Forwarded from @machinelearningnet (Sasan Barak)
پرزنت های کنفرانس پایتورچ 2023 رو هم در یوتیوب بارگذاری کردن، میتونید در مورد خیلی از تاپیک های generatative AI سخنرانی های خوبی پیدا کنید
📽️👇🏼
Link
#pytorch #datascience #deeplearning #machinelearning
📽️👇🏼
Link
#pytorch #datascience #deeplearning #machinelearning
YouTube
Lightning Talk: State of PyTorch - Alban Desmaison, Meta - Speakers: Alban Desmaison
Lightning Talk: State of PyTorch - Alban Desmaison, Meta
Speakers: Alban Desmaison
It takes a village to build an open-source framework, all thanks to our awesome community of contributors, partners and ecosystem tools. This talk gives a run through of who…
Speakers: Alban Desmaison
It takes a village to build an open-source framework, all thanks to our awesome community of contributors, partners and ecosystem tools. This talk gives a run through of who…
👍3🔥1
Forwarded from Recommender system (MehriMah Amiri)
Building a Machine Learning Model: A Step-by-Step Guide!
توضيحات_فارسي
توضيحات_انگليسي
#شروع #یادگیری_ماشین #MachineLearning #مدل_سازی #DataScience #پایتون
توضيحات_فارسي
توضيحات_انگليسي
#شروع #یادگیری_ماشین #MachineLearning #مدل_سازی #DataScience #پایتون
👍4
Forwarded from Recommender system (MehriMah Amiri)
رمزنگاری همومورفیک کامل و کاربرد آن در یادگیری ماشین
رمزنگاری همومورفیک کامل (Full Homomorphic Encryption یا FHE) امکان انجام محاسبات روی داده‌های رمزنگاری‌شده را فراهم می‌کند، به گونه‌ای که عملیات‌هایی مثل جمع و ضرب حتی در حالت رمزنگاری‌شده حفظ می‌شوند. در اینجا خلاصه‌ای از نحوه عملکرد FHE در زمینه یادگیری ماشین و چالش‌های احتمالی آن آورده شده است:
📁ادامه مطلب همراه مثال.....
📑لینک مقاله
#️⃣هشتک
#HomomorphicEncryption
#DataPrivacy
#MachineLearning
#FederatedLearning
#DataSecurity
رمزنگاری همومورفیک کامل (Full Homomorphic Encryption یا FHE) امکان انجام محاسبات روی داده‌های رمزنگاری‌شده را فراهم می‌کند، به گونه‌ای که عملیات‌هایی مثل جمع و ضرب حتی در حالت رمزنگاری‌شده حفظ می‌شوند. در اینجا خلاصه‌ای از نحوه عملکرد FHE در زمینه یادگیری ماشین و چالش‌های احتمالی آن آورده شده است:
📁ادامه مطلب همراه مثال.....
📑لینک مقاله
#️⃣هشتک
#HomomorphicEncryption
#DataPrivacy
#MachineLearning
#FederatedLearning
#DataSecurity
👍4
فرصت همکاری با آزمایشگاه ملی هوش مصنوعی 🚀
درباره ما
آزمایشگاه ملی هوش مصنوعی، به عنوان مرکز پیشرو در توسعه و تحقیقات هوش مصنوعی در کشور، در راستای تکمیل تیم تحقیقاتی خود به دنبال جذب نیروهای متخصص و مستعد است.
درباره موقعیت شغلی
ما به دنبال یک پژوهشگر مشتاق و با انگیزه در حوزه هوش مصنوعی برای پیوستن به تیم نوآور خود در دپارتمان توسعه هستیم.
عنوان شغلی: پژوهشگر هوش مصنوعی (AI Researcher)
واحد سازمانی: LWM
نوع همکاری: تمام وقت
محل کار: تهران
شرح وظایف
مطالعه و بررسی گسترده متون علمی در زمینه Large World Models و موضوعات مرتبط با هوش مصنوعی
مطالعه، تحلیل و خلاصه‌سازی مقالات پژوهشی از کنفرانس‌ها و ژورنال‌های معتبر حوزه هوش مصنوعی
ارائه یافته‌های پیچیده پژوهشی به صورت واضح و مختصر برای مخاطبان فنی و غیرفنی
شناسایی روندها و پیشرفت‌های کلیدی در تحقیقات Large World Models
همکاری با تیم توسعه برای کاربردی کردن یافته‌های پژوهشی در پروژه‌های جاری
مشارکت در توسعه پایگاه دانش و جهت‌گیری پژوهشی سازمان
مهارت‌های مورد نیاز
تحصیلات دکتری یا ارشد در رشته‌های علوم کامپیوتر، یادگیری ماشین یا رشته‌های مرتبط با تمرکز بر مدل‌های زبانی بزرگ یا World Models
پیشینه قوی در پردازش و درک زبان طبیعی
مهارت‌های پژوهشی عالی و توانایی اثبات شده در ترکیب اطلاعات پیچیده
مهارت‌های ارتباطی عالی (کتبی و شفاهی)
تجربه در ارائه مفاهیم فنی به مخاطبان مختلف
آشنایی با پیشرفت‌های اخیر در Large World Models (مانند سری GPT، PaLM، CLIP)
تجربه برنامه‌نویسی با Python و آشنایی با فریم‌ورک‌های یادگیری عمیق (مانند PyTorch، TensorFlow)
مزیت‌های اضافی
تجربه کار با سیستم‌های هوش مصنوعی چندوجهی (multi-modal)
پیشینه تحصیلی در علوم شناختی یا رشته‌های مرتبط
سابقه انتشار مقاله در کنفرانس‌ها یا ژورنال‌های هوش مصنوعی
مزایا
فرصت کار در یک محیط پویا و نوآورانه
امکان یادگیری و رشد حرفه‌ای
همکاری با تیمی متخصص و باتجربه
مشارکت در پروژه‌های ملی و پیشرو در حوزه هوش مصنوعی
نحوه درخواست
علاقه‌مندان می‌توانند رزومه خود را به همراه انگیزه‌نامه به آدرس زیر ارسال نمایند:
ایمیل: [email protected]
آدرس محل کار
تهران- خیابان ملاصدرا- سازمان ملی هوش مصنوعی - طبقه سوم
#استخدام #هوش_مصنوعی #فرصت_شغلی #AI #MachineLearning #آزمایشگاه_ملی_هوش_مصنوعی #NAIO #DeepLearning #LWM #LLM
درباره ما
آزمایشگاه ملی هوش مصنوعی، به عنوان مرکز پیشرو در توسعه و تحقیقات هوش مصنوعی در کشور، در راستای تکمیل تیم تحقیقاتی خود به دنبال جذب نیروهای متخصص و مستعد است.
درباره موقعیت شغلی
ما به دنبال یک پژوهشگر مشتاق و با انگیزه در حوزه هوش مصنوعی برای پیوستن به تیم نوآور خود در دپارتمان توسعه هستیم.
عنوان شغلی: پژوهشگر هوش مصنوعی (AI Researcher)
واحد سازمانی: LWM
نوع همکاری: تمام وقت
محل کار: تهران
شرح وظایف
مطالعه و بررسی گسترده متون علمی در زمینه Large World Models و موضوعات مرتبط با هوش مصنوعی
مطالعه، تحلیل و خلاصه‌سازی مقالات پژوهشی از کنفرانس‌ها و ژورنال‌های معتبر حوزه هوش مصنوعی
ارائه یافته‌های پیچیده پژوهشی به صورت واضح و مختصر برای مخاطبان فنی و غیرفنی
شناسایی روندها و پیشرفت‌های کلیدی در تحقیقات Large World Models
همکاری با تیم توسعه برای کاربردی کردن یافته‌های پژوهشی در پروژه‌های جاری
مشارکت در توسعه پایگاه دانش و جهت‌گیری پژوهشی سازمان
مهارت‌های مورد نیاز
تحصیلات دکتری یا ارشد در رشته‌های علوم کامپیوتر، یادگیری ماشین یا رشته‌های مرتبط با تمرکز بر مدل‌های زبانی بزرگ یا World Models
پیشینه قوی در پردازش و درک زبان طبیعی
مهارت‌های پژوهشی عالی و توانایی اثبات شده در ترکیب اطلاعات پیچیده
مهارت‌های ارتباطی عالی (کتبی و شفاهی)
تجربه در ارائه مفاهیم فنی به مخاطبان مختلف
آشنایی با پیشرفت‌های اخیر در Large World Models (مانند سری GPT، PaLM، CLIP)
تجربه برنامه‌نویسی با Python و آشنایی با فریم‌ورک‌های یادگیری عمیق (مانند PyTorch، TensorFlow)
مزیت‌های اضافی
تجربه کار با سیستم‌های هوش مصنوعی چندوجهی (multi-modal)
پیشینه تحصیلی در علوم شناختی یا رشته‌های مرتبط
سابقه انتشار مقاله در کنفرانس‌ها یا ژورنال‌های هوش مصنوعی
مزایا
فرصت کار در یک محیط پویا و نوآورانه
امکان یادگیری و رشد حرفه‌ای
همکاری با تیمی متخصص و باتجربه
مشارکت در پروژه‌های ملی و پیشرو در حوزه هوش مصنوعی
نحوه درخواست
علاقه‌مندان می‌توانند رزومه خود را به همراه انگیزه‌نامه به آدرس زیر ارسال نمایند:
ایمیل: [email protected]
آدرس محل کار
تهران- خیابان ملاصدرا- سازمان ملی هوش مصنوعی - طبقه سوم
#استخدام #هوش_مصنوعی #فرصت_شغلی #AI #MachineLearning #آزمایشگاه_ملی_هوش_مصنوعی #NAIO #DeepLearning #LWM #LLM
👍10👎7❤2👌1🕊1
Forwarded from Recommender system (MehriMah Amiri)
𝗗𝗮𝘁𝗮 𝗦𝗰𝗶𝗲𝗻𝗰𝗲 𝗜𝗻𝘁𝗲𝗿𝘃𝗶𝗲𝘄 𝗤𝘂𝗲𝘀𝘁𝗶𝗼𝗻:
Why is it important to maximize margin in SVM?
Some of the advantages include -
1. Improved Generalization:
وقتی فاصله رو زیاد می‌کنیم، مدل تصمیم می‌گیره که تا جایی که می‌تونه از نزدیک‌ترین نقطه‌های هر دسته دورتر باشه. اینطوری احتمال اینکه داده‌های جدید اشتباه پیش‌بینی بشن کمتر میشه، چون یه فضای امن اطراف مرز تصمیم‌گیری ایجاد شده. فاصله بزرگتر باعث میشه مدل به تغییرات کوچیک یا نویز توی داده‌ها حساسیت نشون نده.
2.Focus on Critical Points:
وقتی فاصله زیاد میشه، مدل بیشتر داده‌های تمرینی رو بی‌خیال میشه و فقط به نقاط مهمی که نزدیک مرز تصمیم‌گیری هستن توجه می‌کنه. اینطوری مدل ساده‌تر و سریع‌تر کار می‌کنه، چون فقط با چند تا نقطه سروکار داره.
3.Robustness to Outliers:
هرچند که SVM کاملاً در برابر نویز مقاوم نیست، ولی با فاصله بیشتر، نسبت به تغییرات کوچیک یا نویز توی داده‌های آموزشی مقاومت بیشتری پیدا می‌کنه. اگه یه نقطه دورتر از مرز باشه، تاثیرش روی مدل کمتره.
Link
#MachineLearning #DataScience #SVM
Why is it important to maximize margin in SVM?
Some of the advantages include -
1. Improved Generalization:
وقتی فاصله رو زیاد می‌کنیم، مدل تصمیم می‌گیره که تا جایی که می‌تونه از نزدیک‌ترین نقطه‌های هر دسته دورتر باشه. اینطوری احتمال اینکه داده‌های جدید اشتباه پیش‌بینی بشن کمتر میشه، چون یه فضای امن اطراف مرز تصمیم‌گیری ایجاد شده. فاصله بزرگتر باعث میشه مدل به تغییرات کوچیک یا نویز توی داده‌ها حساسیت نشون نده.
2.Focus on Critical Points:
وقتی فاصله زیاد میشه، مدل بیشتر داده‌های تمرینی رو بی‌خیال میشه و فقط به نقاط مهمی که نزدیک مرز تصمیم‌گیری هستن توجه می‌کنه. اینطوری مدل ساده‌تر و سریع‌تر کار می‌کنه، چون فقط با چند تا نقطه سروکار داره.
3.Robustness to Outliers:
هرچند که SVM کاملاً در برابر نویز مقاوم نیست، ولی با فاصله بیشتر، نسبت به تغییرات کوچیک یا نویز توی داده‌های آموزشی مقاومت بیشتری پیدا می‌کنه. اگه یه نقطه دورتر از مرز باشه، تاثیرش روی مدل کمتره.
Link
#MachineLearning #DataScience #SVM
1👍11❤4
Forwarded from .AI _in _Healthcare. (Zeinab Habibi)
📊 Navigating the Tension Between Black Box and Interpretable Algorithms in Machine Learning! 🤖
✨ Balancing accuracy and interpretability is essential! Linear Regression is simple, but Neural Networks deliver high accuracy at the cost of being "black boxes."
کدام یک برای شما مهم‌تر است—دقت یا تفسیرپذیری؟ 🤔💡
تصور کنید یک الگوریتم هوشمند به شما می‌گوید که به بیماری خاصی مبتلا هستید. آیا دوست دارید دلیل این تشخیص را بدانید یا فقط به نتیجه نهایی علاقه‌مندید؟ این همان چالشی است که در دنیای یادگیری ماشین با آن روبرو هستیم!
از یک طرف، الگوریتم‌هایی مثل شبکه‌های عصبی با دقت بسیار بالا تصمیم‌گیری می‌کنند اما مثل یک جعبه سیاه عمل می‌کنند و نمی‌توانیم بفهمیم چرا چنین تصمیمی گرفته‌اند. از طرف دیگر، الگوریتم‌هایی مثل درخت‌های تصمیم قابل فهم‌تر هستند اما ممکن است دقت کمتری داشته باشند.
#MachineLearning #Algorithms #Interpretability #Accuracy
✨ Balancing accuracy and interpretability is essential! Linear Regression is simple, but Neural Networks deliver high accuracy at the cost of being "black boxes."
کدام یک برای شما مهم‌تر است—دقت یا تفسیرپذیری؟ 🤔💡
تصور کنید یک الگوریتم هوشمند به شما می‌گوید که به بیماری خاصی مبتلا هستید. آیا دوست دارید دلیل این تشخیص را بدانید یا فقط به نتیجه نهایی علاقه‌مندید؟ این همان چالشی است که در دنیای یادگیری ماشین با آن روبرو هستیم!
از یک طرف، الگوریتم‌هایی مثل شبکه‌های عصبی با دقت بسیار بالا تصمیم‌گیری می‌کنند اما مثل یک جعبه سیاه عمل می‌کنند و نمی‌توانیم بفهمیم چرا چنین تصمیمی گرفته‌اند. از طرف دیگر، الگوریتم‌هایی مثل درخت‌های تصمیم قابل فهم‌تر هستند اما ممکن است دقت کمتری داشته باشند.
#MachineLearning #Algorithms #Interpretability #Accuracy
❤9👍5
Forwarded from Msnp's binary thoughts
https://youtu.be/7fpgFPprWXM
اولین ویدیو یوتیوب من درمورد kaggle agent
لطفا نظر بدید و تا جایی که میتونید باز نشرش بدید
اولین ویدیو یوتیوب من درمورد kaggle agent
لطفا نظر بدید و تا جایی که میتونید باز نشرش بدید
YouTube
Kaggle unlocked - An agent to solve ML problem autonomously - Part1
in this video we discuss about the kaggle agent and overview of how it works and after that we take a look at the data Utils module
GH : https://github.com/MSNP1381/kaggle-Agent/
Plan & Execute : https://langchain-ai.github.io/langgraph/tutorials/plan-and…
GH : https://github.com/MSNP1381/kaggle-Agent/
Plan & Execute : https://langchain-ai.github.io/langgraph/tutorials/plan-and…
👍3👌1