MedRec: Medical recommender system for image classification without retraining Github: https://github.com/Ramin1Mousa/MedicalRec Journal: IEEE Transactions on Pattern Analysis and Machine Intelligence Impact factor: 20.8 ۷ نفر دیگر امکان اضافه شدن به این پروژه رو دارند. هر شخص نیاز هست که حدودا داده های ۴۰۰ مقاله رو بررسی کند. زمان تقریبی هر مقاله ۵-۱۰ دقیقه می باشد. هزینه مشارکت در مقاله: 🔹 2- 600$ 🔺 3- 500$ 💠 4- 400$ 🔺 5- 300$ 🔹 6- 200$ 🔸 7- 200$ جهت مشارکت می تونید به ایدی بنده پیام بدین. @Raminmousa

📃Understanding When and Why Graph Attention Mechanisms Work via Node Classification 📎 Study the paper @Machine_learn

Titans: Transformer v.2? 📃🖋Read the paper. @Machine_learn

نفر ۴ از این مقاله رو نیاز داریم امکان اضافه شدن تا فردا شب...! 🔹🔹🔹🔹🔹🔹🔹🔹🔹 @Raminmousa

Mathematicians and physicists alike will jump on this Representation theory primer by Etingof, Hensel, Golberg++ 📕 Paper @Machine_learn

📄 Application of Artificial Intelligence In Drug-target Interactions Prediction: A Review 📗 Journal: npj Biomedical Innovations 🗓Publish year: 2025 📎 Study the paper @Machine_learn

📃 Bioinformatics perspectives on transcriptomics: A comprehensive review of bulk and single-cell RNA sequencing analyses 📎 Study the paper @Machine_learn