17814
Admin: @Raminmousa Watsapp: +989333900804 ID: @Machine_learn link: https://t.me/Machine_learn
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 500 دلار
🔺نفر پنجم 400 دلار
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
Large Language Models: A Survey
https://arxiv.org/pdf/2402.06196
@Machine_learn
با عرض سلام نفر ۳ از مقاله زیر رو نیاز داریم.
Title: hybrid deep learnings and machine learning frameworks
for air quality prediction
during the COVID‑19 pandemic
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
در این مقاله تاثیر ۲۶ مدل ansemble و ترکیبی رو برای پیش بینی کیفیت هوا در بازه ۱ روزه ۳ روزه و ۷ روزه بررسی کردیم. جهت شرکت در این مقاله به ایدی بنده پیام بدین.
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
OASIS Alzheimer's Detection
Large-scale brain MRI dataset for deep neural network analysis
About Dataset
The dataset used is the OASIS MRI dataset (https://sites.wustl.edu/oasisbrains/), which consists of 80,000 brain MRI images. The images have been divided into four classes based on Alzheimer's progression. The dataset aims to provide a valuable resource for analyzing and detecting early signs of Alzheimer's disease.
To make the dataset accessible, the original .img and .hdr files were converted into Nifti format (.nii) using FSL (FMRIB Software Library). The converted MRI images of 461 patients have been uploaded to a GitHub repository, which can be accessed in multiple parts.
For the neural network training, 2D images were used as input. The brain images were sliced along the z-axis into 256 pieces, and slices ranging from 100 to 160 were selected from each patient. This approach resulted in a comprehensive dataset for analysis.
Patient classification was performed based on the provided metadata and Clinical Dementia Rating (CDR) values, resulting in four classes: demented, very mild demented, mild demented, and non-demented. These classes enable the detection and study of different stages of Alzheimer's disease progression.
During the dataset preparation, the .nii MRI scans were converted to .jpg files. Although this conversion presented some challenges, the files were successfully processed using appropriate tools. The resulting dataset size is 1.3 GB.
@Machine_learn
2DMatGMM: An open-source robust machine learning platform for real-time detection and classification of 2D material flakes
🖥 Github: https://github.com/jaluus/2dmatgmm
📕 Paper: https://arxiv.org/abs/2412.09333v1
⭐️ Dataset: https://paperswithcode.com/task/instance-segmentation
@Machine_learn
NPGPT: Natural Product-Like Compound Generation with GPT-based Chemical Language
Models
https://arxiv.org/pdf/2411.12886
@Machine_learn
🌟 BioNeMo: A Framework for Developing AI Models for Drug Design.
NVIDIA BioNeMo2 Framework is a set of tools, libraries, and models for computational drug discovery and design.
▶️ Pre-trained models:
🟢 ESM-2 is a pre-trained bidirectional encoder (BERT-like) for amino acid sequences. BioNeMo2 includes checkpoints with parameters 650M and 3B;
🟢 Geneformer is a tabular scoring model that generates a dense representation of a cell's scRNA by examining co-expression patterns in individual cells.
▶️ Datasets:
🟠 CELLxGENE is a collection of publicly available single-cell datasets collected by the CZI (Chan Zuckerberg Initiative) with a total volume of 24 million cells;
🟠 UniProt is a database of clustered sets of protein sequences from UniProtKB, created on the basis of translated genomic data.
🟡 Project page
🟡 Documentation
🖥 GitHub
@Machine_learn
🌟 D-FINE:
D-FINE
# Create env via conda
conda create -n dfine python=3.11.9
conda activate dfine
# Install requirements for inference
pip install -r tools/inference/requirements.txt
# Install ONNX
pip install onnx onnxsim
# Choose a model
export model=l # s, m, x
# Inference
python tools/inference/onnx_inf.py --onnx model.onnx --input image.jpg # video.mp4
📚Book Chapter:
Recent Advances in Computational Prediction of Secondary and Supersecondary Structures from Protein Sequences
📎 Study
@Machine_learn
🎓Ensemble approaches for Link Prediction
📎 Study thesis
@Machine_learn
🌟 GRIN MoE: Mixture-of-Experts от Microsoft.
🟢total parameters: 16x3.8B;
🟢active parameters: 6.6B;
🟢context length: 4096;
🟢number of embeddings 4096;
🟢number of layers: 32;
✅/channel/deep_learning_proj
🟡Arxiv
🟡Demo
🖥Github
با عرض سلام نفر سوم براي مقاله زير رو خالي داريم.
Title: Alzheimer’s disease (AD) classification
using swin transformer wavelet
and Improved Gray Wolf
Optimization (IGWO)
Abstract: Alzheimer’s disease (AD) is a slow neurological disorder that destroys the thought process, and consciousness, of a human. It directly affects the development of mental ability and neurocognitive functionality. The number of patients with Alzheimer’s disease is increasing day by day, especially in old aged people, who are above 60 years of age, and, gradually, it becomes cause of their death. In this research, our goal is to present ALzSwinTNet for Alzheimer’s classification based on FMRI images. The proposed approach uses wavelet fusion in the swin transformer network to extract features. The igwo and fox optimization approaches were used to find the hyperparameters of the model. ALzSwinTNet was able to achieve an accuracy of 0.98 in 4-class classification and 1 in 2-class classification.
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
هزینه مشارکت برای نفر سوم ۲۰ تومن می باشد. این هزینه صرف تسویه سرورها خواهد شد.
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
Reinforcement Learning: An Overview
📕 Book
@Machine_learn
Hands-On Large Language Models
📚 Github
@Machine_learn
🛹 RollingDepth: Video Depth without Video Models
🔗 Discover More:
* Source Code: GitHub
* Paper Page: RollingDepth
* Try Demo: Try it here
* Paper Page: RollingDepth
@Machine_learn
Large language models (LLMs): survey, technical frameworks,
and future challenges
https://link.springer.com/content/pdf/10.1007/s10462-024-10888-y.pdf
@Machine_learn
WIS Python programming course started in 2024.04
📖 Github
@Machine_learn
DATA SCIENCE ROADMAP
🔗 Github
@Machine_learn
🔺تنها ۴ روز برای شروع این کار مونده....!🔺🔸
Читать полностью…
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 500 دلار
🔺نفر پنجم 400 دلار
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
polyBERT: a chemical language model to enable fully machine-driven ultrafast polymer informatics
https://www.nature.com/articles/s41467-023-39868-6.pdf
@Machine_learn
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر پنجم 500 دلار
🔺نفر ششم 400 دلار
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
با عرض سلام نفر ۳ از مقاله زیر رو نیاز داریم.
Title: hybrid deep learnings and machine learning frameworks
for air quality prediction
during the COVID‑19 pandemic
journal: https://www.sciencedirect.com/journal/expert-systems-with-applications
if:7.5
در این مقاله تاثیر ۲۶ مدل ansemble و ترکیبی رو برای پیش بینی کیفیت هوا در بازه ۱ روزه ۳ روزه و ۷ روزه بررسی کردیم. جهت شرکت در این مقاله به ایدی بنده پیام بدین.
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
Fine Tuning LLMs with Hugging Face LLMs Code
/channel/deep_learning_proj
📑Drug Discovery in the Age of Artificial Intelligence: Transformative Target-Based Approaches
📎 Study the paper
@Machine_learn
با عرض سلام در راستاي ادامه تحقيقات مشترك سعي داريم از ١ ام دي ماه روي حوزه ي LLM مدل ها كار كنيم.
این کار تحت نظر استاد
Rex (Zhitao) Ying
انجام میشه.
link: https://scholar.google.com.au/citations?user=6fqNXooAAAAJ&hl=en
۲نفر براي همکاری نياز داريم.
BioPars: a pre-trained biomedical large language model for persian biomedical text mining.
١- مراحل اوليه: جمع اوري متن هاي فارسي بيولوژيكي از منابع (...)
٢- پيش پردازش متن ها و تميز كردن متن ها
٣- اموزش ترنسفورمرها ي مورد نظر
٤- استفاده از بردارها ي اموزش داده شده در سه تسك (...)
دوستاني كه مايل به مشاركت هستن مي تونين تا ١ دي بهم اطلاع بدن.
هزينه سرور به ازاي هر ساعت ١.٢ دلار مي باشد. و حدود ٢ هزار ساعت براي اموزش مدل زباني نياز ميباشد. هزينه به ترتيب براي نفرات علاوه بر انجام تسك ها به صورت زير مي باشد.
🔹نفر چهارم 600 دلار
🔺نفر پنجم 500 دلار
@Raminmousa
@Machine_learn
/channel/+SP9l58Ta_zZmYmY0
OminiControl: Minimal and Universal Control for Diffusion Transformer
🔗 Discover More:
* Source Code: GitHub
* Try Demo: Try it here
* Paper Page: Read Paper
@Machine_learn
با عرض سلام دو پکیچ یادگیری ماشین و یادگیری عمیق را برای دوستانی که می خواهند تا فرداشب با تخفیف ۵۰٪ مجدد قرار دادیم این تخفیف اخرین سری از تخفیف های این دو پکیچ می باشد
1: introduction to machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
___________
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
Neural Networks
@Machine_learn
Artificial Intelligence for Beginners - A Curriculum
📚 Course
@Machine_learn