دلیلی که می‌تواند منجر به تفاوت در نتایج اجرای یک الگوریتم موجود در Google Colab شود، می‌تواند به عوامل زیر برگردد:

تصادفی بودن برخی فرآیندها: بسیاری از الگوریتم‌های یادگیری عمیق و شبکه‌های عصبی از عواملی مانند تولید اعداد تصادفی، تقسیم داده‌ها به دسته‌ها و مدل‌سازی تصادفی در فرآیند آموزش و تست استفاده می‌کنند. این تصادفی بودن می‌تواند باعث تفاوت در نتایج اجراهای مختلف شود. این ویژگی را با ست کردن random state میتوان ثابت کرد.

پارامترهای الگوریتم: بسیاری از الگوریتم‌ها دارای پارامترهای قابل تنظیم هستند که می‌توانند تأثیر قابل توجهی در نتایج داشته باشند. تغییر در مقادیر پارامترها ممکن است باعث تغییر در نتایج اجرا شود.

نسخه نرم‌افزاری و کتابخانه‌ها: در Google Colab، نسخه‌های مختلفی از پایتون، کتابخانه‌های مربوطه و سایر وابستگی‌ها ممکن است استفاده شوند. تفاوت در نسخه‌ها و تنظیمات مربوطه می‌تواند تفاوت در نتایج اجرا ایجاد کند.

نکته: اگر در سیستم های مختلف کار رو تست می کنید، حتما قبل از کار ورژن تنسورفلو و لایبرری ها را بررسی کنید.

سخت‌افزار و محیط اجرا: Google Colab از سرورهای ابری Google استفاده می‌کند و اجراهای مختلف ممکن است روی سخت‌افزارها و محیط‌های مختلفی انجام شود. تفاوت در سرورها و سخت‌افزارها می‌تواند تأثیری در نتایج داشته باشد.

به طور کلی، این تفاوت‌ها معمولاً به دلیل عوامل تصادفی، پارامترها، و شرایط اجرای متفاوت ممکن است رخ دهند. برای دقت و قابل اعتماد بیشتر، معمولاً تکرار اجرا و میانگین‌گیری از نتایج مختلف مورد استفاده قرار می‌گیرد.

لینک کانال

https://xn--r1a.website/datalook_ir

یکی از سه کتابی که هر دیتا ساینتیست، تحلیل گر کسب و کار باید بخواند.

کتاب Data Science for Business اصول بنیادی علوم داده را توضیح داده و شما را به سمت تفکر تجزیه و تحلیل داده (Data-Analytic thinking) که برای استخراج علم و دانش مفید و کافی از دیتاهای شما جمع آوری می شود، سوق می دهد.

این کتاب برای کسب و کارها کوچک و بزرگ بسیار مفید است و دید کاملاً جدیدی به صاحبان مشاغل می دهد تا بتوانند روند صعودی به کار خود بدهند.

اسکارلت جوهانسون: از شباهت صدای 
#Gpt4
به خودم شوکه و عصبانی شدم.



اسکارلت جوهانسون در اولین واکنش رسمی به جنجال‌های روز گذشته می‌گوید استارتاپ OpenAI از او خواسته بود که صدایش را برای استفاده در ChatGPT ضبط کند، اما جوهانسون در نهایت درخواست OpenAI را نپذیرفت. بازیگر سرشناس هالیوودی می‌گوید OpenAI بدون اجازه صدایی تولید کرده است که شباهت بسیار زیادی به صدای او
دارد.

.اسکارلت جوهانسون در بیانیه‌ای که برای NPR ارسال کرد، گفت مجبور شده است برای مقابله‌ با OpenAI مشاور حقوقی استخدام کند. ظاهراً او دو نامه برای OpenAI ارسال کرده تا بپرسد که صدای مورد استفاده در ChatGPT که اسکای (Sky) نام دارد، چگونه ساخته شده است.

جوهانسون می‌گوید: «سپتامبر گذشته (شهریور و مهر ۱۴۰۲)، پیشنهادی از سم آلتمن دریافت کردم؛ او می‌خواست من را استخدام کند تا در نقش صدای سیستم فعلی ChatGPT 4.0 ظاهر شوم.» به ادعای جوهانسون، سم آلتمن دو روز پیش از رونمایی نسخه‌ی صوتی ChatGPT بار دیگر با مدیر برنامه‌های او تماس گرفته بود تا جوهانسون را ترغیب کند که نظرش را تغییر دهد.

سم آلتمن به‌وضوح می‌گوید که حرفه‌ی جوهانسون را تحسین می‌کند. او پیش‌تر گفته Her (فیلمی که جوهانسون در آن نقش صدای هوش مصنوعی را بازی می‌کند) فیلم مورد علاقه‌اش است. حتی پس از برگزاری رویداد هفته‌ی گذشته، آلتمن پست جدیدی در ایکس با عبارت Her منتشر کرد.

یکی از اون سه کتابی که گفتم هر دیتا ساینتیست باید بخونه.

عینک هوشمند Ray-Ban متا به قابلیت ارسال استوری اینستاگرام مجهز شد

🔹اکنون بدون نیاز به گوشی و فقط از طریق عینک هوشمند Ray-Ban متا می‌توان به‎‌طور مستقیم در اینستاگرام استوری ارسال کرد. با وجود پشتیبانی از اینستاگرام، اکنون کاربران عینک هوشمند Ray-Ban می‌توانند با دستورات صوتی از آن بخواهند که قبل یا بعد از گرفتن یک عکس، آن را در شبکه اجتماعی منتشر کند.

🔹این ویژگی از جمله قابلیت‌های جدیدی است که غول فناوری برای عینک هوشمند خود ارائه کرده است و از جمله دیگر ویژگی‌های جدید آن می‌توان به پشتیبانی از Amazon Music و اپ مدیتیشن Calm اشاره کرد.

این مقاله بر 5 مورد از ابزارهای موجود و پرکاربردی ایجاد LLM تمرکز دارد که همگی بدون هزینه هستند و برای استفاده از انواع مدل‌های زبان موجود ایجاد شده‌اند: Transformers، LlamaIndex، Langchain، Ollama، و Llamafile.


لینک مقاله

1- یکی از برجسته‌ترین فریمورک های مدل پردازش زبان طبیعی مدرن (NLP)، Transformers از منبع NLP Hugging Face است. انواع مدل های از پیش آموزش دیده موجود در Transformers بسیار زیاد است، با هر دو مدل پایه و تنظیم دقیق برای کارهایی مانند طبقه بندی متن، ترجمه، پاسخگویی به سؤال و موارد دیگر.
۲_فریمورک LlamaIndex
یک چارچوب داده است که برای ایجاد و استفاده از LLM ها خصوصا Gpt، به ویژه همراه (RAG) سفارشی شده است. این اتصالات بین LLM ها و منابع داده های مختلف را ساده می کند، بنابراین ساخت آسان برنامه های کاربردی LLM مبتنی بر داده را ممکن می سازد.

۳_لانگ چین Langchain
چارچوبی است که به مهندسان هوش مصنوعی اجازه می‌دهد تا مدل‌های زبان را با مجموعه وسیعی از منابع داده و همچنین با سایر LLM‌ها متصل کنند. Langchain همچنین مسیرهایی را برای کاربردهای استدلال آگاه از زمینه ارائه می دهد و ابزارهایی را برای ساخت عوامل توانا ارائه می دهد که می توانند وظایف استدلالی پیچیده را برای حل مسئله انجام دهند.

3_فریمورک Ollama
به گونه ای طراحی شده است که دسترسی آسان به چندین LLM مانند Llama 3، Mistral، Gemma و موارد دیگر را فراهم می کند و با کاهش هزینه های استقرار و مدیریت، مدیریت آنها را بدون دردسر می کند. می‌توانید از Olama برای راه‌اندازی سریع LLM‌های محلی هم برای تعامل و هم برای توسعه استفاده کنید.

برای مبتدیان خوب است زیرا تعداد زیادی از مدل های زبان بزرگ را گرد هم می آورد و استقرار و اجرای آنها را آسان تر می کند. به عنوان مثال، Llama 3 را به صورت محلی در اختیار داشته باشید، و سپس از طریق Ollama در چارچوب توسعه LLM مورد علاقه خود (Langchain، LlamaIndex، و غیره) به همان مدل متصل شوید. این واقعاً چندین مشکل را همزمان حل می کند.

چیت شیت آموزشی tsql در postgreSQl
دستورات پیشرفته

یادگیری عمیق یک زمینه مطالعه جذاب است . شروع #یادگیری_عمیق ممکن است سخت باشد.

اینکه از کدام کتابخانه باید استفاده کنید و روی کدام تکنیک ها تمرکز کنید؟

در این دوره آموزشی 9 قسمتی، یادگیری عمیق کاربردی در #پایتون را با استفاده آسان و کتابخانه قدرتمند PyTorch کشف خواهید کرد. این دوره کوتاه برای تمرین‌کنندگانی در نظر گرفته شده است که از قبل با برنامه‌نویسی در پایتون راحت هستند و مفهوم اصلی یادگیری ماشین را می‌دانند.

لینک دوره


#یادگیری_عمیق
#پایتون
#deeplearning
#pythonprogramming
#python

سم آلتمن می‌گوید عملکرد GPT-5 می‌تواند شبیه یک «مغز مجازی» باشد.

«سم آلتمن»، مدیرعامل OpenAI به‌تازگی گفته است که مدل GPT-5 می‌تواند عملکردی شبیه به یک «مغز مجازی» داشته باشد. این مدل خواهد توانست با تفکر عمیق‌تر کارهایی به‌مراتب پیچیده‌تر از مدل‌های فعلی این شرکت انجام دهد. همچنین آلتمن اعلام کرد که این مدل ممکن است با نامی کاملاً متفاوت رونمایی شود.

براساس گزارش Gizchina، سم آلتمن در مصاحبه‌ای با «لوگان بارتلت» از شرکت Redpoint درباره مدل GPT-4o و چشم‌انداز OpenAI صحبت کرد.

آلتمن می‌گوید که پیدایش GPT-4o نتیجه یک تصمیم عجولانه نبود، بلکه ثمره سال‌ها پیشرفت و تحقیقات فناوری بود. درواقع این هوش مصنوعی پیشرفته، رویکرد و تعهد OpenAI به پیشبرد مرزهای قابلیت‌های هوش مصنوعی را نشان می‌دهد.

سم آلتمن از GPT-5 به‌عنوان یک تغییردهنده پارادایم در تکامل هوش مصنوعی یاد می‌کند. این مدل می‌تواند همانند یک مغز مجازی و با قابلیت‌های تفکر عمیق‌تر به کاربران در کارهای بی‌شماری کمک کند. برخلاف مدل‌های قبلی، انتظار می‌رود که GPT-5 تجربه‌ای منحصربه‌فرد و متحول‌کننده را ارائه دهد و احتمالاً مفهوم مدل‌های هوش مصنوعی را بازتعریف کند.

OpenAI
به‌تازگی از جدیدترین مدل خود یعنی GPT-4o رونمایی کرد که قابلیت درک صوت و تصویر آن بسیار قابل‌توجه است. شما می‌توانید به‌صورت رایگان از این چت‌بات استفاده کنید، اما کاربران پولی می‌توانند روزانه پنج برابر بیشتر به این مدل هوش مصنوعی درخواست ارسال کنند.

دوشنبه #ایلان_ماسک در فراخوانی از کارکنان حوزه فناوری خواست به xAI بپیوندند. او در پستی گفت:

«اگر به مأموریت ما برای درک جهان اعتقاد دارید که نیازمند پیگیری دقیق و حداکثری حقیقت فارغ از محبوبیت یا نزاکت سیاسی است، به xAI بپیوندید.»

«یان لیکان»، مدیر #هوش_مصنوعی متا، که در گذشته نیز علناً با ماسک اختلاف داشت، به‌سرعت به پست مدیرعامل xAI پاسخ داد:

«به xAI پیوندید اگر می‌توانید رئیسی را تحمل کنید که ادعا می‌کند مسئله‌ای که روی آن کار می‌کنید، بدون هیچ‌گونه فشاری سال آینده حل می‌شود؛ ادعا می‌کند آنچه روی آن کار می‌کنید، همه را خواهد کُشت و باید متوقف شود؛ ادعا می‌کند می‌خواهد "تا حد ممکن پیگیر حقیقت" باشد اما تئوری‌های توطئه دیوانه‌کننده‌ای را در پلتفرم اجتماعی خود منتشر می‌کند.»

موزیک برای جلای روح وسط کار

شما می تونید ما بین کارهاتون خصوصا کدنویسی و برنامه نویسی موزیک گوش بدید😍😊؟

ChatGPT Edu
معرفی شد؛ هوش مصنوعی جدید OpenAI برای دانشگاه‌ها و مدارس

OpenAI
از نسخه جدید ChatGPT با نام ChatGPT Edu رونمایی کرد که به‌طور خاص برای دانشجویان، دانشگاهیان و اساتید طراحی شده است.
به گفته OpenAI، این مدل «برای مراکز آموزشی طراحی شده است که می‌خواهند هوش مصنوعی را به‌طور گسترده‌تری در دسترس دانش‌آموزان و جوامع دانشگاهی خود قرار دهند.»

براساس پست وبلاگ OpenAI، مدل ChatGPT Edu به جدیدترین مدل زبانی بزرگ این شرکت، یعنی GPT-4o دسترسی دارد. OpenAI ادعا می‌کند که این مدل در تفسیر متن، کدنویسی و ریاضیات، تجزیه‌و‌تحلیل مجموعه داده و امکان دسترسی به وب بسیار بهتر از نسخه‌های قبلی خود عمل می‌کند.

در حالی که ChatGPT از همان ابتدا نگرانی‌هایی را در مورد صداقت آکادمیک و سوء استفاده احتمالی در محیط‌های آموزشی به‌همراه داشته است، اما دانشگاه‌ها به مرور زمان هم برای تدریس و هم برای تحقیق به استفاده از مدل‌های هوش مصنوعی روی آورده‌اند.

OpenAI
می‌گوید پس از اطلاع پیداکردن از این موضوع که مدرسه وارتون دانشگاه پنسیلوانیا، دانشگاه ایالتی آریزونا و کلمبیا از ChatGPT Enterprise استفاده می‌کنند، شروع به توسعه مدل ChatGPT Edu کرده است.

قابلیت جدید هوش مصنوعی ElevenLabs: حالا با دستور متنی، افکت صوتی بسازید.

نرم‌افزار شرکت ElevenLabs صداهای انسان و موسیقی‌های تولیدشده توسط هوش مصنوعی ارائه می‌دهد. حالا این AI، به کاربران امکان می‌دهد تا جلوه‌های صوتی را برای پادکست‌ها، فیلم‌ها یا بازی‌ها نیز ایجاد کنند.

به گزارش TheVerge، این ابزار جدید می‌تواند تا 22 ثانیه صدا را براساس درخواست‌های کاربر تولید کند که این صدا قابل ترکیب با پلتفرم‌های صوتی و موسیقی شرکت‌های دیگر است. همچنین پس از اتمام کار، این سرویس حداقل چهار نوع فایل صوتی قابل دانلود را در اختیار کاربران قرار می‌دهد.

استفاده از جلوه‌های صوتی سرویس هوش مصنوعی ElevenLabs رایگان است، اما کاربران اشتراکی می‌توانند از کلیپ‌های صوتی تولیدشده با مجوزهای تجاری استفاده کنند؛ درحالی‌که کاربران رایگان باید عنوان «elevenlabs.io» را در عنوان محتوای خود قرار دهند. همچنین این کاربران، محدودیت کاراکتر در هنگام نوشتن پرامپت‌ها را دارند و مجاز به استفاده از 10,000 کاراکتر در ماه هستند.

لینک ویدیو آموزش

یک مهندس ماشین لرنینگ دقیقا چه کار میکند؟

کاری که یک مهندس ماشین لرنینگ در عمل می‌کند، ممکن است چیزی نباشد که شما فکر می‌کنید.

بر خلاف کاور مجله‌هایی که درباره AI می‌بینید، مهندسی ماشین لرنینگ و AI همیشه درباره ساخت ربات‌هایی با چشم‌های نوری قرمز نیست.

یک لیست از سوال‌هایی که یک مهندس ماشین لرنینگ لازم است هر روز از خودش بپرسد را برایتان آورده‌ام.

زمینه –ماشین لرنینگ چگونه می‌تواند به تو کمک کند که مسئله‌ات را بهتر بشناسی؟
داده – آیا به داده‌های بیشتری نیاز داری؟ نیاز داری داده‌هایت به چه فرمی باشند؟ مشکل کمبود داده را چطور حل می‌کنی؟
مدل‌سازی – از چه مدلی باید استفاده کنی؟ آیا این مدل با داده‌هایی که در اختیار داری به خوبی کار می‌کند؟ یا اگر نه، چرا به درستی کار نمی‌کند؟
تولید – چگونه می‌توانی مدل خود را به مرحله تولید برسانی؟ آیا مدلت باید برخط باشد یا بهتر است در فواصل زمانی مختلف به روز شود؟
تداوم – اگر مدلت شکست بخورد چه می‌شود؟ چگونه می‌توانی مدلت با داده‌های بیشتری ارتقا بدهی؟ آیا راه‌های بهتری برای حل بعضی مسائل وجود دارد؟

@datalook_ir

رقابت زنان هوش مصنوعی برای کسب تاج «مسابقه زیبایی»؛ با ۱۰ فینالیست برتر آشنا شوید.

اطلاعات بیشتر

اگر زمان کافی نداشتیم ولی می‌خواستیم در کسری از ثانیه یک مدل یادگیری ماشین بسازیم، بهتر است یاد بگیریم PyCaret چیست.

پای کرت pyCaret یک کتابخانه منبع باز در پایتون است که برای چندین فعالیت یادگیری ماشینی بسیار مفید است. می تواند از پیش پردازش داده ها تا استقرار مدل به شما کمک کند.

دلیل مفید و راحت بودن PyCaret این است که هر چیزی را می توان در خطوط بسیار کمی از کد به دست آورد و درک کد بسیار ساده است. ما می‌توانیم به جای نوشتن چندین خط کد، بیشتر روی انجام آزمایش‌ها روی داده‌ها تمرکز کنیم. علاوه بر اینکه PyCaret برای پیش پردازش داده ها، کدگذاری ویژگی های دسته بندی مفید است، همچنین با در نظر گرفتن معیارهای عملکردی کمی مانند Accuracy، Fscore، Recall و غیره، درک بهتری از این که کدام مدل بهتر است را ارائه می دهد.

در لینک می توانید یک نمونه پروژه با این کتابخانه را تمرین کنید.

فایل npy یک فرمت باینری مخصوص برای ذخیره‌سازی آرایه‌ها در کتابخانه numpy در پایتون است. این فرمت توسط numpy توسعه داده شده و بهینه‌سازی شده است تا آرایه‌ها را به شکلی فشرده و سریع ذخیره و بازیابی کند. این فرمت بسیار مناسب برای ذخیره‌سازی داده‌های عددی و علمی بزرگ است که در پروژه‌های محاسباتی و یادگیری ماشین استفاده می‌شوند.

ویژگی‌های فایل‌های npy:
فشرده‌سازی و کارایی: فایل‌های npy داده‌ها را به صورت باینری ذخیره می‌کنند، که این باعث می‌شود ذخیره و بارگذاری داده‌ها سریع‌تر و کارآمدتر باشد نسبت به فرمت‌های متنی مثل CSV.

ذخیره‌سازی اطلاعات متادیتا: این فایل‌ها اطلاعاتی در مورد نوع داده‌ها، شکل آرایه و دیگر متادیتاهای مرتبط را ذخیره می‌کنند.

سازگاری با numpy: این فرمت به طور خاص با numpy سازگار است و به راحتی می‌تواند با استفاده از توابع numpy ذخیره و بارگذاری شود.

اگر جایی واقعا حجم داده میلیونی بالا دارید. حتما با pickle و npy زیاد کار کنید.

این رزومه باعث استخدام یک برنامه‌نویس با حقوق سالانه 300 هزار دلاری در گوگل شد.

مهندس نرم‌افزار فعلی گوگل که به‌صورت خودآموز برنامه‌نویسی را یاد گرفته است، توضیح می‌دهد که چگونه تصمیم گرفت تغییر رشته دهد، وارد حوزه علوم کامپیوتر شود و از شرکت‌های بزرگ پیشنهاد شغلی دریافت کند. او رزومه‌ای را که با کمک آن از متا، اوبر و گوگل پیشنهاد شغلی دریافت کرده بود، به اشتراک گذاشته است و می‌گوید که اگر امروز به‌دنبال کار می‌گشت، چه تغییراتی در آن ایجاد می‌کرد.

به گزارش بیزینس اینسایدر، «ساهیل گابا» داشت از مقطع کارشناسی رشته مهندسی مکانیک فارغ‌التحصیل می‌شد که متوجه جذابیت‌های رشته علوم کامپیوتر شد. او در طول یک تابستان برنامه‌نویسی یاد گرفت و بعد برای استخدام در شرکت‌های بزرگ اقدام کرد، اما موفق نبود.

گابا درنهایت به استخدام یک شرکت فین‌تک کوچک در شیکاگو درآمد اما به این نتیجه رسید که در این جایگاه شغلی جدیدترین مهارت‌های نرم‌افزاری را یاد نمی‌گیرد؛ بنابراین زمان خود را به یادگیری فناوری‌های جدیدتر و بهبود مهارت‌های خود در مصاحبه‌های شغلی اختصاص داد.

گابا پس از دو سال فعالیت در آن شرکت در شیکاگو و ردشدن در صدها مصاحبه، بالاخره توانست در آمازون استخدام شود. 18 ماه بعد، او از متا، اوبر و گوگل پیشنهاد شغلی دریافت کرد. درنهایت او با حقوق سالانه 300 هزار دلار در 29 سالگی به گوگل پیوست. در ادامه رزومه گابا مربوط به سال 2021، یعنی زمانی که او در گوگل به استخدام درآمد را می‌بینید.

این رزومه به گابا کمک کرد تا نظر مثبت سه شرکت بزرگ را جلب کند، اما او می‌گوید اگر امروز می‌خواست آن را برای شرکت‌ها بفرستد، چند قسمتش را تغییر می‌داد.

تأکید بر تجربیات، نه مهارت‌ها: او می‌گوید این رزومه را قبل از پیوستن به آمازون ساخته بود و چون تجربه زیادی نداشت، در ابتدا به مهارت‌های خود اشاره کرده بود. او می‌گوید تجربه‌ها اهمیت بیشتری دارند؛ هرچند اشاره به مهارت‌ها هم لازم است.

تأثیر لحن مؤدبانه بر هوش مصنوعی؛ چرا باید با چت‌بات‌ها مهربان باشیم؟

برخی از کاربران چت‌بات‌ها از جمله ChatGPT مدعی شده‌اند که لحن درخواست‌ها می‌تواند روی پاسخ‌های دریافتی تأثیرگذار باشد و با دستورات متنی مؤدبانه می‌توانیم نتایج بهتری را به دست آوریم. یکی از کاربران در ردیت مدعی شد که با تشویق چت‌جی‌پی‌تی با وعده‌ی دریافت پاداش ۱۰۰ هزار دلاری، این چت‌بات را تحریک کرده است تا پاسخ دقیق‌تر و کامل‌تری به او بدهد. برخی دیگر از کاربران هم اعلام کردند که با برخورد مؤدبانه، متوجه تفاوت کیفیت پاسخ‌ها شده‌اند.

و همین طور تأثیر لحن فوری بر عملکرد چت‌بات‌ها
برای مثال، محققان مایکروسافت، دانشگاه نرمال پکن و آکادمی علومی چین دریافتند مدل‌های هوش مصنوعی متن‌محور در پاسخ به لحن‌های حاوی فوریت و دارای اهمیت، عملکرد بهتری دارند؛ مثلاً اگر دستورهایی با عنوان «برای دفاع از پایان‌نامه‌ام حیاتی است که این کار را انجام دهم یا این موضوع برای حرفه‌ام بسیار مهم است» به چت‌بات‌ها داده شود، می‌توان پاسخ‌های بهتری از آن‌ها دریافت کرد.

تیم دیگری در شرکت استارتاپ هوش مصنوعی Anthropic با دستور عجیب‌و‌غریب اما عاجزانه‌ی «واقعاً واقعاً واقعاً واقعاً» از چت‌بات موردبررسی درخواست کردند از پاسخ‌های حاوی تبعیض نژادی و جنسیتی دوری کند. همچنین، دانشمندان داده‌ی گوگل نیز به این نتیجه رسیدند که با دستور متنی «نفس عمیق بکش» به یک مدل هوش مصنوعی می‌توان به آن‌ها کمک کرد تا مسائل ریاضی را بهتر حل کنند.