📣 شروع جلسه تا ۲۰ دقیقه دیگر

🔰 از علاقه‌مندان تقاضا می‌شود با توجه به محدودیت فضا و رعایت نظم جلسه، ۵ دقیقه قبل از شروع جلسه در سالن حضور به هم برسانند.

📆 زمان: دوشنبه، ۱۸ اردیبهشت ماه ۱۴۰۲ ساعت ۱۳
📍 مکان: دانشکده کامپیوتر دانشگاه علم و صنعت، طبقه دوم، اتاق دفاعیه دکتری

➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

🔰 امکان آپلود پاسخ برای تیم‌های زیر فراهم شد.
Fsociety
Black Jaguar
میراث
Machinist
lonely Witcher
SuperEpoch
نکات تکمیلی:
• آپلود پاسخ تنها پس از تشکیل یا عضویت در تیم ممکن است. در صورتی که حتی قصد دارید به صورت انفرادی در مسابقه شرکت کنید یک تیم تک نفره تشکیل دهید.

• در صورتی که هزینه توسط شما پرداخت شده ولی نام تیم شما در لیست نیست در گروه مشکلات ثبت نام پیام خود را قرار دهید.

https://news.1rj.ru/str/+NFjGczE7s9hlY2Y0
➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

🔰 نصب بازی بر روی سیستم عامل اوبونتو تست شده است و اگر برای نصب مشکل دارین می‌توانید از این داک استفاده کنید.

➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

🔰 تغییر در تاریخ برگزاری

🔰 تاریخ بازی دوستانه بوکس:
دوشنبه، ۲۵ اردیبهشت ساعت ۵ عصر، مکان هاب دانشکده کامپیوتر
جهت اعلام آمادگی برای شرکت در بازی دوستانه، نام تیم خود را در لینک زیر وارد کنید: https://formaloo.com/mxmnq

🔰 تاریخ روز نهایی مسابقات:
هفته اول خرداد ماه، مکان: هاب دانشکده کامپیوتر

🔰 پایان مهلت ثبت نام مسابقه

آخرین مهلت ثبت نام و پرداخت هزینه تیم‌ها در مسابقه: ۲۹ اردیبهشت‌ماه ساعت ۲۴

📣 کنفراس پایانی مسابقات یادگیری ماشین

با ارائه شرکت امن پرداز
با موضوع: کاربرد هوش مصنوعی در تشخیص بد‌افزار‌ها و امنیت‌ سیستم‌های کامپیوتری

🤩 همراه با معرفی محصول جدید [آینه هوشمند] 🤩
🥮 همراه با پذیرایی و ارائه یادبود از شرکت امن افزار 📙✒

💢 مناسب برای دانشجویان کارشناسی و کارشناسی ارشد

📆 زمان: دوشنبه، ۲۵ اردیبهشت ماه ۱۴۰۲ ساعت ۱۳
📍 مکان: دانشکده کامپیوتر دانشگاه علم و صنعت، طبقه دوم، اتاق دفاعیه دکتری
➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

📣 رسیدن آینه هوشمند Augmented Reality (AR) به دانشکده کامپیوتر دانشگاه علم و صنعت

💢 نصب در محل کنفرانس ارائه شرکت امن پرداز

🤩 همراه با معرفی محصول جدید [آینه هوشمند] 🤩
🥮 همراه با پذیرایی و ارائه یادبود از شرکت امن افزار 📙✒💢 مناسب برای دانشجویان کارشناسی و کارشناسی ارشد

📆 زمان: دوشنبه، ۲۵ اردیبهشت ماه ۱۴۰۲ ساعت ۱۳📍 مکان: دانشکده کامپیوتر دانشگاه علم و صنعت، طبقه دوم، اتاق دفاعیه دکتری

➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

📣 نصب آینه هوشمند Augmented Reality (AR) در دانشکده کامپیوتر دانشگاه علم و صنعت

🤩 نصب محصول جدید [آینه هوشمند] 🤩
📍 مکان: دانشکده کامپیوتر دانشگاه علم و صنعت، طبقه دوم، اتاق دفاعیه دکتری

➖➖➖➖➖➖➖➖➖➖➖➖
@IUSTMLChallenge | LinkedIn | Web

🔰 اطلاعیه مسابقات یادگیری ماشین دانشگاه علم و صنعت
#شماره۱


1⃣ همانطور که در هفته گذشته اعلام شد، روز پایانی اولین دوره مسابقات، روز دوشنبه مورخ ۱ خرداد ۱۴۰۲ خواهد بود.

2⃣ تمامی تیم‌ها میبایست کد‌های خود را تا تاریخ ۳۱ اردیبهشت ساعت ۲۴ در محلی که متعاقبا اعلام خواهد شد بارگزاری کنند.

3⃣ در مسابقه‌های برنامه نویسی ژنتیک و تشخیص فایل ویروس‌، در روز مسابقه از ساعت ۹ صبح داده‌های آزمون بر روی وبسایت قرار داده خواهد شد و جدول رده بندی مسابقات دوباره تشکیل خواهد شد. رتبه بندی تیم‌ها بر اساس نتایج آن‌ها برروی مجموعه داده تست انجام خواهد شد.

4⃣ شرکت کنندگان در مسابقه بوکس علاوه بر آپلود کد‌های خود میبایست پکیج‌های مورد استفاده خود را در غالب یک فایل requirements.txt بارگزاری کنند. اگر این بارگزاری سریع‌تر اتفاق بیافتد شرکت کنندگان می‌توانند با در خواست در گروه مسابقات در بخش RL، اجرای کد خود را در بستر اجرای مسابقه تست کنند و از خطا‌های احتمالی جلوگیری کنند.

5⃣ فرمت کد‌ها جهت آپلود متعاقبا اعلام خواهد شد.

6⃣ مراسم روز پایانی مسابقه در ساعت ۱۶ روز دوشنبه آغاز خواهد شد.

لطفا جهت هماهنگی بیشتر تا روز پایانی مسابقه اطلاعیه‌ها را با دقت دنبال کنید.

🔰 برای پرداخت هزینه ثبت نام تنها تا ۲۹ اردیبهشت‌ماه مهلت دارید.
#شماره۲
برای ثبت به لینک زیر مراجعه فرمایید:
https://formaloo.com/iustmlchallenge

🔰 اطلاعیه مسابقات یادگیری ماشین دانشگاه علم و صنعت
#شماره۳

فرمت کد‌های مسابقه Box
پس از آموزش الگورتیم خود، کد‌های خود را به دو بخش تقسیم کنید. یک فایل و یک فولدر با نام مختصر تیم خود به صورت زیر:
fighter_<teamname>.py
brain_<teamname>
فایل fighter_<teamname>.py تنها شامل یک تابع به نام
fight_<teamname>(necessities): -> int
است که ورودی آن necessities همان خروجی تابع
parallel_env.step(actions)
یک تاپل از
(observations, rewards, terminations, truncations, infos)
خواهد بود.
خروجی تابع شما در واقع action انتخابی شما بر اساس اطلاعات محیط که در ورودی این تابع دریافت کرده‌اید می‌باشد. مقدار اکشن شما باید یک عدد صحیح بین [۱۷ و ۰] باشد.
سایر فایل‌ها و توابع مورد نیاز شما باید در فولدر
brain_<teamname>
باشد.

مسابقه Box در سه راند اجرا خواهد شود بنابراین می‌توانید استراتژی‌های مختلفی برای هر راند اتخاذ کنید.