اخبار:
چت ربات Grok ایلان ماسک متن باز می شود و در حال حاضر در GitHub در دسترس است
به گزارش Verge، چت ربات xAI ایلان ماسک، Grok، متن باز شده است و به محققان و توسعه دهندگان این امکان را می دهد تا به مدل در GitHub دسترسی داشته باشند و بر آپدیت های آینده تأثیر بگذارند. Grok، یک مدل ترکیبی از متخصصان با 314 میلیارد پارامتر، پاییز گذشته ایجاد شد اما برای برنامه های خاص مانند گفتگو نهایی نشده است. تحت مجوز Apache 2.0 منتشر شده است، اجازه استفاده تجاری را می دهد، اما فاقد داده های آموزشی و اتصال داده در زمان واقعی است. Grok که در ابتدا برای یک گروه محدود برای آزمایش بتا در دسترس بود، به اطلاعات بیدرنگ از طریق پلتفرم X دسترسی پیدا میکند و به سوالات منحصربهفرد پاسخ میدهد. ماسک اخیراً اعلام کرد که قصد دارد کد منبع Grok را عمومی کند و با روند شرکتهایی که به دنبال بازخورد برای بهبود مدلها از طریق مجوزهای منبع باز یا محدود هستند، همسو میشود. با وجود مدلهای کاملاً متن باز مانند Mistral و Falcon، بسیاری از آنها منبع بسته هستند یا مجوزهای متن باز محدودی دارند.
صنعت:
پیش بینی مصرف برق با استفاده از یادگیری عمیق
سیستمهای مدیریت انرژی ساختمان (BEMS) سیستمهای رایانهای هستند که مصرف انرژی در ساختمانها از جمله روشنایی، سیستمهای قدرت و سیستمهای HVAC را نظارت و کنترل میکنند. BEMS ها برای کاهش مصرف انرژی در عین حفظ آسایش و بهبود کیفیت تامین انرژی بسیار مهم هستند. آنها بینشی در مورد پویایی مصرف انرژی ارائه می دهند و امکان اقدامات هدفمند صرفه جویی در انرژی را فراهم می کنند. نویسندگان یک پژوهش اخیر به بهینه سازی مدل و پیش بینی مصرف برق با استفاده از رویکردهای سری زمانی مبتنی بر LSTM پرداخته اند. آنها این روش ها را بر روی داده های واقعی از یک مرکز بیمارستانی آزمایش کردند و به پیش بینی های دقیق مصرف برق، با دقت تابع هدف 95٪ دست یافتند.
مقاله:
Chronos: Learning the Language of Time Series
این مقاله Chronos را معرفی میکند، چارچوبی برای مدلهای سری زمانی احتمالی از پیش آموزشدیده شده. Chronos مقادیر سری زمانی را نشانه گذاری می کند، مدل های زبان مبتنی بر ترنسفورمر موجود را آموزش می دهد و آنها را روی یک مجموعه داده بزرگ از قبل آموزش می دهد. مدل های از پیش آموزش دیده، بر اساس خانواده T5، از پارامترهای 20M تا 710M متغیر هستند و شامل داده های واقعی و مصنوعی هستند. در معیاری از 42 مجموعه داده، مدلهای Chronos به طور قابلتوجهی از سایر روشها در دادههای آموزشی بهتر عمل میکنند و عملکرد صفر شات قابل مقایسه یا برتر را در مجموعه دادههای جدید نشان میدهند، و pipelines پیشبینی را با استفاده از دادههای سری زمانی متنوع برای دقت بهبود یافته سادهتر میکنند.
آموزش:
محاسبات شبکه ای چیست؟
محاسبات شبکه ای (Grid computing) یک الگوی محاسباتی توزیع شده است که به اشتراک گذاری و استفاده هماهنگ از منابع محاسباتی را در چندین حوزه اداری امکان پذیر می کند. در محاسبات شبکه ای، منابع ناهمگن و پراکنده جغرافیایی، مانند رایانه ها، سیستم های ذخیره سازی و مخازن داده ها، از طریق یک شبکه به هم متصل می شوند تا یک سازمان مجازی به نام گرید را تشکیل دهند.
ویژگی های کلیدی محاسبات شبکه ای عبارتند از:
اشتراک منابع: محاسبات شبکه ای به سازمان ها اجازه می دهد تا منابع محاسباتی مانند قدرت پردازش، ظرفیت ذخیره سازی و سخت افزار تخصصی را در مکان ها و مرزهای اداری مختلف به اشتراک بگذارند و به آنها دسترسی داشته باشند.
هماهنگی و همکاری: محاسبات شبکه ای با ارائه مکانیسم هایی برای کشف منابع، تخصیص، زمان بندی و نظارت، همکاری و هماهنگی بین منابع توزیع شده را تسهیل می کند.
مقیاس پذیری: محاسبات شبکه ای تخصیص و استفاده پویا از منابع را برای تطبیق بارهای کاری مختلف و نیازهای کاربر امکان پذیر می کند. این به سازمان ها اجازه می دهد تا زیرساخت های محاسباتی خود را در صورت نیاز برای انجام وظایف محاسباتی در مقیاس بزرگ مقیاس دهند.
تحمل خطا و قابلیت اطمینان: سیستمهای محاسباتی شبکه به گونهای طراحی شدهاند که در برابر خطا مقاوم بوده و در برابر خرابی مقاوم باشند. آنها اغلب مکانیسمهای افزونگی، تکرار، و بازیابی خطا را برای اطمینان از قابلیت اطمینان و در دسترس بودن منابع و خدمات ترکیب میکنند.
مدیریت دادههای توزیعشده: محاسبات شبکهای شامل مکانیسمهایی برای مدیریت دادههای توزیعشده، مانند تکثیر دادهها، ذخیرهسازی حافظه پنهان و کنترل دسترسی است. کاربران را قادر می سازد تا به حجم زیادی از داده های ذخیره شده در چندین مکان به طور یکپارچه دسترسی داشته باشند و آنها را دستکاری کنند.
محاسبات شبکه ای معمولاً در تحقیقات علمی، شبیه سازی های مهندسی، برنامه های کاربردی داده فشرده و محیط های محاسباتی با کارایی بالا که در آن منابع محاسباتی در مقیاس بزرگ مورد نیاز است استفاده می شود. این یک رویکرد انعطافپذیر و مقرونبهصرفه برای استفاده از منابع محاسباتی توزیعشده ارائه میکند و سازمانها را قادر میسازد تا از زیرساختهای موجود خود برای برآورده کردن نیازهای محاسباتی به طور کارآمد استفاده کنند.
کدینگ:
کتابخانه requests در پایتون چیست؟
کتابخانه requests در پایتون یک کتابخانه HTTP محبوب است که به شما امکان می دهد درخواست های HTTP را ارسال کنید و به راحتی پاسخ ها را مدیریت کنید. در مقایسه با ماژول urllib داخلی پایتون، رابط کاربر پسندتر و سطح بالایی را ارائه می دهد.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii