محور برنامه نویسی جشنواره نوجوان خوارزمی

جبر خطی، جلسه چهارم (فصل دوم، بخش دوم) معرفی ماتریس ها به عنوان فضای برداری و نمایش تبدیل های خطی #Academics #LinearAlgebra #FreeSession @SophyPhiliaAcademy @LinearAlgebraOnline #Ramin

جبر خطی، جلسه سوم (فصل دوم، بخش اول): تبدیل های خطی، قضیه اساسی تبدیل های خطی #Academics #LinearAlgebra #FreeSession @SophyPhiliaAcademy @LinearAlgebraOnline #Ramin

معرفی ابزار Git. تو این ویدئو در مورد نحوه استفاده کار با گیت برای کنترل ورژن پروژه ها صحبت میکنم که به نظرم هر کس باید بلد باشه. کدی که واسه alias استفاده کردم: ! git config --get-regexp ^alias\. | sed -e s/^alias\.// -e s/\ /\ =\ / #Software #Git @SophyPhiliaAcademy #Ramin

جبر خطی، جلسه دوم (فصل اول، بخش دوم) : فضاهای برداری ابعاد محدود، استقلال خطی، پایه، بعد #Academics #LinearAlgebra #FreeSession @SophyPhiliaAcademy @LinearAlgebraOnline #Ramin

جبر خطی، جلسه اول (فصل اول، بخش اول) : ساختار جبری میدان ها و فضاهای برداری #Academics #LinearAlgebra #FreeSession @SophyPhiliaAcademy @LinearAlgebraOnline #Ramin

🧡 دانشجویان علاقمند به فراگیری هوش‌مصنوعی از سراسر ایران و جهان: برای نخستین بار می‌توانید به صورت زنده و آنلاین، در کلاس «یادگیری ماشین» دانشکده‌ی مهندسی کامپیوتر دانشگاه صنعتی شریف شرکت کنید. 🧡 مدرس: دکتر علی شریفی زارچی، عضو هیات علمی گروه هوش‌مصنوعی و بیوانفورماتیک دانشگاه صنعتی شریف 🧡 تیم تهیه‌ی محتوا: ۷۰ نفر از دانشجویان و دانش‌آموختگان دانشگاه شریف و سایر دانشگاه‌های برتر 👑 هزینه‌ی ثبت‌نام: رایگان 👑 شروع کلاس‌ها: ۱ مهر ۱۴۰۳ 👑 اطلاعات بیشتر و ثبت‌نام: sharifml.ir

ثبت نام در کلاس آنلاین درس یادگیری ماشین دانشکدۀ مهندسی کامپیوتر دانشگاه صنعتی شریف: https://sharif.porsline.ir/s/ML1403 برای ثبت‌نام جهت حضور مجازی در کلاس‌های درس یادگیری ماشین دانشکده‌ی مهندسی کامپیوتر دانشگاه صنعتی شریف در پاییز ۱۴۰۳ لطفاً فرم را پر کنید. ویژگی‌های دوره: حضور در این دوره رایگان و برای دانشجویان علاقمند آزاد است. این دوره مدرک دانشگاهی ندارد. زمان کلاس‌ها هر هفته روزهای یکشنبه و سه‌شنبه‌ ساعت ۹ تا ۱۰:۳۰ از اول مهر تا ۱۱ دی ۱۴۰۳ خواهد بود. ویدیوها و تمرین‌های هر جلسه، بعد از جلسه بر روی سایت قرار خواهد گرفت. لطفاً در کانال تلگرامی این درس به نشانی https://t.me/sharif_ml عضو شوید.

آیا زنجیره تشخیص می تواند LLM ها را در تشخیص پزشکی خودکار بهتر کند؟ ▪️ CoD, Towards an Interpretable Medical Agent using Chain of Diagnosis #علوم_پزشکی #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

کلاس آموزشی رایگان درس #یادگیری_ماشین دانشگاه شریف برای علاقمندان در مهر تا دی ماه روزهای یکشنبه و سه شنبه ساعت ۹تا۱۰:۳۰ برگزار میگردد علاقمندان جهت ثبت نام به ادرس Sharifml.ir میتوانند مراجعه کنند.

خواستم روی این توضیحی بدم : وقتی واکنش های بزرگان #هوش_مصنوعی رویدادیهای داخلی امریکا به سمت هرجایی پول باشه واکنش اونجاست و هرجایی هرکسی که بگه از ثروتمند مالیات بگیریم خیلی ها واکنش میدن ک واااای چه صحبتها و دختر خانمی هم با پروموت رسانه با جمله how dare you مشهور شد و الان هیچ صدایی ازش برای جنگها چرا ادمها کشته میشن در نمیاد و رسانه رو در اختیار این قبیل ادمهای بی‌شناسنامه هست انتظار این رو باید داشت قبلا هم ی بررسی کرده بودن که هوش مصنوعی نژاد پرست هست و این روند رو میشه از توئیت هایی که بزرگان هوش مصنوعی میدن رو فهمید

ا FireDucks یک جایگزین بهینه‌سازی‌شده برای کتابخانه Pandas در زبان برنامه‌نویسی پایتون است که هدف آن بهبود عملکرد Pandas بدون تغییر در API است. در ‏FireDucksبا تغییر فقط یک خط کد، عملکرد Pandas را تا ۲۰ برابر سریع‌تر می‌کند. محدودیتهای Pandas: همیشه از پردازش تک‌هسته‌ای استفاده می‌کند، DataFrame‌های حجیمی تولید می‌کند و ازحالت اجرای فوری استفاده می‌کند که بهینه‌سازی کل توالی عملیات‌هارا دشوار می‌سازد. FireDucks به‌عنوان یک جایگزین بهینه‌شده با همان API، این مشکلات را برطرف می‌کند. سه روش استفاده از FireDucks عبارتند از: ۱) بارگذاری افزونه، ۲) وارد کردن مستقیم FireDucks به جای Pandas، ۳) اجرای اسکریپت Python با FireDucks. طبق معیارهای رسمی FireDucks، این ابزار می‌تواند تا ۲۰ برابر سریع‌تر از Pandas و ۲ برابر سریع‌تر از Polars عمل کند. three ways to use it: 1)Load extension: %𝐥𝐨𝐚𝐝_𝐞𝐱𝐭 𝗳𝗶𝗿𝗲𝗱𝘂𝗰𝗸𝘀.𝐩𝐚𝐧𝐝𝐚𝐬; 𝗶𝗺𝗽𝗼𝗿𝘁 𝗽𝗮𝗻𝗱𝗮𝘀 𝗮𝘀 𝗽𝗱 2) Import FireDucks instead of Pandas: 𝐢𝐦𝐩𝐨𝐫𝐭 𝗳𝗶𝗿𝗲𝗱𝘂𝗰𝗸𝘀.𝐩𝐚𝐧𝐝𝐚𝐬 𝐚𝐬 𝐩𝐝 3) If you have a Python script: 𝗽𝘆𝘁𝗵𝗼𝗻3 -𝗺 𝗳𝗶𝗿𝗲𝗱𝘂𝗰𝗸𝘀.𝗽𝗮𝗻𝗱𝗮𝘀 𝗰𝗼𝗱𝗲.𝗽𝘆 #پایتون ✅ @AI_DeepMind 👁️‍🗨️@Recomendersystem2023

ه LangChain یه کورس مجانی برای LangGraph منتشر‌ کرده (چه جوری Agent با Memory و Human in the loop بسازید) که حدودا ۳.۵ ساعته با کلی Notebook و how-to guides https://academy.langchain.com/courses/intro-to-langgraph #فیلم #منابع #هوش_مصنوعی #کلاس_مجانی 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

آیا مدل های بنیادی می توانند فعالیت مغز را در روش های مختلف ضبط رمزگشایی کنند؟ ▪️ BrainWave: A Brain Signal Foundation Model for Clinical Applications #علوم_پزشکی #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

اNotebookLM با پشتیبانی از gemini را بررسی کنید! یک نوت بوک ایجاد کنید، یک یا چند منبع را آپلود کنید (مثلاً فایل های PDF مقالات تحقیقاتی، پایان نامه دکتری مورد علاقه شما، مقاله روزنامه و غیره) و سپس روی "ایجاد" کلیک کنید تا یک پادکست از دو صدا ایجاد کنید که در مورد محتوایی که آپلود کرده اید صحبت می کنند. https://blog.google/technology/ai/notebooklm-audio-overviews/ #ایده_جذاب #هوش_مصنوعی 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

عنوان مقاله ش خیلی خوشم اومد : قبل کاری فک کن 😂😜 Unified Policy for Interleaving Language Reasoning with Actions Training Agents to Unify Language Reasoning & Acting ▪️ Think Before You Act: Unified Policy for Interleaving Language Reasoning with Actions پ.ن: این مقاله رو به شدت پسندیدم اگه در حیطه captioning این مسائل فعالیت میکنید بشدت توصیه میشه پ.ن: آپدیت ۲۰۲۴ انتشار مدل o1 از OpenAI که مدلش با دقت فوق العاده ای خوبه. #مقاله #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind

یکی از دوستان در تویتر نوشته بود کل سوالات ریاضی کنکور رو 100% درست جواب داده اونم در 9 دقیقه!! باور نکردم، رفتم خودم سوال اول رو چک کردم دیدم در کمال شگفتی 14 ثانیه فکر کرد و جواب درست رو با استدلال کامل داد. دیگه صحبتی ندارم... @daneshagahi

گوگل مدل DataGemma که شامل مجموعه‌ای از مدل‌های Gemma 2 است که به LLM‌ها کمک می‌کند تا به داده‌های عددی و آماری دسترسی داشته باشند و آن‌ها را ترکیب کنند را معرفی کرد. به طور خاص، آنها رویکرد جدیدی به نام Retrieval Interleaved Generation (RIG) پیشنهاد می‌کنند که می‌تواند داده‌های آماری عمومی را از Data Commons به طور قابل اعتمادی در پاسخ‌های LLM بگنجاند. هRIG، یک رویکرد الهام‌گرفته از ابزار، می‌تواند نشانه‌های آماری را با سؤالات زبان طبیعی مناسب برای بازیابی از Data Commons در هم آمیخت. برای دستیابی به چنین قابلیتی، آنها LLM را بر روی یک مجموعه داده دستورالعمل-پاسخ که با کمک Gemini 1.5 تولید شده است، تنظیم می کنند. رویکرد RIG واقعیت را از 5 تا 7 درصد به حدود 58 درصد بهبود می بخشد. ▪️ Knowing When to Ask -Bridging Large Language Models and Data #ایده_جذاب #مقاله 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

آیا مدل های بنیاد می‌توانند ساختارهای زیست مولکولی پیچیده را به دقت پیش بینی کنند؟ ▪️ Chai-1, SOTA model for biomolecular structure prediction #علوم_پزشکی #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person