#پردازش_زبان_طبیعی #NLP
#پایتون #python

برای افرادی که قصد دارن یک آشنایی مناسبی با مبحث پردازش زبان طبیعی پیدا کنن مطالعه این پست رو توصیه میکنم. زمان پیشنهادی برای مطالعه ۲۷ دقیقه 😜

پردازش زبان طبیعی (NLP) با پایتون - راهنمای جامع - مجله فرادرس
https://blog.faradars.org/practitioners-guide-to-natural-language-processing-part-i-processing-understanding-text/

@ml_nlp_cv

Python | Convert image to text and then to speech

https://www.geeksforgeeks.org/python-convert-image-to-text-and-then-to-speech/

با این چند خط کد ساده، شما میتونید متن موجود در تصویر رو استخراج کنید(OCR) بعدش میتونید متن بدست اومده رو به صدا تبدیل کنید. متن به زبانی که به عنوان پارامتر مشخص میکنید براتون در خروجی خونده میشه.👍

این کد میتونه خیلی کاربرد داشته باشه. برای اینکه این پست خیلی طولانی نشه فعلا خودتون به چند تا از کاربردهاش فکر کنید....😜
در ادامه مطالب کانال حتما براتون مثال هایی از این کاربردها خواهم آورد.

اگه فرصت کردید کد رو در محیط pycharm که در پست قبلی معرفی شد، یا #Google_Colab(لینک) اجرا بگیرید.

برای اینکه کد اجرا بشه ممکنه نیاز داشته باشید یکی دو جا گوگل کنید. اما نتیجه نهایی فوق العاده س.

این عملکرد جالب پایتون که مشاهده اش خواهید کرد همه و همه به لطف کتابخانه های قدرتمندی هست که میتونیم استفاده کنیم. مثلا در این مثال از کتابخانه googletrans(که api مترجم گوگل هست) و چند تا کتابخانه دیگه استفاده شده...
#OCR
#Text_to_Speech
#NLP
#Python
#Vision

@ml_nlp_cv

#پردازش_زبان_طبیعی

یک کورس خوب برای دوستانی که میخوان NLP رو به شکل کاملا کاربردی و حرفه ای یاد بگیرن:

new fast.ai course: A Code-First Introduction to Natural Language Processing · fast.ai
https://www.fast.ai/2019/07/08/fastai-nlp/

#fastai
#NLP

@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

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

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

GitHub - facebookresearch/mmf: A modular framework for vision & language multimodal research from Facebook AI Research (FAIR)
https://github.com/facebookresearch/mmf

#VQA #NLP #mmf
#Computer_Vision
#Pythia

@ml_nlp_cv