اخبار:
جفری هینتون، "پدرخوانده" یادگیری عمیق در هنگام ترک گوگل در مورد خطرات آن هشدار داد
جفری هینتون، از پیشگامان هوش مصنوعی، به تازگی از گوگل استعفا داد و در مورد خطرات فزاینده چت ربات های هوش مصنوعی هشدار داد. او اظهار دارد که چتباتهای جدید هوش مصنوعی به زودی میتوانند باهوشتر از انسانها شوند، که به نظرش در جای خود «بسیار ترسناک» است. تحقیقات جفری هینتون روی شبکه های عصبی و یادگیری عمیق راه را برای سیستم های هوش مصنوعی فعلی مانند ChatGPT و سایر مدل های بنیادی هموار کرده است. او البته اذعان داشت که سنش نیز در این تصمیم او برای بازنشستگی بی تاثیر نبوده است.
صنعت:
یک الگوریتم یادگیری ماشین می تواند با استفاده ازسیگنال های مغزی موش ها آنچه را که موش ها می بینند پیش بینی کند
آیا می توان از سیگنال های مغز به تنهایی برای بازسازی آنچه که شخص می بیند استفاده کرد؟ در حال حاضر پاسخ منفی است. با این حال، دانشمندان EPFL با توسعه یک الگوریتم جدید که میتواند مدلهای شبکه عصبی مصنوعی ایجاد کند که فعالیت مغز را به دقت ثبت کند، به سمت این هدف پیشرفت کردهاند. محققان EPFL یک الگوریتم جدید یادگیری ماشین به نام CEBRA توسعه داده اند که میتواند آنچه را که موشها میبینند بر اساس رمزگشایی فعالیت عصبیشان پیشبینی کند.این الگوریتم فعالیت مغز را به فریمهای خاصی تبدیل میکند و میتواند فریمهای فیلم دیدهنشده را مستقیماً از سیگنالهای مغز پس از یک دوره آموزشی اولیه پیشبینی کند. CEBRA همچنین میتواند برای پیشبینی حرکات بازو در پستانداران و بازسازی موقعیتهای موشها در حین حرکت در اطراف یک میدان مورد استفاده قرار گیرد، که کاربردهای بالینی بالقوه ای را پیشنهاد میکند. CEBRA تکنیکی مبتنی بر یادگیری متضاد (contrastive learning) است که دادههای عصبی و برچسبهای رفتاری را برای تجزیه و تحلیل رفتار حیوانات، دادههای بیان ژن و تحقیقات علوم اعصاب ترکیب میکند. نقاط قوت آن نیزعبارتند از توانایی ترکیب داده ها در بین روش ها، محدود کردن تفاوت های ظریف و بازسازی داده های مصنوعی.
مقاله:
Shap-E: Generating Conditional 3D Implicit Functions
Shap-E یک مدل مولد برای دارایی های سه بعدی است که به طور مستقیم پارامترهای توابع ضمنی را تولید می کند که می توانند هم به صورت مش های بافت دار و هم به صورت میدان های درخشندگی عصبی ارائه شوند. این مدل در دو مرحله آموزش داده می شود: اول، یک رمزگذار دارایی های سه بعدی را در پارامترهای یک تابع ضمنی ترسیم می کند. دوم، یک مدل انتشار شرطی بر روی خروجی های رمزگذار آموزش داده می شود. Shap-E می تواند دارایی های سه بعدی پیچیده و متنوع را به سرعت و با کیفیت نمونه قابل مقایسه یا بهتر نسبت به Point-E، یک مدل مولد صریح بر روی ابرهای نقطه، تولید کند. وزن های مدل، کد استنتاج و نمونهها در https://github.com/openai/shap-e در دسترس است.
آموزش:
جاسازی های کلمه
جاسازی کلمه (word embedding) تکنیکی است که در پردازش زبان طبیعی و یادگیری عمیق برای نمایش کلمات به عنوان بردارهای عددی در فضایی با ابعاد بالا استفاده می شود. این تکنیک شامل نگاشت هر کلمه در یک واژگان به یک بردار متراکم از اعداد واقعی است، به طوری که کلمات با معانی مشابه در فضای برداری نزدیک به یکدیگر قرار می گیرند. تعبیههای کلمه معمولاً از مقادیر زیادی داده متنی با استفاده از الگوریتمهایی مانند Word2Vec ،GloVe یا FastText یاد میگیرند. این روش ها به ابزاری ضروری برای وظایف مختلف NLP مانند تجزیه و تحلیل احساسات، ترجمه زبان و طبقه بندی متن تبدیل شده اند.
معرفی:
جفری هینتون کیست؟
جفری هینتون (Geoffrey Hinton) دانشمند بسیار مشهور علوم کامپیوتر و محقق پیشگام هوش مصنوعی است. او یکی از بزرگان حوزه یادگیری عمیق، زیرشاخه ای از یادگیری ماشین است که شامل آموزش شبکه های عصبی مصنوعی برای تشخیص الگوها در داده ها می شود. هینتون سهم قابل توجهی در توسعه شبکه های عصبی، از جمله الگوریتم پس انتشار(backpropagation)، که برای آموزش آنها استفاده می شود، داشته است. او جوایز متعددی را برای کار خود دریافت کرده است، از جمله جایزه تورینگ در سال 2018 که بالاترین افتخار در علم کامپیوتر محسوب می شود. جفری هینتون استاد دانشگاه تورنتو و پراستنادترین محقق حوزه هوش مصنوعی و یادگیری عمیق است.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://hushmandkharazmi.com
تلگرام:
https://t.me/princeofaii