23171
Admin: @Raminmousa ID: @Machine_learn link: https://t.me/Machine_learn
LLM Engineer's Handbook: Master the art of engineering Large Language Models from concept to production.
🖥 Github
@Machine_learn
Linear Algebra Done Right
📓 Book
@Machine_learn
يكي از بهترين موضوعات در طبقه بندي متن؛ تحليل احساس چند دامنه اي مي باشد. براي اين منظور مدلي تحت عنوان
Title: TRCAPS: The Transformer-based Capsule Approach for Persian Multi-
Domain Sentiment Analysis
طراحي كرديم كه نتايج خيلي بهتري نسبت به IndCaps داشته است.
دوستاني كه نياز به مقاله تو حوزه NLP دارن مي تونن تا اخر اين هفته داخل اين مقاله شركت كنند.
ژورنال هدف Array elsevier مي باشد.
شركت كنندگان داخل اين مقاله نياز به انجام تسك هايي نيز مي باشند.
@Raminmousa
@Machine_learn
@Paper4money
🌟 Zamba2-Instruct
🟢Zamba2-1.2B-instruct;
🟠Zamba2-2.7B-instruct.# Clone repo
git clone https://github.com/Zyphra/transformers_zamba2.git
cd transformers_zamba2
# Install the repository & accelerate:
pip install -e .
pip install accelerate
# Inference:
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-2.7B-instruct")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-2.7B-instruct", device_map="cuda", torch_dtype=torch.bfloat16)
user_turn_1 = "user_prompt1."
assistant_turn_1 = "assistant_prompt."
user_turn_2 = "user_prompt2."
sample = [{'role': 'user', 'content': user_turn_1}, {'role': 'assistant', 'content': assistant_turn_1}, {'role': 'user', 'content': user_turn_2}]
chat_sample = tokenizer.apply_chat_template(sample, tokenize=False)
input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False)
print((tokenizer.decode(outputs[0])))
🖥GitHub
@Machine_learn
Prompt Engineering Techniques: Comprehensive Repository for Development and Implementation 🖋️
📓 Github
@Machine_learn
تا اخر امشب این وقت مونده...!
Читать полностью…
Algebraic topology for physicists
📓 Book
@Machine_learn
📑 Nine quick tips for open meta-analyses
📎 Study the paper
✅@Machine_learn
پروژه های بیشتر شبیه این ریپورت داخل این پک قرار داره. دوستانی که نیاز دارن می تونن به ایدی بنده مراجعه کنن.
@Raminmousa
Neural Networks and Deep Learning
📓 book
@Machine_learn
با عرض سلام خيلي از دوستان در رابطه با طراحي صفر تا صد پروژه هاي ديپ از بنده سوال پرسيدن داخل پك زير ٣٦ پروژه رو با جزئيات شرح دادم:
1-Deep Learning Basic
-01_Introduction
--01_How_TensorFlow_Works
2-Classification apparel
-Classification apparel double capsule
-Classification apparel double cnn
3-ALZHEIMERS USING CNN(ResNet)
4-Fake News (Covid-19 dataset)
-Multi-channel
-3DCNN model
-Base line+ Char CNN
-Fake News Covid CapsuleNet
5-3DCNN Fake News
6-recommender systems
-GRU+LSTM MovieLens
7-Multi-Domain Sentiment Analysis
-Dranziera CapsuleNet
-Dranziera CNN Multi-channel
-Dranziera LSTM
8-Persian Multi-Domain SA
-Bi-GRU Capsule Net
-Multi-CNN
9-Recommendation system
-Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate)
-SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise)
10-NihX-Ray
-optimized CNN on FullDataset Nih-Xray
-MobileNet
-Transfer learning
-Capsule Network on FullDataset Nih-Xray
دوستاني كه نياز به اين پروژه ها دارن ميتونن با بنده در ارتباط باشن.
@Raminmousa
@Machine_learn
UC Berkeley's "Machine Learning" lecture notes
📓 Book
✅@Machine_learn
Artificial Intelligence A Modern Approach
📚 Book
@Machine_learn
با عرض سلام
مقاله بنده در رابطه با استخراج عوامل استرس زا در توييتر Major revision خورده .
در این مقاله از ساختار CapsuleNet and fusion استفاده شده است. که هدف کلی طبقه بندی عوامل استرس زا می باشد.
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
با عرض سلام دوستانی که نیاز دارن به این مقاله فقط دو روز زمان باقی مانده و اخرین ریوایزد مقاله می باشد..!
@Raminmousa
💡 Ultimate Guide to Fine-Tuning LLMs
📚 link
@Machine_learn
فقط نفر دوم از این مقاله مونده...!
Читать полностью…
📄 Advances of Artificial Intelligence in Anti-Cancer Drug Design: A Review of the Past Decade
📎 Study the paper
@Machine_learn
estimating body and hand motion from a pair of glasses 🤓
website: http://egoallo.github.io
code: http://github.com/brentyi/egoallo
@Machine_learn
🔥 NVIDIA silently release a Llama 3.1 70B fine-tune that outperforms
GPT-4o and Claude Sonnet 3.5
Llama 3.1 Nemotron 70B Instruct a further RLHFed model on
huggingface
https://huggingface.co/collections/nvidia/llama-31-nemotron-70b-670e93cd366feea16abc13d8
✅/channel/deep_learning_proj
✔️ LVD-2M: A Long-take Video Dataset with Temporally Dense Captions
New pipeline for selecting high-quality long-take videos and generating temporally dense captions.
Dataset with four key features essential for training long video generation models: (1) long videos covering at least 10 seconds, (2) long-take videos without cuts, (3) large motion and diverse contents, and (4) temporally dense captions.
🖥 Github: https://github.com/silentview/lvd-2m
📕 Paper: https://arxiv.org/abs/2410.10816v1
🖥 Dataset: https://paperswithcode.com/dataset/howto100m
🔸@Machine_learn
با عرض سلام در يكي از مقالاتمون با موضوع
multimodal capsule fusion with self-attention approach for alzheimer disease classification
نياز به نفر دوم هستيم. تسك ها به صورت مشخص شده براي نفر دوم در نظر گرفته شده است. دوستاني كه ميخوان مشاركت كنن به بنده
پيام بدن با تشكر.
@Raminmousa
@Machine_learn
@Paper4money
📃Network Modeling and Control of Dynamic Disease Pathways, Review and Perspectives
📎 Study the paper
@Machine_learn
Thesis: Yolo object detection
این پروژه سال ۲۰۲۰ با یکی از دوستان انجام دادیم که هدف تشخیص وزن پل با استفاده از Yolo بود. جزئیات مدل یولو رو داخل این بررسی کردیم . برای دوستانی که می خوان بیشتر این مدل رو بررسی کنن می تونه مفید باشه.
@Machine_learn
Efficiently Democratizing Medical LLMs for 50 Languages via a Mixture of Language Family Experts
💻 Github: https://github.com/freedomintelligence/apollomoe
🔖 Paper: https://arxiv.org/abs/2410.10626v1
🤗 Dataset: https://paperswithcode.com/dataset/mmlu
✅@Machine_learn
Probability and Statistics The Science of Uncertainty
📖 book
✅@Machine_learn
📃Fake news detection: A survey of graph neural network methods
📎 Study paper
@Machine_learn
Generalizable and Animatable Gaussian Head Avatar
🖥 Github: https://github.com/xg-chu/gagavatar
📕 Paper: https://arxiv.org/abs/2410.07971v1
@Machine_learn
Financial Machine Learning
📓 book
@Machine_learn
Crawl 4 AI
Crawl4AI: Open-source LLM Friendly Web Crawler & Scrapper
Creator: UncleCode
Stars ⭐️: 8.6k
Forked By: 627
https://github.com/unclecode/crawl4ai
✅/channel/deep_learning_proj