نویسنده(های): به سمت تیم تحریریه هوش مصنوعی
در ابتدا منتشر شد به سمت هوش مصنوعی.
صبح بخیر، علاقه مندان به هوش مصنوعی! این هفته، ما منابع زیادی را به اشتراک می گذاریم که برخی از پیشرفت ها در چشم انداز هوش مصنوعی را پوشش می دهد. مقالات امروز همه چیز را از مشکلات سرعت در مدل جدید Open AI گرفته تا یادگیری تدریجی برای به روز نگه داشتن سیستم های شما را پوشش می دهد. ما همچنین یک برنامه جالب از جامعه و بیشتر داریم!
هفتگی هوش مصنوعی چیست
این هفته در What’s AI، من در حال بررسی آخرین مدل OpenAI، o1 هستم. ویژگی های جدید و هیجان انگیزی دارد که آن را از مدل های قبلی مانند GPT-4o و GPT -4 و حتی مدل هایی مانند Claude، Gemini و LLaMA متمایز می کند. من کارهایی را که o1 متفاوت انجام می دهد، نحوه عملکرد آن، و چه چیزی آن را قدرتمند و خوب می کند و کمی کند می کند، توضیح خواهم داد. مقاله کامل را اینجا بخوانید یا ویدیو را در کانال یوتیوب من تماشا کنید.
– لویی فرانسوا بوچارد، بنیانگذار و رئیس انجمن به سوی هوش مصنوعی
با همکاری داده های روشن:
بیاموزید که چگونه می توانید از داده های وب برای تقویت نوآوری های هوش مصنوعی خود استفاده کنید
مدل‌های هوش مصنوعی، به‌ویژه مدل‌های زبانی بزرگ (LLM)، در وسیع، متنوع و در زمان واقعی رشد می‌کنند. مجموعه داده ها برای بهبود پیش بینی ها، یادگیری و توانایی های تصمیم گیری خود. با این حال، سنتی مجموعه داده ها غالباً بیش از حد ایستا یا محدود هستند که نمی توانند از نیازهای دائمی در حال تکامل سیستم های هوش مصنوعی پشتیبانی کنند. اینجاست که داده های وب نقش مهمی ایفا می کنند.
این مقاله به بررسی این موضوع می‌پردازد که چگونه شرکت‌های پیشرو از داده‌های وب برای تقویت نوآوری‌های هوش مصنوعی خود استفاده می‌کنند و چگونه Bright Data به کسب‌وکارها کمک می‌کند تا به داده‌ها با کارآمدتر، اخلاقی‌تر و انعطاف‌پذیرتر دسترسی پیدا کنند.
🔗 در مورد اینکه چگونه داده های وب می توانند سیستم های هوش مصنوعی شما را امروز ارتقا دهند بیشتر بخوانید!
بخش جامعه هوش مصنوعی را یاد بگیرید!
پست انجمن ویژه از Discord
Dbdp12 Problem.ae را ایجاد کرد، پلتفرمی که قدرت هوش مصنوعی را با مشاوره تخصصی ترکیب می کند تا به شما کمک کند تا پاسخ سوالات مربوط به خانواده، سلامت، امور مالی، کار، تحصیل و غیره را بیابید. برنامه را اینجا بررسی کنید و از یکی از اعضای جامعه حمایت کنید. اگر بازخوردی دارید، آن را در تاپیک به اشتراک بگذارید!
نظرسنجی هفته هوش مصنوعی!
تجربه خود را در ساخت محصولات هوش مصنوعی با استفاده از این دستگاه ها به ما بگویید در موضوع!
میم هفته!
میم به اشتراک گذاشته شده توسط تاریخچه
بخش سرپرستی TAI
مقاله هفته
بیایید GPT را از ابتدا برای Text Generator بسازیم توسط اسد اقبال
این مقاله شما را در ساخت مولد متن خود، مانند GPT، از ابتدا راهنمایی می کند. از KerasNLP برای ساخت مدل استفاده می‌کند و آن را بر روی مجموعه simplebooks-92، مجموعه داده‌ای از چندین رمان، آموزش می‌دهد.
مقالاتی که باید حتما بخوانید
1. تشخیص کاراکتر نوری (OCR) با CNN-LSTM توجه Seq2Seq توسط تان پنگشی آلوین
این مقاله به بررسی یک موضوع جالب می پردازد یادگیری عمیق برنامه ای به نام تشخیص کاراکتر نوری (OCR) که خواندن تصاویر متنی به اطلاعات متنی باینری یا داده های متنی رایانه است. از تکنیک های پیشرفته ای مانند CNN، LSTMو مکانیسم های توجه در چارچوب seq2seq. این فرآیندهای پیچیده را به مراحل آسان برای درک تقسیم می کند و برای مبتدیان و توسعه دهندگان با تجربه قابل دسترسی است.
2. راهنمای عملی مختصر برای کوانتیزاسیون LLM توسط راغوناتان
این راهنمای عملی یک نمای کلی مختصر از کمی سازی LLM ارائه می دهد و اهمیت و مزایای آن را در کاربردهای دنیای واقعی توضیح می دهد. شما در مورد تکنیک های کوانتیزاسیون مختلف، اجرای آنها و اینکه چگونه می توانند اندازه مدل را به میزان قابل توجهی کاهش دهند و در عین حال دقت را حفظ کنند، آشنا خواهید شد.
3. انتخاب ویژگی باز شده: کاوش در تکنیک‌های فیلتر، بسته‌بندی و جاسازی توسط دکتر تحسین اکبال
انتخاب ویژگی فرآیند شناسایی و انتخاب مهم ترین ویژگی ها (متغیرها، پیش بینی کننده ها) از مجموعه داده شما است که بیشترین کمک را در پیش بینی متغیر هدف دارند. این مقاله تکنیک‌های فیلتر، بسته‌بندی و جاسازی را با مثال‌های عملی و بینش‌های متخصص بررسی می‌کند.
4. به روز رسانی مدل سری زمانی پویا توسط شنگانگ لی
یادگیری افزایشی یا یادگیری آنلاین به سیستم اجازه می‌دهد تا پیش‌بینی‌های خود را بدون تعبیه مجدد مدل به طور مداوم بهبود بخشد. این مقاله به شما آموزش می‌دهد که چگونه با اجرای به‌روزرسانی‌های پویا، پیش‌بینی‌های خود را افزایش دهید و دقت را بهبود بخشید، و اطمینان حاصل می‌کند که مدل‌های شما در محیطی که به سرعت در حال تغییر است مرتبط می‌مانند. بر روی نمونه هایی مانند مدل Yule و شبکه های عصبی تمرکز می کند و نشان می دهد که چگونه می توان آنها را با ورود داده های جدید به روز کرد.
5. بقای مناسب ترین برنامه ها: چگونه ماشین ها برای حل مشکلات با برنامه ریزی ژنتیکی تکامل می یابند توسط لین وی نگوین
این مقاله نشان می‌دهد که الگوریتم‌ها چگونه فرآیند تکامل را تقلید می‌کنند و راه‌حل‌هایی را تولید می‌کنند که نه تنها نوآورانه هستند، بلکه بسیار کارآمد هستند. این مقاله دنیای برنامه‌ریزی ژنتیکی را بررسی می‌کند، جایی که اصول انتخاب طبیعی برای ایجاد برنامه‌هایی به کار می‌رود که با گذشت زمان سازگار و بهبود می‌یابند.
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
منبع: https://towardsai.net/p/l/41-openais-innovation-llm-quantization-feature-selection-and-more