AI DeepMind

اصفهانی ها اگه میتونین برید اینجا و استخدام شید ایده بدید ایدتون رو تولید کنین استیم واقعی اینه نه چیزایی که در تهران برگزار شد اونهایی که تهران بودند حتی ادا ی رویداد حمایتی هم نبودند جمعه ۴ آبان از ساعت ۹ تا ۱۳ تالار عباسی هتل شاه عباس نیازی به ثبت نام نیست شرکتهای حاضر در هتل شاه عباس اصفهان - فولاد مبارکه اصفهان - پالایشگاه -خدمات انفورماتیک ایران - تپسل - پیام پرداز - رایتل - شرکت توسعه معدن مبدا و... 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

چند روز پیش ما به بقول اینوری ها یه initiative گذاشتیم که بچه های که کار ml در فاینانس و یا فورکاستینگ تایم سری کارکردن رزومه بفرستن برای کار روی چند تا تز که ریسرچ هاش نصفه است ( بعضی هاش هم ریسرچ هاش خوب جلو رفته )، رزومه های زیادی اومد اما نزدیک ۶-۷ تا رزومه خوب گرفتم که واقعا داشتم نگاه میکردم کیف میکردم چقدر بچه های ما خوب هستن 👌 . فقط مشکلی که هست اینکه بعضی رزومه ها توانایی طرف رو نشون نمیداد😒، رزومه نوشتن دوستان واقعا مهمه📚، ۱.از فرمت خاصی استفاده نکنید، این بغل یه حاشیه میندازین و اطلاعات میارین اونجا، خیلی رزومه غیر حرفه ای میشه ❌ ۲. رنگ رنگی رزومه ندین،❗️ ۳. فونت عجیب غریب استفاده نکنید،⛔️ ۴. حتما برای کاراتون تاریخ بزارین که کی کجا بودین، 📆 ۵. جوری رزومه بنویسید که ریویر بتونه روند کاری شمارو از روی رزومه دنبال کنه، یهو وسط یکسال گپ نداشته باشین، ❓ ۶. رزومه رو مناسب اون کاری که میفرستید اپدیت کنید، یعنی الان برای ریسرچ میخواید رزومه بفرسیتن، سعی کنید از کلید واژه های مرتبط استفاده کنید. ۷. حتما اشاره کنید کجا درس خوندین حتی اگه مرتبط نباشه، رشته دیگه ای خوندین. اصلا مهم نیست ⚛️ ۸. چیزای ضایع مثل رزومه انگلیسی با عدد فارسی اینا واقعا دیگه عجیبه ❌ ۹. رزومه ای که برای کار توی فلان شرکت هست ساختارش با رزومه اپلای/ ریسرچ فرق داره. ۱۰. سعی کنید یه کاور لتر در راستای کاری که بهش اپلای میکنید در کنار رزومه به طرف بفرستید، گاها رزومه ها دقیقا اون پروژه رو کاور نمیکنه اما کاور لتر توضیح میده فلان کار چطوری به پروژه مرتبطه 💬 ۱۱. راستش بدون مقاله امروزه سخت شده فاند گرفتن ، سعی کنید مقاله داشته باشین، حتی اگه روی مقاله ای کار میکنید بنویسید under preparation 📚 ۱۲. مقاله ای که چاپ نشده و سابمیت شده رو نزنید بین مقالات پابلیش شده تون، باید بزنید submission به فلان ژورنال، ۱۳. در کل بشینید خوب اینجا وقت بزارین، بعضی ها مثل الماس هستن اما پرزنت کلافه و بهم ریخته ارزش کارشون رو میاره پایین✔️. موفق باشین 👌

دوستان رشته های مالی نظرتون راجب این مقاله xlstm چیه قبلا هم یک مقاله کاربردی راجب xlstm در مارکتهای مالی گذاشتم که رد کردین ▪️ xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories #سری_زمانی #مقاله #ایده_جذاب #پیشبینی 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

آیا #هوش_مصنوعی می تواند عملکرد خود را نظارت کند و از قابلیت اطمینان طولانی مدت در تصویربرداری پزشکی اطمینان حاصل کند؟ ◾️ Y-Mol: A Multiscale Biomedical Knowledge-Guided Large Language Model for Drug Development #ایده_جذاب #علوم_پزشکی #پردازش_تصویر 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

این ی مقاله خیلی جالب و پیشرو از گوگل که انقلابی در #علوم_پزشکی رقم خواهد زد. With 3D medical image embeddings, we are moving toward AI that can not only assist in diagnosis but also evolve continuously with minimal human input. ◾️ Taking medical imaging embeddings 3D #ایده_جذاب #پردازش_تصویر 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

Early detection of dementia through retinal imaging and trustworthy AI تشخیص زودهنگام dementia از تصاویر OCTA چشمی Data: 5751 OCTA images Model: CNN (for embedding extraction) + multi-level GNN (for final prediction) Hardware: 4 * NVIDIA 3090 Interpretability Method: Grad-CAM + Instance Importance-aware Graph Convolutional Network (I2GCN) فایل مقاله

"What Matters In Transformers?" is an interesting paper (https://arxiv.org/abs/2406.15786) that finds you can actually remove half of the attention layers in LLMs like Llama without noticeably reducing modeling performance. The concept is relatively simple. The authors delete attention layers, MLP layers, or entire transformer blocks: - Removing entire transformer blocks leads to significant performance degradation. - Removing MLP layers results in significant performance degradation. - Removing attention layers causes almost no performance degradation! #مقاله #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

استخدام کارشناس مهندس داده شرکت گلرنگ سیستم شرح شغل و وظایف طراحی دیتا مدل های مختلف بر اساس داده های عملیاتی (Data Warehouse Architecture) طراحی فرآیندهای مختلف جهت فراخوانی دیتا (ETL Pipe Lines) مدیریت سرور و انبار داده به جهت نگهداشت و کاهش ریسک (DBA) مانیتورینگ و آنالیز عمکرد انبار داده به جهت بهبود (Performance Tuning) توسعه فرآیندهای مرتبط با انباره داده (Data Warehouse) در چارچوب استانداردهای موجود شایستگی ها تسلط بر SQL Server تسلط بر SSIS SSAS Python Power BI توانایی ساخت وب سرویس جهت انتقال اطلاعات ارسال رزومه به: takrimi.ali@golrang.com

ویرایش دوم و فیلمهای کلاسی RL از Dimitri P. Bertsekas استاد دانشگاه MIT منتشر شد. REINFORCEMENT LEARNING AND OPTIMAL CONTROL BOOKS, VIDEOLECTURES, AND COURSE MATERIAL https://web.mit.edu/dimitrib/www/RLbook.html #یادگیری_تقویتی #منابع #کلاس_آموزشی #کتاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

نظر لینوس توروالدز در مورد هوش مصنوعی و رویکرد شخصیش بهش

الگوریتم Longest Common Subsequence (LCS) یکی از مسائل پایه‌ای در نظریه رشته‌ها و الگوریتم‌های پویا است. این الگوریتم طولانی‌ترین زیررشته‌ی مشترک بین دو رشته را پیدا می‌کند که نیازی به پیوسته بودن ندارد اما ترتیب کاراکترها باید حفظ شود. کاربردهای اصلی: 1. مقایسه و تشخیص شباهت رشته‌ها: در بررسی متون، رشته‌های DNA، یا مقایسه‌ی کدها استفاده می‌شود. 2. ویرایش فاصله (Edit Distance): محاسبه تعداد عملیات لازم (افزودن، حذف یا تغییر) برای تبدیل یک رشته به دیگری. 3. تطبیق نسخه‌های فایل‌ها: در ابزارهایی مثل Git برای بررسی تغییرات بین نسخه‌های مختلف فایل‌ها کاربرد دارد. روش حل: الگوریتم LCS با استفاده از برنامه‌ریزی پویا حل می‌شود و یک جدول دو بعدی برای ذخیره طول LCS تا هر نقطه از رشته‌ها تشکیل می‌دهد. پیچیدگی زمانی: این الگوریتم با پیچیدگی زمانی O(n * m) اجرا می‌شود که در آن n و m طول رشته‌های ورودی هستند. مثال: رشته‌های ABCBDAB و BDCAB را در نظر بگیرید. LCS این دو رشته زیررشته‌ی BCAB با طول ۴ است. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

مدل جدید متن به فیلم خروجی رو با کیفیتی چشم‌گیر نشون میده ▪️ Allegro's text-to-video model transforms your creativity into rich video content, giving you the power to tell visual stories instantly. https://rhymes.ai/allegro_gallery https://huggingface.co/rhymes-ai/Allegro https://github.com/rhymes-ai/Allegro #مقاله #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

طرفدار موسیقی اصیل پاپ و بدون فالش باشید و زیبا بشنوید جاتون خالی کنسرت هتل اسپیناس محسن یگانه

آزمایشگاه بینایی کامپیوتر با ارائه آقای محمد صادق نعمت پور با موضوع: 🔰 مقدمه ای بر llm agents and agentic workflow میزبان شما خواهد بود. 📅 دوشنبه ۳۰ مهر ماه ۱۴۰۳ 🕓 ساعت ۱۶:۰۰ 📍آزمایشگاه بینایی کامپیوتر، دانشکده کامپیوتر، دانشگاه علم و صنعت لینک مجازی https://meet.google.com/qne-zihr-rwx

دومین همایش "هوش مصنوعی و علوم ریاضی" سخنرانان: دکتر بهرام صادقی بی غم (دانشگاه الزهرا) مدلسازی ریاضی، پلی به سوی اکوسیستم دیجیتال و دنیای هوش مصنوعی دکتر محمد حسین رهبان (دانشگاه صنعتی شریف) مدل های مولد مبتنی بر انتشار دکتر محمد اکبری (دانشگاه صنعتی امیرکبیر) ریاضیات و هوش مصنوعی: همزیستی برای آینده ای هوشمندتر دکتر فرزاد اسکندری (دانشگاه علامه طباطبایی) نقش مدل های آماری به همراه مولفه های هوش مصنوعی در چرخه حیات علم داده ها (کشف، تحلیل، مصورسازی و ارائه نمودن داده ها) پنجشنبه مورخ 1403/08/03 از ساعت 8 تا 13 مکان: تهران، بزرگراه شهید حقانی، خروجی فرهنگستان ها و کتابخانه ملی، بلوار دکتر حسن حبیبی، فرهنگستان علوم، طبقه دوم، تالار ابوریحان لینک حضور در وبینار: https://skyroom.online/ch/ias/basic #هوش_مصنوعی #علوم_ریاضی #همایش #سخنرانی 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

هوش در لبه آشوب است یک چیزی هست به نام اتوماتای سلولی ساده یا ECA. بدین صورت که یک آرایه یک بعدی از یک عده سلوله. هر سلول هم مقدارش می‌تونه صفر یا یک باشه و در طول گام‌های زمانی مقادیر این سلول‌ها بر حسب یک قاعده می‌تونن تغییر کنند که در ECA حالت بعدی برای هر سلولی صرفا قاعده‌ای از دقیقا دو خونه مجاور اون سلوله. بر همین حسب کلا ۲۵۶ تا قاعده می‌تونن وجود داشته باشند که البته ۸۸ تاشون فقط یونیک هستند. از طرف دیگه بر حسب این که این سلول‌ها با مقداردهی اولیه رندوم در طول زمان چه پترنی رو طی می‌کنن این قاعده‌ها رو چهار دسته کردند: اونایی که به یک حالت یکنواخت همگرا می‌شن، اونایی که به یک حالت ثابت یا حالت چرخه‌ای می‌رسن، اونایی که به یک حالت خاص نمی‌رسن و رفتار سیستم تصادفی می‌شه، و اونایی که به یک حالت پیچیده‌ای می‌رسن که بعضی نواحی‌شون استیبل و بعضی نواحشون پایداره ولی در کل یک سری ساختار توشون دیده می‌شه. حالا یک پیپری اومده، از روند زمانی سلول‌های هر قاعده‌ای نمونه‌برداری کرده و دیتا درست کرده و یک معماری LLM طور با هدف Next Token Prediction رو روی این داده‌ها آموزش داده و انگار روی دادگان هر قاعده‌ای یک LLM جدا آموزش داده. در مرحله بعدی اوما هر کدوم از این LLM‌ها رو روی تسکای پایین دستی مثل زیرمجموعه‌ای از ARC و یک دیتاستی که توش هدف تشخیص حرکت بعدی شطرنج هست،‌ فاین تیون کرده و نشون داده که اون مدل‌هایی که روی دادگان کلاس چهارم آموزش دیدن عملکرد بهتری رو روی تسکای پایین دستی ARC و شطرنج داشتند. در نهایت هم این نتیجه‌گیری رو کرده که شاید نیازی نیست که مدل‌هامون رو روی داده‌های وسیع انسانی آموزش بدیم، بلکه شاید با آموزش دادن روی داده‌هایی با الگوهایی به قدر کافی پیچیده شاید بشه به هوش رسید (که از نظر من چرت می‌گه). در کل دید و ایده جالبی داره و به همین بهانه ما رو با مفهوم Edge of Chaos هم آشنا کرد. مفهومی که انگار به یک حالتی از سیستم اشاره می‌کنه که در وضعی بین نظم و رندومنس قرار داره و در اون حالت پترن‌های پیچیده ولی با دوام پایین (حالا یا در بعد زمان یا در بعد مکان) تولید می‌شن. گویا این مفهوم در شبکه‌های پیچیده‌ای در حوزه‌های زیست‌شناسی و روانشناسی و سیاست و علوم اجتماعی هم وجود داره. لینک پیپر: https://arxiv.org/abs/2410.02536

https://fleuret.org/public/lbdl.pdf == Table of Content == I Foundations 1 Machine Learning - 1.1 Learning from data - 1.2 Basis function regression - 1.3 Under and overfitting - 1.4 Categories of models 2 Efficient Computation - 2.1 GPUs, TPUs, and batches - 2.2 Tensors 3 Training - 3.1 Losses - 3.2 Autoregressive models - 3.3 Gradient descent - 3.4 Backpropagation - 3.5 The value of depth - 3.6 Training protocols - 3.7 The benefits of scale II Deep Models 4 Model Components - 4.1 The notion of layer - 4.2 Linear layers - 4.3 Activation functions - 4.4 Pooling - 4.5 Dropout - 4.6 Normalizing layers - 4.7 Skip connections - 4.8 Attention layers - 4.9 Token embedding - 4.10 Positional encoding 5 Architectures - 5.1 Multi-Layer Perceptrons - 5.2 Convolutional networks - 5.3 Attention models III Applications 6 Prediction - 6.1 Image denoising - 6.2 Image classification - 6.3 Object detection - 6.4 Semantic segmentation - 6.5 Speech recognition - 6.6 Text-image representations - 6.7 Reinforcement learning 7 Synthesis - 7.1 Text generation - 7.2 Image generation 8 The Compute Schism - 8.1 Prompt Engineering - 8.2 Quantization - 8.3 Adapters - 8.4 Model merging #deeplearning

LLM Agents MOOC This course covers the following topics - Foundation of LLMs - Reasoning - Planning, tool use - LLM agent infrastructure - Retrieval-augmented generation - Code generation, data science - Multimodal agents, robotics - Evaluation and benchmarking on agent applications - Privacy, safety and ethics - Human-agent interaction, personalization, alignment - Multi-agent collaboration 🔗 link : https://www.youtube.com/playlist?list=PLS01nW3RtgopsNLeM936V4TNSsvvVglLc #llms #agents #mooc #onlinecourse #nlproc #deeplearning