اخبار:
به گفته کارشناسان تا 80 درصد از مشاغل انسانی را در آینده می توان با هوش مصنوعی جایگزین کرد.
بن گورتزل، بنیانگذار و مدیر اجرایی SingularityNET، پیشبینی میکند که هوش مصنوعی میتواند در چند سال آینده جایگزین 80 درصد مشاغل شود و سیستمهایی مانند ChatGPT یکی ازاین عوامل کلیدی است. او معتقد است که این یک تهدید نیست، بلکه یک مزیت است زیرا مردم می توانند کارهای بهتری برای زندگی خود پیدا کنند تا صرفا داشتن کاری برای امرار معاش. با این حال، او اذعان می کند که ممکن است دراوایل که هوش مصنوعی مشاغل انسانی را منسوخ می کند، مشکلات موقتی وجود داشته باشد.
صنعت:
گوگل ابزار متنباز TensorFlow را برای یادگیری ماشین توسعه میدهد
گوگل در رویداد Google I/O چند روز قبل بهروزرسانیها و پیشرفتهایی را برای فناوری یادگیری ماشین منبع باز خود، TensorFlow، معرفی کرد. بهروزرسانیها شامل راهاندازی فناوری DTensor است که آموزش مدل و کارایی مقیاسبندی را بهبود میبخشد، و انتشار پیشنمایش TF Quantization API برای کاهش هزینههای توسعه از طریق کارآمد کردن مدلها از نظر منابع. TensorFlow ابزارهای ML را برای توسعه دهندگان برای ساخت و آموزش مدل ها فراهم می کند. همچنین مجموعه Keras API، که مجموعهای از قابلیتهای یادگیری عمیق مبتنی بر پایتون را در بالای فناوری بنیادی TensorFlow اضافه میکند، یکی از اجزای حیاتی اکوسیستم TensorFlow است. ابزارهای جدید Keras از Google منتشر شده است، از جمله KerasCV برای برنامه های بینایی کامپیوتر و KerasNLP برای پردازش زبان طبیعی.
مقاله:
U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection
در این مقاله، نویسندگان یک معماری ساده و در عین حال قدرتمند شبکه عمیق، U2-Net، برای تشخیص اشیاء برجسته (SOD) طراحی میکنند. معماری U2-Net یک ساختار U تو در تو دو سطحی است. این طرح دارای مزایای زیر است: (1) به لطف مخلوطی از میدانهای پذیرنده با اندازههای مختلف در بلوکهای U ReSidual (RSU) میتواند اطلاعات متنی بیشتری را از مقیاسهای مختلف به دست آورد، (2) عمق را افزایش میدهد. کل معماری بدون افزایش قابل توجه هزینه محاسباتی به دلیل عملیات ادغام مورد استفاده در این بلوک های RSU. این معماری ما را قادر می سازد تا یک شبکه عمیق را از ابتدا و بدون استفاده از ستون فقرات در وظایف طبقه بندی تصویر آموزش دهیم. کد این مقاله در آدرس زیر موجود است: https://github.com/NathanUA/U-2-Net.
آموزش:
Panoptic Segmentation
تقسیم بندی پانوپتیک یک کار بینایی کامپیوتری است که شامل تقسیم همزمان تمام اشیاء در یک تصویر به دسته های معنایی (مانند شخص، ماشین یا درخت) و مقوله های نمونه (مانند شناسایی هر فرد یا ماشین منفرد) است. این وظیفه نقاط قوت تقسیم بندی معنایی و تقسیم بندی نمونه را ترکیب می کند تا درک جامع تری از صحنه بصری ارائه دهد. هدف از تقسیمبندی پانوپتیک، تولید یک نمایش کامل و دقیق از اشیاء در یک تصویر است که میتواند برای کاربردهای مختلفی مانند رانندگی مستقل، روباتیک و واقعیت افزوده استفاده شود.
کدینگ:
کتابخانه math در پایتون
کتابخانه ریاضی در پایتون یک ماژول داخلی است که توابع و ثابت های ریاضی مختلفی را ارائه می دهد. این شامل توابعی برای عملیات حسابی پایه، توابع مثلثاتی، توابع لگاریتمی، توابع نمایی و غیره است. کتابخانه ریاضی نیز شامل ثابت هایی مانند pi و e است. این کتابخانه برای انجام محاسبات پیچیده ریاضی در برنامه های پایتون مفید است.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://hushmandkharazmi.com
تلگرام:
https://t.me/princeofaii