في هذا الفيديو، أقدم شرحًا عميقًا وتحليليًا لنماذج الانتشار، Diffusion Models، التي تعد من الركائز الأساسية في علم الذكاء الاصطناعي الحديث، وخاصة الذكاء الاصطناعي التوليدي Generative AI. سأستعرض الأفكار الأساسية الملهمة لفكرة نماذج الانتشار، كيفية تصميمها وتدريبها، وأهميتها كجزء أساسي في العديد من نماذج الذكاء الاصطناعي التوليدية الحديثة مثل GPT-4 Omni، DALL-E ، وImagen و Sora و غيرها. سنركز بشكل خاص على تلك التي تمتلك إمكانية توليد وفهم الصور.
في هذا الفيديو، سأشرح بالتفصيل ثلاث أوراق علمية أساسية قدمت أفكار نماذج الانتشارDiffusion Models للعالم:
1. “Deep Unsupervised Learning using Nonequilibrium Thermodynamics” (2015) من تأليف Sohl-Dickstein وآخرين.
2. “Denoising Diffusion Probabilistic Models” (2020) من تأليف Jonathan Ho وآخرين.
3. “Improved Denoising Diffusion Probabilistic Models” (2021) من تأليف Alex Nichol وآخرين.
سأناقش كيفية تطور هذه الأفكار، وأثرها العميق في تطوير خوارزميات الذكاء الاصطناعي، وكيفية تطبيقها في التعلم الآلي Machine Learning وتعلم الآلة العميق Deep Learning . هذا الفيديو مثالي لأي شخص مهتم بفهم الأصول النظرية الرياضياتية والتطبيقية لنماذج الانتشار وكيفية استخدامها في توليد الصور Image Generation وفهمها.
#نماذج_الانتشار، #Diffusion_Models، #الذكاء_الاصطناعي، #AI، #الذكاء_الاصطناعي_التوليدي، #Generative_AI، #Machine_Learning، #Deep_Learning، #توليد_الصور، #Image_Generation، #الأوراق_العلمية، #Research_Papers. #بالعربية_نرتقي #بالعربية #بالعربيو
انصح بشدة متابعة الفيديوهات التالية قبل مشاهدة هذا الفيديو
• ما هو الذكاء الاصطناعي...
• التوزيع الاحتمالي الطبيعي
للتواصل:
/ zjoukhadar
/ zjoukhadar
8 окт 2024
