Channel: هوش مصنوعی |یادگیری ماشین| علم داده
Media is too big
VIEW IN TELEGRAM
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
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
https://github.com/FavioVazquez/ds-cheatsheets
#DataScience
#cheatsheet
#ML
🆔 @Ai_Tv
GitHub
GitHub - FavioVazquez/ds-cheatsheets: List of Data Science Cheatsheets to rule the world
List of Data Science Cheatsheets to rule the world - FavioVazquez/ds-cheatsheets
This media is not supported in your browser
VIEW IN TELEGRAM
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
🖥 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
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
؛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
🔗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
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
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
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
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
GitHub
GitHub - microsoft/Data-Science-For-Beginners: 10 Weeks, 20 Lessons, Data Science for All!
10 Weeks, 20 Lessons, Data Science for All! Contribute to microsoft/Data-Science-For-Beginners development by creating an account on GitHub.
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
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
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
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
GitHub
GitHub - langchain-ai/rag-from-scratch
Contribute to langchain-ai/rag-from-scratch development by creating an account on GitHub.
ML Cheatsheet 🔥.pdf
6.3 MB
ML Cheatsheet
چیت شیت یادگیری ماشین
چیتشیت های زیادی تو کانال هست برا پیدا کردنشون از این هشتگ استفاده کنید👇
#Cheatsheet
#ML
🆔 @Ai_Tv
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
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
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
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
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
GitHub
GitHub - Lightning-AI/litgpt: Pretrain, finetune, deploy 20+ LLMs on your own data. Uses state-of-the-art techniques: flash attention…
Pretrain, finetune, deploy 20+ LLMs on your own data. Uses state-of-the-art techniques: flash attention, FSDP, 4-bit, LoRA, and more. - Lightning-AI/litgpt
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
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
Media is too big
VIEW IN TELEGRAM
💠 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
📌 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
HTML Embed Code: