Труха⚡️Україна

Николаевский Ванёк

查看

Реальна Війна | Україна | Новини

查看

Труха⚡️Україна

查看

Николаевский Ванёк

查看

Реальна Війна | Україна | Новини

查看

Deep learning channel

این کانال در کنار گروه و سایت پرسش و پاسخ برای انسجام بخشی به مطالب ایجاد شده است.
http://www.deeplearning.ir
https://www.aparat.com/irandeeplearning

TGlist 评分

类型公开

验证

未验证

可信度

不可靠

位置

语言其他

频道创建日期Jan 05, 2017

添加到 TGlist 的日期

Apr 03, 2025

我是频道所有者

变更历史

关联群组

Deep Learning Group

3.2K

Telegram频道 Deep learning channel 统计数据

详细信息

订阅者

4 644

24 小时00%一周

20%一个月

10-0.2%

引用指数

0

提及0频道上的转发0频道上的提及0

每帖平均覆盖率

329

12 小时3030%24 小时3290%48 小时3710%

参与率 (ER)

15.81%

转发52评论0反应0

覆盖率参与率 (ERR)

0%

24 小时0%一周0%一个月0%

每则广告帖子的平均覆盖率

329

1 小时00%1 – 4 小时00%4 - 24 小时19759.88%

详细信息

将我们的机器人连接到频道以了解该频道的受众性别。

过去 24 小时内的帖子数

0

动态

"Deep learning channel" 群组最新帖子

所有帖子

转发自:

Tensorflow(@CVision)

15.05.202508:13

آموزش معماری DeepSeek از صفر تا صد، مجموعه‌ای شامل ۲۰ ویدئوی آموزشی

این مجموعه شامل ۲۰ جلسه آموزشی هست که مفاهیمی مثل Multi-Head Latent Attention و Mixture of Experts رو با جزئیات کامل بررسی می‌کنه.

1️⃣ DeepSeek Series Introduction
https://youtu.be/QWNxQIq0hMo

2️⃣ DeepSeek Basics
https://youtu.be/WjhDDeZ7DvM

3️⃣ Journey of a Token into the LLM Architecture
https://youtu.be/rkEYwH4UGa4

4️⃣ Attention Mechanism Explained in 1 Hour
https://youtu.be/K45ze9Yd5UE

5️⃣ Self Attention Mechanism - Handwritten from Scratch
https://youtu.be/s8mskq-nzec

6️⃣ Causal Attention Explained: Don't Peek into the Future
https://youtu.be/c6Kkj6iLeBg

7️⃣ Multi-Head Attention Visually Explained
https://youtu.be/qbN4ulK-bZA

8️⃣ Multi-Head Attention Handwritten from Scratch
https://youtu.be/rvsEW-EsD-Y

9️⃣ Key Value Cache from Scratch
https://youtu.be/IDwTiS4_bKo

🔟 Multi-Query Attention Explained
https://youtu.be/Z6B51Odtn-Y

1️⃣1️⃣ Understand Grouped Query Attention (GQA)
https://youtu.be/kx3rETIxo4Q

1️⃣2️⃣ Multi-Head Latent Attention From Scratch
https://youtu.be/NlDQUj1olXM

1️⃣3️⃣ Multi-Head Latent Attention Coded from Scratch in Python
https://youtu.be/mIaWmJVrMpc

1️⃣4️⃣ Integer and Binary Positional Encodings
https://youtu.be/rP0CoTxe5gU

1️⃣5️⃣ All About Sinusoidal Positional Encodings
https://youtu.be/bQCQ7VO-TWU

1️⃣6️⃣ Rotary Positional Encodings
https://youtu.be/a17DlNxkv2k

1️⃣7️⃣ How DeepSeek Implemented Latent Attention | MLA + RoPE
https://youtu.be/m1x8vA_Tscc

1️⃣8️⃣ Mixture of Experts (MoE) Introduction
https://youtu.be/v7U21meXd6Y

1️⃣9️⃣ Mixture of Experts Hands-on Demonstration
https://youtu.be/yw6fpYPJ7PI

2️⃣0️⃣ Mixture of Experts Balancing Techniques
https://youtu.be/nRadcspta_8

转发自:

کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر

05.01.202505:40

وبینار رایگان: تفسیرپذیری شبکه‌های عصبی گرافی

ویدویها _کدها + اسلاید این وبینار روی سایت قرار گرفت

https://class.vision/product/explainable-ai-graph-neural-networks/

@class_vision
@cvision

转发自:

کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر

19.12.202408:27

وبینار رایگان: تفسیرپذیری شبکه‌های عصبی گرافی

این وبینار به‌صورت آنلاین برگزار می‌شود.

🗓 زمان: پنج شنبه، ۱۳ دی ۱۴۰۳
⏰ ساعت: 10 الی 12 صبح

https://class.vision/product/explainable-ai-graph-neural-networks/

转发自:

AAIC

21.11.202415:44

📣 مجموعه سخنرانی های علمی هوش مصنوعی

🔹 Adapting AI: Explainability and Distributability
🔹 Tackling Challenges in Self-supervised EEG Representation Learning
🔹 Universal Novelty Detection

🔹 زمان برگزاری: چهارشنبه 7 آذر 1403 ساعت 11 الی 15
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 شرکت برای عموم آزاد است.

جهت کسب اطلاعات بیشتر به آدرس زیر مراجعه کنید.
https://aaic.aut.ac.ir/workshop/3
@aaic_aut

转发自:

AAIC

21.11.202415:44

📣 مجموعه کارگاه های آموزشی هوش مصنوعی

🔹 توسعه سرویس‌های هوش مصنوعی مبتنی بر ChatGPT
🔹 الزامات راه‌اندازی و رشد نمایی در دنیای استارتاپ هوش مصنوعی
🔹 پردازش و بازشناسی گفتار
🔹 یادگیری تقویتی عمیق با ترنسفورمر برای مدیریت سبد کریپتو

🔹 زمان برگزاری کلیه کارگاه ها: چهارشنبه 7 آذر 1403 ساعت 10 الی 15
🔹 مهلت ثبت نام: سه شنبه 6 آذر 1403
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 هزینه ثبت نام هر کارگاه: 200 هزار تومان

جهت ثبت نام و کسب اطلاعات بیشتر به بخش رویدادهای وبسایت مسابقات مراجعه کنید.
https://aaic.aut.ac.ir/#events
@aaic_aut

10.10.202412:02

«توافقنامه عمومی گروه مجازی یادگیری ژرف»

با تشکر از حضور گرم و پرنشاط شما، در جهت بهبود هرچه بهتر این گروه لطفا به نکات زیر توجه فرمایید.

+ لطفا از فرستادن پیام های روزمره و غیر مرتبط و یا پیام‌های که در حوزه عنوان گروه نمی گنجد، اجتناب فرمایید.

+ لطفا پرسش خود را نخست در اینترنت جستجو کنید و سپس به بخش پرسش و پاسخ مرتبط با این گروه به آدرس
http://qa.deeplearning.ir
مراجعه نمایید.

+ لطفا ، جهت کاهش تعداد پیامهای گروه، بجای ارسال پیام های خود بصورت خرد خرد ، مطالب خود را یکجا تایپ و ارسال نمایید.

+ لطفا در مناسبتها و اعیاد ملی و مذهبی، از فرستادن پیامهای تبریک و تسلیت اجتناب بفرمایید. این پیامها توسط مدیر گروه به نمایندگی از همه یکبار ارسال می‌شود.

+ اعضای محترم در صورت ارسال کلیپ تصویری و صوتی مرتبط، حتما عنوان آن را نیز بیان کنید.

+ لطفا در صورت ارسال اخبار حتما لینک (مرجع) آن را نیز ارسال نمایید.

+ در گروه میتوانید مطالبی مرتبط با استخدام، موقعیت های کاری و دانشگاهی (بورس و....) و همینطور اخبار مرتبط ارسال نمایید. لطفا در زمان ارسال مطلب سعی بفرمایید از تگ مناسب استفاده کنید.
برای اخبار از تگ #خبر, برای آموزش از تگ #آموزش , برای استخدام و موقعیت های کاری و دانشگاهی از تگ #َApplication و #Uni استفاده بفرمایید.

+در گروه می توانید در مورد تخصص دیگران در حوزه خاصی سوال کنید تا اینگونه بتوانید با افراد با تجربه در حوزه مورد نظر خود اشنا شده و فعالیت های بعدی را شکل دهید.سوالهایی همانند " آیا کسی در حوزه ایکس فعالیتی داشته است؟ " از این دست بحساب می آیند. در متن این سوالها «پاسخ در خصوصی» تاکید شود. این پیامها پس از یک روز از گروه حذف می شوند.

+ لطفا سوالهای دیگر خود را در سایت پرسش و پاسخ پرسیده و سپس لینک سوال را در گروه ارسال کنید تا سریعتر به جواب برسید.

+ در صورتیکه قصد دارید آموزش و یا ما حصل تجربه خود را در اختیار دیگران قرار دهید میتوانید در سایت یادگیری عمیق ثبت نام کرده و مطالب را با دیگران به اشتراک بگذارید. سعی کنید از قرار دادن آموزش های طویل و خصوصا با ارتباط کم در گروه بپرهیزید. تا انسجام مطالب گروه از بین نرود.
+از بیان صحبتها و انجام رفتارهای خارج از عرف آکادمیک در این گروه و ارسال پیام های خصوصی خارج از عرف و غیر آکادمیک به کاربران پرهیز کنید. در صورت شکایت فرد خاطی برای همیشه از گروه اخراج میشود.

+گروه های مرتبط تنها در یک خط باید معرفی شوند. پیامهای تبلیغاتی (معرفی گروه ها، کنفرانسها و...) غیرمرتبط ممنوع بوده و بلافاصله حذف میگردند.

+در صورت وجود سوال و یا ابهام میتوانید از مدیران گروه کمک بگیرید.

+سفارش یا درخواست انجام پایان نامه, پروژه دانشجویی و مقاله توسط تمامی اعضا (حتی مدیرن) اکیدا ممنوع است. در صورت مشاهده چنین مواردی فورا به مدیران گروه اطلاع رسانی کنید.

+منابع کاربردی و رویدادهای مهم در کانال تلگرامی گروه یادگیری ژرف اطلاع رسانی میشنود:
@irandeeplearning

باتشکر
#توافقنامه

30.06.202419:52

✅ رونمایی از مدل های جدید زبانی بزرگ فارسی

۱. مدل زبانی فارسی سیلک (Sialk)
توسعه‌یافته از پایه (from scratch) با استفاده از دادگان اختصاصی فارسی

۲. مدل زبانی بزرگ فارسی آهوران (Ahoran)
مدل زبانی بزرگ فارسی با یادگیری پیوسته (continual pretraining) و دادگان جدید و به‌روز برای افزایش دقت و کارایی

۳. مدل زبانی بزرگ فارسی آوا (Ava)
بازآموزش دیده‌شده (finetune) برای وظایف خاص و بهره‌برداری بهینه از مدل‌های پیشین

⏰ زمان: دوشنبه ۱۱ تیر | ساعت ۹:۳۰
🏢 مکان: محل دائمی نمایشگاه‌های بین‌المللی تهران | سالن خلیج فارس

لینک پخش زنده مراسم:
https://lnkd.in/dvq2rMtv

@irandeeplearning
@bigdataworkgroup

21.06.202407:10

https://www.linkedin.com/posts/mohammad-sabokrou-76464434_the-dark-side-of-generative-ais-and-beyond-activity-7209814559996465152-E66R?utm_source=share&utm_medium=member_desktop

转发自:

Deep learning channel

09.02.202407:01

If you're interested in federated learning, particularly in medical imaging, we invite you to join our seminar tomorrow (Friday) at 11:00 a.m. Iran time! Zoom: https://oist.zoom.us/j/95908496615?pwd=akxZNmprLzNXY212TFh0ZWQ1ZlNyUT09
Meeting ID: 959 0849 6615
Passcode: 767685

Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn

Title: Unlocking the Potential of Federated Learning in Medical Imaging

Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.

Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.