Deep Time
"In the last decade, the biggest shift in AI was a shift to deep learning. I think it’s quite possible that in this decade the biggest shift will be to data-centric AI" Andrew Ng, IEEE Q&A https://datacentricai.org/
ویرگول
نیمنگاهی به هوش مصنوعی دادهمحور: یکی دیتای خوب به از صد هزار
ماجرا چیست؟در مطلبی که با موضوع روندهای هوش مصنوعی در سال نوشته بودم، پیشبینی کردم که رویکرد هوش مصنوعی دادهمحور کمکم جای خودش رو د…
👍1
FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators abs: https://arxiv.org/abs/2202.11214
👍1
خیلی جالبه که ببینیم برنده جایزه Quant سال از چه تکنولوژی برای JP Morgan استفاده کرده تا این سیستم قدرتمند رو توسعه داده؟
از ابزاری که پاتریک کیدگر و کریسوفر سلوی و استادشون تری لایونز در موسسه تورنگ دانشگاه آکسفورد برای دینامیکهای سنگین سری زمانی با تئوری ریاضیRough Path و روش Signature توسعه دادن.
اولین پست این کانال هم از پاتریک کیدگر هست.
برای بهینهسازی از Reinforcement Learning استفاده شده اما نکته اساسی در تولید و شبیه سازی داده توسط signature kernel بوده.
این روش اصلی بوده که البته در این لینک به اون اشاره نشده و یکی از محققین آکسفورد درباره این همکاری توییت کرده بود:
Signatures + VAE = generative model for time series
از بالاترین حقوقها در هج فاند های بزرگ برای افرادی هست که بتونن با روشهای ریاضی داده زمانی مالی تولید کنن. برای بالابردن دقت شبیهسازیها و تولید سناریوهای دقیق برای سنجش ریسک پرتفو در آینده.
از ابزاری که پاتریک کیدگر و کریسوفر سلوی و استادشون تری لایونز در موسسه تورنگ دانشگاه آکسفورد برای دینامیکهای سنگین سری زمانی با تئوری ریاضیRough Path و روش Signature توسعه دادن.
اولین پست این کانال هم از پاتریک کیدگر هست.
برای بهینهسازی از Reinforcement Learning استفاده شده اما نکته اساسی در تولید و شبیه سازی داده توسط signature kernel بوده.
این روش اصلی بوده که البته در این لینک به اون اشاره نشده و یکی از محققین آکسفورد درباره این همکاری توییت کرده بود:
Signatures + VAE = generative model for time series
از بالاترین حقوقها در هج فاند های بزرگ برای افرادی هست که بتونن با روشهای ریاضی داده زمانی مالی تولید کنن. برای بالابردن دقت شبیهسازیها و تولید سناریوهای دقیق برای سنجش ریسک پرتفو در آینده.
Risk.net
Quant of the year: Hans Buehler - Risk.net
Risk Awards 2022: Architect of deep hedging aims to supplant orthodox models with method based purely on data
👍1
انتشار سریع ترین نسخه از Autoarima در Python
optimized using numba_jit
20x faster than pmdarima and MetaAI's Prophet
optimized using numba_jit
20x faster than pmdarima and MetaAI's Prophet
GitHub
GitHub - Nixtla/statsforecast: Lightning ⚡️ fast forecasting with statistical and econometric models.
Lightning ⚡️ fast forecasting with statistical and econometric models. - Nixtla/statsforecast
👍1
مهم: پیشرفت انقلابی تکنولوژی تولید انرژی پاک در همجوشی هستهای با هوش مصنوعی (یادگیری تقویتی) توسط تیم DeepMind گوگل و دانشگاه EPFL
Post
Nature Paper: Magnetic control of tokamak plasmas through deep reinforcement learning
Post
Nature Paper: Magnetic control of tokamak plasmas through deep reinforcement learning
AI For Unlimited Clean Energy, Stopping Robocalls, Reading
The Batch - AI News & Insights: Researchers developed a reinforcement learning algorithm to manipulate hydrogen plasma | Fresh approaches to thwarting robocalls
👍1
نسخه PDF و کدهای کتاب مورد انتظار مورفی، به طور رایگان در دسترس قرار گرفت.
Link
PDF
#DeepGenerativeModels #BayesianInference #Causality #ReinforcementLearning #DistributionShift, etc
Link
#DeepGenerativeModels #BayesianInference #Causality #ReinforcementLearning #DistributionShift, etc
👍1
آقای Ray Dalio موسس یکی از موفق ترین شرکتهای سرمایهگذاری آمریکا، Bridgewater ،چند سالی هست محتوای بسیار ارزشمندی برای تحلیل، سرمایهگذاری و توسعه فردی/استارتاپی تولید میکنن (کتاب، کانال یوتوب و ...)
این ویدئو از ایشون دیروز منتشر شد که واقعا تحلیل جالبی از تغییرات روند قدرتی و ارز مبنا در دنیا انجام داده.
جدا از اون کیفیت محتوا خییلی خوبه
این ویدئو از ایشون دیروز منتشر شد که واقعا تحلیل جالبی از تغییرات روند قدرتی و ارز مبنا در دنیا انجام داده.
جدا از اون کیفیت محتوا خییلی خوبه
YouTube
Principles for Dealing with the Changing World Order by Ray Dalio
I believe the world is changing in big ways that haven’t happened before in our lifetimes but have many times in history, so I knew I needed to study past ch...
👍1
Forwarded from دانشگاه صنعتی شریف
#فراخوان
مسابقه Optimizer2022
◀️مسابقه Optimizer !هر سال با تمرکز بر موضوع بهینهسازی توسط آزمایشگاه SOAL در هسته پژوهشی بهینهسازی و کاربردهای دانشکده علوم ریاضی در دانشگاه صنعتی شریف برگزار میشود و توانایی تشکیل تیم مناسبی که بتواند از جنبههای مختلف علمی، نظیر دانش نظری، طراحی الگوریتم و توسعه نرمافزار با همافزایی و هماهنگی مناسب در این مسابقه به موفقیت دست یابد، از جنبههای کلیدی در این مسابقه است. این مسابقه در مرزهای علم بهینهسازی و معمولا با نگاه خاص به کاربردها برگزار میشود.
📆زمان برگزاری: مرداد ماه ۱۴۰۱
برای مشاهده اطلاعات بیشتر به وبسایت مسابقه مراجعه کنید.
http://optimizer.math.sharif.edu
🆔@sharif_prm
مسابقه Optimizer2022
◀️مسابقه Optimizer !هر سال با تمرکز بر موضوع بهینهسازی توسط آزمایشگاه SOAL در هسته پژوهشی بهینهسازی و کاربردهای دانشکده علوم ریاضی در دانشگاه صنعتی شریف برگزار میشود و توانایی تشکیل تیم مناسبی که بتواند از جنبههای مختلف علمی، نظیر دانش نظری، طراحی الگوریتم و توسعه نرمافزار با همافزایی و هماهنگی مناسب در این مسابقه به موفقیت دست یابد، از جنبههای کلیدی در این مسابقه است. این مسابقه در مرزهای علم بهینهسازی و معمولا با نگاه خاص به کاربردها برگزار میشود.
📆زمان برگزاری: مرداد ماه ۱۴۰۱
برای مشاهده اطلاعات بیشتر به وبسایت مسابقه مراجعه کنید.
http://optimizer.math.sharif.edu
🆔@sharif_prm
Deep Time
Time Series Models for Finance لایو ۲ ساعت دیگه ارائه دهنده، Konrad، متخصص سری زمانی
کدام گزینه درباره مدل GARCH درست است؟
مدل GARCH یک مدل کلاسیک برای پیشبینی نوسانات (مثل Volatility در فایننس) در سری زمانی مورد استفاده است.
مدل GARCH یک مدل کلاسیک برای پیشبینی نوسانات (مثل Volatility در فایننس) در سری زمانی مورد استفاده است.
Anonymous Poll
40%
برای پیشبینی واریانس در سری زمانی استفاده میشود و مقادیر خطای سری زمانی را از یک مدل دیگر میگیرد
24%
برای پیشبینی واریانس در سری زمانی استفاده میشود و مقادیر خطای سری زمانی را نیز خودش مدل میکند
16%
برای پیشبینی مقادیر خطا در سری زمانی استفاده میشود و واریانس سری زمانی را نیز خودش مدل میکند
20%
برای پیشبینی مقادیر خطا در سری زمانی استفاده میشود و واریانس سری زمانی را از یک مدل دیگر میگیرد
Audio
همه چیز را همگان دانند! اما با کمی بلاکچین و ماشین لرنینگ
داستان شرکتی که یکی از بهترین ترکیبهارو از دو تکنولوژی بلاکچین (قرارداد هوشمند) و هوش مصنوعی ساخته تا بازار سهام رو پیشبینی کنه.
تو این پست در این مورد صحبت میکنیم که شرکت Numer.ai که اخیرا بسیار رشد کرده، چطور از قرارداد هوشمند بر مبنای staking و مفهوم پوست در بازی (skin in the game) در کنار هوش مصنوعی و کامیونیتی استفاده کرده تا انقلابی در شرکتهای سرمایهگذاری و پیشبینی بازار سهام بوجود بیاره.
@deeptimeai
داستان شرکتی که یکی از بهترین ترکیبهارو از دو تکنولوژی بلاکچین (قرارداد هوشمند) و هوش مصنوعی ساخته تا بازار سهام رو پیشبینی کنه.
تو این پست در این مورد صحبت میکنیم که شرکت Numer.ai که اخیرا بسیار رشد کرده، چطور از قرارداد هوشمند بر مبنای staking و مفهوم پوست در بازی (skin in the game) در کنار هوش مصنوعی و کامیونیتی استفاده کرده تا انقلابی در شرکتهای سرمایهگذاری و پیشبینی بازار سهام بوجود بیاره.
@deeptimeai
Deep Time
همه چیز را همگان دانند! اما با کمی بلاکچین و ماشین لرنینگ داستان شرکتی که یکی از بهترین ترکیبهارو از دو تکنولوژی بلاکچین (قرارداد هوشمند) و هوش مصنوعی ساخته تا بازار سهام رو پیشبینی کنه. تو این پست در این مورد صحبت میکنیم که شرکت Numer.ai که اخیرا بسیار…
روش پیشبینی نهایی در meta-Model:
Stake Weighted Ensembling
Stake Weighted Ensembling
یادگیری ماشین برای کمک به گرمایش جهانی و مشکلات زیستمحیطی
نسخه اصلی مقاله پر استناد و کامل
Tackling Climate Change With Machine Learning
در ژورنال ACM به چاپ رسیده و به طور کامل در دسترس هست.
LINK
@deeptimeai
نسخه اصلی مقاله پر استناد و کامل
Tackling Climate Change With Machine Learning
در ژورنال ACM به چاپ رسیده و به طور کامل در دسترس هست.
LINK
@deeptimeai
👍1
تحقیقات اخیر MetaAI نشون میدن مدلهای Self-Supervised مرزهای یادگیری عمیق رو جابهجا میکنه.
https://arxiv.org/abs/2202.08360
https://arxiv.org/abs/2202.08360
👍1
Deep Time
تحقیقات اخیر MetaAI نشون میدن مدلهای Self-Supervised مرزهای یادگیری عمیق رو جابهجا میکنه. https://arxiv.org/abs/2202.08360
این حوزه در کنار RL احتمالا مهمترین امید ها برای رسیدن به یک ورژن بهتر از "هوش مصنوعی واقعی"! یا AGI
Artificial General Intelligence
هستن.
اگر به این مباحث و کمی موارد فلسفی در مورد اینکه چرا ما هنوز به "هوش مصنوعی" به اون معنی مد نظر نرسیدیم علاقه دارید، مقاله زیر رو بخونید، بسیار جالبه:
Why AI is harder than we think?
Artificial General Intelligence
هستن.
اگر به این مباحث و کمی موارد فلسفی در مورد اینکه چرا ما هنوز به "هوش مصنوعی" به اون معنی مد نظر نرسیدیم علاقه دارید، مقاله زیر رو بخونید، بسیار جالبه:
Why AI is harder than we think?
arXiv.org
Why AI is Harder Than We Think
Since its beginning in the 1950s, the field of artificial intelligence has cycled several times between periods of optimistic predictions and massive investment ("AI spring") and periods of...
Deep Time
این حوزه در کنار RL احتمالا مهمترین امید ها برای رسیدن به یک ورژن بهتر از "هوش مصنوعی واقعی"! یا AGI Artificial General Intelligence هستن. اگر به این مباحث و کمی موارد فلسفی در مورد اینکه چرا ما هنوز به "هوش مصنوعی" به اون معنی مد نظر نرسیدیم علاقه دارید،…
چند وقت پیش که با یکی از دوستان در مورد بحث امکان "هوشمند شدن" و "آگاهی" ماشین ها صحبت میکردم، یک آزمایش بسیار جالب به نام اتاق چینی رو معرفی کرد که هوش مصنوعی قوی و هوش مصنوعی ضعیف رو معرفی میکنه و نتیجه میگیره هوش مصنوعی قوی وجود نداره!
Wikipedia
اتاق چینی
سیستم پردازش هوشمصنوعی بر اساس الگوریتم خاص که نشان میدهد هوشمصنوعی از روابط اشیاء و مفاهیم درکی ندارد
👍1
Forwarded from Golem Course
Forwarded from Golem Course
چگونه این مشکل را بر طرف کنیم؟
در برنامههای پایتون اکثر مواقع نیازی نداریم که مقدار دقیق جمع چند عدد اعشاری را چک کنیم. اما اگر به آن نیاز پیدا کردیم دو رویکرد وجود دارد:
۱. رویکرد اول: با استفاده از تابع isclose چک کنیم که دو عدد اعشاری با یکدیگر برابرند یا خیر. مثلا دو عدد اعشاری اگر تا ۱۰ رقم اعشار با یکدیگر برابر باشند، میتوانیم بگوییم که با یکدیگر مساوی هستند. از این رویکرد حتی در کتابخانههای یادگیری ماشین مانند sklearn نیز استفاده شده است. به عکس ضمیمه نکاه کنید که چطور بررسی میکند که آیا مجموع احتمالات برابر با یک میشود یا خیر.
۲. رویکرد دوم: برای کارهای بانکی یا مالی دیگر تقریب زدن راه حل نیست. بلکه باید دقیق باشیم. هر یک سنت اهمیت دارد! برای این کار میتوانید از ماژول decimal استفاده کنید. کلاس Decimal از این ماژول بخش صحیح و اعشاری را جداگانه به مبنای دو میبرد و سپس به یکدیگر میچسباند.
در برنامههای پایتون اکثر مواقع نیازی نداریم که مقدار دقیق جمع چند عدد اعشاری را چک کنیم. اما اگر به آن نیاز پیدا کردیم دو رویکرد وجود دارد:
۱. رویکرد اول: با استفاده از تابع isclose چک کنیم که دو عدد اعشاری با یکدیگر برابرند یا خیر. مثلا دو عدد اعشاری اگر تا ۱۰ رقم اعشار با یکدیگر برابر باشند، میتوانیم بگوییم که با یکدیگر مساوی هستند. از این رویکرد حتی در کتابخانههای یادگیری ماشین مانند sklearn نیز استفاده شده است. به عکس ضمیمه نکاه کنید که چطور بررسی میکند که آیا مجموع احتمالات برابر با یک میشود یا خیر.
۲. رویکرد دوم: برای کارهای بانکی یا مالی دیگر تقریب زدن راه حل نیست. بلکه باید دقیق باشیم. هر یک سنت اهمیت دارد! برای این کار میتوانید از ماژول decimal استفاده کنید. کلاس Decimal از این ماژول بخش صحیح و اعشاری را جداگانه به مبنای دو میبرد و سپس به یکدیگر میچسباند.