#Book #Life #AI

انسان در عصر هوش مصنوعی
به نگارش مکس تگمارک (استاد MIT)

GoodReads: 4.1/5


هوش مصنوعی، بیش‌از هر تکنولوژی دیگری، توانایی آن را دارد که انقلابی در آینده‌ی جمعی ما به پا کند و برای کندوکاو این آینده، چه کسی مناسب‌تر از مکس تگمارک، استاد کیهان‌شناسی دانشگاه MIT و بنیان‌گذار انستیتوی آینده‌ی حیات که پژوهش‌های کنونی‌اش به سودمندسازی هوش مصنوعی اختصاص دارد. نویسنده ما را به ژرفای پژوهش‌های هوش مصنوعی می‌برد و با اساسی‌ترین پرسش‌های زمانه آشنا می‌کند. آیا با اتوماسیون، بدون این که انسان‌ها درآمد یا هدف از زندگانی را از دست بدهند، می‌توانند به آسایش برسند؟ چگونه مطمئن شویم که سامانه‌های هوش مصنوعی آینده، بدون این که خراب شوند، نادرست عمل کنند، و هک شوند، آنچه را ما می‌خواهیم انجام می‌دهند؟ آیا باید از تسلیحات سلاح‌های آتش به اختیار کُشنده، هراسان باشیم؟ آیا هوش مصنوعی به حیات کمک خواهد کرد تا بیش‌از گذشته نشو ونما کند، یا این ماشین‌ها سرانجام همه‌ی شغل‌های ما از ما می‌ستانند و دست‌آخر جایگزین ما می‌شوند؟

این کتاب را انتشارات مازیار ترجمه و چاپ نموده که بخشی از آنرا در پیوست تقدیم نمودیم.
@ml_nlp_cv

تمام ویدیوها، مقالات و پوسترهای کنفرانس ICLR-2020 در وبسایت کنفرانس. به هیچ عنوان از دست ندهید. 🙏 عالیست:

https://iclr.cc/virtual_2020/papers.html?filter=keywords

#فیلم #منابع #کنفرانس #هوش_مصنوعی #مقاله

@ml_nlp_cv

ویرایش دوم کتاب مبانی یادگیری ماشین، نویسندگان؛‍ مِهریار مُهری، افشین رستمی زاده و آمیت تال-واکر، از انتشارات دانشگاه MIT را از اینجا دانلود کنید.

@ml_nlp_cv

آشنایی با ایلان ماسک، دیگو مارادونای تکنولوژی!

خبر جذاب سفر مجدد فضانوردان امریکایی پس از نزدیک به یک دهه، این روزها تمام رسانه‌ها را در بر گرفته. با گسترش اینترنت کمتر کسی پیدا میشود که ایلان ماسک را نشناسد و یا نام او را نشنیده باشد. ایلان ماسک رئیس شرکت‌های بزرگی همچون اسپیس ایکس و تسلا، از مشهورترین کارآفرینان دنیای فناوری است. اما شخصیت کاریزماتیک و خاص او موجب گشته تا توجه رسانه‌های دنیا را بیش از هر کسی به خود جلب کند به طوری که اظهارنظرهای او اکثرا تبدیل به تیتر خبرها میشوند.
از جمله نظریات او میتوان به ایده‌ی او برای امکان حیات انسان درون یک شبیه سازی، یا یک آزمایشگاه اشاره کرد که به دست یک تمدن فوق پیشرفته برای تحقیق بر روی روند تکامل بشر به وجود آمده است. همینطور توئیت‌های اخیر وی در رابطه با قرنطینه و ویروس کرونا موجب گشته است تا دوباره تیتر منابع مهم خبری شود.

اما چیزی که باعث شده تا بسیاری او را نابغه‌ی قرن بدانند، مسیر زندگی و تصمیمات او بوده است:
سال ۱۹۷۱: تولد در شهر پرتوریای آفریقای جنوبی
سال ۱۹۸۳ (۱۲سالگی): ساخت اولین بازی ویدئویی خود به زبان بیسیک و فروش آن به مبلغ ۵۰۰ دلار
سال ۱۹۸۸( قبل از ۱۸ سالگی): مهاجرت به کانادا برای فرار از دوره‌ی سربازی ارتش آفریقای جنوبی
سال ۱۹۹۴ (۲۴ سالگی): اخذ دو مدرک کارشناسی همزمان در رشته‌ی فیزیک و اقتصاد
سال ۱۹۹۵: پذیرش دانشگاه استنفورد در دوره‌ی دکترای فیزیک و ترک تحصیل تنها ۲ روز بعد از شروع دوره و تاسیس شرکت نرم افزاری Zip2 و رسیدن به سرمایه‌ی ۳۴۱ میلیون دلاری قبل از ۳۰ سالگی
سال ۱۹۹۹: تاسیس سرویس پرداخت اینترنتی X.com و ادغام آن با شرکت PayPal
سال ۲۰۰۲: تاسیس شرکت اسپیس اکس: از دستاوردهای ماسک سود ۷۰ درصدی برای ساخت موشک قاره پیما، کاهش هزینه‌های سفرهای فضایی با استفاده‌ی چند باره از راکت‌های فضایی، ایده‌ی ساخت کلونی بر روی مریخ تا سال ۲۰۴۰ با ظرفیت ۸۰ هزار نفره
سال ۲۰۰۴: سرمایه گذاری در شرکت تسلا و رسیدن به منسب رئیس هیئت مدیره
سال ۲۰۰۶: طرح و سرمایه‌ی اولیه تاسیس شرکت برای ارائه‌ی خدمات مرتبط با انرژی خورشیدی به علت ترس از نابودی اتمسفر
سال ۲۰۰۸: رسیدن به عنوان مدیر عامل و طراح ارشد محصولات تسلا (تولید خودروهای الکترونیکی و لوکس)
سال ۲۰۱۳: شروع ساخت کارخانه‌ی غول آسا (Gigafactory) تولید باتری‌های لیتیوم یونی و رونمایی از ایده‌ی وی برای سیستم حمل و نقل عمومی پرسرعت (سرعتی بالاتر از سرعت صوت برای انتقال مسافر و بار) با استفاده از لوله‌های خلا

البته که تمام روند زندگی ایلان ماسک روبه رشد نبوده ، او چندین بار تا مرز شکست پیش رفت اما نه تنها هیچوقت شکست را باور نکرد، بلکه برای پیشرفت بیشتر مبارزه کرد. او همیشه برای تحقق ایده های خود از اموالش بعنوان سرمایه استفاده میکند:
"من همیشه از پول خودم در شرکت‌هایی که ایجاد می‌کنم سرمایه‌گذاری کرده‌ام. فکر نمی‌کنم استفاده‌ی صرف از پول مردم [در پروژه‌های شخصی] کار درستی باشد. نمی‌توانم از کسی بخواهم در چیزی سرمایه‌گذاری کند که حتی خود من حاضر نیستم در آن سرمایه‌گذاری کنم."
وی حتی با افزایش روزافزون ثروتش و قرار گرفتن در لیست ۲۰ ثروتمند اول جهان، دست از کار نکشید.

روند زندگی ایلان ماسک نشان دهنده‌ی رسیدن به موفقیت با تکیه به داشته‌ها و توانایی‌های ماست. مهم نیست که مهاجرت میکنید، مهم نیست که از صفر شروع میکنید، مهم نیست که ترک تحصیل کرده باشید، مهم نیست که در بزرگترین دانشگاه‌های دنیا تحصیل نکرده باشید. آنچه مهم است تفکر، تحقیق و اجرا کردن ایده‌هاست حتی اگر کمتر کسی به شما باور داشته باشد.

#ایلان_ماسک
#ماشینهای_خودران

@ml_nlp_cv

🎴تجربه هوش‌مصنوعی در دانشگاه منچستر انگلستان
‌
🎫انتقال تجربه‌ای آکادمیک و دانشگاهی از دکتر فریده جلالی، فلوشیپ هوش‌مصنوعی در دانشگاه منچستر و دکترای علوم کامپیوتر از دانشگاه منچستر
‌
✨در این لایو درباره شرایط مهاجرت به انگلستان برای تحصیل در رشته هوش‌مصتوعی، شرایط این رشته در انگلستان و همینطور پیشرفت‌های هوش‌مصنوعی در این کشور صحبت میکنیم.
‌
⁦👁‍🗨⁩یکشنبه، ۲۸ اردیبهشت ۹۹، ساعت ۲۲، لایو در پیج اینستاگرام فیلاگر

📢به دوستان‌ خود اطلاع رسانی کنید


برای حضور در لایو، اینستاگرام فیلاگر را دنبال کنید:
Instagram.com/filoger_com

➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.
@eventai

Marvin Minsky -- one of the fathers of computer science and cofounder of the Artificial Intelligence Laboratory at MIT -- gives a revolutionary answer to the age-old question: "How does the mind work?"
Minsky brilliantly portrays the mind as a "society" of tiny components that are themselves mindless.


ماروین مینسکی - از بنیان گذاران آزمایشگاه هوش مصنوعی MIT، اظهار داشته که ذهن، محصول واحدهای کوچک پردازشی بی‌شماری است که او آنها را عامل نامیده است. هر عامل به تنهایی وظیفه‌ی بسیار محدودی دارد، ولی با همکاری بقیه عاملها ظرفیت‌های شناختی پیچیده تری را به وجود می‌آوردند.
مینسکی در این کتاب(دانلود) توضیح میدهد که چگونه عوامل گروهی می توانند پدیده های شناختی زیادی از جمله بازشناسی الگوها، استنتاج، کارکردهای حافظه و زبان را بوجود بیاورند.

@ml_nlp_cv

آموزش متن فارسی در زمینه استفاده از مدل Bert در تسک sentiment analysis

https://sci2lab.github.io/ml_tutorial/bert_farsi_sentiment/

#پردازش_زبان_طبیعی #NLP

@ml_nlp_cv

آموزش یادگیری انتقالی به زبانی ساده

What Is Transfer Learning? A Simple Guide | Built In
https://builtin.com/data-science/transfer-learning

#Transfer_Learning

@ml_nlp_cv

هایپلات کتابخانه فیسبوک برای بصری سازی است و به محققان ai کمک می کند تا همبستگی ها و الگوهای موجود در داده های با ابعاد بالا را کشف کنند. هایپلات از ترسیم های موازی و سایر روش های گرافیکی استفاده میکند تا بازنمایی واضح تری از اطلاعات ارائه دهد و همچنین به سرعت و بدون نیاز به تنظیمات خاص از طریق یک Jupyter notebook قابل اجراست. HiPlot محققان یادگیری ماشین را قادر می سازد تا با سهولت بیشتری هایپرپارامترهای خود مانند نرخ یادگیری و غیره را ارزیابی کنند. این ابزار همچنین توسط محققان سایر رشته ها نیز قابل استفاده است تا بتوانند همبستگی های موجود در داده های مربوط به کار خود را مشاهده و تحلیل کنند.

Link

#FacebookAI

@ml_nlp_cv

۱۸ منبع مهم برای جستجوی دیتای پژوهشی

#دیتاست
#dataset

@ml_nlp_cv

فصل دوم آموزش کاربردی پایتون
به صورت پروژه محور

مدرس : ناصر رضوی

➖➖➖➖
#پایتون

🆔 @Max_Academy

OpenAI Unveils 175 Billion Parameter GPT-3 Language Model
https://medium.com/@Synced/openai-unveils-175-billion-parameter-gpt-3-language-model-3d3f453124cd

#NLP #GPT-3

@ml_nlp_cv

آموزش دریافت حجم گوگل درایو نامحدود برای استفاده در گوگل کولب

وارد این لینک بشید

http://td.fastio.me

اینجا جیمیل خودتون وارد کنید نیازی به وارد کردن پسورد نیس بعد اسم چنتا دانشگاه رو میبنید شما این گزینه رو انتخاب کنید

(3P)G Suite Education 🌐 (gdriveunlimited.net)’

👇

نکته دیگری در مورد مدل GPT3 OpenAI:

قدرت مدل در درک common sense از بهترین مدل های آموزش داده شده قبلی بسیار بهتر است. Common sense یکی از دشوار ترین مسایل در هوش مصنوعی (یا شاید دشوار ترین مساله هوش مصنوعی) باشد و فهم روزمره ما از جهان است به طور مثال اگر یک تخم مرغ روی زمین بیفتد میشکند یا اگر نان در آب خیس شود دیگر قابل خوردن نیست یا اینکه اگر به کسی سیلی بزنید درد احساس می کند و ممکن است گریه کند! چنین چیزهایی را ما به کودک آموزش نمی دهیم بلکه خود کودک در تعامل با جهان اطرافش درک میکند. پژوهشگران هوش مصنوعی از چندین دهه پیش و در اوایل متوجه شدند برای آنکه یک سیستم هوشمند داشته باشیم باید بتوانیم چنین نوع دانشی (که در کتاب ها و ویکی پدیا و غیره پیدا نمی شود) را به سیستم ها یاد بدهیم. اگرچه شاید سخت بنظر نرسد اما در عمل مشخص شد چنین دانشی بسیار بسیار بزرگتر از دانش های مکتوب معمول است! امروزه دیتاست هایی برای سنجش common sense ساخته شده اند که هر کدام به یک جنبه ان می پردازند. GPT3 توانسته به بالا ترین دقت یک سیستم در آن برسد (هرچند هنوز از انسان بسیار عقب است)

تنها علت موفقیت این مدل بزرگ بودن آن است! هیچ تغییر ساختاری یا معماری در آن انجام نشده است. همین باعث شده سوال های مهمی در مورد آینده هوش مصنوعی مطرح شود. آیا برای رسیدن به هوش انسانی صرفا کافی ست مدلها را بزرگتر و بزرگتر کنیم؟ یا اینکه نیاز داریم متدهای جدیدی را بررسی کنیم. اگر بزرگ کردن مدل تنها راه حل است چنین چیزی برای بسیاری از پژوهشگران غیر قابل دسترس است. یک تخمین نشان داده است هزینه آموزش GPT3 به اضافه هزینه حقوق افراد دخیل در پروژه حداقل ۱۸ میلیون دلار بوده است!! ( ۱۲ میلیون دلار آموزش بر روی سرور های مایکروسافت و ۶ میلیون دلار حقوق و بقیه هزینه ها) چنین عددی با بودجه یک فیلم هالیوودی متوسط برابری میکند!

#nlp #common_sense

@ml_nlp_cv

این هنرمند نقاش فرانسوی با کمک واقعیت مجازی، ۳بعدی نقاشی می کند.


#virtual_reality

@ml_nlp_cv

First intuitive quantum programming language - Swiss Quantum Hub
http://www.swissquantumhub.com/first-intuitive-programming-language-for-quantum-computers/

#Quantum_Computing #SILQ

@ml_nlp_cv

Large Scale Holistic Video Understanding Tutorial - #CVPR2020

Today at 9 am PT | 6 pm CET | 8:30 pm IRST

Youtube live broadcast:
https://youtu.be/IRYKpz6txeY
Live Q&A on youtube live chat

#LHVU #CVPR

Need volumetric capture at home? Check out our PIFuHD (#CVPR2020 Oral) on github, enabling high-res 3D human capture from a single picture!! We also provide Google Colab demo, where you can upload your own photo and play with PIFuHD on the cloud!! #pifuhd

https://t.co/w3yOwXe45U

@ml_nlp_cv

کتابخانه tf.explain ابزاری است برای درک بهتر رفتار شبکه عصبی که امکان تحلیل گرادیان ها و ترسیم المان های مصور سازی نظیر heatmap ها را میدهد.
همچنین قابل ترکیب با tensorboard و قابل استفاده از طریق tf.keras API هم میباشد.

The library is adapted to the Tensorflow 2.0 workflow, using tf.keras API as possible. It provides:
- Heatmaps Visualizations & Gradients Analysis
- Both off-training and tf.keras.Callback Usages
- Tensorboard Integration

tf-explain respects the new TF2.0 API, and is primarily based on tf.keras when possible. It benefits from the @tf.function decorator which helps to keep support for both eager and graph mode. This allows keeping most algorithms computation time negligible compared to full training.

Algorithms implemented in tf-explain:
- Activations Visualizations
- Grad CAM
- Occlusion Sensitivity
- SmoothGrad

Documentation: https://tf-explain.readthedocs.io/en/latest/
Github: https://github.com/sicara/tf-explain

#tensorflow

@ml_nlp_cv