خلاصه‌ای از AI، یادگیری ماشین و گردهمایی رایانه – 15 اوت 2024

Summarize this content to 400 words in Persian Lang
ما به تازگی جلسه AI، یادگیری ماشین و Computer Vision Meetup را در اوت 24 به پایان رساندیم، و اگر آن را از دست دادید یا می‌خواهید دوباره آن را ببینید، در اینجا خلاصه‌ای از آن ارائه شده است! در این پست وبلاگ، ضبط‌های پخش، نکات برجسته ارائه‌ها و پرسش و پاسخ، و همچنین برنامه Meetup آتی را خواهید یافت تا بتوانید در رویداد آینده به ما بپیوندید.

ابتدا از اینکه به خیریه مورد علاقه خود رای دادید متشکریم!

به جای سواگ، ما به شرکت کنندگان Meetup این فرصت را دادیم تا کمک کنند تا 200 دلار برای اهداف خیریه کمک کنند. خیریه ای که بیشترین تعداد رای را در این ماه دریافت کرد، Heart to Heart International بود، سازمانی که تضمین می کند مراقبت های با کیفیت به طور عادلانه در جوامعی که از نظر پزشکی کمبود منابع ندارند و در شرایط فاجعه ارائه می شود. ما کمک خیریه 200 دلاری این رویداد را از طرف اعضای Meetup به Heart to Heart International ارسال می کنیم!

SyntStereo2Real: Edge-Aware GAN برای ترجمه تصویر سنجش از راه دور با حفظ محدودیت های استریو

در این گفتگو ما SyntStereo2Real را بررسی خواهیم کرد، یک چارچوب ترجمه سبک وزن I2I برای جفت‌های استریو با در نظر گرفتن ترجمه‌ای سازگار با معنایی تصاویر چپ و راست. استفاده از نقشه های لبه و افت تاب برداشتن کارآمد برای بهبود تطابق جفت های تولید شده استفاده می شود. این رویکرد از SOTA فعلی در سنجش از راه دور و مجموعه داده‌های رانندگی خودکار بهتر عمل کرد!

سخنران: Vasudha Venkatesan یک محقق و مهندس با تخصص در بینایی کامپیوتر و یادگیری ماشین است. او سهم قابل توجهی در زمینه سنجش از دور داشته است، به ویژه به چالش‌های مربوط به داده‌های همسان استریو و تعمیم دامنه پرداخته است.

لینک های منابع

پرسش و پاسخ

مجموعه داده های رانندگی خودروی خودمختار مصنوعی که در تحقیق مورد استفاده قرار می گیرند چیست؟
آیا از این GAN ها برای ایجاد مجموعه داده های سنتز شده برای آموزش مدل دیگری برای پیش بینی نابرابری استفاده می شود؟
در فرمول، xb، sa، sb در بین ورودی ها چه هستند؟
چگونه کد سبک را از دامنه های منبع و مقصد دریافت می کنید؟
چه مقدار داده در مجموعه داده سنتز شده در مقایسه با مجموعه داده اصلی ایجاد می شود؟
آیا هنگام انجام ترجمه KITTI متوجه از دست دادن جزئیات مانند اشیاء پیش‌زمینه از دست رفته یا ناسازگاری بین تصاویر چپ و راست تولید شده شده‌اید؟

ارتقای امنیت با هوش مصنوعی داده محور: رویکردی جامع برای نظارت

مدل‌های یادگیری ماشینی مؤثر به طور اساسی به ورودی‌های داده با کیفیت بالا بستگی دارد. بخش امنیتی که با حجم وسیعی از داده های ویدئویی دست و پنجه نرم می کند، با وظیفه حیاتی ساخت مدل های قابل اعتماد در میان چالش های منحصر به فرد مواجه است. در این جلسه، به چگونگی ارتقای سطح توسط مهندسان ML با اولویت‌بندی گردش‌های کاری داده‌محور برای افزایش کارایی مدل می‌پردازیم. به ما بپیوندید تا با استفاده از FiftyOne استراتژی هایی را برای شناسایی خطاها، تجزیه و تحلیل جاسازی ها و ارزیابی مدل های امنیتی با دقت بی نظیری معرفی کنیم.

بلندگودانیل گورال یک مبشر باتجربه یادگیری ماشین است که اشتیاق زیادی به توانمندسازی دانشمندان داده و مهندسین ML دارد تا پتانسیل کامل داده‌هایشان را باز کنند. او که در حال حاضر به عنوان یکی از اعضای ارزشمند Voxel51 خدمت می‌کند، نقش رهبری را در تلاش‌ها برای پر کردن شکاف بین تمرین‌کنندگان و ابزارهای ضروری بر عهده می‌گیرد و آنها را قادر می‌سازد تا به نتایج استثنایی دست یابند. تجربه گسترده دانیل در آموزش و توسعه در زمینه ML تعهد او را به دموکراتیک کردن جریان های کاری هوش مصنوعی با کیفیت بالا برای مخاطبان گسترده تر افزایش داده است.

پرسش و پاسخ

در رابطه با Ultralytics، آیا فکر می کنید RT-DETR که از مجوز آپاچی استفاده می کند، شانس تبدیل شدن به یک شبکه قابل استقرار برای پهپادها را دارد یا خیلی بزرگ/ کند است؟

چگونه پروژه های علم داده را با منبع باز توسعه دهیم

به عنوان یک دانشمند داده/متخصص ML، اگر بتوانید به طور مستقل پروژه های علم داده خود را بدون نگرانی در مورد هزینه های عملیاتی مانند استقرار یا کانتینرسازی تکرار کنید، چه احساسی خواهید داشت؟ بیایید با راهنمایی شما از طریق یک پروژه نمونه که به شما در انجام این کار کمک می کند، این موضوع را دریابیم! ما Python، AWS، Metaflow و BentoML را در یک پروژه قالب/داربست با کد نمونه برای آموزش، ارائه و استقرار مدل‌های ML ترکیب می‌کنیم و در عین حال تعویض در سایر مدل‌های ML را آسان می‌کنیم.

سخنران: جی کوی در BENlabs به عنوان مهندس پلتفرم یادگیری ماشین کار کرده بود. قبل از آن، او یک دانشجوی کارشناسی بود که در رشته ریاضیات کاربردی با یک مقطع تحصیلی در رشته علوم کامپیوتر در BYU تحصیل می کرد.

پرسش و پاسخ

آیا نقاط پایانی می توانند هر نوع داده ای را به عنوان ورودی مدل بگیرند، مثلاً جریان های داده پیوسته؟
آیا قالب حساب می کند یا مقیاس افقی را فعال می کند؟

لینک های منابع

به گردهمایی هوش مصنوعی، یادگیری ماشین و علم داده بپیوندید!

اعضای مجموع جلسات Computer Vision و AI، Machine Learning و Data Science Meetups به بیش از 20000 عضو افزایش یافته است! هدف Meetups گرد هم آوردن جوامعی از دانشمندان داده، مهندسان یادگیری ماشین و علاقه مندان به منبع باز است که می خواهند دانش خود را از هوش مصنوعی و فناوری های مکمل به اشتراک بگذارند و گسترش دهند.

به یکی از 12 مکان Meetup نزدیک به منطقه زمانی خود بپیوندید.

بعد چه می شود؟

در تاریخ 12 سپتامبر 2024 در ساعت 10:00 PT / 1:00 PM ET، ما دو بلندگوی عالی را در صف قرار داده ایم!

کاهش توهم در ChatGPT و سیستم‌های هوش مصنوعی مشابه – Abhimanyu Aryan، توسعه‌دهنده منبع باز در زبان جولیا
به روز رسانی: مسابقه هوش مصنوعی داده محور در فضاهای بغل کردن صورت، هارپریت ساهوتا، هکر در محل اقامت و مهندس یادگیری ماشین در Voxel51

برای زوم اینجا ثبت نام کنید. می توانید یک برنامه کامل از Meetups آینده را در صفحه رویدادهای Voxel51 پیدا کنید.

درگیر شوید!

راه های زیادی برای شرکت در جلسات Computer Vision وجود دارد. اگر با یکی از این موارد شناسایی کردید، تماس بگیرید:

می‌خواهید در جلسه آینده صحبت کنید
شما یک فضای جلسه فیزیکی در یکی از مکان‌های Meetup دارید و می‌خواهید آن را برای یک Meetup در دسترس قرار دهید
شما می‌خواهید یک جلسه را با هم سازماندهی کنید
می‌خواهید از یک Meetup حمایت مالی کنید

با جیمی گوئررو، یکی از سازمان‌دهنده‌های Meetup در Meetup.com تماس بگیرید یا از طریق LinkedIn به من پینگ کنید تا درباره نحوه اتصال شما به برق صحبت کنیم.

–

این Meetups توسط Voxel51، شرکت پشتیبان مجموعه ابزارهای بینایی کامپیوتری منبع باز FiftyOne، حمایت می شود. FiftyOne تیم‌های علم داده را قادر می‌سازد تا عملکرد مدل‌های بینایی رایانه‌ای خود را با کمک به آنها در تنظیم مجموعه داده‌های با کیفیت بالا، ارزیابی مدل‌ها، یافتن اشتباهات، تجسم جاسازی‌ها و رسیدن سریع‌تر به تولید، بهبود بخشند. شروع کار آسان است، فقط در چند دقیقه.