یه وبسایت دیگه برای معرفی ابزار های هوش مصنوعی

futuretools

@lython

این روزها chatgpt داره دنیا رو تغییر میده و به pandas هم رسیده !
با Pandas AI میشه به جای اینکه خودمون دیتافریم رو مدیریت کنیم و برای رسیدن به جواب سوالمون از توابع و امکانات مختلف pandas استفاده کنیم، سوالی که داریم رو به زبون طبیعی بنویسیم و منتظر جواب باشیم.
more...
@lython

چت بات Chat-with-GPT4 یک پلتفرم تحت وب است که توسط وبسایت Hugging Face میزبانی می شود. به شما این امکان را می دهد تا ورژن چهارم جی پی تی را به صورت رایگان تجربه کنید. احتمالا به دلیل تقاضای زیاد خیلی کند کار کنه اما یکم صبر کنید جواب میده
لینک
@lython

یه پلتفرم عالی دیگه برای برنامه نویسا
لینک
@lython

یه وب سایت عالی برای مقایسه مدل های زبانی مختلف
لینک
@lython

📖معرفی کتاب:
چند تا از دوستان ازم سوال کردند که برای شروع هوش مصنوعی چه منبعی پیشنهاد میکنی
منابع زیادی برای یادگیری هوش مصنوعی هستش
از ویدیو های یوتیوب، یودمی، کورسرا و ... بگیر تا داکیومنت کراس و پایتورچ و ... اما به نظر من اگه اهل کتاب خوندن باشید و مطالعه داکیومنت هنوز براتون دشوار باشه این کتاب برای شروع مناسبه
مباحث کتاب خوب دسته بندی شده و از سطح خیلی ساده تا سطح پیشرفته مثال های عملی رو مطرح میکنه ترجمه فارسی هم شده و فایل پی دی اف انگلیسی و فارسیش موجود هست اما به دلیل قانون کپی رایت نمیتونم اینجا بزارم (کمی سرچ کنید پیدا می کنید)
@lython

یه وب سایت دیگه برای استفاده از ابزار های هوش مصنوعی
لینک
@lython

🆘 پنج چالش اصلی که متخصصان یادگیری ماشین با آن مواجه هستند؟


1️⃣ عدم تناسب داده های آموزشی
این فرآیند زمانی اتفاق می‌افتد که داده‌ها قادر به برقراری رابطه دقیق بین متغیرهای ورودی و خروجی نباشند. این به سادگی به این معنی است که سعی کنید با شلوار سایز کوچک بپوشید.
✅ راه حل :
-افزایش زمان آموزش
-افزایش پیچیدگی مدل
-افزایش ویژگی های داده
-کاهش هایپرپارامتر ها

2️⃣ کیفیت پایین داده ها
داده ها نقش مهمی در فرآیند یادگیری ماشین دارند. یکی از مسائل مهمی که متخصصان یادگیری ماشین با آن مواجه هستند، نبود داده های با کیفیت خوب است. داده های تمیز نشده و نویز دار می تواند کل فرآیند را بسیار طاقت فرسا کند. ما نمی خواهیم الگوریتم ما پیش بینی های نادرست یا معیوب انجام دهد. از این رو کیفیت داده ها برای افزایش خروجی ضروری است. بنابراین، ما باید اطمینان حاصل کنیم که فرآیند پیش پردازش داده ها که شامل حذف موارد پرت، فیلتر کردن مقادیر از دست رفته و حذف ویژگی های ناخواسته است، به خوبی انجام می شود.

3️⃣بیش برازش یا اورفیتینگ داده های آموزشی
بیش برازش یک مدل یادگیری ماشین زمانی اتفاق می افتد که با حجم انبوهی از داده های آموزشی، مدل آموزش دیده است که بر عملکرد آن تأثیر منفی می گذارد. این عملکرد باعث می شود مدل داده های شما را یاد نگرفته و فقط حفظ کند. متأسفانه، این یکی از مسائل مهمی است که متخصصان یادگیری ماشین با آن مواجه هستند.
✅ راه حل:
-تجزیه و تحلیل داده ها
-استفاده از تکنیک های augmentation
-حذف داده های پرت
-کاهش ویژگی های مدل

4️⃣ کمبود داده های آموزشی

مهمترین وظیفه ای که باید در فرآیند یادگیری ماشین انجام دهید آموزش داده ها برای دستیابی به خروجی دقیق است. داده های آموزشی کمتر، پیش بینی های نادرست را در بر خواهد داشت.به عنوان مثال الگوریتم یادگیری ماشینی را مشابه کودکی در نظر بگیرید. یک روز تصمیم گرفتید به کودک توضیح دهید که چگونه می تواند سیب و هندوانه را تشخیص دهد. شما یک سیب و یک هندوانه را می گیرید و تفاوت هر دو را بر اساس رنگ، شکل و طعم آنها به او نشان می دهید. بدین ترتیب به زودی در تمایز آن دو به کمال می رسد. اما از سوی دیگر، یک الگوریتم یادگیری ماشینی به داده های زیادی برای تشخیص نیاز دارد. برای مشکلات پیچیده، حتی ممکن است نیاز به آموزش میلیون ها داده باشد. بنابراین باید اطمینان حاصل کنیم که الگوریتم‌های یادگیری ماشین با مقادیر کافی داده آموزش داده شده‌اند.
✅ راه حل:
-استفاده از روش های افزایش داده
-افزایش ویژگی های داده

5️⃣ اجرای کند

این یکی از مشکلات رایجی است که متخصصان یادگیری ماشین با آن مواجه هستند. مدل‌های یادگیری ماشینی در ارائه نتایج دقیق بسیار کارآمد هستند، اما زمان زیادی را صرف می‌کنند. برنامه های کند، اضافه بار داده ها و نیازهای بیش از حد معمولاً زمان زیادی را برای ارائه نتایج دقیق می طلبد. علاوه بر این، برای ارائه بهترین خروجی نیاز به نظارت و نگهداری مداوم دارد.
✅ راه حل:
-استفاده از مدل های نیمه نظارت شده
-تغییر هایپر پارامتر ها

⬅️ این 5 چالش از مهم ترین چالش هایی بود که برنامه نویس ها با آن ها دست و پنجه نرم می کنند.اگر چالش دیگه و یا راه حلی متفاوت برای چالش ها به ذهنتون میرسه بگید تا به چالش ها اضافه کنیم

@lython

پروژه های تمرینی برای شروع و تقویت زبان برنامه نویسی خیلی کاربردیه
این ریپازیتوری برای اکثر زبان ها به خصوص پایتون پروژه های جذابی داره

https://github.com/MunGell/awesome-for-beginners

@lython

❔سوال: الان که بازار هوش مصنوعی داغ هستش وقت خوبیه برم هوش مصنوعی یاد بگیرم یا نه؟
جادی در این مورد میگه که در دوره های قبل بعد از ظهور GUI پروگرامر ها همه میگفتن که زبان برنامه نویسی دیگه از رده خارج میشه و تبدیل به برنامه های درگ اند دراپ میشه؛ بعد از اون دوره هم چند تا ابزار اومدن تا برنامه نویسی رو کم رنگ کنن اما این اتفاق نیوفتاد؛ الان هم پرنگ شدن هوش مصنوعی ممکنه کمکی در ساده شدن کار ها بکنه اما برنامه نویسی رو نابود نمیکنه
برای یادگرفتن هیچ وقت دیر نیست فقط باید دقت کنید از دوره افرادی استفاده نکنید که ۲ سال پیش بیت کوین تدریس میکردن یه سال پیش ان اف تی و الان هوش مصنوعی تدریس میکنن
دوره های زیادی توسط اساتید دانشگاه های بزرگ هستند که به صورت رایگان در دسترس همه قرار گرفته که بنظر من بهترین روش برای یادگیریه
😃
@lython

دوره عالی Andrew NG در مورد پرامپتینگ و chatGPT که مخصوص دولوپرها هست:
https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/

@lython

✅ نصب ورژن خاص پایتون بر روی لینوکس
❓ سوال: من یه پروژه دارم روی ورژن خاصی از پایتون کار میکنه (برای مثال ۳.۸.۱۰) وقتی میام با دستور apt نصب کنم ورژن ۳.۸.۱۷ (آخرین رلیس ورژن) نصب میشه چطوری رلیس های قبلی رو نصب کنم؟
برای این کار شما نیاز به نصب دستی ورژن مورد نظر دارید.
۱) فایل سورس ورژن مورد نظر رو از python.org دانلود می کنید.
۲)در پوشه مورد نظر کانفیگ فایل رو میسازیم
./configure \
--prefix=/opt/python/${PYTHON_VERSION} \
--enable-shared \
--enable-optimizations \
--enable-ipv6 \
LDFLAGS=-Wl,-rpath=/opt/python/${PYTHON_VERSION}/lib,--disable-new-dtags
۳) دستور make
و سپس sudo make install رو اجرا میکنیم.
۴) برای اضافه کردن به path هم دستور زیر رو به فایل
/etc/profile.d/python.sh
اضافه میکنیم.
PATH=/opt/python/<PYTHON-VERSION>/bin/:$PATH
۵) برای نصب pip هم از این فایل میتونید استفاده کنید فقط کافیه با ورژنی که میخواید پیپ داشته باشه این فایل رو اجرا کنید.
https://bootstrap.pypa.io/get-pip.py

@lython

✅ یک ابزار خوب برای نمایش شبکه عصبی در مقالات و کار های علمی
GitHub
Web Page

@lython

CS224N: Natural Language Processing with Deep Learning
یکی از دوره های عالی پردازش زبان طبیعی با یادگیری عمیق از دانشگاه استنفورد به لطف توضیحات واضح کریستوفر منینگ
Course in YouTube
Course web-page
@lython

⛔️ یکی از راه حل های ارور 443 هنگام نصب بسته pip دانلود دستی فایل whl و نصب با فایل هستش که دخل ویدیو توضیح دادم
اگر راه دیگه ای هم بلد هستید حتما بنویسید تا بیشتر یاد بگیریم 😃
@lython

✅ یک وبسایت عالی برای یادگیری تایپ ۱۰ انگشتی
البته این مدل تایپ کاملا سلیقه ای هستش و اکثر افراد با ۶ انگشت خیلی سریع هم تایپ میکنن 😃
لینک
@lython

اینم ی سایت دیگه با قابلیت تعیین سطح و برنامه آموزشی
لینک
باتشکر از : @omid_zhtb
@lython

✅ دوستانی که به Object detection و Object Segmentation علاقه دارن YOLO میتونه ی مدل بینظیری براشون باشه.
چند روز پیش یکی از دوستان درگیر پروژه ای بود که نیاز به Object detection داشت منم بهشون YOLO8 رو پیشنهاد دادم و یه پروژه ساده هم پیاده کردم و از طریق گیت هاب باهاشون به اشتراک گذاشتم اگر به این موضوع علاقه دارید و یا بهش نیاز دارید حتما امتحانش کنید😃
لینک پروژه
@lython