نویسنده(های): به سمت تیم تحریریه هوش مصنوعی
در ابتدا منتشر شد به سمت هوش مصنوعی.
صبح بخیر، علاقه مندان به هوش مصنوعی! این یکی دیگر از مشکلات منابع سنگین با مقالاتی است که بر روی همه چیز تمرکز می کنند، از معماری های اولیه هوش مصنوعی گرفته تا آخرین پیشرفت ها در توانایی های استدلال هوش مصنوعی. از خواندن لذت ببرید!
هفتگی هوش مصنوعی چیست
یکی از مسائل کلیدی در رویکرد فعلی ما به استدلال هوش مصنوعی را می توان با این نقل قول خلاصه کرد: “ما به ماشین ها می آموزیم که چگونه فکر می کنیم.” این نشان دهنده نقص عمیق تری در مدل های آموزشی مبتنی بر شهود انسانی است، که لزوماً نحوه عملکرد واقعی استدلال نیست (هیچ کس نمی داند). این موضوع بحث گسترده‌تری را در مورد اینکه چگونه ماشین‌ها می‌توانند به‌جای تقلید صرف از رویکردهای انسانی، به‌طور مستقل مهارت‌های استدلالی را توسعه دهند، باز می‌کند.
با تکیه بر آن پایه، این هفته، در نرخ یادگیری بالا خبرنامه، ما در حال به اشتراک گذاشتن برخی از پیشرفت های هیجان انگیز هستیم که چگونه مدل های هوش مصنوعی ممکن است استدلال را یاد بگیرند. این پیشرفت‌ها حول استدلال خودآموخته متمرکز هستند، جایی که مدل‌های هوش مصنوعی با یادگیری از فرآیندهای استدلال خود، قابلیت‌های خود را افزایش می‌دهند. مقاله کامل را اینجا بخوانید!
– لویی فرانسوا بوچارد، بنیانگذار و رئیس انجمن به سوی هوش مصنوعی
بخش جامعه هوش مصنوعی را یاد بگیرید!
پست انجمن ویژه از Discord
مهوین_ یک ربات چت با استفاده از ChatGPT ساخت. کد کتابخانه های مختلفی را وارد می کند TensorFlow، PyTorch، Transformers، Tkinter و CLIP برای انجام وظایف مربوط به شبکه های عصبی، طبقه بندی متن و پردازش تصویر. می توانید آن را در GitHub امتحان کنید و نظرات خود را در موضوع Discord به اشتراک بگذارید!
نظرسنجی هفته هوش مصنوعی!
در ابتدای سال جاری، AGI ممکن است ایده ای دور از ذهن به نظر برسد، اما تعجب آور است که چقدر به آن نزدیک شده ایم. آیا این تنها پیشرفت آشکار برای هوش مصنوعی است؟ ما غیر از این فکر می کنیم، اما ما دوست داریم نظرات شما را بشنویم!
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. 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!
2. 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!
3. 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
حل مسائل پیچیده تجاری با برنامه ریزی خطی عدد صحیح مختلط توسط شنگانگ لی
این مقاله یک نمای کلی از تکنیک‌های MILP ارائه می‌کند و نشان می‌دهد که چگونه می‌توان از آنها برای مقابله با چالش‌های دنیای واقعی در صنایع مختلف استفاده کرد. با مثال‌های عملی و توضیحات گام به گام، این منبع برای تحلیل‌گران کسب‌وکار، دانشمندان داده و تصمیم‌گیرندگانی که به دنبال بهبود جعبه ابزار حل مسئله خود هستند، ایده‌آل است.
مقالاتی که باید حتما بخوانید
1. تنظیم دقیق LLM ها برای زبان طبیعی به تولید پرس و جوی SQL با استفاده از داده های مصنوعی: راهنمای جامع برای مبتدیان توسط آنوپ موریا
این مقاله به بررسی نحوه تنظیم دقیق LLM ها برای تولید پرس و جوهای SQL می پردازد زبان طبیعی ورودی ها هر مرحله از فرآیند را تجزیه می کند، مفاهیم کلیدی را توضیح می دهد و دستورالعمل های دقیقی را ارائه می دهد تا به شما در درک و پیاده سازی سیستم NL2SQL خود کمک کند. این فرآیند که به زبان طبیعی به SQL (NL2SQL) معروف است، ابزار قدرتمندی است که به کاربران غیر فنی اجازه می دهد تا با استفاده از زبان روزمره با پایگاه داده ها تعامل داشته باشند.
2. مقابله با وظایف مدل زبان رمزگذار با استفاده از Pytorch توسط فابیو یانز رومرو
این مقاله یک رویکرد واضح و عملی برای پیاده سازی مدل های رمزگذار ارائه می دهد که با نمونه های کد و نکات تخصصی کامل می شود. هنگام استفاده از یک مدل زبان فقط رمزگذار مانند Bert یا RoBERTa، اگر از یک مدل از پیش آموزش دیده شروع کنیم، وظایف اصلی که می توان انجام داد طبقه بندی و رگرسیون است. در این پست نحوه انجام این وظایف با استفاده از Pytorch بحث می شود.
3. باز کردن قدرت جستجوی وکتور کارآمد در برنامه های RAG توسط چیراگ آگراوال
این راهنما تکنیک‌ها و استراتژی‌های بهینه‌سازی جستجوی برداری را بررسی می‌کند و به شما امکان می‌دهد عملکرد مدل‌های هوش مصنوعی خود را افزایش دهید. همچنین چندین روش نمایه سازی، مزایا و معایب آنها و نحوه تنظیم دقیق آنها برای نیازهای خاص خود را به اشتراک می گذارد.
4. فرا یادگیرندگان: اندازه گیری اثرات درمان با یادگیری ماشینی علّی توسط هاجیمه تاکدا
هدف این مقاله توضیح Meta Learners، بحث در مورد الگوریتم‌های زیربنایی آن و نشان دادن یک مطالعه موردی با استفاده از EconML با داده‌های آزمایش‌های اجتماعی است.
5. آیا مدل‌های Diffusion واقعاً نسبت به GAN در وضوح تصویر فوق‌العاده برتر هستند؟ توسط والری استارتسف
این مقاله تامل برانگیز به این بحث می پردازد: آیا مدل های انتشار واقعا برتر از GAN ها هستند؟ نقاط قوت و ضعف هر دو رویکرد را بررسی می کند و عملکرد آنها را در افزایش کیفیت تصویر تجزیه و تحلیل می کند. با مقایسه‌های دقیق و بینش‌های متخصص، این منبع برای محققان، پزشکان و هر کسی که علاقه‌مند به چشم‌انداز در حال تکامل پردازش تصویر است، عالی است.
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