TG Telegram Group Link
Channel: DeepMind AI Expert
Back to Bottom
00016_chunk001_collage_weather_rearranged_captioned_medium.webm
9.9 MB
اگر در حیطه ماشین های خودران کار میکنید این #مقاله یک #دیتاست بسیار ارزشمندی رو منتشر کرده

▪️ Cosmos-Drive-Dreams: Scalable Synthetic Driving Data Generation with World Foundation Models
▪️ paper
▪️ Dataset

#ماشین_خودران #بینایی_ماشین

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Please open Telegram to view this post
VIEW IN TELEGRAM
4/4/4
Forwarded from DeepMind AI Expert (a)
whats embeddings.pdf
5.8 MB
تا حالا سوال شده بپرسی امبدینگ که میگن چیه؟! اگه هنوز شروع نکردی امبد چیه و میخایی nlp یادبگیری اینو پیشنهاد میدم مطالعه کنی

#منابع #کتاب

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
ی سری رشته تویت هایی از اساتید بزرگ رو اینجا دنبال کنید

https://x.com/karpathy/status/1937902205765607626?t=0IRSkwxaBnYsM6ap1IL6Xw&s=19

+1 for "context engineering" over "prompt engineering".

People associate prompts with short task descriptions you'd give an LLM in your day-to-day use. When in every industrial-strength LLM app, context engineering is the delicate art and science of filling the context window with just the right information for the next step. Science because doing this right involves task descriptions and explanations, few shot examples, RAG, related (possibly multimodal) data, tools, state and history, compacting... Too little or of the wrong form and the LLM doesn't have the right context for optimal performance. Too much or too irrelevant and the LLM costs might go up and performance might come down. Doing this well is highly non-trivial. And art because of the guiding intuition around LLM psychology of people spirits.

On top of context engineering itself, an LLM app has to:
- break up problems just right into control flows
- pack the context windows just right
- dispatch calls to LLMs of the right kind and capability
- handle generation-verification UIUX flows
- a lot more - guardrails, security, evals, parallelism, prefetching, ...

So context engineering is just one small piece of an emerging thick layer of non-trivial software that coordinates individual LLM calls (and a lot more) into full LLM apps. The term "ChatGPT wrapper" is tired and really, really wrong.

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
The Mathematics of Reinforcement Learning.pdf
6.6 MB
The Mathematics of Reinforcement Learning


#ریاضی #کتاب #یادگیری_تقویتی #منابع

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
در این گیتهاب الگوریتم ML داره که رفتار شبکه رو بررسی میکنه اگه احساس کنه مسیر داره بلاک یا تحلیل میشه بلافاصله پروتکل رو عوض میکنه
https://github.com/soroushdeimi/sush-core

#شبکه #امنیت

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
DeepMind AI Expert
ابزار جدید OpenAI به صورت متن باز منتشر شد معرفی لینک در پست قبلی Codex 00:00 Introducing Codex 01:38 Setup and kicking off tasks 05:05 Environments 07:20 Guiding Codex with a Markdown file 12:00 The Codex origin story 14:25 Verifying and reviewing Codex…
اینجا هم گوگل همانند شرکت openAI اقدام به معرفی Gemini CLI که یک ابزار خط فرمان (Command‑Line Interface) متن‌باز است که مدل پیشرفته Gemini 2.5 Pro با پنجره‌ی متنی تا ۱ میلیون توکن را با خود به ترمینال شما می‌آورد

▪️ Gemini CLI

#منابع #هوش_مصنوعی #برنامه_نویسی #الگوریتمها

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
خروجی چیه؟

s = "python" print(s.find("z"))
Anonymous Quiz
25%
-1
15%
0
42%
None
18%
Error
مدل مشهور Gemma گوگل رو فقط با ۸ گیگابایت RAM روی سیستم خودتون اجرا کنید این مدل توسط استارت اپ Unsloth فاین توین شده همچنین گوگل این مدل رو به صورت #متن_باز منتشر کرده و در انواع پارامترها با حداقل RAM 2G میتونید مدل کوچکتر اونو اجرا کنید

https://huggingface.co/unsloth/gemma-3n-E4B-it-GGUF

https://developers.googleblog.com/en/introducing-gemma-3n-developer-guide

#هوش_مصنوعی #پردازش_زبان_طبیعی #مقاله

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
یبار دیگه اینجا می نویسم:

از کسایی که وارد این کانال میشین ممنونم و کسایی که مطالب کانال رو برای دوستانشون و یا گروه ها و کانالی علمی میفرستین ولی اعضای اونها فیک هست و باعث اومدن اسپمرها میشن. اگه عضو کانال شدید و دیدین کانال مارو نداشتین بهم پیام بدید تا دسترسی شمارو دوباره محیا کنم ممنون ازتون رفقا ❤️

@AI_DeepMind
CNN.pdf
765.8 KB
مقدمه ای بر الگوریتم CNN

Introduction to Convolutional Neural Networks

#شبکه_عصبی_کانولوشنی #منابع #کتاب #مقاله


@AI_DeepMind
torrey.handbook09.pdf
176.3 KB
مقاله #یادگیری_انتقالی به مباجث جامع این ابزار میپردازد

Transfer Learning

#منابع #کتاب #مقاله #هوش_مصنوعی
🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
How to write research proposal _.pdf
864.5 KB
چگونه یک پروپوزال بنویسیم ؟

#منابع #کتاب #مقاله #هوش_مصنوعی
🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Introduction to Machine Learning (Ale... (Z-Library).pdf
10.3 MB
اینم ی کتاب برای کسایی که قصد ندارن خیلی ریاضیاتی وار #یادگیری_ماشین رو یادبگیرین این منبع خوبیه.

Introduction to Machine Learning

پ.ن: این کتاب بعضی صفحاتش ناقص هست اگه جایی نسخه کاملتری از این کتاب دیدین برام بفرستید تا جایگزین این نسخه کنم
(نسخه کاملش جایگزین شد تشکر از یکی از دوستان همراه کانال❤️)

#منابع #کتاب #مقاله #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
‌ ‌ ‌ ‌ ‌
علی‌بابا از مدل هوش مصنوعی Grape رونمایی کرد؛ ابزاری پیشرفته که می‌تواند سرطان معده را پیش از بروز علائم، تنها از روی تصاویر سی‌تی‌اسکن تشخیص دهد.

این دستاورد حاصل همکاری آکادمی دامو (بازوی تحقیقاتی علی‌بابا) با بیمارستان سرطان ژجیانگ است و یکی از نخستین ابزارهای AI در جهان محسوب می‌شود که چنین دقتی در تشخیص مراحل اولیه سرطان معده دارد.

قدرت Grape در تحلیل تصاویر سه‌بعدی سی‌تی‌اسکن، حتی دقیق‌تر از تشخیص پزشکان انسانی گزارش شده است؛ تحولی مهم برای دنیای پزشکی و تشخیص زودهنگام بیماری‌های کشنده.

▪️ AI-based large-scale screening of gastric cancer from noncontrast CT imaging

#هوش_مصنوعی #تصویربرداری_پزشکی #پزشکی #علوم_پزشکی #مقاله #ژنتیک #زیست_شناسی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from علمساز
چقد خوبه یک مشاور هوشمند کنار خودت داشته باشی؟!🧠

دوره مدیریت با هوش مصنوعی در 4 بعد:
🔖مدیریت سرمایه انسانی به سبک Ai
🔖مارکتینگ هوشمند
🔖رشد فروش با ابزار Ai
🔖هوش مصنوعی در حسابداری

✔️ برای دریافت مشاوره رایگان و ثبت نام با این آیدی در ارتباط باشید : @elmsazadminn

📌از دنیای مدرن کسب و کار جا نمونی!!

🔹 با ما همراه باشید
📱 Instagram |📱 Telegram |
Please open Telegram to view this post
VIEW IN TELEGRAM
نویسندگان به بررسی مشکل سوگیری در پایگاه داده ساختارهای پروتئینی AlphaFold (AFDB) و تأثیر آن بر روی مدل‌های معکوس‌سازی پروتئین پرداخته‌اند.
مدل‌هایی که برای بازیابی توالی (Sequence) از ساختار ثانوی آموزشی AFDB استفاده می‌کنند، روی داده‌های واقعی (PDB) عملکرد ضعیفی از خود نشان می‌دهند . مشخص شده که ساختارهای AFDB به دلیل «بی‌نقص بودن بیش از حد» خود، تفاوت قابل توجهی با داده‌های واقعی دارند. نویسندگان روش‌هایی را برای «کاهش این سوگیری» و نزدیک‌تر کردن ساختارهای AFDB به توزیع واقعی ساختارهای پروتئینی معرفی می‌کنند.

▪️ AlphaFold Database Debiasing for Robust Inverse Folding

#هوش_مصنوعی #تصویربرداری_پزشکی #پزشکی #علوم_پزشکی #مقاله #ژنتیک #زیست_شناسی

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
Forwarded from DeepMind AI Expert
لیست کانال و گروه های ما :

▪️ گروه هوش مصنوعی: یادگیری عمیق و...

https://hottg.com/DeepLearningAIExperts

▪️ گروه هوش مصنوعی: پردازش زبان طبیعی
https://hottg.com/NLPExperts

▪️ کانال دکتر میثم عسگری

https://hottg.com/ai_person

▪️ گروه لینوکس و پایتون و سایر...
https://hottg.com/PythonLinuxExperts

با اشتراک گذاشتن این پست به دیده شدن و پیشرفت هموطنان خود کمک کنید. جایی برای پرسش و پاسخ و ارتباط با پژوهشگران علوم کامپیوتر و صنعت پیدا کنند.
HTML Embed Code:
2025/06/28 20:03:05
Back to Top