نویسنده(های): به سمت تیم تحریریه هوش مصنوعی
در ابتدا منتشر شد به سمت هوش مصنوعی.
صبح بخیر، علاقه مندان به هوش مصنوعی! در این هفته منتظر منابع زیاد و گفتگوهای سبک تر، همکاری های متمرکز بر تحقیق و البته خنده دارترین میم از جامعه باشید.
هفتگی هوش مصنوعی چیست
همگام بودن با LLM ها سخت تر می شود. هر هفته خیلی اتفاق می افتد من یک راهنمای جمع آوری کرده ام تا به شما کمک کنم مهارت های LLM خود را در سال 2024 بدون پیشینه پیشرفته در این زمینه شروع و بهبود دهید و با آخرین اخبار و تکنیک های پیشرفته به روز بمانید! همه منابع ذکر شده در راهنما رایگان هستند، به جز برخی از دوره ها و کتاب های آنلاین، که مطمئنا برای درک بهتر توصیه می شود، اما قطعاً می توان بدون آنها متخصص شد، با کمی زمان بیشتر برای مطالعه آنلاین، ویدئوها و تمرین کنید. راهنمای کامل LLM را اینجا بخوانید!
– لویی فرانسوا بوچارد، بنیانگذار و رئیس انجمن به سوی هوش مصنوعی
این موضوع به لطف شما برای شما آورده شده است FT Live:
نشست FT Future of AI Summit برای ارزیابی چشم‌انداز فعلی نوآوری هوش مصنوعی و بررسی موارد استفاده در دنیای واقعی برای شرکت‌هایی که در هوش مصنوعی سرمایه‌گذاری می‌کنند در حالی که امنیت، نیروی کار و نگرانی‌های اخلاقی را دنبال می‌کنند، بازمی‌گردد. با هیجان‌انگیزترین پیشرفت‌ها آشنا شوید ML، NLP، و روباتیک و نحوه مقیاس بندی آنها برای موفقیت و رشد.
این رویداد که طی دو روز حضوری برگزار می‌شود، مخاطبان بین‌بخشی از رهبران استراتژی، نوآوری، فناوری و عملکرد تجاری را که مسئول ایجاد، یکپارچه‌سازی، مقیاس‌بندی و تجاری‌سازی هوش مصنوعی هستند، جمع‌آوری می‌کند.
تاریخ و مکان: 6-7 نوامبر 2024، حضوری و دیجیتال | لندن
اکنون ثبت نام کنید و از کد TOWARDSAI برای صرفه جویی 20% در پاس خود استفاده کنید!
بخش جامعه هوش مصنوعی را یاد بگیرید!
پست انجمن ویژه از Discord
دانیلدانیلدانیل1 مقاله ای در مورد ساخت یک پایگاه داده برداری محلی با استفاده از RxDB و transformers.js نوشت. نحوه دویدن را نشان می دهد یادگیری ماشینی مدل‌هایی را مستقیماً در مرورگر انجام می‌دهد تا جستجوی معنایی و پرس‌وجوهای مبتنی بر شباهت را بدون نیاز به backend فعال کند. این رویکرد تاخیر شبکه صفر، عملکرد آفلاین، حفظ حریم خصوصی بهتر و بدون هزینه سرور را فراهم می کند. اگر به برنامه‌های آفلاین، پایگاه‌های داده برداری یا اجرای مدل‌های ML روی دستگاه‌های کاربران علاقه‌مند هستید، مقاله را اینجا بخوانید. از یکی از اعضای جامعه حمایت کنید و نظرات خود را در تاپیک به اشتراک بگذارید!
نظرسنجی هفته هوش مصنوعی!
عجب! 47 درصد از شما نمی توانید به یاد بیاورید که چه زمانی استراحت کرده اید. بله، ما در دنیایی زندگی می‌کنیم که استراحت‌ها «ضد بهره‌وری» هستند، اما مطالعات زیادی وجود دارد که ثابت می‌کند وقفه‌های آگاهانه منجر به افزایش بهره‌وری می‌شود. پس بگذارید این نظرسنجی یادآوری برای استراحت باشد! و همه چیز را در تاپیک به ما بگویید!
فرصت های همکاری
انجمن Learn AI Together Discord مملو از فرصت های همکاری است. اگر مشتاق هستید که در هوش مصنوعی کاربردی شیرجه بزنید، یک شریک تحصیلی می خواهید، یا حتی می خواهید شریکی برای پروژه اشتیاق خود پیدا کنید، به کانال همکاری بپیوندید! مراقب این بخش نیز باشید – ما هر هفته فرصت های جالبی را به اشتراک می گذاریم!
1. پوشکچان برای تعمیر قسمت جلویی به کمک نیاز دارد Mlops پروژه اگر می توانید کمک کنید، در تاپیک با او ارتباط برقرار کنید!
2. سامیوگ_دیتال در حال تحقیق و بررسی راه هایی برای افزایش قابلیت های استدلال در LLM است. هدف حل این چالش است، و LLM ها را قادر می سازد تا مسائل پیچیده را با برنامه ریزی منطقی و گام به گام مشابه استدلال انسانی حل کنند. آنها به دنبال شخصی برای کار در این زمینه و یک هم بنیانگذار بالقوه هستند. اگر علاقه دارید، با آنها در موضوع ارتباط برقرار کنید!
3. Dykyi_vladk در حال کار بر روی پیاده سازی مجدد و تقویت مدل PalM است. اگر علاقه مند هستید NLP، در تاپیک با او تماس بگیرید!
4. Knytfury به دنبال کار با شخصی بر روی یک مقاله تحقیقاتی جدید یا اجرای یک مقاله موجود است. اگر روی چیزی کار می کنید و به منابع انسانی برای کار روی کاغذ نیاز دارید، در تاپیک دراز کنید!
میم هفته!
میم به اشتراک گذاشته شده توسط ghost_in_the_machine
بخش سرپرستی TAI
مقاله هفته
با استفاده از PyTorch، معماری Llama 3 خود را از ابتدا بسازید توسط میلان تامانگ
این یک راهنمای گام به گام برای ساختن معماری کامل مدل Llama 3 از ابتدا با استفاده از PyTorch و انجام آموزش و استنتاج بر روی یک سفارشی است. مجموعه داده. توضیح می دهد که هر جزء از مدل Llama 3 چگونه در زیر کاپوت کار می کند، شما را راهنمایی می کند که چگونه کدهایی را برای ساخت هر جزء بنویسید و همه آنها را با هم جمع کنید تا یک مدل Llama 3 کاملاً کاربردی بسازید. علاوه بر این، کدهایی برای آموزش مدل خود با سفارشی جدید نیز می نویسید مجموعه داده ها و استنتاج انجام دهید.
مقالاتی که باید حتما بخوانید
1. الگوریتم های ژنتیک ساده شده: یک مثال گام به گام برای مبتدیان توسط لین وی نگوین
الگوریتم ژنتیک (GA) یک محاسبات تکاملی است که از نظریه انتخاب طبیعی داروین الهام گرفته شده است. اصل اساسی آن تقلید از انتخاب طبیعی و تولید مثل در حین جستجوی راه حل های بهینه است. این مقاله با ارائه یک مثال گام به گام مفاهیم پیچیده را ساده می کند. چه در زمینه هوش مصنوعی تازه کار باشید و چه به دنبال گسترش دانش خود هستید، این منبع برای درک اصول اولیه ایده آل است. الگوریتم های ژنتیک و کاربردهای عملی آنها
2. انتقال متا – مدل تغییر دهنده بازی!! توسط آکاش گویال
Transfusion مدل جدیدی است که توسط تیم متا برای تولید متن و تصویر با استفاده از یک مدل یکپارچه توسعه یافته است. بر روی ترکیبی مساوی از داده های متن و تصویر، از قبل آموزش داده شده است، اهداف مختلفی را اعمال می کند: پیش بینی نشانه بعدی برای متن و انتشار برای تصاویر. این مقاله به ویژگی ها و تأثیر بالقوه آن می پردازد.
3. Local GraphRAG + Langchain + GPT+4o = AI/Chat آسان برای اسناد شما توسط گائو دالی
این آموزش نشان می دهد که چگونه با GraphRag محلی، Langchain و LLM محلی برای PDF خود یک هوش مصنوعی ایجاد کنید تا یک Agent Chatbot قدرتمند برای استفاده تجاری یا شخصی خود بسازید. این رویکرد نوآورانه به شما این امکان را می‌دهد که یک رابط چت هوش مصنوعی آسان برای اسناد خود ایجاد کنید و بازیابی اطلاعات را یکپارچه و کارآمد می‌کند. چه بخواهید داده های گسترده ای را مدیریت کنید یا صرفاً به دنبال افزایش تعامل با کاربر باشید، این راهنما ابزارهایی را که برای پیاده سازی راه حل LLM محلی نیاز دارید را ارائه می دهد.
4. هوش مصنوعی چگونه کار می کند؟ یک شبکه عصبی از ابتدا ایجاد کنید توسط شان جود لیون
این آموزش گام به گام مفاهیم اساسی شبکه های عصبی را تجزیه می کند و آن را برای مبتدیان قابل دسترس و برای توسعه دهندگان باتجربه آموزنده می کند. در مورد معماری، فرآیند آموزش و کاربردهای عملی شبکه های عصبی بیاموزید. در پایان این مقاله، می‌توانید مدل و کتابخانه یادگیری ماشین خود را برای پیش‌بینی بسازید.
5. بازبینی Chunking در خط لوله RAG توسط فلوریان جون
این مقاله اهمیت استراتژی‌های تقسیم‌بندی مؤثر برای بهبود بازیابی اطلاعات و بهبود عملکرد مدل را مورد بازبینی قرار می‌دهد. با درک نحوه بهینه سازی این فرآیند، می توانید کارایی برنامه های هوش مصنوعی خود را به میزان قابل توجهی افزایش دهید. چه یک محقق یا یک توسعه‌دهنده باشید، این مقاله دیدگاه‌های ارزشمندی را در مورد اصلاح رویکرد شما به RAG ارائه می‌دهد.
اگر علاقه مند به انتشار با Towards AI هستید، دستورالعمل های ما را بررسی کنید و ثبت نام کنید. اگر کار شما با خط مشی ها و استانداردهای ویرایشی ما مطابقت داشته باشد، ما آن را در شبکه خود منتشر خواهیم کرد.
منتشر شده از طریق به سمت هوش مصنوعی
