tsm.future

در سخنرانی دوم توسط دکتر محمد حسین رهبان (دانشگاه صنعت شریف)

🔆موضوع هوش مصنوعی مولد
🔅مدل‌های متن به تصویر

قبل از مدل‌های مبتنی بر انتشار مدل GAN خیلی پر سروصدا بود.

مثال درمورد داده‌های MNIST که در سایت کگل هم وجود داره ارقام انگلیسی دست‌نویس هستند.

به دلیل وابستگی که بین پیکسل‌ها وجود داره بهینه‌سازی به این علت خطا داره برای رفعش چیکار میتونیم بکنیم

من خودم چیزی ک تابحال میدونستم این بود که نویز رو حذف کنیم ولی ایشون گفتند اینجا در سطح داده تغییرات هست و اتفاقا به داده‌ها نویز اضافه می‌کنیم
نویز گاوسی هست تولید می‌کنیم با واریانس بزرگ بهمون نشون میده وقتی این نویز رو اضافه می‌کنیم توزیع عوض میشه و یک Score function جدید بهمون میده واریانس نویز رو کم میکنیم.

Score matching🔜score🔜langevin dynamics

برای اینکه یک عکس باکیفیت بهمون برگردونه عمل time revise انجام میدیم.

بعد میتونیم عکس بدیم عکس بگیریم و نویزها در طول زمان به صفر نزدیک میشه.

برای ویدیو باید مدل فیزیک بفهمه که یک ویدیوی خوب بسازه درمورد نویزهای رنگی هم صحبت شد زیاد حضور ذهن ندارم.

هوش مصنوعی جدید gpt4o-1
اگر دقت کنیم کمی دیرتر جواب میده به این علت که حالت استنتاجی گرفته و به همین دلیل از بقیه هوش مصنوعی‌ها بهتر هست یعنی بطوری با سرچ گوگل ادغام شده و ساده‌ترین راه استنتاج تکرار هست

به گفته ایشون الان که مدل بنیادی LLM که از سال 2023 شروع شده و ترند هست همه رفتن سمت اون درصورتی که در مدل‌های قبلی هنوز جای اصلاح داره و نباید روی یک مطلب بریزیم.

دو نگاه در تشخیص و درک انسان داریم
سیستم ۱: ادراکی(سریع اتفاق میفته)
سیستم۲: می‌تونه خوب درک و استنتاج کنه

دوموضوعی که آینده AI را تعیین می‌کنه

۱ـ یادگیری تقویتی
۲-neurosymbolic
(هوش مصنوعی عصبی نمادین)

برای استفاده از هوش مصنوعی قبل از اون باید سواد استفاده از اون رو فرا بگیریم اینکه چطور پرامپت بنویسیم چقدر اعتماد کنیم و از این قبیل موارد.

گروه تلگرامی برای پاسخ به سوالاتتون:

https://www.tgoop.com/+bWAFmSEekFVkMjZk

معرفی کتاب:

۱ـ بهترین کتاب یادگیری جبرخطی

Linear Algebra Done Right

۲ـ مقدمه‌ای بر یادگیری آماری به همراه کاربردها در زبان برنامه‌نویسی R
نویسندگان: جامس، ویتن، هاستی و تیبشیرانی

gizpar.ir/statistical-learning/

و دوره میشیگان برای یادگیری عمیق

دلیل فرار نخبگان از دیدگاه درست ایشون:

یک بخش ناراحتیشون اینه که کار مهمی انجام نمیدن و برای اجرای کارهای مهم باید ازشون استفاده بشه تا آمار کسایی که میرن کمتر بشه
(باور داشتن و اهمیت دادن خیلی مهمه)

---
جهت ارتباط با دنیای تی اس ام.آینده فقط کافیه روی این متون آبی لمس کنی😍💥

Telegram| instagram| GitHub| linkedin

www.tgoop.com/tsmfuture/83

107 viewsedited  Oct 26, 2024 at 08:58

در سخنرانی دوم توسط دکتر محمد حسین رهبان (دانشگاه صنعت شریف)

🔆موضوع هوش مصنوعی مولد
🔅مدل‌های متن به تصویر

قبل از مدل‌های مبتنی بر انتشار مدل GAN خیلی پر سروصدا بود.

مثال درمورد داده‌های MNIST که در سایت کگل هم وجود داره ارقام انگلیسی دست‌نویس هستند.

به دلیل وابستگی که بین پیکسل‌ها وجود داره بهینه‌سازی به این علت خطا داره برای رفعش چیکار میتونیم بکنیم

من خودم چیزی ک تابحال میدونستم این بود که نویز رو حذف کنیم ولی ایشون گفتند اینجا در سطح داده تغییرات هست و اتفاقا به داده‌ها نویز اضافه می‌کنیم
نویز گاوسی هست تولید می‌کنیم با واریانس بزرگ بهمون نشون میده وقتی این نویز رو اضافه می‌کنیم توزیع عوض میشه و یک Score function جدید بهمون میده واریانس نویز رو کم میکنیم.

Score matching🔜score🔜langevin dynamics

برای اینکه یک عکس باکیفیت بهمون برگردونه عمل time revise انجام میدیم.

بعد میتونیم عکس بدیم عکس بگیریم و نویزها در طول زمان به صفر نزدیک میشه.

برای ویدیو باید مدل فیزیک بفهمه که یک ویدیوی خوب بسازه درمورد نویزهای رنگی هم صحبت شد زیاد حضور ذهن ندارم.

هوش مصنوعی جدید gpt4o-1
اگر دقت کنیم کمی دیرتر جواب میده به این علت که حالت استنتاجی گرفته و به همین دلیل از بقیه هوش مصنوعی‌ها بهتر هست یعنی بطوری با سرچ گوگل ادغام شده و ساده‌ترین راه استنتاج تکرار هست

به گفته ایشون الان که مدل بنیادی LLM که از سال 2023 شروع شده و ترند هست همه رفتن سمت اون درصورتی که در مدل‌های قبلی هنوز جای اصلاح داره و نباید روی یک مطلب بریزیم.

دو نگاه در تشخیص و درک انسان داریم
سیستم ۱: ادراکی(سریع اتفاق میفته)
سیستم۲: می‌تونه خوب درک و استنتاج کنه

دوموضوعی که آینده AI را تعیین می‌کنه

۱ـ یادگیری تقویتی
۲-neurosymbolic
(هوش مصنوعی عصبی نمادین)

برای استفاده از هوش مصنوعی قبل از اون باید سواد استفاده از اون رو فرا بگیریم اینکه چطور پرامپت بنویسیم چقدر اعتماد کنیم و از این قبیل موارد.

گروه تلگرامی برای پاسخ به سوالاتتون:

https://www.tgoop.com/+bWAFmSEekFVkMjZk

معرفی کتاب:

۱ـ بهترین کتاب یادگیری جبرخطی

Linear Algebra Done Right

۲ـ مقدمه‌ای بر یادگیری آماری به همراه کاربردها در زبان برنامه‌نویسی R
نویسندگان: جامس، ویتن، هاستی و تیبشیرانی

gizpar.ir/statistical-learning/

و دوره میشیگان برای یادگیری عمیق

دلیل فرار نخبگان از دیدگاه درست ایشون:

یک بخش ناراحتیشون اینه که کار مهمی انجام نمیدن و برای اجرای کارهای مهم باید ازشون استفاده بشه تا آمار کسایی که میرن کمتر بشه
(باور داشتن و اهمیت دادن خیلی مهمه)

---
جهت ارتباط با دنیای تی اس ام.آینده فقط کافیه روی این متون آبی لمس کنی😍💥

Telegram| instagram| GitHub| linkedin

BY tsm.future