Xournal++: ابزار یادداشت‌برداری دیجیتال

این نرم‌افزار یک ابزار منبع باز و چندسکویی برای یادداشت‌برداری و حاشیه‌نویسی است که به شما امکان می‌دهد یادداشت‌های دیجیتال خود را با دست‌خط شخصی و ابزارهای متنوع ایجاد کنید. این برنامه تجربه‌ای شبیه به یادداشت‌برداری فیزیکی را فراهم می‌آورد و برای کاربران مبتدی تا حرفه‌ای مناسب است.

ویژگی‌های کلیدی Xournal++:

- پشتیبانی از قلم‌های حساس به فشار و تبلت‌های نقاشی: ایجاد یادداشت‌های دقیق و طبیعی با دست‌خط شخصی.
- ابزارهای متنوع یادداشت‌برداری: شامل قلم، هایلایت‌کننده و پاک‌کننده برای تجربه‌ای شبیه به یادداشت‌برداری روی کاغذ.
- مدیریت و پیگیری یادداشت‌ها: استفاده از لایه‌ها و ابزارهای پیشرفته برای ساخت یادداشت‌های پیچیده و منظم.
- تخصیص و سفارشی‌سازی: طراحی نوار ابزار خود و افزودن ویژگی‌های جدید با پلاگین‌ها یا زبان برنامه‌نویسی Lua.
- پشتیبانی از فرمت‌های مختلف: ذخیره یادداشت‌ها در فرمت‌های مختلف و صادر کردن فایل‌های PDF حاشیه‌نویسی‌شده.
- اضافه کردن رسانه‌ها و ضبط صدا: افزودن تصاویر، اشکال مختلف و ضبط‌های صوتی به یادداشت‌ها.

🔹 Bits Learn | CSSA IUST | LinkedIn

🔹 Deep Learning

تدریس کامل انواع معماری‌های شبکه عصبی برای پردازش داده‌های تصویری و متنی به صورت نظری و عملی با ابزار PyTorch، آشنایی با مدل‌های معروفی همچون Resnet و BERT، حل مسائلی همچون Image Segmentation با Unet

👥 مدرسین‌ دوره:
پویا جعفری: محقق و توسعه‌دهنده هوش مصنوعی شرکت روشن
سعید ارونقی: توسعه‌دهنده هوش مصنوعی شرکت روشن


📟 محتوای دوره:
∙ Perceptron Model and MLP
∙ Feed Forward Networks
∙ Hands-on PyTorch
∙ Image Processing with CNNs
∙ Image to Image Models (Segmentation)
∙ NLP with RNNs
∙ LSTM & GRU
∙ Transformers and BERT

📆 زمان برگزاری: ۱۷ شهریور الی ۶ مهر ۱۴۰۳

⏰ چهارشنبه و پنجشنبه ساعت ۹ الی ۱۱

💰قیمت دوره: ۹۸۰/۰۰۰ تومان

🔗 برای کسب اطلاعات بیشتر و ثبت‌نام با ما در ارتباط باشید.

#دوره

🌐 Bits Learn | CSSA IUST | LinkedIn

⭕️ مهلت ثبت‌نام دوره یادگیری ماشین رو به اتمام است.

▫️ با توجه به اینکه فردا اولین جلسه دوره یادگیری ماشین برگزار می‌شود، در صورتی که قصد ثبت‌نام دارید هر چه سریع‌تر از اینجا اقدام نمایید.

🌐 Bits Learn | CSSA IUST | LinkedIn

The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬

کارهای تحقیقاتی را به دست هوش مصنوعی بسپار! 🔍

تا امروز توسعه عوامل هوشمندی که قادر به انجام تحقیقات علمی و کشف دانش جدید باشند یکی از چالش‌های بزرگ حوزه هوش مصنوعی بوده است. پیش از این مدل‌های ارائه شده به عوامل انسانی در زمینه ایده‌پردازی یا کدنویسی کمک می‌کردند. این مدل‌ها نیاز به نظارت عامل انسانی داشتند یا به یک وظیفه خاص محدود بودند.

به‌تازگی گروهی از محققان ابزاری به نام The AI ​​Scientist را معرفی کرده‌اند. آنها ادعا می‌کنند اولین سیستم جامع برای اکتشافات علمی به‌صورت کاملاً خودکار را ساخته‌اند که به مدل‌های بنیادی مانند مدل‌های زبان بزرگ (LLM) این امکان را می‌دهد که به‌طور مستقل تحقیق کنند.

یکی از مقاله‌هایی که توسط The AI Scientist نوشته شده است:

- DualScale Diffusion: Adaptive Feature Balancing for Low-Dimensional Generative Models

برای جزئیات بیشتر به مخزن گیت‌هاب و مقاله مربوط به این کار مراجعه کنید.

[اطلاعات بیشتر] [مخزن گیت‌هاب] [مقاله علمی]

🌐 Bits Learn | CSSA IUST | LinkedIn

با ابزار Code to Flow، می‌توانید به راحتی کد خود را به نمودارهای جریان تعاملی تبدیل کنید که به شما کمک می‌کند ساختار و منطق کد خود را بهتر درک کنید. 🧑‍💻

ویژگی‌های کلیدی:
• پشتیبانی از زبان‌های برنامه‌نویسی معروف 💻
• شناسایی مسیرهای کد و جریان‌های منطقی 🛤
• درک آسان کد با استفاده از نمودارهای مختلف 📊
• طرح‌های رنگی و تم‌های قابل تنظیم 🎨
• بصری‌سازی کد بدون محدودیت 🔍

این ابزار یک راهکار عالی برای درک بهتر کد شما ارائه می‌دهد. با استفاده از آن می‌توانید به راحتی مشکلات کد رایج در کد را شناسایی کرده و کد خود را بهینه کنید.

آدرس: https://codetoflow.com

🔹 Bits Learn | CSSA IUST | LinkedIn

🤖 ابزار هوش مصنوعی جدید در عرصه تولید تصاویر: Flux AI

✨ ویژگی‌های Flux AI:

- ۱۲ میلیارد پارامتر: این مدل با استفاده از تعداد زیادی پارامتر، کیفیت و دقت تصاویر تولید شده را به شدت بهبود می‌بخشد.

- تکنیک flow matching: با این تکنیک، Flux AI می‌تواند جزئیات پیچیده و دقیق‌تری را در تصاویر تولید کند.

- کنترل خروجی‌ها: با امکاناتی نظیر guidance scale، شما می‌توانید تصاویر نهایی را با دقت بالا و به شکلی کاملاً سفارشی تولید کنید.

- عملکرد بهتر نسبت به رقبا: در مقایسه با مدل‌هایی مانند DALL-E و Midjourney، Flux AI در زمینه پردازش تصویر و متن نتایج دقیق‌تری ارائه می‌دهد.

- قابلیت انیمیشن‌سازی: امکان تبدیل تصاویر به انیمیشن برای خلق محتوای خلاقانه و پویا فراهم شده است.

🔸 Bits Learn | CSSA IUST | LinkedIn

🤖 مخزنی برای شروع یادگیری هوش مصنوعی مولد

GitHub - Microsoft Generative AI for Beginners

این مخزن یک منبع آموزشی رایگان برای شروع یادگیری هوش مصنوعی مولد است. این مخزن توسط مایکروسافت تهیه شده و حاوی محتواهای آموزشی متنوعی است که به صورت گام به گام شما را با اصول و مبانی هوش مصنوعی مولد آشنا می‌کند.

ویژگی‌های این مخزن:

1. دروس آموزشی کامل: شامل مجموعه‌ای از درس‌ها و پروژه‌ها برای مبتدیان که به صورت ساده و قابل فهم توضیح داده شده‌اند. 🧩

2. پروژه‌های عملی: برای تقویت مفاهیم آموخته شده، پروژه‌های عملی متنوعی ارائه شده که به شما کمک می‌کند تا دانش خود را به‌طور عملی پیاده‌سازی کنید.🔧

3. استفاده از زبان‌های برنامه‌نویسی رایج: مانند Python که یکی از زبان‌های محبوب برای هوش مصنوعی است.📟

4. مناسب برای همه: چه تازه کار باشید و چه تجربه‌ای در زمینه هوش مصنوعی داشته باشید، این مخزن می‌تواند برای شما مفید باشد.🎉

این مخزن آموزشی یک نقطه شروع عالی برای کسانی است که می‌خواهند دانش خود را در زمینه هوش مصنوعی و یادگیری ماشینی گسترش دهند.

[مشاهده در GitHub]

🔹 Bits Learn | CSSA IUST | LinkedIn

PyCaret

یک کتابخانه منبع‌باز و کم کد در پایتون است که به شما امکان می‌دهد فرایندهای یادگیری ماشین را به‌صورت کامل و سریع انجام دهید. این ابزار مناسب برای تازه‌کاران و متخصصان داده است که می‌خواهند زمان کمتری را صرف کد نویسی کنند و بیشتر بر تحلیل داده‌ها تمرکز کنند.

ویژگی های کلیدی
• ساده و سریع
• تحلیل اکتشافی داده
• پیش‌پردازش خودکار داده‌ها
• اموزش و تفسیر مدل‌ها
• ادغام با MLOps

طراحی ماژولار:
این کتابخانه ماژولار است و هر ماژول به وظایف خاصی در یادگیری ماشین اختصاص داده شده است. توابع درون PyCaret در تمام این ماژول‌ها یکسان هستند، که یادگیری و استفاده از آن را ساده می‌کنند.

from pycaret.datasets import get_data
from pycaret.classification import *
data = get_data("iris")
clf_setup = setup(data, target="species", silent=True, session_id=123)
beat_model = compare_models()
print(beat_model)

آدرس وب‌سایت: https://pycaret.org

🔸 Bits Learn | CSSA IUST | LinkedIn

📘 معرفی کتاب: درک یادگیری عمیق

آیا به یادگیری عمیق و مفاهیم پیشرفته هوش مصنوعی علاقه‌مند هستید؟ کتاب «درک یادگیری عمیق» یکی از بهترین منابعی است که به شما کمک می‌کند تا به‌طور جامع و عمیق به دنیای یادگیری ماشین و شبکه‌های عصبی وارد شوید. این کتاب با زبانی ساده و مفهومی، شما را با اصول اولیه و تکنیک‌های پیشرفته‌ی یادگیری عمیق آشنا می‌کند.

🔍 ویژگی‌های برجسته‌ی کتاب:
• توضیحات واضح و جامع از مفاهیم یادگیری عمیق
• مثال‌ها و تمرین‌های کاربردی برای درک بهتر
• پوشش آخرین دستاوردها و تکنولوژی‌های روز

🎓 چه کسانی باید این کتاب را بخوانند؟
• دانشجویان و پژوهشگران حوزه‌ی هوش مصنوعی و یادگیری ماشین
• برنامه‌نویسان و مهندسان نرم‌افزاری که به دنبال یادگیری عمیق‌تر مفاهیم هوش مصنوعی هستند
• علاقه‌مندان به یادگیری مبانی و تکنیک‌های پیشرفته در یادگیری عمیق

🌐 لینک دسترسی به کتاب

🔸 Bits Learn | CSSA IUST | LinkedIn

Netron

یک ابزار قدرتمند و کارآمد برای مصورسازی معماری و مشخصات شبکه‌های عصبی است. این ابزار از فرمت‌های مختلفی مانند فرمت‌های زیر و بسیاری دیگر پشتیبانی می‌کند:
MXNet, ONNX, LiteRT, Core ML, Keras, Caffe, Darknet

ویژگی‌ها:
• پشتیبانی گسترده از فرمت‌های رایج
• نصب و استفاده آسان
• نسخه آنلاین
• پشتیبانی از سیستم‌های عامل مختلف

نترون یک ابزار ضروری برای توسعه‌دهندگان و محققان در حوزه یادگیری ماشین و یادگیری عمیق است که به آنها امکان می‌دهد مدل‌های خود را به صورت گرافیکی و با جزئیات بالا بررسی کنند.

[مخزن گیت‌هاب] [نسخه آنلاین]

🔸 Bits Learn | CSSA IUST | LinkedIn

💻 معرفی PyTorch Cheat Sheet 🚀

🔥 PyTorch یکی از قوی‌ترین فریم‌ورک‌های یادگیری عمیق است که توسط تیم تحقیقاتی فیسبوک (FAIR) توسعه داده شده. این ابزار به دلیل گراف محاسباتی پویا و پشتیبانی عالی از GPU، در میان محققان و توسعه‌دهندگان به شدت محبوب است.

📊 PyTorch Cheat Sheet شامل متدهای کاربردی برای ساخت و آموزش شبکه‌های عصبی است که به شما در پروژه‌های هوش مصنوعی کمک می‌کند.

🔑 چند متد کلیدی:
- torch.tensor: ساخت Tensor از داده‌ها
- torch.zeros: تولید Tensor با صفر
- torch.ones: تولید Tensor با یک
- torch.rand: تولید Tensor با اعداد تصادفی بین 0 و 1

لینک دسترسی : PyTorch Cheat Sheet
⬇️ ادامه دارد...

🔸 Bits Learn | CSSA IUST | LinkedIn

💻 معرفی PyTorch Cheat Sheet 🚀

📚 در ادامه متدهای کلیدی PyTorch:
- torch.matmul: ضرب ماتریسی بین دو Tensor
- torch.cat: اتصال چندین Tensor
- torch.reshape: تغییر شکل Tensor بدون تغییر داده‌ها
- torch.nn.Linear: لایه کاملاً متصل در شبکه‌های عصبی
- torch.optim.Adam: بهینه‌ساز Adam

💡 با استفاده از این Cheat Sheet می‌توانید به راحتی با PyTorch کار کنید و در پروژه‌های یادگیری عمیق خود به موفقیت برسید.

🔸 Bits Learn | CSSA IUST | LinkedIn

📢 معرفی Illuminate AI در Google Labs

🌟 گوگل در Google Labs در حال توسعه ابزاری هوشمند به نام Illuminate AI است که مقالات علمی را به گفت‌وگوهای صوتی جذاب در قالب پادکست تبدیل می‌کند! این ابزار با استفاده از هوش مصنوعی و مدل زبانی قدرتمند Gemini، مقالات را به صورت خلاصه ارائه داده و در قالب یک مکالمه بین یک مصاحبه‌گر مرد و یک متخصص زن به بحث می‌پردازد.

🎙 این ابزار نه تنها به کاربران امکان شنیدن خلاصه‌های دقیق و تخصصی از مقالات علمی را می‌دهد، بلکه آن‌ها را به شکلی طبیعی و قابل فهم به گفت‌وگو تبدیل می‌کند. این ابزار به توسعه‌دهندگان و محققان کمک می‌کند تا به راحتی به منابع علمی دسترسی داشته باشند و آن‌ها را بهتر درک کنند.

📌 این پروژه در حال حاضر در مرحله بتا است و شما می‌توانید از طریق لینک زیر برای لیست انتظار ثبت نام کنید:

🔗 لینک ثبت نام

🔸 Bits Learn | CSSA IUST | LinkedIn

🔹 Generative AI

مقدمه‌ای بر هوش مصنوعی مولد در دو بخش مدل‌های مولد (GAN, Conditional GAN, StyleGAN) برای تصویر و مدل‌های زبانی (GPT)، آشنایی با تکنیک‌هایی مانند RAG برای توسعه مدل‌های زبانی

👥 مدرسین‌ دوره:
پویا جعفری: محقق و توسعه‌دهنده هوش مصنوعی شرکت روشن
سعید ارونقی: توسعه‌دهنده هوش مصنوعی شرکت روشن


📟 محتوای دوره:
∙ GANs (Conditional GANs, StyleGAN, U-net)
∙ LLMs and GPT
∙ RAG Project

📆 زمان برگزاری: ۱۴ مهر الی ۲۷ مهر ۱۴۰۳

⏰ پنجشنبه و جمعه ساعت ۹ الی ۱۱

💰قیمت دوره: ۴۲۰/۰۰۰ تومان

🔗 برای کسب اطلاعات بیشتر و ثبت‌نام با ما در ارتباط باشید.

#دوره

🌐 Bits Learn | CSSA IUST | LinkedIn

💡 معرفی OpenAI O1

یک مدل هوش مصنوعی جدید است که برای حل مسائل پیچیده در حوزه‌هایی مانند علوم، ریاضیات و برنامه‌نویسی طراحی شده است. این مدل با زمان بیشتری که برای تحلیل مسائل می‌گذارد، دقت بهتری نسبت به GPT-4 دارد. همچنین، بهبود‌های قابل توجهی در زمینه‌های ایمنی و رعایت قوانین دارد. نسخه کوچکتری به نام O1-mini نیز در دسترس کاربران قرار گرفته است.

🔷 مزایای بیشتر OpenAI O1:

1️⃣ دقت بالا: O1 زمان بیشتری برای حل مسائل اختصاص می‌دهد که دقت در نتایج را بهبود می‌بخشد.
2️⃣ عملکرد پیشرفته: در رقابت‌های علمی و ریاضی، مانند آزمون‌های فیزیک و ریاضی، عملکرد بسیار بهتری نسبت به مدل‌های قبلی دارد.
3️⃣ ایمنی بیشتر: با رعایت بهتر اصول ایمنی و قوانین، خطرات احتمالی کمتر شده‌اند.
4️⃣ گزینه‌های اقتصادی: نسخه کم‌هزینه O1-mini برای توسعه‌دهندگان و کاربران عادی در دسترس است.

برای اطلاعات بیشتر: معرفی OpenAI O1

🔸 Bits Learn | CSSA IUST | LinkedIn

کتابخانه River یک ابزار پیشرفته برای یادگیری ماشین آنلاین در پایتون است. این کتابخانه به شما این امکان را می‌دهد تا مدل‌های یادگیری ماشین را به صورت پیوسته و بر اساس داده‌های جریانی (streaming data) آموزش دهید.

مزایای استفاده از River شامل توانایی یادگیری از داده‌های جدید بدون نیاز به بازبینی داده‌های قدیمی، مقاومت در برابر تغییرات در مفهوم داده‌ها (concept drift)، و توسعه مدل‌هایی است که به خوبی در محیط‌های عملیاتی رویداد-محور (event-based) عمل می‌کنند.

ویژگی‌های اصلی:
🖌 پردازش داده‌های ورودی در لحظه.
🖌 بهینه‌سازی مدل‌ها با منابع محدود.
🖌 پشتیبانی از الگوریتم‌های مختلف مثل طبقه‌بندی و رگرسیون

برای اطلاعات بیشتر و دسترسی به این کتابخانه، می‌توانید از طریق این لینک به صفحه گیت‌هاب آن مراجعه کنید.

🔸 Bits Learn | CSSA IUST | LinkedIn

📘 معرفی کتاب: تکنیک‌های یادگیری ماشین با پایتون

کتاب "تکنیک‌های یادگیری ماشین با پایتون" یک راهنمای جامع برای علاقه‌مندان به یادگیری ماشین است که به صورت ویژه به کاربرد زبان برنامه‌نویسی پایتون در پیاده‌سازی الگوریتم‌های یادگیری ماشین می‌پردازد و با ارائه مثال‌های عملی، نحوه استفاده از کتابخانه‌های معروف پایتون مثل Scikit-learn، TensorFlow و Keras را توضیح می‌دهد.

این کتاب برای چه افرادی مناسب است ؟🧑🏻‍💻👩🏻‍💻

1. دانشجویان و مبتدیان: افرادی که به تازگی وارد دنیای یادگیری ماشین شده‌اند و می‌خواهند مفاهیم پایه‌ای و تکنیک‌های کاربردی را یاد بگیرند.

2. برنامه‌نویسان پایتون: کسانی که به برنامه‌نویسی با پایتون مسلط هستند.

3. متخصصان داده: تحلیلگران داده، دانشمندان داده، و کسانی که در حوزه تحلیل داده فعالیت می‌کنند .

4. محققان و توسعه‌دهندگان هوش مصنوعی: افرادی که در زمینه هوش مصنوعی و یادگیری عمیق کار می‌کنند.

🔸 Bits Learn | CSSA IUST | LinkedIn