یک دوره کلاسی مبانی #یادگیری_ماشین از دانشگاه استنفورد

▪️ Stanford's "Machine Learning Theory" by Tengyu Ma

▪️ Lecture Notes

#آموزش_کلاسی #منابع #فیلم #الگوریتمها


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

در VLMها پس از مرحله‌ی تصویرسازی، ۴۰ تا ۶۰ درصد از بافت معنایی خود را از دست می‌دهند، نمایش‌های بصری را تحریف می‌کنند و بر وظایف بعدی تأثیر می‌گذارند. برای حل این موضوع چکار کنیم؟!
▪️ Lost in Embeddings: Information Loss in Vision-Language Models

پ.ن: چیزی که مدلهای هوش مصنوعی مثل chatgptمیبینیم عکس خودمون رو میدیم بهش چیزی دیگه تحویل میده

#بینایی_مدلهای_زبانی #مقاله #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

💉 دیتاستی شبیه پرونده‌ پزشکی!
یکی از ارزشمندترین #دیتاست‌ هایی که این روزها روی Hugging Face قرار گرفته،
HealthRisk-1500
هست.
نکته‌ی طلایی این مجموعه اینه که فقط شامل علائم یا فقط شامل آزمایش‌ها نیست، بلکه ترکیب دقیقی از ویژگی‌های جمعیت‌شناختی (مثل سن و جنس )، علائم بالینی ، نتایج آزمایش‌های کلینیکی و عوامل خطر مثل فشار خون بالا رو کنار هم آورده.

🔍 همین ترکیب باعث می‌شه این دیتاست برای ساختن مدل‌های پیش‌بینی ریسک بیماری‌ها فوق‌العاده کاربردی باشه. شما می‌تونید روی این داده‌ها #الگوریتم‌ های یادگیری ماشین مثل Random Forest یا XGBoost رو تست کنید، یا حتی یک شبکه‌ی عصبی عمیق طراحی کنید.
بعد، بررسی کنید که کدوم فاکتورها بیشترین نقش رو توی پیش‌بینی داشتن.

🔗 HealthRisk-1500 Dataset

#دیتاست #علوم_پزشکی #پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person
💥@Healthcaredataanalytics

پاییز فصل ما هم شروع شد

پاییز آمده ست که خود را ببارمت!
پاییز: نامِ دیگر ِ «من دوست دارمت»

بر باد می دهم همه ی بود ِ خویش را
یعنی تو را به دست خودت می سپارمت!

باران بشو، ببار به کاغذ، سخن بگو...
وقتی که در میان خودم می فشارمت

پایان تو رسیده گل ِ کاغذی ِ من
حتی اگر که خاک شوم تا بکارمت

اصرار می کنی که مرا زودتر بگو
گاهی چنان سریع که جا می گذارمت!

پاییز من، عزیز ِ غم انگیز ِ برگریز!
یک روز می رسم... و تو را می بهارمت

پاییزو فصل دوست داشتنی که خیلی دوستش دارم

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

لیست کانال و گروه های ما :

▪️ گروه هوش مصنوعی: یادگیری عمیق و...

https://www.tgoop.com/DeepLearningAIExperts

▪️ گروه هوش مصنوعی: پردازش زبان طبیعی
https://www.tgoop.com/NLPExperts

▪️ کانال دکتر میثم عسگری

https://www.tgoop.com/ai_person

▪️ گروه لینوکس و پایتون و سایر...
https://www.tgoop.com/PythonLinuxExperts

با اشتراک گذاشتن این پست به دیده شدن و پیشرفت هموطنان خود کمک کنید. جایی برای پرسش و پاسخ و ارتباط با پژوهشگران علوم کامپیوتر و صنعت پیدا کنند.

مردم‌داری افراطی (People-Pleasing) به سلامت جسم و روان شما آسیب می‌زند!

بسیاری از ما گاهی برای جلوگیری از تنش یا جلب رضایت دیگران، نیازهای خود را نادیده می‌گیریم. اما وقتی این رفتار تبدیل به عادت شود، می‌تواند آرام‌آرام به فرسودگی روانی، استرس مزمن، از بین رفتن مرزهای شخصی و حتی گم‌شدن هویت فردی منجر شود.

تحقیقات نشان می‌دهد که سرکوب مداوم احساسات، احتمال اضطراب، فرسودگی شغلی و بیماری‌های جدی مانند اختلالات خودایمنی را افزایش می‌دهد. در حالی که مردم‌داری افراطی اغلب ستایش می‌شود، تأثیر آن بر بدن و روابط ما بسیار سنگین است.
راه بهبود چیست؟
ابتدا باید ریشه این رفتارها را شناسایی کنیم. اغلب این الگوها به ترومای اولیه یا ترس از طردشدن برمی‌گردند. بازسازی عزت‌نفس از درون، یاد گرفتن گفتن «نه» بدون احساس گناه و اولویت دادن به مراقبت از خود، گام‌های اساسی هستند.

برای افراد نورودایورجنت، جوامع حمایتی و ابزارهای سازگار با نیازهای حسی می‌توانند به بازگشت به اصالت فردی کمک کنند.

به‌خاطر داشته باشید: ترک مردم‌داری افراطی به معنای خودخواه شدن نیست، بلکه به معنای کامل‌تر شدن است. این یک عمل نیرومند برای حفظ سلامت روانی و جسمی و بازگشت به خویشتن است.

https://www.health.harvard.edu/blog/autoimmune-disease-and-stress-is-there-a-link-2018071114230

#مقاله #روانشناسی #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دانشمندان برای نخستین بار ویروس‌هایی ساخته اند که به طور کامل توسط #هوش_مصنوعی طراحی شده‌اند

▪️ World’s first AI-designed viruses a step towards AI-generated life

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

در این پست به صورت گام‌به‌گام آموزش داده شده که چطور یک شبکه عصبی Dense را با Python و فقط NumPy از صفر پیاده‌سازی کنیم.
تمام مراحل مهم از تعریف لایه‌ها و توابع فعال‌سازی تا فرآیند فیدفوروارد و بک‌پراپگیشن توضیح داده شده و مناسب افرادی است که می‌خواهند درک عمیق‌تری از مکانیزم داخلی شبکه‌های عصبی پیدا کنند.
https://zapuyesh.com/build-dense-neural-network-python-numpy-scratch/

#شبکه_عصبی #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اخ ننه:‌))
کلیک هاوس و اسکیل روی کوادریلیون دیتاااا (توسط تسلا): )

- مغز آدم سوت میکشه.

پ.ن: برای اونهایی که نمیدونن . ClickHouse یه دیتابیس هست برای کاربرد Analytical/OLAP
سینتکسش SQL هست (از خانواده SQL هست کلا و NoSQL حساب نمیشه)

(اولین جایی که به چشمم خورد و استفاده کردم روی indexerهای غول پیکر بلاکچین بود . (مثال : چیزی مثل Etherscan یا Blockexplorer)

لینک مقاله: source
@uselinux

محققانی از دانشگاه استنفورد و مؤسسه Arc موفق شده‌اند ویروس‌هایی بسازند که دی‌ان‌ای آنها توسط هوش مصنوعی طراحی شده و قادرند باکتری‌ها را هدف بگیرند و از بین ببرند. آن‌ها از یک مدل ویژه به نام Evo استفاده کردند که بر پایه میلیون‌ها ژنوم باکتریوفاژ (ویروس‌هایی که باکتری‌ها را آلوده می‌کنند) آموزش دیده بود. تیم تحقیقاتی ۳۰۲ طراحی ویروسی تولید کرد و آن‌ها را شیمیایی ساخت. از میان آن‌ها، ۱۶ مورد کارآمد بودند و توانستند چند سویه E. coli را آلوده کرده و نابود کنند. در بعضی موارد مؤثرتر از ویروس‌های طبیعی عمل کردند.
این دستاورد، که در یک مطالعه پیش از داوری منتشر شده است، اولین بار است که هوش مصنوعی کل ژنوم‌های کارا (عملیاتی) تولید کرده است. دانشمندان این را یک پیشرفت بزرگ در مهندسی زیستی می‌دانند که می‌تواند برای کاربردهای درمانی آینده مفید باشد، اگرچه برخی متخصصان هشدار می‌دهند که چنین توانایی می‌تواند اگر به زیان استفاده شود، امکان ساخت بیو‌سلاح‌ها را فراهم کند. یکی از پژوهشگران آن را این‌گونه توصیف کرده است: «برای نخستین بار سیستم‌های هوش مصنوعی قادرند توالی‌های ژنومی به مقیاس کامل را بنویسند.» همکار دیگر تأکید کرده است که پتانسیل درمانی زیاد است، ولی هنوز «پیشرفت‌های آزمایشی فراوانی» لازم است تا هوش مصنوعی بتواند موجودات کامل زنده را طراحی کند. همچنین افراد مهمی مثل کریگ ونتر (پیشگام در حوزه DNA مصنوعی) هشدار داده‌اند که ارتقای تصادفی ویروس‌ها می‌تواند پیامدهای فاجعه‌باری داشته باشد اگر برای عوامل بیماری‌زا مثل آبله یا سیاه‌زخم استفاده شود.

▪️ Generative design of novel bacteriophages with genome language models

#بیولوژی #بیوتکنولوژی #هوش_مصنوعی #زیست_شناسی #ژنتیک #علوم_پزشکی #هوش_مصنوعی #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Prompt: “Create a Python snake game in Pygame with smooth controls, increasing difficulty and a scoring system. Add retro UI and bonus power ups.”

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

به دوره کلاسی از دانشگاه استنفورد

Self-improving AI Agents course at Stanford!

cs329a.stanford.edu

#هوش_مصنوعی #منابع #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

با دوستان عزیز در الکامپ
@Seyed_bax

با علیرضا اخوان پور عزیز از مدرسان خوب هوش مصنوعی در الکامپ

@cvision

Mohammad Baghiat:
https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16

YouTube Downloader bot:
Playlist videos
----
1. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 1: Introduction ⏰2 months ago
https://youtu.be/2fq9wYslV0A
----
2. Stanford CS231N | Spring 2025 | Lecture 2: Image Classification with Linear Classifiers ⏰2 months ago
https://youtu.be/pdqofxJeBN8
----
3. Stanford CS231N | Spring 2025 | Lecture 3: Regularization and Optimization ⏰2 months ago
https://youtu.be/dyNGd06MWn4
----
4. Stanford CS231N | Spring 2025 | Lecture 4: Neural Networks and Backpropagation ⏰2 months ago
https://youtu.be/25zD5qJHYsk
----
5. Stanford CS231N | Spring 2025 | Lecture 5: Image Classification with CNNs ⏰2 months ago
https://youtu.be/f3g1zGdxptI
----
6. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 6: CNN Architectures ⏰2 months ago
https://youtu.be/aVJy4O5TOk8
----
7. Stanford CS231N | Spring 2025 | Lecture 7: Recurrent Neural Networks ⏰2 months ago
https://youtu.be/kG2lAPBF7zA
----
8. Stanford CS231N | Spring 2025 | Lecture 8: Attention and Transformers ⏰2 months ago
https://youtu.be/RQowiOF_FvQ
----
9. Stanford CS231N | Spring 2025 | Lecture 9: Object Detection, Image Segmentation, Visualizing ⏰2 months ago
https://youtu.be/PTypu6GqEd4
----
10. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 10: Video Understanding ⏰a month ago
https://youtu.be/wElqklprhPE
----
11. Stanford CS231N | Spring 2025 | Lecture 11: Large Scale Distributed Training ⏰a month ago
https://youtu.be/9MvD-XsowsE
----
12. Stanford CS231N | Spring 2025 | Lecture 12: Self-Supervised Learning ⏰a month ago
https://youtu.be/4howBU7THbM
----
13. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 13: Generative Models 1 ⏰a month ago
https://youtu.be/zbHXQRUNlH0
----
14. Stanford CS231N Deep Learning for Computer Vision| Spring 2025 | Lecture 14: Generative Models 2 ⏰a month ago
https://youtu.be/Edr4uZFh4EE
----
15. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 15: 3D Vision ⏰a month ago
https://youtu.be/7lxrKDKtykM
----
16. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 16: Vision and Language ⏰a month ago
https://youtu.be/mQOK0Mfyrkk
----
17. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 17: Robot Learning ⏰a month ago
https://youtu.be/XSfmOH_xVSU
----
18. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 18: Human-Centered AI ⏰a month ago
https://youtu.be/g8UaBfj6Sh8
----

https://youtu.be/35BrDdQ1bb4
اولین موزیک production-ready که با همکاری یک آواتار AI ساخته شده
از مهراد هیدن و Nava

🚀 Kullback–Leibler (KL) Divergence in a Nutshell
❔فاصله (عدم شباهت) بین دو توزیع احتمال چطور سنجیده می‌شود؟

👨🏻‍🏫 یکی از پرکاربردترین معیارها برای سنجش عدم تشابه توزیع‌های احتمالی معیار KL divergence است. این معیار به شکل زیر تعریف می‌شود:

● Discrete:
𝒟ₖₗ(𝒫(𝓍)||𝒬(𝓍)) = Σ𝒫(x)𝓁𝓃[𝒫(𝓍)/𝒬(𝓍)]
● Continuous:
𝒟ₖₗ(𝒫(𝓍)||𝒬(𝓍)) = ∫𝒫(x)𝓁𝓃[𝒫(𝓍)/𝒬(𝓍)]d𝓍

و علی‌رغم سادگی، در بسیاری از مدل‌های پیشرفته‌تر مثل Variational Autoencoders¹ و Diffusion Models² ظاهر می‌شود.

🔍 در صورت مساوی بودن دو توزیع در تمام نقاط، نسبت‌ آن‌ها ۱، مقدار لگاریتم صفر و 𝒟ₖₗ نیز برابر صفر می‌شود. در صورت وجود اختلاف بین دو توزیع، نسبت آن‌‌ها مخالف ۱ و 𝒟ₖₗ مقداری مثبت خواهد داشت.

🖥 به انیمیشن ما در این پست توجه کنید. در این انیمیشن نحوه تغییر 𝒟ₖₗ برحسب میزان اختلاف دو توزیع احتمال مشاهده می‌شود. مشاهده می‌شود که با افزایش اختلاف دو توزیع از هم مقدار 𝒟ₖₗ افزایش می‌یابد و با نزدیک شدن دو توزیع به یکدیگر، مشابهت دو توزیع افزایش یافته و 𝒟ₖₗ کاهش می‌یابد.

Follow us for daily doses of AI Magic 👊😉.
@NeuralBlackMagic