Machine learning books and papers

📃 Large language model to multimodal large language model: A journey to shape the biological macromolecules to biological sciences and medicine 📓 Journal: Molecular Therapy Nucleic Acids (I.F.=6.5) 📎 Study the paper @Machine_learn

با عرض سلام مقاله زیر در مرحله major revision می‌باشد. نفر ۴ ام از این مقاله قابل اضافه کردن. Abstract Breast cancer stands as a prevalent cause of fatality among females on a global scale, with prompt detection playing a pivotal role in diminishing mortality rates. The utilization of ultrasound scans in the BUSI dataset for medical imagery pertaining to breast cancer has exhibited commendable segmentation outcomes through the application of UNet and UNet++ networks. Nevertheless, a notable drawback of these models resides in their inattention towards the temporal aspects embedded within the images. This research endeavors to enrich the UNet++ architecture by integrating LSTM layers and self-attention mechanisms to exploit temporal characteristics for segmentation purposes. Furthermore, the incorporation of a Multiscale Feature Extraction Module aims to grasp varied scale features within the UNet++. Through the amalgamation of our proposed methodology with data augmentation on the BUSI with GT dataset, an accuracy rate of 98.88%, specificity of 99.53%, precision of 95.34%, sensitivity of 91.20%, F1-score of 93.74, and Dice coefficient of 92.74% are achieved. These findings demonstrate competitiveness with cutting-edge techniques outlined in existing literature. Keywords: Attention mechanisms, BUSI dataset, Deep Learning, Feature Extraction, Multi-Scale features دوستانی که نیاز دارن به ایدی بنده پیام بدن. @Raminmousa @Machine_learn https://t.me/+SP9l58Ta_zZmYmY0

دوستان از این بین Biopars برای نیچر هستش.

با عرض سلام دوستان كه مي خوان توي تيم هاي paper ما شركت كنن موضوعات زير رو مي خواهيم جلو ببريم. 1: survey on whole slide image ▫️ 2: Proposed a new model for enrergy efficiency in deep image classification models Authers: 2, 3, 4 🔺 3:BioPars: a pretrained biomedical large language model for persian biomedical text mining Authors: 5🔺 4: Air quality prediction by hybrid deep learning and machine learning models Authors:4🔺 در تمامی این موارد نیاز به انجام تسک و پرداخت هزینه سرور ها می باشیم. @Raminmousa

Tensors in computations 📕Book @Machine_learn

Automating the Search for Artificial Life with Foundation Models paper: https://arxiv.org/pdf/2412.17799v1.pdf Code: https://github.com/sakanaai/asal @Machine_learn

📽 Introduction to Network Analysis using NetworkX 🎞 Watch @Machine_learn

📃A Survey of Graph Neural Networks for Social Recommender Systems 📎 Study paper @Machine_learn

هزینه نهایی برای این کار رو به ۲۵ میلیون کاهش دادیم برای نفر ۵ ...!🔥

با عرض سلام پروژه Biopars رو شروع كرديم نفر ٥ ام از اين مقاله رو نياز داريم. این کار تحت نظر استاد Rex (Zhitao) Ying انجام میشه. link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en BioPars: a pre-trained biomedical large language model for persian biomedical text mining. ١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...) ٢- پيش پردازش متن ها و تميز كردن متن ها ٣- اموزش ترنسفورمرها ي مورد نظر ٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...) هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. دوستاني كه نياز دارن مي تونن به تيم ما اضافه بشن 🔸🔸🔸🔸🔸 @Raminmousa

⚡️ NeuZip ▶️ # Install from PyPI pip install neuzip # Use Neuzip for Pytorch model model: torch.nn.Module = # your model + manager = neuzip.Manager() + model = manager.convert(model) 🟡Arxiv 🖥GitHub @Machine_learn

امشب اخرین فرصت برای مشارکت در این مقاله هستش...!🔸🔸

🌟 🌟 OuteTTS-0.2-500M # Install from PyPI pip install outetts # Interface Usage import outetts # Configure the model model_config = outetts.HFModelConfig_v1( model_path="OuteAI/OuteTTS-0.2-500M", language="en", # Supported languages in v0.2: en, zh, ja, ko ) # Initialize the interface interface = outetts.InterfaceHF(model_version="0.2", cfg=model_config) # Optional: Create a speaker profile (use a 10-15 second audio clip) speaker = interface.create_speaker( audio_path="path/to/audio/file", transcript="Transcription of the audio file." ) # Optional: Load speaker from default presets interface.print_default_speakers() speaker = interface.load_default_speaker(name="male_1") output = interface.generate( text="%Prompt Text%%.", temperature=0.1, repetition_penalty=1.1, max_length=4096, # Optional: Use a speaker profile speaker=speaker, ) # Save the synthesized speech to a file output.save("output.wav") 🟡Demo 🖥GitHub @Machine_learn

🔥 nn-zero-to-hero 🖥 Github @Machine_learn

امشب اخرین فرصت برای مشارکت در این مقاله هستش...!🔸🔸

با عرض سلام پروژه Biopars رو شروع كرديم نفر ٥ ام از اين مقاله رو نياز داريم. این کار تحت نظر استاد Rex (Zhitao) Ying انجام میشه. link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en BioPars: a pre-trained biomedical large language model for persian biomedical text mining. ١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...) ٢- پيش پردازش متن ها و تميز كردن متن ها ٣- اموزش ترنسفورمرها ي مورد نظر ٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...) هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. دوستاني كه نياز دارن مي تونن به تيم ما اضافه بشن 🔸🔸🔸🔸🔸 @Raminmousa

Lecture notes: mathematics for artificial intelligence 📕 Link @Machine_learn

📄 RNA Sequencing Data: Hitchhiker's Guide to Expression Analysis 📎 Study the paper @Machine_learn

با عرض سلام خيلي از دوستان در رابطه 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