🔴 ناسا ردپای حیات بیگانه را در مریخ کشف کرد
🔹ناسا گازی را در مریخ شناسایی کرده که توسط موجودات زنده روی زمین تولید میشود و با این کشف، دانشمندان را درباره ذخایر پنهانی سیاره گیج کرده است.
🔹مریخ‌نورد «کنجکاوی» یک جریان ثابت را از متان شناسایی کرد که از دهانه گیل در زمان‌های متفاوتی از روز ظاهر می‌شد و به صورت فصلی در نوسان بود که گاهی اوقات به ۴۰ برابر بیشتر از حد معمول می‌رسید. /ایسنا
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔹ناسا گازی را در مریخ شناسایی کرده که توسط موجودات زنده روی زمین تولید میشود و با این کشف، دانشمندان را درباره ذخایر پنهانی سیاره گیج کرده است.
🔹مریخ‌نورد «کنجکاوی» یک جریان ثابت را از متان شناسایی کرد که از دهانه گیل در زمان‌های متفاوتی از روز ظاهر می‌شد و به صورت فصلی در نوسان بود که گاهی اوقات به ۴۰ برابر بیشتر از حد معمول می‌رسید. /ایسنا
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
This media is not supported in your browser
VIEW IN TELEGRAM
این ساعت آفتابی سیکو منو یاد کلاس نجوم ژئودتیک دوره کارشناسی نقشه برداری انداخت. نمی‌دونم الان هم این واحد برای دانشجویان نقشه برداری تدریس میشه یا نه.. محاسبه عرض جغرافیایی با سایه ژالن سر ظهر و محاسبه آزیموت و لاندا در عملیات شبانه به کمک ستاره قطبی و رادیو با قابلیت دریافت پالس های ساعت اتمی ماهواره.
علیرغم اینکه مهندس های ژئوماتیک(نقشه بردار) یکی از علمی ترین و متنوع ترین سرفصل ها از منظر هندسه و ریاضی کاربردی را میگذرانند ؛ در فضای حرفه ای و کار هنوز که هنوزه جایگاه و شأن مهندسی را در مقایسه با سایر رشته های مهندسی ندارند. بی تردید تشکل های حرفه ای و نهاد های متولی صنف نقشه برداری مسئول این موضوع هستند. به نظر شما چه باید کرد تا پرستیژ مهندسی و اهمیت این رشته ارتقا پیدا کنه؟
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
علیرغم اینکه مهندس های ژئوماتیک(نقشه بردار) یکی از علمی ترین و متنوع ترین سرفصل ها از منظر هندسه و ریاضی کاربردی را میگذرانند ؛ در فضای حرفه ای و کار هنوز که هنوزه جایگاه و شأن مهندسی را در مقایسه با سایر رشته های مهندسی ندارند. بی تردید تشکل های حرفه ای و نهاد های متولی صنف نقشه برداری مسئول این موضوع هستند. به نظر شما چه باید کرد تا پرستیژ مهندسی و اهمیت این رشته ارتقا پیدا کنه؟
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔴 Leaflet و OpenLayers: دو کتابخانه محبوب برای ساخت نقشه‌های وب
Leaflet و OpenLayers دو کتابخانه JavaScript منبع باز هستند که برای ساخت نقشه‌های وب تعاملی استفاده می‌شوند. هر دو کتابخانه دارای ویژگی‌ها و مزایای خاص خود هستند که آنها را برای موارد استفاده مختلف مناسب می‌کند.
🌎 Leaflet
مزایا:
سبک و سریع
آسان برای یادگیری و استفاده
جامعه کاربری بزرگ و فعال
مجموعه گسترده‌ای از افزونه‌ها موجود است
معایب:
ویژگی‌های کمتری نسبت به OpenLayers دارد
برای برنامه‌های پیچیده‌تر GIS# مناسب نیست
مثال Leaflet:
یک نقشه ساده Leaflet# که یک مارکر را در پاریس نشان می‌دهد:
HTML
🌎 #OpenLayers
مزایا:
قدرتمند و دارای ویژگی‌های غنی
پشتیبانی از انواع مختلف داده‌های مکانی
مناسب برای برنامه‌های پیچیده‌تر GIS
معایب:
یادگیری و استفاده از آن دشوارتر است
جامعه کاربری کوچکتر از Leaflet
افزونه‌های کمتری در دسترس است
مثال OpenLayers#:
یک نقشه OpenLayers که یک لایه GeoJSON را از کشورها نمایش می‌دهد:
#HTML
سوالی دارید توی کامنت ها بنویسید.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
Leaflet و OpenLayers دو کتابخانه JavaScript منبع باز هستند که برای ساخت نقشه‌های وب تعاملی استفاده می‌شوند. هر دو کتابخانه دارای ویژگی‌ها و مزایای خاص خود هستند که آنها را برای موارد استفاده مختلف مناسب می‌کند.
🌎 Leaflet
مزایا:
سبک و سریع
آسان برای یادگیری و استفاده
جامعه کاربری بزرگ و فعال
مجموعه گسترده‌ای از افزونه‌ها موجود است
معایب:
ویژگی‌های کمتری نسبت به OpenLayers دارد
برای برنامه‌های پیچیده‌تر GIS# مناسب نیست
مثال Leaflet:
یک نقشه ساده Leaflet# که یک مارکر را در پاریس نشان می‌دهد:
HTML
<!DOCTYPE html> <html> <head> <title>Leaflet Example</title> <link rel="stylesheet" href="https://unpkg.com/leaflet@1.8.0/dist/leaflet.css" /> <script src="https://unpkg.com/leaflet@1.8.0/dist/leaflet.js"></script> </head> <body> <div id="map"></div> <script> var map = L.map('map').setView([48.8566, 2.3522], 13); L.tileLayer('https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png', { attribution: '© <a href="https://www.openstreetmap.org/copyright">OpenStreetMap</a> contributors' }).addTo(map); var marker = L.marker([48.8566, 2.3522]).addTo(map); marker.bindPopup("پاریس").openPopup(); </script> </body> </html> 🌎 #OpenLayers
مزایا:
قدرتمند و دارای ویژگی‌های غنی
پشتیبانی از انواع مختلف داده‌های مکانی
مناسب برای برنامه‌های پیچیده‌تر GIS
معایب:
یادگیری و استفاده از آن دشوارتر است
جامعه کاربری کوچکتر از Leaflet
افزونه‌های کمتری در دسترس است
مثال OpenLayers#:
یک نقشه OpenLayers که یک لایه GeoJSON را از کشورها نمایش می‌دهد:
#HTML
<!DOCTYPE html> <html> <head> <title>OpenLayers Example</title> <script src="https://openlayers.org/en/v6.16.1/build/ol.js"></script> <link rel="stylesheet" href="https://openlayers.org/en/v6.16.1/build/ol.css" /> </head> <body> <div id="map"></div> <script> var map = new ol.Map({ target: 'map', layers: [ new ol.layer.Tile({ source: new ol.source.XYZ({ url: 'https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png' }) }), new ol.layer.Vector({ source: new ol.source.Vector({ url: 'https://raw.githubusercontent.com/openlayers/ol3-examples/master/data/countries.geojson' }), style: new ol.style.Style({ stroke: new ol.style.Stroke({ color: '#333', width: 2 }), fill: new ol.style.Fill({ color: '#ccc' }) }) }) ] }); </script> </body> </html> سوالی دارید توی کامنت ها بنویسید.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
OpenStreetMap
Copyright and License
OpenStreetMap is a map of the world, created by people like you and free to use under an open license.
باشگاه فناوران اطلاعات مکانی
🔴 Leaflet و OpenLayers: دو کتابخانه محبوب برای ساخت نقشه‌های وب Leaflet و OpenLayers دو کتابخانه JavaScript منبع باز هستند که برای ساخت نقشه‌های وب تعاملی استفاده می‌شوند. هر دو کتابخانه دارای ویژگی‌ها و مزایای خاص خود هستند که آنها را برای موارد استفاده…
🔴 در کنار Leaflet و OpenLayers، ابزارهای دیگری نیز برای ساخت نقشه‌های تحت وب وجود دارند که هر کدام مزایا و معایب خاص خودشون را دارند.
برخی از محبوب‌ترین گزینه‌ها عبارتند از:
🔹️Mapbox GL JS:
یک کتابخانه قدرتمند و مبتنی بر WebGL که به شما امکان می‌دهد نقشه‌های با جزئیات بالا و تعاملی بسازید.
دارای مجموعه گسترده‌ای از ویژگی‌ها، از جمله رندر سه بعدی، تجزیه و تحلیل فضایی و ناوبری پیشرفته.
استفاده از آن کمی دشوارتر از Leaflet یا OpenLayers است.
https://docs.mapbox.com/mapbox-gl-js/guides/
🔹️MapTiler:
یک پلتفرم نقشه ابری که به شما امکان می‌دهد نقشه‌های سفارشی را با استفاده از یک رابط کاربری بصری بسازید.
نیازی به دانش برنامه‌نویسی نیست.
گزینه‌های سفارشی‌سازی محدودتر از Leaflet یا OpenLayers است.
https://www.maptiler.com/
🔹️Carto:
یک پلتفرم GIS مبتنی بر ابر که به شما امکان می‌دهد نقشه‌های تعاملی، تجزیه و تحلیل داده‌ها و داستان‌ها را بسازید.
دارای مجموعه گسترده‌ای از ابزارها برای تجزیه و تحلیل فضایی، از جمله نقشه‌های گرمایی، خوشه‌بندی و تجزیه و تحلیل شبکه.
استفاده از آن کمی دشوارتر از Leaflet یا OpenLayers است.
https://carto.com/
🔹️Esri ArcGIS JavaScript:
یک کتابخانه قدرتمند و حرفه‌ای که برای برنامه‌های GIS سازمانی طراحی شده است.
دارای مجموعه گسترده‌ای از ویژگی‌ها، از جمله تجزیه و تحلیل فضایی پیشرفته، ویرایش داده‌ها و پشتیبانی از چند کاربره.
مجوز آن گران است.
https://developers.arcgis.com/javascript/latest/
❤ انتخاب بهترین ابزار برای شما به نیازهای خاص شما بستگی دارد.
اگر به دنبال یک نقشه ساده و سریع هستید، Leaflet یا MapTiler ممکن است بهترین انتخاب باشند.
اگر به یک نقشه قدرتمند و دارای ویژگی‌های غنی برای یک برنامه GIS پیچیده نیاز دارید، OpenLayers، Mapbox GL JS یا Esri ArcGIS JavaScript ممکن است انتخاب بهتری باشند.
اگر به دنبال یک پلتفرم GIS مبتنی بر ابر هستید که نیازی به دانش برنامه‌نویسی ندارد، Carto انتخاب خوبیه.
🆔️ @GITAnet|باشگاه فناوران اطلاعات مکانی
💬 @GITAnet_ir | گروه تبادل نظر فناوران
برخی از محبوب‌ترین گزینه‌ها عبارتند از:
🔹️Mapbox GL JS:
یک کتابخانه قدرتمند و مبتنی بر WebGL که به شما امکان می‌دهد نقشه‌های با جزئیات بالا و تعاملی بسازید.
دارای مجموعه گسترده‌ای از ویژگی‌ها، از جمله رندر سه بعدی، تجزیه و تحلیل فضایی و ناوبری پیشرفته.
استفاده از آن کمی دشوارتر از Leaflet یا OpenLayers است.
https://docs.mapbox.com/mapbox-gl-js/guides/
🔹️MapTiler:
یک پلتفرم نقشه ابری که به شما امکان می‌دهد نقشه‌های سفارشی را با استفاده از یک رابط کاربری بصری بسازید.
نیازی به دانش برنامه‌نویسی نیست.
گزینه‌های سفارشی‌سازی محدودتر از Leaflet یا OpenLayers است.
https://www.maptiler.com/
🔹️Carto:
یک پلتفرم GIS مبتنی بر ابر که به شما امکان می‌دهد نقشه‌های تعاملی، تجزیه و تحلیل داده‌ها و داستان‌ها را بسازید.
دارای مجموعه گسترده‌ای از ابزارها برای تجزیه و تحلیل فضایی، از جمله نقشه‌های گرمایی، خوشه‌بندی و تجزیه و تحلیل شبکه.
استفاده از آن کمی دشوارتر از Leaflet یا OpenLayers است.
https://carto.com/
🔹️Esri ArcGIS JavaScript:
یک کتابخانه قدرتمند و حرفه‌ای که برای برنامه‌های GIS سازمانی طراحی شده است.
دارای مجموعه گسترده‌ای از ویژگی‌ها، از جمله تجزیه و تحلیل فضایی پیشرفته، ویرایش داده‌ها و پشتیبانی از چند کاربره.
مجوز آن گران است.
https://developers.arcgis.com/javascript/latest/
❤ انتخاب بهترین ابزار برای شما به نیازهای خاص شما بستگی دارد.
اگر به دنبال یک نقشه ساده و سریع هستید، Leaflet یا MapTiler ممکن است بهترین انتخاب باشند.
اگر به یک نقشه قدرتمند و دارای ویژگی‌های غنی برای یک برنامه GIS پیچیده نیاز دارید، OpenLayers، Mapbox GL JS یا Esri ArcGIS JavaScript ممکن است انتخاب بهتری باشند.
اگر به دنبال یک پلتفرم GIS مبتنی بر ابر هستید که نیازی به دانش برنامه‌نویسی ندارد، Carto انتخاب خوبیه.
🆔️ @GITAnet|باشگاه فناوران اطلاعات مکانی
💬 @GITAnet_ir | گروه تبادل نظر فناوران
Mapbox
Mapbox GL JS
Learn how to use Mapbox GL JS to render interactive maps from vector tiles and Mapbox styles.
This media is not supported in your browser
VIEW IN TELEGRAM
🔴 اشتراک‌گذاری زنده و نامحدود موقعیت مکانی، قابلیت جدید تلگرام.
🔹 تلگرام در تازه ترین آپدیت خود قابلیت جدیدی معرفی کرده است که می‌توانید موقعیت مکانی خود را با دوستان یا اعضای یک گروه برای مدت‌زمان مشخصی به اشتراک بگذارید. اما گزینه جدیدی (Until you turn it off) که به این قسمت اضافه شده است، باعث میشود تا موقعیت مکانی خود را تا زمان نامحدودی برای دیگران بفرستید.
گروه تبادل نظر و پرسش و پاسخ فناوران @GITAnet_ir
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔹 تلگرام در تازه ترین آپدیت خود قابلیت جدیدی معرفی کرده است که می‌توانید موقعیت مکانی خود را با دوستان یا اعضای یک گروه برای مدت‌زمان مشخصی به اشتراک بگذارید. اما گزینه جدیدی (Until you turn it off) که به این قسمت اضافه شده است، باعث میشود تا موقعیت مکانی خود را تا زمان نامحدودی برای دیگران بفرستید.
گروه تبادل نظر و پرسش و پاسخ فناوران @GITAnet_ir
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
فرصت کم نظیر برای #کار_آموزی در موضوعات زیر؛
🔹️سئو و تولید محتوا
🔹️بازاریابی و فروش
🔹️وردپرس
🔹️تجاری سازی محصولات و خدمات فنی مهندسی
✅ رشته های زمین شناسی، معدن، نقشه برداری، جغرافیا، مدیریت صنعتی، مدیریت کسب و کار
شرایط همکاری:
دور کاری و پاره وقت
ارسال درخواست:
@shahcheragh96
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔹️سئو و تولید محتوا
🔹️بازاریابی و فروش
🔹️وردپرس
🔹️تجاری سازی محصولات و خدمات فنی مهندسی
✅ رشته های زمین شناسی، معدن، نقشه برداری، جغرافیا، مدیریت صنعتی، مدیریت کسب و کار
شرایط همکاری:
دور کاری و پاره وقت
ارسال درخواست:
@shahcheragh96
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
https://chrome.google.com/webstore/detail/gemini-side-panel/haapcgopkcpkekndibmagiobpbikmfbl
پلاگین هوش مصنوعی #جمنای
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
پلاگین هوش مصنوعی #جمنای
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
Google
Side Panel for Gemini - Chrome Web Store
Opens Gemini AI in Google Chrome's side panel
این هوش مصنوعی یه عکس سلفی از شما میگیره و با تغییر لباس و رنگ و پس زمینه دلخواهتون به شما یک عکس پرسنلی ۴×۳ عالی تحویل می ده:
http://www.cutout.pro/passport-photo-maker/upload
#هوش_مصنوعی #ابزار_عکس
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
http://www.cutout.pro/passport-photo-maker/upload
#هوش_مصنوعی #ابزار_عکس
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
www.cutout.pro
Upload image to make passport photo with proper photos size online - Cutout.Pro
Select an image to make the perfect online passport/visa/id photo.
https://geospy.ai/
پیش اومده براتون که بخواهید از روی پدیده ها و اشیایی که در عکس هست مکان اون عکس و لوکیشن اون فضا رو به دست بیارید؟ خب این هوش مصنوعی می‌تونه موقعیت عکس رو تو گوگل مپ بهتون بده و توضیحاتی در مورد فیچرهای توی عکس ارائه بده.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
پیش اومده براتون که بخواهید از روی پدیده ها و اشیایی که در عکس هست مکان اون عکس و لوکیشن اون فضا رو به دست بیارید؟ خب این هوش مصنوعی می‌تونه موقعیت عکس رو تو گوگل مپ بهتون بده و توضیحاتی در مورد فیچرهای توی عکس ارائه بده.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
geospy.ai
GeoSpy | Unlock the Power of AI Image intelligence
Easily find a photo's location with GeoSpy, the AI-powered tool for precise photo geolocation. Perfect for investigations, OSINT, and discovering where photos were taken.
همینطور که میدونید متا مدتی پیش از خانواده مدل llama3 رونمایی کرد. مدلی که الان نسخه 70bش از بهترین مدل Claude و یکی از نسخه‌های gpt4 بهتر عمل می‌کنه. حالا اگه بخوایم نسخه 8bش که مدل سبکی هم هست و حتی می‌تونید روی یک رزبری‌پای هم بالا بیاریدش، باید چیکار کنیم؟ (گرافیک قوی‌ای نمی‌خواد و صرفاً نیاز به رم بالای ۸ و یه پردازنده نسبتاً خوب نیاز دارید)
ساده‌ترین روش که تو ویدیو هم دیدیدش برای اجرای یک مدل، استفاده از ollamaست که یه ابزار تحت cliه. اینجوری که از این لینک نسخه مخصوص به سیستم‌عامل‌تون رو دانلود می‌کنید و نصب و بعدش با باز کردن یه پنجره ترمینال و نوشتن
ollama run llama3
نهایتا بعد از دانلود شدن مدل، می‌تونید باهاش چت کنید. برای ollama رابط‌های گرافیکی زیادی موجوده. مثل anythingllm یا open-webui که می‌تونید روی سیستم‌تون اجراشون کنید و ساده‌تر با مدل‌ها چت کنید.
حالا اگه یک محیط کامل(جدا از ollama) و به صورت گرافیکی می‌خواید، می‌تونید از LMStudio استفاده کنید. یه برنامه کامله که بهتون اجازه می‌ده مدل‌ها رو از HuggingFace دانلود کنید و بعد باهاش چت کنید. از مدل‌هایی که vision دارند هم پشتیبانی می‌کنه.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
ساده‌ترین روش که تو ویدیو هم دیدیدش برای اجرای یک مدل، استفاده از ollamaست که یه ابزار تحت cliه. اینجوری که از این لینک نسخه مخصوص به سیستم‌عامل‌تون رو دانلود می‌کنید و نصب و بعدش با باز کردن یه پنجره ترمینال و نوشتن
ollama run llama3
نهایتا بعد از دانلود شدن مدل، می‌تونید باهاش چت کنید. برای ollama رابط‌های گرافیکی زیادی موجوده. مثل anythingllm یا open-webui که می‌تونید روی سیستم‌تون اجراشون کنید و ساده‌تر با مدل‌ها چت کنید.
حالا اگه یک محیط کامل(جدا از ollama) و به صورت گرافیکی می‌خواید، می‌تونید از LMStudio استفاده کنید. یه برنامه کامله که بهتون اجازه می‌ده مدل‌ها رو از HuggingFace دانلود کنید و بعد باهاش چت کنید. از مدل‌هایی که vision دارند هم پشتیبانی می‌کنه.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
This media is not supported in your browser
VIEW IN TELEGRAM
📌هدیه اختصاصی برای اعضای کانال باشگاه فناوران اطلاعات مکانی
سلام دوستان...به نیت همه ی شما عزیزان (اعضای کانال و گروه ) امشب زیارت قبر مطهر پیامبر مهربانی ها حضرت محمد (ص) ❤️ انجام و دو رکعت نماز زیارت به نیابت از شما اقامه شد. امیدوارم به زودی نصیب خودتون بشه.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
سلام دوستان...به نیت همه ی شما عزیزان (اعضای کانال و گروه ) امشب زیارت قبر مطهر پیامبر مهربانی ها حضرت محمد (ص) ❤️ انجام و دو رکعت نماز زیارت به نیابت از شما اقامه شد. امیدوارم به زودی نصیب خودتون بشه.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔴 سومین نسخه از خانواده‌ی مدل‌های زبانی (غیر بزرگ) مایکروسافت (Microsoft Phi-3) منتشر شد.
این مدل زبانی در سه سایز ۳/۸ میلیارد پارامتری (mini)، ۷ میلیارد پارامتری (small) و ۱۴ میلیارد پارامتری (medium) منتشر شده که مدل mini روی ۳/۳ تریلیون توکن و مدل‌های small و medium روی ۴/۸ تریلیون توکن آموزش دیده‌اند
طول متن در مدل mini به‌صورت پیش‌فرض، 4K است اما نسخه‌ی با طول متن 128K نیز با نام phi-mini-128k توسعه داده شده‌ست.
طبق گزارش، عمل‌کرد مدل mini از GPT-3.5 و Mixtral 8x7B بهتر است.
این مدل‌ها، با توجه به کوچک بودن، به‌شدت مناسب اجرا روی موبایل و همچنین Edge Device ها اند.
بلاگ معرفی:
https://news.microsoft.com/source/features/ai/the-phi-3-small-language-models-with-big-potential/
گزارش فنی:
https://arxiv.org/pdf/2404.14219
دانلود مدل‌ها از هاگینگ‌فیس:
https://huggingface.co/collections/microsoft/phi-3-6626e15e9585a200d2d761e3
دموی مدل روی هاگینگ‌فیس:
https://huggingface.co/chat/models/microsoft/Phi-3-mini-4k-instruct
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
این مدل زبانی در سه سایز ۳/۸ میلیارد پارامتری (mini)، ۷ میلیارد پارامتری (small) و ۱۴ میلیارد پارامتری (medium) منتشر شده که مدل mini روی ۳/۳ تریلیون توکن و مدل‌های small و medium روی ۴/۸ تریلیون توکن آموزش دیده‌اند
طول متن در مدل mini به‌صورت پیش‌فرض، 4K است اما نسخه‌ی با طول متن 128K نیز با نام phi-mini-128k توسعه داده شده‌ست.
طبق گزارش، عمل‌کرد مدل mini از GPT-3.5 و Mixtral 8x7B بهتر است.
این مدل‌ها، با توجه به کوچک بودن، به‌شدت مناسب اجرا روی موبایل و همچنین Edge Device ها اند.
بلاگ معرفی:
https://news.microsoft.com/source/features/ai/the-phi-3-small-language-models-with-big-potential/
گزارش فنی:
https://arxiv.org/pdf/2404.14219
دانلود مدل‌ها از هاگینگ‌فیس:
https://huggingface.co/collections/microsoft/phi-3-6626e15e9585a200d2d761e3
دموی مدل روی هاگینگ‌فیس:
https://huggingface.co/chat/models/microsoft/Phi-3-mini-4k-instruct
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
ربات تلگرامی برای جستجو و دانلود پایان نامه های انگلیسی:
@Reportspdfbot
ربات تلگرامی برای جستجو و دانلود پاورپوینت آماده:
@Pdf96bot
نکته: بهتره به زبان انگلیسی موضوع رو بفرستید
#ربات_تلگرامی #ابزار_پژوهش #پایان_نامه #پاورپینت
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
@Reportspdfbot
ربات تلگرامی برای جستجو و دانلود پاورپوینت آماده:
@Pdf96bot
نکته: بهتره به زبان انگلیسی موضوع رو بفرستید
#ربات_تلگرامی #ابزار_پژوهش #پایان_نامه #پاورپینت
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
باشگاه فناوران اطلاعات مکانی
🔴 سومین نسخه از خانواده‌ی مدل‌های زبانی (غیر بزرگ) مایکروسافت (Microsoft Phi-3) منتشر شد. این مدل زبانی در سه سایز ۳/۸ میلیارد پارامتری (mini)، ۷ میلیارد پارامتری (small) و ۱۴ میلیارد پارامتری (medium) منتشر شده که مدل mini روی ۳/۳ تریلیون توکن و مدل‌های…
🔴 کاربردهایی که LLM میتونن در GIS داشته باشند.،
استخراج بینش از داده های مکانی (Extracting insights from spatial data): LLMs می توانند به تجزیه و تحلیل حجم عظیمی از داده های مکانی که از منابع مختلف و جدا از هم در دسترس هستند، کمک کنند. این داده ها می توانند شامل تصاویر ماهواره ای، هوایی، پهپاد یا لیدار و پایگاه های داده جغرافیایی باشند.
پرس و جوی زبان طبیعی (Natural Language Querying): LLMs این امکان را فراهم می سازند که با استفاده از زبان طبیعی سوالات مکان مبنا پرسید و پاسخ بصری (نقشه) دریافت کرد. برای مثال می توان کل مساحت زیر کشت بادام در ایالت کالیفرنیا را روی نقشه مشاهده کرد.
تشخیص الگو و ناهنجاری (Pattern Recognition and Anomaly detection): LLMs را می توان برای شناسایی الگوها و ناهنجاری ها در داده های مکانی آموزش داد. این امر در پیش بینی تغییرات محیطی، نظارت بر زیرساخت ها و کشف فعالیت های غیرقانونی کاربرد دارد.
مدل سازی پیش بینی کننده (Predictive modeling): LLMs قادر به یادگیری از داده های آموزشی برای پیش بینی مکانی پدیده هایی مانند شیوع بیماری، بلایای طبیعی یا الگوهای ترافیکی روزانه هستند.
https://arxiv.org/abs/2401.14192
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
استخراج بینش از داده های مکانی (Extracting insights from spatial data): LLMs می توانند به تجزیه و تحلیل حجم عظیمی از داده های مکانی که از منابع مختلف و جدا از هم در دسترس هستند، کمک کنند. این داده ها می توانند شامل تصاویر ماهواره ای، هوایی، پهپاد یا لیدار و پایگاه های داده جغرافیایی باشند.
پرس و جوی زبان طبیعی (Natural Language Querying): LLMs این امکان را فراهم می سازند که با استفاده از زبان طبیعی سوالات مکان مبنا پرسید و پاسخ بصری (نقشه) دریافت کرد. برای مثال می توان کل مساحت زیر کشت بادام در ایالت کالیفرنیا را روی نقشه مشاهده کرد.
تشخیص الگو و ناهنجاری (Pattern Recognition and Anomaly detection): LLMs را می توان برای شناسایی الگوها و ناهنجاری ها در داده های مکانی آموزش داد. این امر در پیش بینی تغییرات محیطی، نظارت بر زیرساخت ها و کشف فعالیت های غیرقانونی کاربرد دارد.
مدل سازی پیش بینی کننده (Predictive modeling): LLMs قادر به یادگیری از داده های آموزشی برای پیش بینی مکانی پدیده هایی مانند شیوع بیماری، بلایای طبیعی یا الگوهای ترافیکی روزانه هستند.
https://arxiv.org/abs/2401.14192
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
This media is not supported in your browser
VIEW IN TELEGRAM
شما روی تولید ارزش تمرکز کنید...پول با پای خودش میاد.
این مصاحبه سم آلتمن را حتما ببینید.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
این مصاحبه سم آلتمن را حتما ببینید.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔴 واچکانش دانش (Knowledge Distillation) در یادگیری ماشین چیست و چه کاربردی دارد؟
در شرایطی که محدودیت در توان پردازشی داریم (مثلا هنگام توسعه‌ی یک اپلیکیشن موبایل)، دانش موجود در یک مدل یادگیری ماشینِ نسبتا بزرگ، پیچیده و کند (Base Model) را به‌صورت چکیده به یک مدل بسیار ساده‌تر، کوچکتر و سریع‌تر (Target Model) منتقل می‌کنیم به‌نحوی که عمل‌کردی مشابه با مدل اصلی را با هزینه‌ی پردازشی بسیار پایین‌تر داشته باشد. به این کار، واچکانش دانش گفته میشود.
مثلا فرض کنید در حال توسعه‌ی یک مدل تشخیص شیء (Object Detection) برای پیداکردن ره‌گذرهای پیاده و همچنین خودرو‌های موجود در تصویر یک خیابان هستید. قدیم‌تر، برای انجام این تسک، نیاز به آموزش یک مدل Object Detection برروی یک مجموعه‌داده‌ی برچسب‌خورده داشتیم. امروز اما به‌طورمعمول، از مدل‌های بنیادین (Foundation Models) ازپیش‌آموزش‌دیده استفاده میشود که به‌صورت Zero-shot (بدون مشاهده‌ی داده‌ی آموزشی جدید) قابل بهره‌برداری‌اند. مثلا مدل Groundig DINO یا مدل YOLO-World (که به آنها مدل‌های Open Vocabulary Detection هم گفته میشود) یک پرامپت متنی از شما دریافت کرده و شیء(های) متناظر با آن را در تصویر شناسایی می‌کند. مثلا کافی‌ست واژه‌هایی هم‌چون vehicle یا sedan car یا bike یا human یا … را به‌عنوان متن ورودی به آن بدهیم و مدل اشیای مورد نظر را تشخیص می‌دهد.
مشکل این‌جاست که مدل‌های Open Vocabulary Detection، دانش نهفته‌ی زیادی در مورد اشیای مختلف (مثلا اسب و هواپیما و …) دارند که در مسئله‌ی ما بی‌اهمیت‌اند. بنابراین، می‌توانیم با ارائه‌ی پرامپت مناسب به مدل Grounding DINO یک مجموعه تصویر را به‌صورت خودکار برچسب زده و از این مجموعه‌داده‌ی حاصل برای آموزش یک مدل شناسایی شیء ساده‌تر مانند YOLO-NAS یا YOLOv8 استفاده کنیم. در این حالت، بخش مور نیاز ما از دانش موجود در Grounding DINO به‌صورت چکیده به مدل YOLO-NAS منتقل (واچکانی) میشود و می‌توانیم ازین مدل ساده‌تر در پروژه استفاده کنیم.
برای این کار می‌توانید از پکیج autodistill در پایتون استفاده کنید.
pip install autodistill autodistill-grounding-dino autodistill-yolonas supervision
from autodistill_grounding_dino import GroundingDINO
from autodistill.detection import CaptionOntology
from autodistill_yolonas import YOLONAS
PROMPT = “any vehicle”
CLASS = “vehicle”
IMAGES_DIR_PATH = “path/to/images/dir”
DATASET_PATH = ”path/to/store/dataset”
base_model = GroundingDINO(ontology=CaptionOntology({“PROMPT: CLASS}))
target_model = YOLONAS("yolo_nas_s.pt")
base_model.label(input_folder=IMAGES_DIR_PATH, output_folder=DATASET_PATH")
target_model.train(DATASET_PATH, epochs=20)
pred = target_model.predict(DATASET_PATH+”/train/images/image.jpg", confidence=0.5
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
در شرایطی که محدودیت در توان پردازشی داریم (مثلا هنگام توسعه‌ی یک اپلیکیشن موبایل)، دانش موجود در یک مدل یادگیری ماشینِ نسبتا بزرگ، پیچیده و کند (Base Model) را به‌صورت چکیده به یک مدل بسیار ساده‌تر، کوچکتر و سریع‌تر (Target Model) منتقل می‌کنیم به‌نحوی که عمل‌کردی مشابه با مدل اصلی را با هزینه‌ی پردازشی بسیار پایین‌تر داشته باشد. به این کار، واچکانش دانش گفته میشود.
مثلا فرض کنید در حال توسعه‌ی یک مدل تشخیص شیء (Object Detection) برای پیداکردن ره‌گذرهای پیاده و همچنین خودرو‌های موجود در تصویر یک خیابان هستید. قدیم‌تر، برای انجام این تسک، نیاز به آموزش یک مدل Object Detection برروی یک مجموعه‌داده‌ی برچسب‌خورده داشتیم. امروز اما به‌طورمعمول، از مدل‌های بنیادین (Foundation Models) ازپیش‌آموزش‌دیده استفاده میشود که به‌صورت Zero-shot (بدون مشاهده‌ی داده‌ی آموزشی جدید) قابل بهره‌برداری‌اند. مثلا مدل Groundig DINO یا مدل YOLO-World (که به آنها مدل‌های Open Vocabulary Detection هم گفته میشود) یک پرامپت متنی از شما دریافت کرده و شیء(های) متناظر با آن را در تصویر شناسایی می‌کند. مثلا کافی‌ست واژه‌هایی هم‌چون vehicle یا sedan car یا bike یا human یا … را به‌عنوان متن ورودی به آن بدهیم و مدل اشیای مورد نظر را تشخیص می‌دهد.
مشکل این‌جاست که مدل‌های Open Vocabulary Detection، دانش نهفته‌ی زیادی در مورد اشیای مختلف (مثلا اسب و هواپیما و …) دارند که در مسئله‌ی ما بی‌اهمیت‌اند. بنابراین، می‌توانیم با ارائه‌ی پرامپت مناسب به مدل Grounding DINO یک مجموعه تصویر را به‌صورت خودکار برچسب زده و از این مجموعه‌داده‌ی حاصل برای آموزش یک مدل شناسایی شیء ساده‌تر مانند YOLO-NAS یا YOLOv8 استفاده کنیم. در این حالت، بخش مور نیاز ما از دانش موجود در Grounding DINO به‌صورت چکیده به مدل YOLO-NAS منتقل (واچکانی) میشود و می‌توانیم ازین مدل ساده‌تر در پروژه استفاده کنیم.
برای این کار می‌توانید از پکیج autodistill در پایتون استفاده کنید.
pip install autodistill autodistill-grounding-dino autodistill-yolonas supervision
from autodistill_grounding_dino import GroundingDINO
from autodistill.detection import CaptionOntology
from autodistill_yolonas import YOLONAS
PROMPT = “any vehicle”
CLASS = “vehicle”
IMAGES_DIR_PATH = “path/to/images/dir”
DATASET_PATH = ”path/to/store/dataset”
base_model = GroundingDINO(ontology=CaptionOntology({“PROMPT: CLASS}))
target_model = YOLONAS("yolo_nas_s.pt")
base_model.label(input_folder=IMAGES_DIR_PATH, output_folder=DATASET_PATH")
target_model.train(DATASET_PATH, epochs=20)
pred = target_model.predict(DATASET_PATH+”/train/images/image.jpg", confidence=0.5
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
دستاورد بی‌سابقه گوگل و هاروارد: تهیه نقشه سه‌بعدی از یک میلی‌مترمکعب مغز انسان با جزییات دقیق
🔹تیمی از دانشمندان هاروارد و گوگل یک نقشه سه‌بعدی و با تفکیک‌پذیری نانو از یک میلیمتر مکعب از مغز انسان تهیه کرده‌اند. گرچه این نقشه بخش کوچکی از مغز را نشان می‌دهد مغز کامل یک میلیون بار بزرگ‌تر است اما بالاترین تفکیک‌پذیری را در بین تصاویر موجود از مغز انسان دارد.
🔹 دانشمندان برای ساخت این نقشه پرجزئیات مجبور شدند نمونه بافت مغز را به ۵٬۰۱۹ برش با ضخامت ۳۳٫۹ نانومتر تقسیم و آن را با یک میکروسکوپ الکترونی پرسرعت اسکن کنند. آنها از یک مدل یادگیری ماشین استفاده کردند تا این تصاویر را به یکدیگر متصل و اجزاء آن را برچسب‌گذاری کنند.
🔹 دانشمندان برای ساخت این نقشه با موانع زیادی روبرو بودند. اولین مسئله یافتن یک نمونه بافت مغز بود. مغز بلافاصله بعد از مرگ فاسد میشود، پس بافت مرده‌ها مناسب این کار نبود. دانشمندان تکه‌ای کوچک از مغز یک زن مبتلا به صرع را در حین عمل جراحی برداشتند.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
🔹تیمی از دانشمندان هاروارد و گوگل یک نقشه سه‌بعدی و با تفکیک‌پذیری نانو از یک میلیمتر مکعب از مغز انسان تهیه کرده‌اند. گرچه این نقشه بخش کوچکی از مغز را نشان می‌دهد مغز کامل یک میلیون بار بزرگ‌تر است اما بالاترین تفکیک‌پذیری را در بین تصاویر موجود از مغز انسان دارد.
🔹 دانشمندان برای ساخت این نقشه پرجزئیات مجبور شدند نمونه بافت مغز را به ۵٬۰۱۹ برش با ضخامت ۳۳٫۹ نانومتر تقسیم و آن را با یک میکروسکوپ الکترونی پرسرعت اسکن کنند. آنها از یک مدل یادگیری ماشین استفاده کردند تا این تصاویر را به یکدیگر متصل و اجزاء آن را برچسب‌گذاری کنند.
🔹 دانشمندان برای ساخت این نقشه با موانع زیادی روبرو بودند. اولین مسئله یافتن یک نمونه بافت مغز بود. مغز بلافاصله بعد از مرگ فاسد میشود، پس بافت مرده‌ها مناسب این کار نبود. دانشمندان تکه‌ای کوچک از مغز یک زن مبتلا به صرع را در حین عمل جراحی برداشتند.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
باشگاه فناوران اطلاعات مکانی
دستاورد بی‌سابقه گوگل و هاروارد: تهیه نقشه سه‌بعدی از یک میلی‌مترمکعب مغز انسان با جزییات دقیق 🔹تیمی از دانشمندان هاروارد و گوگل یک نقشه سه‌بعدی و با تفکیک‌پذیری نانو از یک میلیمتر مکعب از مغز انسان تهیه کرده‌اند. گرچه این نقشه بخش کوچکی از مغز را نشان می‌دهد…
🔴 فضای لازم برای نگه‌داری نقشه‌ی سه‌بعدی بخشی از مغز به‌بزرگی نصف یک دانه‌ی برنج، ۱/۴ میلیون گیگابایت!!!
این بخش کوچک از مغز (به‌اندازه‌ی نصف یک دانه‌ی برنج)، هنگام جراحی از ناحیه‌ی Cerebral Cortex یک بیمار مبتلا به صرع برداشته شده‌ست. Cerebral Cortex لایه‌ی نازکی (۲ تا ۴ میلیمتر) از ماده‌ی خاکستری است که سطح مغز را می پوشاند و مرکز بسیاری از رفتارهای ارادی بدن و همینطور مرکز پردازش اطلاعات حسی در مغز است. این بخش کوچک از مغز ابتدا به ۵۰۰۰ برش با ضخامت‌های تقریبی ۳۰ نانومتر تقسیم شده و سپس به‌کمک یک میکروسکوپ الکترونی چندپرتویی، طی ۳۲۶ روز، از این ۵۰۰۰ برش، تصویربرداری با رزولوشن بالا انجام شده‌ست. سپس با به‌کارگیری ابزارهای یادگیری ماشین روی این تصاویر، نوع یاخته‌ها و ساختار سه‌بعدی آنها شامل همه‌ی آکسون‌ها، دندریت‌ها و پیوندهای سیناپسی، بازسازی شده‌اند.
نقشه‌ی بازسازی‌شده در قالب یک مجموعه‌داده با بزرگی ۱/۴ پتابایت شامل اطلاعات حدود ۱۵۰ میلیون سیناپس و ۵۷ هزار یاخته (۱۶ هزار یاخته‌ی عصبی، ۳۲ هزار یاخته‌ی گلیال و ۸۰۰۰ یاخته‌ی رگ)، منتشر شده‌ست.
https://h01-release.storage.googleapis.com/gallery.html
🤯🤯 فضای لازم برای نگه‌داری نقشه‌ی سه‌بعدی بخشی از مغز به‌بزرگی نصف یک دانه‌ی برنج، ۱/۴ میلیون گیگابایت!!!
پژوهش‌گران هنگام نقشه‌برداری به یافته‌های جدیدی نیز دست پیدا کردند. مثلا نورون‌هایی وجود دارند که بیش از ۵۰ اتصال سیناپسی با یکدیگر دارند و طبق تحلیل‌های داده‌ای انجام‌شده، این اتصال‌های قوی، تصادفی یا بی‌دلیل نیستند و شاید خاطرات مهم را نگه می‌دارند.
کشف بعدی، آکسون‌هایی‌اند که به‌شکل کلاف برروی سطح یاخته‌های دیگر قرار می‌گیرند و عمل‌کرد آنها ناشناخته‌ست و حتی ممکن‌ست از عوارض بیماری صرع یا داروهای درمانی آن باشد.
پژوهش‌‌های آتی متخصصان علوم اعصاب براساس این نقشه درک بهتری از عمل‌کرد مغز و اختلالات عصبی و همچنین چگونگی شکل گیری حافظه را نشان خواهند داد.
بلاگ‌پست معرفی
https://research.google/blog/ten-years-of-neuroscience-at-google-yields-maps-of-human-brain/
مقاله‌ی چاپ‌شده در مجله‌ی Science
https://www.science.org/doi/10.1126/science.adk4858
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
این بخش کوچک از مغز (به‌اندازه‌ی نصف یک دانه‌ی برنج)، هنگام جراحی از ناحیه‌ی Cerebral Cortex یک بیمار مبتلا به صرع برداشته شده‌ست. Cerebral Cortex لایه‌ی نازکی (۲ تا ۴ میلیمتر) از ماده‌ی خاکستری است که سطح مغز را می پوشاند و مرکز بسیاری از رفتارهای ارادی بدن و همینطور مرکز پردازش اطلاعات حسی در مغز است. این بخش کوچک از مغز ابتدا به ۵۰۰۰ برش با ضخامت‌های تقریبی ۳۰ نانومتر تقسیم شده و سپس به‌کمک یک میکروسکوپ الکترونی چندپرتویی، طی ۳۲۶ روز، از این ۵۰۰۰ برش، تصویربرداری با رزولوشن بالا انجام شده‌ست. سپس با به‌کارگیری ابزارهای یادگیری ماشین روی این تصاویر، نوع یاخته‌ها و ساختار سه‌بعدی آنها شامل همه‌ی آکسون‌ها، دندریت‌ها و پیوندهای سیناپسی، بازسازی شده‌اند.
نقشه‌ی بازسازی‌شده در قالب یک مجموعه‌داده با بزرگی ۱/۴ پتابایت شامل اطلاعات حدود ۱۵۰ میلیون سیناپس و ۵۷ هزار یاخته (۱۶ هزار یاخته‌ی عصبی، ۳۲ هزار یاخته‌ی گلیال و ۸۰۰۰ یاخته‌ی رگ)، منتشر شده‌ست.
https://h01-release.storage.googleapis.com/gallery.html
🤯🤯 فضای لازم برای نگه‌داری نقشه‌ی سه‌بعدی بخشی از مغز به‌بزرگی نصف یک دانه‌ی برنج، ۱/۴ میلیون گیگابایت!!!
پژوهش‌گران هنگام نقشه‌برداری به یافته‌های جدیدی نیز دست پیدا کردند. مثلا نورون‌هایی وجود دارند که بیش از ۵۰ اتصال سیناپسی با یکدیگر دارند و طبق تحلیل‌های داده‌ای انجام‌شده، این اتصال‌های قوی، تصادفی یا بی‌دلیل نیستند و شاید خاطرات مهم را نگه می‌دارند.
کشف بعدی، آکسون‌هایی‌اند که به‌شکل کلاف برروی سطح یاخته‌های دیگر قرار می‌گیرند و عمل‌کرد آنها ناشناخته‌ست و حتی ممکن‌ست از عوارض بیماری صرع یا داروهای درمانی آن باشد.
پژوهش‌‌های آتی متخصصان علوم اعصاب براساس این نقشه درک بهتری از عمل‌کرد مغز و اختلالات عصبی و همچنین چگونگی شکل گیری حافظه را نشان خواهند داد.
بلاگ‌پست معرفی
https://research.google/blog/ten-years-of-neuroscience-at-google-yields-maps-of-human-brain/
مقاله‌ی چاپ‌شده در مجله‌ی Science
https://www.science.org/doi/10.1126/science.adk4858
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
Science
A petavoxel fragment of human cerebral cortex reconstructed at nanoscale resolution
To fully understand how the human brain works, knowledge of its structure at high resolution is needed. Presented here is a computationally intensive reconstruction of the ultrastructure of a cubic millimeter of human temporal cortex that was surgically ...
سلام
دومین دوره کاری آموزی WebGIS در سال جدید با محوریت فریم ورک ها و ابزار های زیر بر گزار میشود:
فریمورک انگولار؛ پایتون و ابزارهای متن باز
فریمورک ریکت پایتون و ابزارهای متن باز
فریمورک Nodejs و ابزار های متن باز
اولویت با افرادی است که تسلط مقدماتی به ابزار های یاد شده داشته باشند.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی
دومین دوره کاری آموزی WebGIS در سال جدید با محوریت فریم ورک ها و ابزار های زیر بر گزار میشود:
فریمورک انگولار؛ پایتون و ابزارهای متن باز
فریمورک ریکت پایتون و ابزارهای متن باز
فریمورک Nodejs و ابزار های متن باز
اولویت با افرادی است که تسلط مقدماتی به ابزار های یاد شده داشته باشند.
🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی