به به به!
یه کورس از دانشگاه CMU پیدا کردم اصلا عالی. عنوانش هست :
Software Engineering for AI-Enabled Systems (CMU Course)

به طور مشخص، این دوره از دیدگاه مهندسی نرم‌افزار به ساخت سیستم‌های نرم‌افزاری می‌پردازد که در قلب خود از مدل‌های یادگیری ماشین یا هوش مصنوعی استفاده می‌کنند. به جای تمرکز بر روی خود مدل‌سازی و یادگیری، این دوره بر مسائل طراحی، پیاده‌سازی، عملیات و تضمین تمرکز می‌کند و چگونگی تعامل آن‌ها با مدل‌سازی دانشمند داده را بررسی می‌کند. این دوره برای مهندسان نرم‌افزاری که می‌خواهند چالش‌های خاص کار با مؤلفه‌های هوش مصنوعی را درک کنند و همچنین برای دانشمندان داده که می‌خواهند چالش‌های تبدیل یک مدل پروتوتایپ به محصول را درک کنند، طراحی شده است؛ این دوره ارتباط و همکاری بین هر دو نقش رو تسریع می‌کنه.

از اینجا می‌تونید این کورس رو ببینید.
اینجا هم گیت‌هاب درس هستش.

#course
#Software
#ML

@lifeAsAService

پیرو این پست کانال، توی این بلاگ پست از شرکت EvidentlyAI اومدن دیزاین سیستم ۴۵۰ پروژه‌ی یادگیری ماشین-نرم‌افزاری از ۱۰۰ شرکت بزرگ رو بررسی کردن و لینک‌ها رو هم گذاشتن که بتونید به داک‌ها و جزئیاتشون دسترسی داشته باشید.

توصیه می‌کنم حتما نگاه کنید بهتون دید خیلی خوبی از سیستم‌های بزرگی که از ماشین لرنینگ و نرم افزار استفاده می‌کنن می‌ده.

توضیحات مطلب:

How do companies like Netflix, Airbnb, and Doordash apply machine learning to improve their products and processes? We put together a database of 450 case studies from 100+ companies that share practical ML use cases and learnings from designing ML systems.

#systemDesign
#ML
#software
#LLM

🤖 راه تعامل و ارتباط با سیستم های Gen AI از جمله LLM ها برای کاربرها و دولوپرها از طریق پرامپت و prompt engineering هست. با وجود این که prompting مفهومی گسترده است و به شدت مورد تحقیق قرار گرفته، اما به دلیل تازگی این حوزه، اصطلاحات متناقض و درک ضعیفی از آنچه که یک پرامپت را تشکیل می‌ده، وجود داره.

💡 حالا محقق های کلی دانشگاه و کمپانی از جمله Stanford و OpenAI و Microsoft اومدن و یک مقاله ۷۶ صفحه ای از ۵۸ تکنیک برای پرامپت نوشتن متنی و ۴۰ تکنیک برای modality های دیگه دادن که با فاصله بهترین منبع برای یادگیری نوشتن پرامپت به حساب میاد. از خوندنش لذت می‌برید (برای من که اینطور بود).

💡این تکنینک‌ها زبان‌های دیگه را هم شامل می‌شه(multilingual).با نگاه به سرفصل‌های این کتابچه خودتون دستتون میاد. حالا این یک طرف، و از طرف دیگه، یک لایبرری اومده که همه این ۵۸ تا تکنیک را پیاده سازی کرده. فقط کافیه تکنیکی که می‌خواهید را روی پرامپتتون اجرا کنید تا پرامپت با کیفیت بگیرید.

📝 لینک مقاله

🖥 لینک گیت‌هاب ابزار

✍️ لینک توئیت

#LLM
#Prompt
#ML
#paper
#github

@LifeAsAService

🧵#رشتو

آقامون یان لکون می‌گه حداقل تا ۱۰سال آینده خبری از AGI نیست. و بر این باوره که اگر هم ساخته بشه، از دل LLM و معماری Transformer بیرون نمیاد.
خودش داره روی JEPA کار می‌کنه. این مدل می‌تونه درک انتراعی (Abstract) خوبی از بُعد فیزیکی و مفهومی پدیده‌ها داشته باشه.
حالا مشکل LLM چیه؟
(لینک توئیت و تمام منابع داخل لینک هستش)

https://telegra.ph/JEPA-07-15

#LLM
#ML

@LifeAsAService

وای وای چی پیدا کردم!
یه وبلاگ پررررررر از مطالب برای Data Engineering و Data science برید حال کنید!

https://www.modeldifferently.com/en/

#ml
#data
#ai
#learning
#blog

این یه راهنمای بیسیک برای پاکسازی داده‌ها در عملیات‌های یادگیری ماشین و پیش‌پردازش داده هستش.

#data
#ml
#ai
#learning
#handbook

کتاب "AI, Machine Learning and Deep Learning: A Security Perspective" به بررسی موضوعات زیر می‌پردازد:

1. مفاهیم پایه‌ای و کاربردها:
- توضیح اصول هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) و کاربردهای آن‌ها در فناوری اطلاعات.

2. مسائل امنیتی:
- تمرکز بر امنیت الگوریتم‌ها و ابزارهای AI/ML/DL.

3.حملات و تهدیدات:
- بررسی آسیب‌پذیری‌ها و تهدیداتی که می‌توانند الگوریتم‌ها و دستگاه‌های مبتنی بر هوش مصنوعی را تحت تأثیر قرار دهند.

4.چالش‌های داخلی و خارجی:
- تأثیر ورودی‌های آلوده یا دشمنانه بر مدل‌های یادگیری عمیق.


#امنيت
#AI_Security #MachineLearningThreats #DeepLearningRisks #CyberSecurityAI #AI_Threats #ML_SecurityChallenges #DL_Vulnerabilities #AI_Safety

این ویدئو باحاله. میاد تمام مکانیزم Feed Forward توی یه شبکه‌ی عصبی چند لایه(MLP) رو با دست و روی کاغذ جلو می‌بره و تمام محاسبات رو هم انجام می‌ده.

#video
#learning
#ML

@lifeAsAService

🎁Recurrent Neural Network
#RNN
#ML

#MLP
🎁Multi Layer Perception
#AI
#ML

کمپانی HuggingFace یک سری مدل کوچیک به اسم SmolLM2 که تا سقف ۲ میلیارد پرامتر دارند، معرفی کرده که برای خیلی از کارها از جمله بازنویسی متن (rewriting)، خلاصه کردن متن (summarization)، و function calling میتونید راحت به صورت لوکال با سرعت خیلی بالا ازشون استفاده کنید.

HuggingFace link


#LLM
#ml
🆔@lifeAsAService

🔗 How (and Where) ML Beginners Can Find Papers

این مقاله یه راهنمایی برای تازه‌کارهای یادگیری ماشین (ML) هستش که می‌خوان مقالات پژوهشی پیدا کنن و بخونن. نویسنده پیشنهاد می‌کنه که تازه‌کارها روی انتشاراتpeer-reviewed از کنفرانس‌های برتر ML تمرکز کنن. این کنفرانس‌ها از فرآیندی به نام "داوری دوطرفه ناشناس" استفاده می‌کنن، جایی که مقاله به صورت ناشناس بررسی می‌شه و توسط پژوهشگران ناشناس از همون حوزه بررسی می‌شه. این فرآیند تضمین می‌کنه که مطالب منتشر شده کیفیت بالایی دارن که فهمشون رو برای تازه‌کارها آسون‌تر می‌کنه.

نویسنده یه فرآیند هفت مرحله‌ای رو توضیح می‌ده:

* مرحله ۱: تعیین حوزه علاقه‌مندی. این کار رو می‌تونی با انجام پروژه‌های کدنویسی و خوندن ادبیات پژوهشی انجام بدی(literature).
* مرحله ۲: پیدا کردن یه کنفرانس ML. نویسنده تعدادی از کنفرانس‌های برتر رو لیست می‌کنه، از جمله NeurIPS، ICML، ICLR و IJCAI.
* مرحله ۳: جستجو در مقالات کنفرانس و ساختن یه لیست خواندن. نویسنده پیشنهاد می‌کنه که لیست مقالات پذیرفته شده رو مرور کنی و اونا رو بر اساس عنوان و چکیده پیش‌فیلتر کنی.
* مرحله ۴: به دنبال منابع قدیمی‌تر بگرد. اینا مقالات قدیمی‌تر و اغلب استناد شده‌ای هستن که پایه محکمی برای درک روندهای پژوهشی فعلی فراهم می‌کنن.
* مرحله ۵: طبق لیست پیش برو. این کار زمان و تلاش می‌طلبه، اما در نهایت ارزشش رو داره.
* مرحله ۶: یه مقاله مروری بخون. مقالات مروری یه نمای کلی از یه حوزه پژوهشی ارائه می‌دن.
* مرحله ۷: لیست خودت رو تموم کن. این هرگز اتفاق نمی‌افته، اما اشکالی نداره.

نویسنده در پایان تازه‌کارها رو تشویق می‌کنه که به طور عمیق با ادبیات درگیر بشن و از درخواست کمک نترسن.

#paper #ML #blog

🆔 @lifeAsAService

Precision vs. Accuracy
#ML
@toobabigdatascience

https://youtu.be/7fpgFPprWXM
اولین ویدیو یوتیوب من درمورد kaggle agent
لطفا نظر بدید و تا جایی که میتونید باز نشرش بدید