Machine learning books and papers

💡 Ultimate Guide to Fine-Tuning LLMs 📚 link @Machine_learn

Linear Algebra Done Right 📓 Book @Machine_learn

فقط نفر دوم از این مقاله مونده...!

يكي از بهترين موضوعات در طبقه بندي متن؛ تحليل احساس چند دامنه اي مي باشد. براي اين منظور مدلي تحت عنوان Title: TRCAPS: The Transformer-based Capsule Approach for Persian Multi- Domain Sentiment Analysis طراحي كرديم كه نتايج خيلي بهتري نسبت به IndCaps داشته است. دوستاني كه نياز به مقاله تو حوزه NLP دارن مي تونن تا اخر اين هفته داخل اين مقاله شركت كنند. ژورنال هدف Array elsevier مي باشد. شركت كنندگان داخل اين مقاله نياز به انجام تسك هايي نيز مي باشند. @Raminmousa @Machine_learn @Paper4money

📄 Advances of Artificial Intelligence in Anti-Cancer Drug Design: A Review of the Past Decade 📎 Study the paper @Machine_learn

🌟 Zamba2-Instruct 🟢Zamba2-1.2B-instruct; 🟠Zamba2-2.7B-instruct. # Clone repo git clone https://github.com/Zyphra/transformers_zamba2.git cd transformers_zamba2 # Install the repository & accelerate: pip install -e . pip install accelerate # Inference: from transformers import AutoTokenizer, AutoModelForCausalLM import torch tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-2.7B-instruct") model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-2.7B-instruct", device_map="cuda", torch_dtype=torch.bfloat16) user_turn_1 = "user_prompt1." assistant_turn_1 = "assistant_prompt." user_turn_2 = "user_prompt2." sample = [{'role': 'user', 'content': user_turn_1}, {'role': 'assistant', 'content': assistant_turn_1}, {'role': 'user', 'content': user_turn_2}] chat_sample = tokenizer.apply_chat_template(sample, tokenize=False) input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda") outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False) print((tokenizer.decode(outputs[0]))) 🖥GitHub @Machine_learn

Prompt Engineering Techniques: Comprehensive Repository for Development and Implementation 🖋️ 📓 Github @Machine_learn

🔥 NVIDIA silently release a Llama 3.1 70B fine-tune that outperforms GPT-4o and Claude Sonnet 3.5 Llama 3.1 Nemotron 70B Instruct a further RLHFed model on huggingface https://huggingface.co/collections/nvidia/llama-31-nemotron-70b-670e93cd366feea16abc13d8 ✅https://t.me/deep_learning_proj

تا اخر امشب این وقت مونده...!

✔️ LVD-2M: A Long-take Video Dataset with Temporally Dense Captions New pipeline for selecting high-quality long-take videos and generating temporally dense captions. Dataset with four key features essential for training long video generation models: (1) long videos covering at least 10 seconds, (2) long-take videos without cuts, (3) large motion and diverse contents, and (4) temporally dense captions. 🖥 Github: https://github.com/silentview/lvd-2m 📕 Paper: https://arxiv.org/abs/2410.10816v1 🖥 Dataset: https://paperswithcode.com/dataset/howto100m 🔸@Machine_learn

Algebraic topology for physicists 📓 Book @Machine_learn

با عرض سلام در يكي از مقالاتمون با موضوع multimodal capsule fusion with self-attention approach for alzheimer disease classification نياز به نفر دوم هستيم. تسك ها به صورت مشخص شده براي نفر دوم در نظر گرفته شده است. دوستاني كه ميخوان مشاركت كنن به بنده پيام بدن با تشكر. @Raminmousa @Machine_learn @Paper4money

📑 Nine quick tips for open meta-analyses 📎 Study the paper ✅@Machine_learn

📃Network Modeling and Control of Dynamic Disease Pathways, Review and Perspectives 📎 Study the paper @Machine_learn

پروژه های بیشتر شبیه این ریپورت داخل این پک قرار داره. دوستانی که نیاز دارن می تونن به ایدی بنده مراجعه کنن. @Raminmousa

Neural Networks and Deep Learning 📓 book @Machine_learn

Efficiently Democratizing Medical LLMs for 50 Languages via a Mixture of Language Family Experts 💻 Github: https://github.com/freedomintelligence/apollomoe 🔖 Paper: https://arxiv.org/abs/2410.10626v1 🤗 Dataset: https://paperswithcode.com/dataset/mmlu ✅@Machine_learn

با عرض سلام خيلي از دوستان در رابطي با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم: 1-Deep Learning Basic -01_Introduction --01_How_TensorFlow_Works 2-Classification apparel -Classification apparel double capsule -Classification apparel double cnn 3-ALZHEIMERS USING CNN(ResNet) 4-Fake News (Covid-19 dataset) -Multi-channel -3DCNN model -Base line+ Char CNN -Fake News Covid CapsuleNet 5-3DCNN Fake News 6-recommender systems -GRU+LSTM MovieLens 7-Multi-Domain Sentiment Analysis -Dranziera CapsuleNet -Dranziera CNN Multi-channel -Dranziera LSTM 8-Persian Multi-Domain SA -Bi-GRU Capsule Net -Multi-CNN 9-Recommendation system -Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate) -SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise) 10-NihX-Ray -optimized CNN on FullDataset Nih-Xray -MobileNet -Transfer learning -Capsule Network on FullDataset Nih-Xray دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن. @Raminmousa @Machine_learn