SocialClone is a neural network that will make a human clone and create content with its participation

In order to create a "doppelganger", only one video is needed. The service can add images, music, subtitles, etc.

Unfortunately the neural network is paid.


🆔 @Ai_Tv

در این لینک می تونید کلی چیت شیت در زمینه هوش مصنوعی، دیتاساینس و یادگیری ماشین پیدا کنید، از کدهای بیسیک پایتون تا موارد دیگه:


https://github.com/FavioVazquez/ds-cheatsheets

#DataScience
#cheatsheet
#ML

🆔 @Ai_Tv

Physics-based Text-to-Motion

🖥 Code: github.com/jiawei-ren/insactor

📚 Paper: arxiv.org/abs/2312.17135

Project: https://jiawei-ren.github.io/projects/insactor/



🆔 @Ai_Tv

Speeding up LLM inference

An article by an ML developer from the YandexGPT team was published on Habré with an analysis of the problem of accelerating the inference of large language models. Both popular methods (distillation and quantization) and more specific Speculative Decoding and Continuous Batching are described in detail.

The author showed by example what difficulties teams face when implementing LLMs into real products.

Habr: https://habr.com/ru/companies/yandex/articles/801119/

#LLM

🆔 @Ai_Tv

هوش مصنوعی جدید DBRX همه رقبای رایگان را شکست داد

؛DBRX می تواند کد بنویسد، مسائل ریاضی را حل کند و موارد دیگر. شما می توانید آن را به صورت رایگان از مرورگر خود بدون ثبت نام اجرا کنید


https://huggingface.co/spaces/databricks/dbrx-instruct



🆔 @Ai_Tv

اگه تو زمینه های AI، مهندسی بایولوژی، مخابرات، کوانتوم و نیمه هادی تحقیق میکنید، یه خبر خوب دارم براتون و اونم اینه که انگلیس ویزای کوتاه مدت ۲ ساله داره براتون باز میکنه که فرصت خیلی خوبیه:

🔗https://engagementhub.ukri.org/global-talent-visa/ftrigae/?utm_source=LinkedIn&utm_medium=social&utm_campaign=Orlo

#فرصت_تحصیلی

🆔 @Ai_Tv

دو موقعیت با فاند دکتری

کانادا

زمینه: دیتا ساینس، پردازش  طبیعی زبان

DaTALab at York University is seeking to hire two funded PhD students with strong skills in data analytics and natural language processing for the Fall 2024 term. Preference will be given to Canadian citizens and candidates having health-related experiences. If you are interested, please send your CV, Letter of Interest and transcripts to [email protected]

#فرصت_تحصیلی #اپلای

🆔 @Ai_Tv

⚡️ LLocalSearch: completely locally running meta search engine using LLM Agents

It is a completely local metasearch engine using LLM agents.

The user can ask a question, and the system will use a chain of AI agents to find the answer. The user can see the progress of the work and the final answer. No OpenAI or Google API keys are required.

▪Github




🆔 @Ai_Tv

لیستی از 75+ پروژه DataAnalytics  که با استفاده از Python حل و توضیح داده شده است. شامل پروژه هایی مانند:

1. تجزیه و تحلیل بازار وسایل نقلیه الکتریکی
2. تجزیه و تحلیل هزینه و سودآوری شغل تحویل غذا
3. آزمون فرضیه
4. تجزیه و تحلیل شبکه مترو
5. تحلیل کمی بازار سهام


https://thecleverprogrammer.com/2023/07/22/data-analysis-projects-using-python/

#DataScience

🆔 @Ai_Tv

Data Science for Beginners Course

مایکروسافت یه درس ده هفته‌ای (بیست جلسه) برای افراد مبتدی منتشر کرده که هم بر روی تئوری و هم انجام کارهای عملی علوم داده تمرکز داره. عناوینی که در این دوره بهش پرداخته میشه:

Data structures
Statistics and probability
Python
Data wrangler
Data visualization


آدرس ریپو کد:
https://github.com/microsoft/Data-Science-For-Beginners

آدرس وبسایت:
https://microsoft.github.io/Data-Science-For-Beginners/#/


#DataScience
#Free_course

🆔 @Ai_Tv

پیش بینی رفتار با هوش مصنوعی با استفاده از فعالیت مغزی

یک مطالعه جدید که در PLoS Computational Biology منتشر شده است، یک مدل یادگیری عمیق را نشان می دهد که می تواند رفتار را با سرعت تقریباً واقعی و با دقت 95 درصد پیش بینی کند.

این مدل نوآورانه شبکه‌های عصبی کانولوشنال و تکرارشونده را ادغام می‌کند و نیاز به پیش‌پردازش داده‌های زمان‌بر را از بین می‌برد و امکان تجزیه و تحلیل جامع تصاویر کل قشر مغز را فراهم می‌کند. برخلاف رویکردهای مرسوم، این مدل هوش مصنوعی نیازی به مناطق از پیش تعریف شده ندارد، و پتانسیل خود را برای متحول کردن رابط‌های مغز و رایانه و افزایش درک ما از رمزگشایی عصبی رفتارهای داوطلبانه نشان می‌دهد.

رابط‌های مغز و رایانه به افرادی که دارای اختلالات حرکتی یا گفتاری و سایر ناتوانی‌ها هستند، این امکان را می‌دهد تا با دستگاه‌های خارجی مانند رایانه‌ها، اندام‌های روباتیک ارتباط برقرار کنند.

https://www.psychologytoday.com/us/blog/the-future-brain/202404/ai-predicts-behavior-from-brain-activity


🆔 @Ai_Tv

ابداع یک قلم شبکه عصبی برای افراد بی سواد

این کار به این صورت است: شما یک کلمه را نام می برید و املای صحیح آن در یک صفحه نمایش کوچک ظاهر می شود.

https://www.designboom.com/technology/literacy-writing-learning-world-literacy-foundation-media-monks-04-04-2024/


🆔 @Ai_Tv

؛RAG (Retrieval Augmented Generation) روشی برای کار با LLM است که در آن کاربر سؤالات خود را می نویسد و توسعه دهنده به صورت برنامه نویسی اطلاعات را از منابع خارجی تکمیل می کند و همه چیز را به طور کامل به ورودی مدل زبان ارائه می دهد. به عبارت دیگر اطلاعاتی در چارچوب درخواست به مدل زبان اضافه می شود که بر اساس آن مدل زبان می تواند پاسخ کامل و دقیق تری را در اختیار کاربر قرار دهد.

این لیست عظیمی از مطالبی است که به شما کمک می کند تا RAG را از ابتدا بهتر درک کنید، که با اصول نمایه سازی، جستجو و تولید شروع می شود. لیست پخش شامل ویدیوهای کوتاه (5-10 دقیقه) و نوت بوک با کد است

📌 Rag from scratch.
▪Repository:
https://github.com/langchain-ai/rag-from-scratch

▪Playlist with video:
https://youtube.com/playlist?list=PLfaIDFEXuae2LXbO1_PKyVJiQ23ZztA0x&feature=shared

📌 How RAG can change with long context LLMS.

▪Video: https://youtube.com/watch?v=SsHUNfhF32s

📌Adaptive Rag

▪Video:
https://youtu.be/04ighIjMcAI

▪Code:
https://github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_adaptive_rag_cohere.ipynb

▪Article: https://arxiv.org/abs/2403.14403

📌 Checking the relevance of documents and returning to the search.

▪Video:
https://youtube.com/watch?v=E2shqsYwxck

▪Code:
https://github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_crag.ipynb

▪Article: https://arxiv.org/pdf/2401.15884.pdf

📌 Bug fixes in RAG:

▪Code: https://github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_self_rag.ipynb

Article: https://arxiv.org/abs/2310.11511.pdf

📌Various approaches for directing questions to the right data source:

▪Video: https://youtu.be/pfpIndq7Fi8

▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_10_and_11.ipynb

📌 Structuring requests

▪Video: https://youtu.be/kl6NwWYxvbM

▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_10_and_11.ipynb

▪Blog: https://blog.langchain.dev/query-construction/
2/ Deep dive into graphDBs
: https://blog.langchain.dev/enhancing-rag-based-applications-accuracy-by-constructing-and-leveraging-knowledge-graphs/
3/ Query structuring: https://python.langchain.com/docs/use_cases/query_analysis/techniques/structuring
4/ Self-search for queries: https://python.langchain.com/docs/modules/data_connection/retrievers/self_query

📌Multi-Representation Indexing

▪Video: https://youtu.be/gTCU9I6QqCE

▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_12_to_14.ipynb

▪Article: https://arxiv.org/pdf/2312.06648.pdf

📌 Grouping documents by similarity.

▪Video: https://youtu.be/z_6EeA2LDSw
▪Code: https://github.com/langchain-ai/langchain/blob/master/cookbook/RAPTOR.ipynb
▪Article: https://arxiv.org/pdf/2401.18059.pdf

📌ColBERT

▪Video: https://youtu.be/cN6S0Ehm7_8
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_12_to_14.ipynb
▪Article: https://arxiv.org/abs/2004.12832

📌 Query Translation -- Multi Query

▪Video: https://youtube.com/watch?v=JChPi0CRnDY
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
▪Article: https://arxiv.org/pdf/2305.14283.pdf

📌RAG Fusion

▪Video: https://youtube.com/watch?v=77qELPbNgxA
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
▪Code: https://github.com/Raudaschl/rag-fusion

📌 Query Translation -- Decomposition

▪Video: https://youtube.com/watch?v=h0OPWlEOank
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
▪Articles: https://arxiv.org/pdf/2205.10625.pdf https://arxiv.org/pdf/2212.10509.pdf

📌 Query Translation -- Step Back

▪Video: https://youtube.com/watch?v=xn1jEjRyJ2U
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
▪Article: https://arxiv.org/pdf/2310.06117.pdf

📌 Query Translation -- HyDE
▪Video:
https://youtube.com/watch?v=SaDzIVkYqyY
▪Code: https://github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
▪Article: https://arxiv.org/abs/2212.10496

🆔 @Ai_Tv

ML Cheatsheet
چیت شیت یادگیری ماشین

چیت‌شیت های زیادی تو کانال هست برا پیدا کردنشون از این هشتگ استفاده کنید👇
#Cheatsheet
#ML

🆔 @Ai_Tv

یادگیری DataScience سفری است که شامل کسب مجموعه وسیعی از مهارت ها می شود.

لیستی از 5 منبع عالی برای یادگیری همه چیز درباره علم داده

https://thecleverprogrammer.com/2024/02/08/resources-to-learn-everything-in-data-science/

#DataScience

🆔 @Ai_Tv

استفاده شگفت انگیز DataScience در امور مالی را بیاموزید. در این پست نحوه تجزیه و تحلیل، تشخیص و تفسیر ناهنجاری های موجود در بازار سهام با استفاده از پایتون را خواهید آموخت!

لینک: https://bit.ly/stock-market-anomalies

#DataScience

🆔 @Ai_Tv

موقعیت دکتری Computer Science
زمینه:
Software quality research

کشور: Canada
دانشگاه: University of Manitoba
فاند: Fully funded

⏳مهلت:
May 1st, 2024
صفحه استاد
🔗اطلاعات بیشتر(1)


#فرصت_تحصیلی #اپلای

🆔 @Ai_Tv

Lightning-AI / litgpt

Hackable implementation of state-of-the-art open-source LLMs based on nanoGPT. Supports flash attention, 4-bit and 8-bit quantization, LoRA and LLaMA-Adapter fine-tuning, pre-training. Apache 2.0-licensed.

https://github.com/Lightning-AI/litgpt


#LLM

🆔 @Ai_Tv

تجزیه و تحلیل شبکه مترو شامل بررسی شبکه سیستم های مترو برای درک ساختار، کارایی و اثربخشی آنها است.

در این پست نحوه تجزیه و تحلیل شبکه مترو یک شهر را با استفاده از Python بیاموزید

لینک: https://thecleverprogrammer.com/2024/01/29/delhi-metro-network-analysis-using-python/

#DataScience


🆔 @Ai_Tv

💠 یادگیری ماشین و اکتشاف دارویی

📌 در زمان اکتشاف دارو، یادگیری ماشین برای تجزیه و تحلیل حجم عظیمی از داده‌های مربوط به سلول‌ها و ترکیبات استفاده می‌شود. مارک بری، یک کارشناس در این زمینه ، توضیح می‌دهد که این فرآیند شامل دسته‌بندی سلول‌ها و ترکیبات به دسته‌های مختلف بر اساس ویژگی‌های آن‌ها و نحوه تعامل آن‌ها با یکدیگر است.

تصاویر سلول‌ها با استفاده از الگوریتم‌های یادگیری ماشین پردازش می‌شوند تا الگوها و ویژگی‌هایی که بین سلول‌های نرمال و غیرطبیعی تمایز ایجاد می‌کنند، شناسایی شوند. با آموزش مدل‌های یادگیری ماشین توسط این داده‌ها ، پژوهشگران می‌توانند درک بهتری از اینکه چگونه ترکیبات مختلف بر رفتار سلول‌ها تأثیر می‌گذارند‌ ، پیدا کنند و احتمالاً کاندیدای داروی جدید را شناسایی کنند.

به صورت کلی ، یادگیری ماشین فرآیند کشف دارو را به وسیله امکان تجزیه و تحلیل مجموعه داده‌های پیچیده به صورت کارآمدتر فراهم می‌کند و تصمیمات بهتری را در مورد ترکیباتی که برای آزمایشات بعدی استفاده می‌شوند ، ممکن می‌سازد.

منبع : Med-AI

#ML

🆔 @Ai_Tv