آقای هوش مصنوعی

https://www.shara.ir/شخصیسازی-در-روابطعمومی-از-تئوری-تا/

شخصی‌سازی در روابط‌عمومی: از تئوری تا عمل در کنفرانس بین‌المللی روابط‌عمومی ایران

Bridging Text and Vision: A Multi-View Text-Vision Registration Approach for Cross-Modal Place Recognition

🖥 Github: https://github.com/nuozimiaowu/Text4VPR

📕 Paper: https://arxiv.org/abs/2502.14195v1

🌟 Dataset: https://paperswithcode.com/task/cross-modal-place-recognition

#DataScience #ArtificialIntelligence #MachineLearning #PythonProgramming #DeepLearning #LLM #AIResearch #BigData #NeuralNetworks #DataAnalytics #NLP #AutoML #DataVisualization #ScikitLearn #Pandas #NumPy #TensorFlow #AIethics #PredictiveModeling #GPUComputing #OpenSourceAI #DeepSeek

🌑 آقای هوش مصنوعی

@MrArtificialintelligence

Data Scientist Roadmap
|
|-- 1. Basic Foundations
|   |-- a. Mathematics
|   |   |-- i. Linear Algebra
|   |   |-- ii. Calculus
|   |   |-- iii. Probability
|   |   -- iv. Statistics
|   |
|   |-- b. Programming
|   |   |-- i. Python
|   |   |   |-- 1. Syntax and Basic Concepts
|   |   |   |-- 2. Data Structures
|   |   |   |-- 3. Control Structures
|   |   |   |-- 4. Functions
|   |   |   -- 5. Object-Oriented Programming
|   |   |
|   |   -- ii. R (optional, based on preference)
|   |
|   |-- c. Data Manipulation
|   |   |-- i. Numpy (Python)
|   |   |-- ii. Pandas (Python)
|   |   -- iii. Dplyr (R)
|   |
|   -- d. Data Visualization
|       |-- i. Matplotlib (Python)
|       |-- ii. Seaborn (Python)
|       -- iii. ggplot2 (R)
|
|-- 2. Data Exploration and Preprocessing
|   |-- a. Exploratory Data Analysis (EDA)
|   |-- b. Feature Engineering
|   |-- c. Data Cleaning
|   |-- d. Handling Missing Data
|   -- e. Data Scaling and Normalization
|
|-- 3. Machine Learning
|   |-- a. Supervised Learning
|   |   |-- i. Regression
|   |   |   |-- 1. Linear Regression
|   |   |   -- 2. Polynomial Regression
|   |   |
|   |   -- ii. Classification
|   |       |-- 1. Logistic Regression
|   |       |-- 2. k-Nearest Neighbors
|   |       |-- 3. Support Vector Machines
|   |       |-- 4. Decision Trees
|   |       -- 5. Random Forest
|   |
|   |-- b. Unsupervised Learning
|   |   |-- i. Clustering
|   |   |   |-- 1. K-means
|   |   |   |-- 2. DBSCAN
|   |   |   -- 3. Hierarchical Clustering
|   |   |
|   |   -- ii. Dimensionality Reduction
|   |       |-- 1. Principal Component Analysis (PCA)
|   |       |-- 2. t-Distributed Stochastic Neighbor Embedding (t-SNE)
|   |       -- 3. Linear Discriminant Analysis (LDA)
|   |
|   |-- c. Reinforcement Learning
|   |-- d. Model Evaluation and Validation
|   |   |-- i. Cross-validation
|   |   |-- ii. Hyperparameter Tuning
|   |   -- iii. Model Selection
|   |
|   -- e. ML Libraries and Frameworks
|       |-- i. Scikit-learn (Python)
|       |-- ii. TensorFlow (Python)
|       |-- iii. Keras (Python)
|       -- iv. PyTorch (Python)
|
|-- 4. Deep Learning
|   |-- a. Neural Networks
|   |   |-- i. Perceptron
|   |   -- ii. Multi-Layer Perceptron
|   |
|   |-- b. Convolutional Neural Networks (CNNs)
|   |   |-- i. Image Classification
|   |   |-- ii. Object Detection
|   |   -- iii. Image Segmentation
|   |
|   |-- c. Recurrent Neural Networks (RNNs)
|   |   |-- i. Sequence-to-Sequence Models
|   |   |-- ii. Text Classification
|   |   -- iii. Sentiment Analysis
|   |
|   |-- d. Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU)
|   |   |-- i. Time Series Forecasting
|   |   -- ii. Language Modeling
|   |
|   -- e. Generative Adversarial Networks (GANs)
|       |-- i. Image Synthesis
|       |-- ii. Style Transfer
|       -- iii. Data Augmentation
|
|-- 5. Big Data Technologies
|   |-- a. Hadoop
|   |   |-- i. HDFS
|   |   -- ii. MapReduce
|   |
|   |-- b. Spark
|   |   |-- i. RDDs
|   |   |-- ii. DataFrames
|   |   -- iii. MLlib
|   |
|   -- c. NoSQL Databases
|       |-- i. MongoDB
|       |-- ii. Cassandra
|       |-- iii. HBase
|       -- iv. Couchbase
|
|-- 6. Data Visualization and Reporting
|   |-- a. Dashboarding Tools
|   |   |-- i. Tableau
|   |   |-- ii. Power BI
|   |   |-- iii. Dash (Python)
|   |   -- iv. Shiny (R)
|   |
|   |-- b. Storytelling with Data
|   -- c. Effective Communication
|
|-- 7. Domain Knowledge and Soft Skills
|   |-- a. Industry-specific Knowledge
|   |-- b. Problem-solving
|   |-- c. Communication Skills
|   |-- d. Time Management
|   -- e. Teamwork
|
-- 8. Staying Updated and Continuous Learning
    |-- a. Online Courses
    |-- b. Books and Research Papers
    |-- c. Blogs and Podcasts
    |-- d. Conferences and Workshops
    `-- e. Networking and Community Engagement

Best Data Science & Machine Learning Resources: https://topmate.io/coding/914624

All the best 👍
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

محققای IBM یه مدل هوش مصنوعی خیلی کوچیک به اسم TTM ساختن که می‌تونه آینده‌ی سری‌های زمانی (مثلاً قیمت سهام، دمای هوا) رو پیش‌بینی کنه. مدل‌های قبلی برای این کار خیلی بزرگ و کُند بودن و به داده‌های خیلی زیادی نیاز داشتن. TTM کوچیکه، سریعه و با داده‌های کم هم خوب کار می‌کنه.

با اینکه کمتر از ۱ میلیون پارامتر داره (مدل‌های قبلی میلیاردی بودن) ۱۲ تا ۳۸ درصد دقیق‌تر از بقیه‌ی روش‌ها پیش‌بینی می‌کنه.
hackernoon

🌑 آقای هوش مصنوعی

@MrArtificialintelligence

🔥 YOLOv12 is out (new SOTA) 🔥

👉YOLOv12 is a novel attention-centric YOLO framework that matches the speed of previous CNN-based ones while harnessing the performance benefits of attention mechanisms. Source Code & Demo released💙

👉Review https://t.ly/jj1oR
👉Paper arxiv.org/pdf/2502.12524
👉Repo github.com/sunsmarterjie/yolov12
🤗Demo https://t.ly/w5rno
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

🌈Unified Low-Level 4D Vision🌈

👉#Nvidia L4P is a novel feedforward, general-purpose, architecture to solve low-level 4D perception tasks in a unified framework. L4P combines a ViTbased backbone with per-task heads that are lightweight and therefore do not require extensive training. One backbone - many SOTAs. Code announced 💙

👉Review https://t.ly/04DGj
👉Paper arxiv.org/pdf/2502.13078
👉Project research.nvidia.com/labs/lpr/l4p/
👉Repo TBA
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️ وسیله نقلیه فوق متحرک

این وسیله نقلیه فوق متحرک (UMV) از موسسه RAI است. در این نسخه ی نمایشی رانندگی می کند، می چرخد، می پرد، فریب می دهد و به یک توقف ناگهانی می رسد که تراک-استند نامیده می شود.

رانندگی، فرود، تعادل، و پیست با استفاده از یادگیری تقویتی انجام می شود.

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️ چهارراه بدون چراغ

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️ جدیدترین ربات خانگی

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️  ربات خانگی بدون آموزش قبلی

یک مدل Vision-Language-Action (VLA) که برای متحول کردن رباتیک خانگی با فعال کردن سازگاری در زمان واقعی طراحی شده است.

برخلاف محیط‌های صنعتی، خانه‌ها چالش‌های غیرقابل پیش‌بینی را با اشیاء متنوع ارائه می‌کنند. هلیکس به ربات‌ها اجازه می‌دهد هزاران وسیله جدید خانگی را با استفاده از دستورات زبان طبیعی جمع آوری کنند و نیازی به آموزش قبلی را از بین ببرند.

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️  اسب رباتیک

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️  نوآوری در تولید انرژی توسط مخترع ایرانی

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️ معرفی تراشه جدید مایکروسافت برای محاسبات کوانتومی

مایکروسافت با تراشه جدید Majorana 1 خود یک پیشرفت بزرگ در محاسبات کوانتومی اعلام کرده است!

پس از 17 سال تحقیق، آنها مواد و معماری نوآورانه ای را برای مقابله با بزرگترین چالش محاسبات کوانتومی یعنی ثبات ایجاد کرده اند.

کامپیوترهای کوانتومی فعلی قدرتمند هستند اما بسیار ناپایدار هستند، زیرا حتی اختلالات کوچک مانند گرما یا ارتعاشات می توانند باعث ایجاد خطا در کیوبیت شوند. هدف Majorana 1 حل این مشکل با استفاده از حالت‌های صفر Majorana برای ایجاد کیوبیت‌های توپولوژیکی است که بسیار انعطاف‌پذیرتر هستند.

🔹 قیاس:

- کیوبیت های سنتی =به راحتی مختل می شود)

- کیوبیت های توپولوژیکی = قوی تر، پایدارتر

مایکروسافت بر این باور است که این اولین قدم به سوی محاسبات کوانتومی مقاوم در برابر خطا است که می‌تواند زمینه‌هایی مانند کشف دارو، علم مواد و...

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️  ربات با اسکلت عضلانی مصنوعی

پروتوکلون یک انسان مصنوعی بدون صورت و دقیق از نظر تشریحی با بیش از 200 درجه آزادی، بیش از 1000 ماهیچه مایفیبر و 500 حسگر است.


#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

گوگل یه ابزار جدید به نام «Career Dreamer» معرفی کرده که میشه بهش علایق و مهارت‌هارو گفت بعد با AI بهتون میگه چه موقعیت‌های شغلی میتونید کار کنید.

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

در عصر ارتباطات، انرژی نه‌تنها سوخت زیرساخت‌ها، بلکه جوهره‌ی تداوم جهان دیجیتال است. شبکه‌های تلکام، همانند موجودات زنده، نیازمند تعادل میان رشد و بقا هستند. هوش مصنوعی، به‌مثابه‌ی ذهنی فراتر از انسان، در این اکوسیستم نقش ناظری هوشمند را ایفا می‌کند؛ داده‌ها را می‌بیند، الگوها را می‌فهمد و مسیرهای بهینه را ترسیم می‌کند.

با تصمیم‌های پویا، مصرف انرژی را بهینه می‌سازد، از هدررفت جلوگیری می‌کند و شبکه را با ضرباهنگ طبیعت همگام می‌سازد. آینده‌ی تلکام، نه صرفاً یک زیرساخت، بلکه موجودیتی خودآگاه خواهد بود؛ تعادلی بین سرعت، پایداری و هوشمندی.

🌕 هوش مصنوعی، انرژی و تکامل تلکام
(تیزر)

🌍مهمان برنامه :

دکتر بابک حسین خلج
رئيس دانشکده مهندسی برق شریف
مدیر مرکز علوم داده دانشگاه صنعتی شریف

#5G #chatgpt #هوش_مصنوعی #تلکام

🌑 آقای هوش مصنوعی🌑
🎥رسانه هوش مصنوعی دانشگاه تهران

@MrArtificialintelligence

✍️  نژاد بشر در دنیای اینترنت در اقلیت است
‌
نزدیک به 5 میلیارد کاربر اینترنت در سراسر جهان وجود دارد که تقریباً 63 درصد از جمعیت جهان از زمان شروع استفاده عمومی از اینترنت در دهه 1990 است. با این حال، تنها 38.5 درصد از ترافیک اینترنت را انسان ها تشکیل می دهند.⁠
‌
61.5 درصد باقیمانده غیرانسان هستند، از جمله ربات‌های جستجو، خراشنده‌ها، رمزارزها، ابزارهای هک و دیگر جعل‌کنندگان انسان، تکه‌های کوچکی از کدهایی که در سراسر وب پخش می‌شوند.⁠


#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence

✍️  توسعه سلاح های لیزری با هوش مصنوعی

نیروی دریایی ایالات متحده، با همکاری سازمان‌های دفاعی مختلف، در حال توسعه سلاح‌های لیزری تقویت‌شده با هوش مصنوعی برای مقابله موثرتر با حملات پهپادها است. سیستم‌های لیزری کنونی به اپراتورهای انسانی نیاز دارند تا اهداف را شناسایی کرده و پرتوها را بر روی نقاط ضعیف متمرکز کنند، اما این امر در برابر ازدحام یا هواپیماهای بدون سرنشین خودکار چابک بسیار سخت می‌شود.

برای رفع این مشکل، محققان هوش مصنوعی را با استفاده از تصاویر مادون قرمز و رادار اسکن شده از پهپاد مینیاتوری Reaper آموزش دادند و مجموعه داده هایی با 100000 تصویر ایجاد کردند. هوش مصنوعی یاد می گیرد که هواپیماهای بدون سرنشین را شناسایی کند، جهت آنها را تعیین کند، نقاط ضعیف را پیدا کند و فوکوس پرتو را حفظ کند. آزمایش ها بهترین نتایج را با استفاده از داده های دنیای واقعی نشان دادند.

مراحل بعدی شامل آزمایش میدانی با رادار و ردیابی نوری، ادغام کنترل نیمه خودران و در عین حال حفظ برخی نظارت انسانی است.

#علم_داده #هوش_مصنوعی
 
🌑 آقای هوش مصنوعی

@MrArtificialintelligence