23171
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
Deep Learning and Computational Physics - Lecture Notes, University of South California
📓 book
@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 . جهت تهیه می تونین به ایدی بنده مراجعه کنین
@Raminmousa
⚡️ Apple Depth Pro# setting up a venv:
conda create -n depth-pro -y python=3.9
conda activate depth-pro
pip install -e .
# Download pretrained checkpoints:
source get_pretrained_models.sh
# Run the inference from CLI on a single image:
depth-pro-run -i ./data/example.jpg
# Running from python
from PIL import Image
import depth_pro
model, transform = depth_pro.create_model_and_transforms()
model.eval()
image, _, f_px = depth_pro.load_rgb(image_path)
image = transform(image)
prediction = model.infer(image, f_px=f_px)
depth = prediction["depth"] # Depth in [m].
focallength_px = prediction["focallength_px"] # Focal length in pixels.
🟡Demo
🟡Arxiv
🖥GitHub
@Machine_learn
⏳با عرض سلام در راستای کار بر روی LLM ها سعی داریم یک مقاله ی مروری comparative با عنوان
✅Title: A comparative survey on Biological and knowledge graph
رو شروع کنیم. نفرات اول و دوم بنده و دکتر سرابادانی هستن. حدودا تا ۶ نفر هم می تونیم شرکت کنیم. دوستانی که تمایل به شرکت در این مقاله هستن با بنده در ارتباط باشن تا جزئیات مشارکت رو خدمتشون بفرستم.
(هزینه سرورها برای هر جایگاه متفاوت هستش)
⏳ Start time: 24/30/9
⏳Submit time:24/30/11
💠#Benchmarks=18
🔻#Articles:250
🔸#pretrained models:25
@Raminmousa
@Paper4money
@Machine_learn
Blockchain 2nd IBM Limited Edition
📓 Book
@Machine_learn
An Infinite Descent into Pure Mathematics
📚 Book
@Machine_learn
Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI
🖥 Github: https://github.com/935963004/labram
📕Paper: https://arxiv.org/abs/2405.18765v1
@Machine_learn
How to Train Long-Context Language Models (Effectively)
🖥 Github: https://github.com/hijkzzz/pymarl2
📕 Paper: https://arxiv.org/abs/2410.02511v1
✅Dataset: https://paperswithcode.com/dataset/smac
@Machine_learn
با عرض سلام ٨٠٪ نگارش مقاله زير انجام شده است
title: A survey of generative adversarial network on next generation networks:5G and 6G Networks
مقاله در ابتدا در اركايو ثبت ميشه و كامل شدش براي ژورنال مربوطه فرستاده ميشه.
دوستاني كه نياز دارن ميتونن در اين مقاله شركت كنند. اين مقاله فقط با سه نفر سابميت ميشه كه نفر اول خودم هستم و جايگاه دو و سوم خالي داره.
@Raminmousa
@Paper4money
@Machine_learn
Here are some Hyperparameter (HP) tuning & optimization packages you can use in your projects:
- Scikit-Optimize: https://lnkd.in/gbJqdFq9
- Optuna: https://optuna.org/
- Hyperopt: https://lnkd.in/gPSRhW_6
- Ray.tune: https://lnkd.in/gzrDAbHg
- Keras tuner: https://lnkd.in/g_HDHiug
- BayesianOptimization: https://lnkd.in/g8UKEvjc
- Metric Optimization Engine (MOE): https://lnkd.in/g89JGFB2
- Spearmint: https://lnkd.in/gJwG3AwE
- GPyOpt: https://lnkd.in/g4cWEBPz
- SigOpt: https://sigopt.com/
✅@Machine_learn
Recommendation with Generative Models
📓 Book
✅@Machine_learn
📑 Advancing biomedical discovery and innovation in the era of big data and artificial intelligence
💥 Perspective Article
📎 Study the paper
✅@Machine_learn
Exercises in Machine Learning
📚 Book
✅@Machine_learn
OmniGen: Unified Image Generation
Paper: https://arxiv.org/pdf/2409.11340v1.pdf
Code: https://github.com/vectorspacelab/omnigen
Dataset: DreamBooth | MagicBrush
✅@Machine_learn
Financial Machine Learning
📓 book
✅@Machine_learn
با عرض سلام
مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده .
Title:...Extracting psychiatric stressors for suicide from twitter
journal:Natural Language Processing Journal
دوستاني كه نياز دارين مي تونن براي نفر ٤ اقدام كنند. تنها يك نفر ميتونيم اضافه كنيم.
@Raminmousa
@Paper4money
@Machine_learn
Mathematical theory of deep learning
📚 Book
✅@Machine_learn
TensorIR: An Abstraction for Automatic Tensorized Program Optimization
Paper: https://arxiv.org/pdf/2207.04296v2.pdf
Codes: https://github.com/mlc-ai/web-llm - https://github.com/apache/tvm
✅@Machine_learn
Neural Networks, Machine Learning, and Image Processing
📚 book
@Machine_learn
سلام دوستاني كه مقاله براي ارسال به ژورنال دارن مي تونن بنده رو به عنوان داور در سه ژورنال زير معرفي كنند
1-Knowledge-Based system(https://www.sciencedirect.com/journal/knowledge-based-systems)
2-Machine learning with application(https://www.sciencedirect.com/journal/machine-learning-with-applications)
3-Ai(https://www.sciencedirect.com/journal/artificial-intelligence)
Name:Ramin Mousa
Email: Raminmousa@znu.ac.ir
همچنين دوستاني كه مقاله براي ارسال دارن مي تونن قبل ارسال جهت بررسي به بنده ارسال كنن تا يك پيش داوري انجام بدم.
@Raminmousa
@Paper4money
@Machine_learn
WiLoR: End-to-end 3D Hand Localization and Reconstruction in-the-wild
Paper: https://arxiv.org/pdf/2409.12259v1.pdf
Code: https://github.com/rolpotamias/WiLoR
Datasets: FreiHAND - HO-3D v2 - COCO-WholeBody
✅@Machine_learn
Available now in our Paid Channel only 1.5$ monthly for all content
/channel/+Tdshx2j5cZ00N2Ji
Only first 30 person, automatically joining after paying
🥪 TripoSR (MIT license) is now available on , free for individual use!
🧬code: https://github.com/VAST-AI-Research/TripoSR
📄paper: https://arxiv.org/abs/2403.02151
🍇runpod: https://github.com/camenduru/triposr-tost
🍊jupyter: https://github.com/camenduru/TripoSR-jupyter
@Machine_learn
📃 Natural Language Processing Methods for the Study of Protein-Ligand Interactions
🗓Publish year: 2024
📎 Study the paper
✅@Machine_learn
Improving LLM Reasoning using SElf-generated data:RL and Verifiers
📓 Slides
✅@Machine_learn
اسامی ۲، ۳ و ۵ این پیپر واگذار میشه:
Title: Computation-Efficient Neural Network Based on
Model’s Saliency Performance
Abstract
The increasing complexity of deep neural networks has resulted in significant computational overhead, limiting their deployment in real-time and resource-constrained environments. While model pruning and quantization have been explored extensively, they often do not consider the model's saliency performance, which reflects how critical specific neurons or layers are to the overall task. This paper presents a Computation-Efficient Neural Network framework that uses model saliency to identify and preserve the most critical components of the network while reducing the computational cost by pruning less significant elements. The approach computes the saliency score of each layer or neuron, evaluates its contribution to the model's performance, and prunes the less salient parts without significant accuracy loss. By focusing on saliency, this method maintains robust performance while reducing both memory and computational demands. Experiments on image classification tasks demonstrate the effectiveness of this saliency-based pruning in achieving high efficiency with minimal performance degradation.
Keyword: Deep Learning Model Compression,
Convolutional Neural Networks
Medical Image Classification,
Quantization-Aware Training,
Computational Efficiency
* Submission: Nature Springer
** This paper is written by two PhD students from top universities in the USA.
*** A one-page summary is attached.
@reza_alvandi
با عرض سلام ٨٠٪ نگارش مقاله زير انجام شده است
title: A survey of generative adversarial network on next generation networks:5G and 6G Networks
مقاله در ابتدا در اركايو ثبت ميشه و كامل شدش براي ژورنال مربوطه فرستاده ميشه.
دوستاني كه نياز دارن ميتونن در اين مقاله شركت كنند. اين مقاله فقط با سه نفر سابميت ميشه كه نفر اول خودم هستم و جايگاه دو و سوم خالي داره.
@Raminmousa
@Paper4money
@Machine_learn
📃SOCIAL NETWORK ANALYSIS: FROM GRAPH THEORY TO APPLICATIONS
📎 Study paper
✅@Machine_learn
INDCAPS: The IndRNN Capsule Approach for Persian Multi-
Domain Sentiment Analysis
یکی از بحث های که این روزها خیلی ترند هستش بحث مربوط به طبقه بندی احساسات چندجمله ای می باشد. در این مقاله ما یک مجموعه داده که روی داده های دیجی کالا می باشند رو جمع اوری کردیم. جمع اوری این داده ها ۳ ماه طول کشیده و این ریپورت گزارش مربوط به این داده هاست.
@Raminmousa
@Machine_learn