ایستگاه هوش مصنوعی
Subscribed: 827Played: 11,804
Subscribe
© Amir Pourmand
Description
سلام. من امیر پورمند هستم و اینجا میخوام راجع به ایدهها و مفاهیم یادگیری ماشین به زبان ساده صحبت کنم.
بعد از فارغالتحصیلی از ارشد هوش مصنوعی شریف و شروع فعالیت تو بازار کار کمکم به نظرم رسید که شاید میشد خیلی از مفاهیم رو سادهتر هم بیان کرد و درگیر کلمات قلمبه سلمبه نشد.
و این پادکست تلاشی برای اثبات گزاره قبلی است!
در ضمن سعیم این بوده که اپیزودها تا حد امکان از هم مستقل باشند. برای همین احتمالاً میتونید بدون گوشدادن به قسمتهای اول، از هر جا دوست داشتید شروع کنید.
بعد از فارغالتحصیلی از ارشد هوش مصنوعی شریف و شروع فعالیت تو بازار کار کمکم به نظرم رسید که شاید میشد خیلی از مفاهیم رو سادهتر هم بیان کرد و درگیر کلمات قلمبه سلمبه نشد.
و این پادکست تلاشی برای اثبات گزاره قبلی است!
در ضمن سعیم این بوده که اپیزودها تا حد امکان از هم مستقل باشند. برای همین احتمالاً میتونید بدون گوشدادن به قسمتهای اول، از هر جا دوست داشتید شروع کنید.
19 Episodes
Reverse
Top Podcasts
The Best New Comedy Podcast Right Now – June 2024The Best News Podcast Right Now – June 2024The Best New Business Podcast Right Now – June 2024The Best New Sports Podcast Right Now – June 2024The Best New True Crime Podcast Right Now – June 2024The Best New Joe Rogan Experience Podcast Right Now – June 20The Best New Dan Bongino Show Podcast Right Now – June 20The Best New Mark Levin Podcast – June 2024
سلام امیر جان عالی بود کارتون امیر جان چطوری میتونم با مهدی آخی ارتباط بگیرم؟
مفید بود
ممنون از شما استاد
عالی
درود بر شما سپاس فراوان بابت توضیحات جذابتون براتون آرزوی موفقیت دارم مشتاقانه منتظر قسمت بعد هستم
با این که موضوع کتاب دغدغهام نبود اما واقعا از شنیدنش لذت بردم. هم محتوا جذاب بود هم لحن و تن صدا دلنشین و گیرا. مشتاقانه منتظر اپیزود بعدی هستم.
جناب پورمند.. سلام. راه تماس با حنابعالی چیه؟ ایمیلتون یا تلفن میتونم داشته باشم ؟
با سلام و عرض ادب، بسیار خوش حال شدیم از اپیزود جدید و اینکه ایستگاه هوش مصنوعی هنوز فعاله
ممنون از پادکست خوب تون
تفاوت سوم: در جنس پیچیدگی مساله است. در آکادمیک، معمولا مساله از قبل مشخص است و باید کیفیت مدلها را افزایش دهیم. در صنعت به چند دلیل، مساله مشخص نیست و پیچیدگی در موارد زیر است: ۱. تعریف مساله با چالش روبرو است. ۲. به دلیل تغییر دائم دیتا، آموزش و یادگیری مدلها، دائمی است. ۳. محدودیتهای عملی در پروژههای واقعی، مثل دیتابیس بزرگ و حجیم، پردازنده، اسکیلآپ و ... ۴. تغییرات دیتا مثل data drift, concept drift, covariate drift
تفاوت دوم: در آکادمیک، معمولا از دیتاستهای استاندارد و آماده و تقریبا ثابت استفاده میشود، چون باید با روشهای موجود و مقالات مرتبط، مقایسه شود. در صنعت، دادهها مدام در حال تغییر هستند. همچنین هر مساله یا هر حوزه، داده اختصاصی خودش را دارد.
تفاوت نخست: در صنعت، از ایدهها و مدلهای از پیش توسعه یافته استفاده میشود و نوآوری مد نظر نیست؛ فقط کافیست شما یک/چند مدل مناسب را برای مساله خودتان انتخاب کنید و آن را "بهینه" کنید. در آکادمیک، باید یک ایده، کانتریبیوشن، معماری و ... جدید ارائه کنید؛ شاید بتوان اینگونه گفت: بهینه حل کردن مساله با روشهای موجود (صنعت) در برابر ارائه ایدهی جدید برای حل مساله (آکادمیک)
سپاس امیر عزیز. نکاتی که گفتی رو یادداشت میکنم اینجا: تفاوت آکادمیک و صنعت در بخش فردی که به دلیل دو رویکرد کاملا متفاوت، به دلیل دو نیاز و هدف متفاوت ایجاد میشود: ۱. آکادمیک پول نمیدهد، صنعت پول میدهد. ۲. آکادمیک فردی است، صنعت معمولا تیمی.
با یک آنالوژی قشنگ، بیانش کردی امیر. دمت گرم 🙏
سپاس فراوان از امیر عزیز 🙏 سه استراتژی مهم برای پراممت نویسی ۱. واضح بخواهیم . جزییات کافی بدهیم . پرسونا مشخص کنیم . مثال بدهیم . مرحله به مرحله پیش برویم . متن مرجع بدهیم ۲. به مدل زمان بدهیم برای فکر کردن ۳. یک تسک را بشکنیم و برای هر کدام از تسکها یک پرامپت جدا بدهیم.
با روش و دید جدیدی، با دیپ لرنینگ آشنا شدم 😉 دمت گرم امیر 🙏
خیلی خوب توضیح دادی امیر 🙏 به عنوان کسی که صفر تا صد (از جمعآوری دیتا تا توسعه مدل و ارزیابی روشهای مختلف) یک پروژه آکادمیک رو انجام داده، همه حرفها رو لمس کردم، مخصوصا: ارزش ذاتی دادهی خوب، هزینه مالی و زمانی جمعآوری داده.
سلام جناب پورمند بزرگوار عالی بود منتظر ادامه مباحث هستیم
عالیه ممنونم
عالی بود