#کامنت های ارزشمند دکتر سید ناصر رضوی در رابطه با یادگیری ماشین و کلیات آن
🌹🌹🌹🌿🌿🌿💭💭💭
❓دوست عزیزی چنین سوالی را مطرح کردند:

سلام دوستان میشه یه ذره از جزییات پروژه های هوش مصنوعی بگید می خوام ببینم دقیقا چه کارای انجام میشه.

✅پاسخ دکتر:

معمولا هر پروژه یادگیری ماشین از دو بخش اصلی تشکیل میشه: «داده‌ها و الگوریتم‌های یادگیری». قسمت پیاده‌سازی الگوریتم‌های یادگیری معمولا بخش ساده کار است و معمولا بخش سخت و پرهزینه همان جمع‌آوری داده‌های خوب برای پروژه است. مثلا فرض کنید می‌خواهید یک خودروی خودران بسازید. فقط قسمت بینایی ماشین نیاز به جمع‌آوری هزاران ساعت ویدیو از رانندگی کردن در جاده‌ها و خیابان‌ها و شرایط گوناگون آب و هوایی داره. هر شرکت به طور تخصصی ابزارهای خاصی برای جمع‌آوری داده‌ها و پاکسازی و آماده‌سازی این داده‌ها برای خودش توسعه می‌ده که اینها در واقع برگ برنده هستند. بعد از این کارها هم که نیاز دارید بارها و بارها مراحل آموزش رو برای داده‌های جمع‌آوری شده اجرا کنید و با ابزارها و دانش بالایی که در این حوزه خاص دارید نتایج رو مورد تجزیه و تحلیل دقیق قرار بدید و با تغییر دادن مقدار ابرپارامترهای الگوریتم یادگیری، دوباره فرایند آموزش رو تکرار کنید و اینقدر این مراحل رو تکرار کنید تا به نتیجه قابل قبول برسید. امیدوارم تا حدی این توضیحات به پرسشتون پاسخ داده باشه.
@Machinelearning_Kartal
❓سوال دیگر؛
سلام.
منابعی معرفی میکنید که چگونگیه استفاده از داده‌هارو یاد بگیرم؟
✅پاسخ دکتر؛

داده‌ها کاملا وابسته و به مسئله هستند و بستگی دارند به این که در چه حوزه‌ای می‌خواهید فعالیت کنید مثلا داده‌های متنی، تصویر، ویدیو، صدا یا داده‌های جدولی. بنابراین منبعی که مختص کار کردن با داده باشه وجود نداره و باید خودتون با درگیر شدن در مسائل مختلف این مراحل رو تجربه کنید. یک گزینه بسیار عالی هم حل کردن چالش‌های کگل هست. در مورد هر مسئله هم کلی راهنمایی و ترفند و نکته از طرف شرکت‌کنندگان وجود داره که می‌تونید یاد بگیرید.

✅توصیه دکتر؛

توصیه می‌کنم به صورت کارآموز در شرکت‌های تخصصی یا آزمایشگاه‌های پژوهشی یک مدت تجربه کسب کنید. البته برای کارآموزری در یک آزمایشگاه پژوهشی استانداردهایی مورد نیاز است که حتما باید داشته باشید ولی گمان می‌کنم کارآموزی در شرکت‌ها ساده‌تر باشه.
✅نحوه وارد شدن به حوزه هوش مصنوعی از زبان دکتر؛
مثلاً با کلاس‌های هوش مصنوعی دانشگاه برکلی شروع کنید. بسیار عالی هستند و تمامی پایه‌های مورد نیز برای هوش مصنوعی رو آموزش می‌دن. البته که خود این دوره‌ها هم بسیار طولانی و شامل مباحث بسیاری هستند.

http://ai.berkeley.edu/home.html

با کانال
https://news.1rj.ru/str/Machinelearning_Kartal/1399
همراه باشید.

خوب فکر کنم دیگه برای هفته دوم اماده هستید. شروع کنیم هفته دوم را به امید بهترین بودن در هوش مصنوعی و گسترش این شاخه در کشور.

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 01 ( multiple features)

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

نکته قابل توجه در انتخاب الگوریتم کلاس بندی براساس تعداد داده ها و ویژگی ها از Andrew NG

@Machinelearning_Kartal

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 02 ( Gradient descent )

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 03 ( GD in practice )

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

#معرفی #وب #سایت
برخی از وب سایت های انگلیسی خوب برای انجام تست و اماده شدن برای تافل و ایلیس

Www.Englishrevealed.co.uk
Www.flo-joe.co.uk
Www.todayschool.es
Examenglish.com

با کانال
https://news.1rj.ru/str/Machinelearning_Kartal/1400

همراه باشید

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 04 ( GD in practice l )

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

💥از کارهای اشتباهم، پشیمان نیستم.

از کارهای خوبی که برای افراد نالایق انجام دادم پشیمانم...

دیالوگی بیادماندنی از فیلم خانه پوشالی (House of Cards)، دیوید فینچر، ۲۰۱۳


🍀 @Ehaam_net

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 05 ( features and PR)

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

#اپلای تایم
پوزیشن برای بچه هایی که تخصص کار کردن روی داده های تصاویر پزشکی و توانایی انالیز تصویر و ویدیو دارند.
PhD Positions in Machine Learning and Computer Vision

Positions: We have openings for 4 PhD positions in the areas of machine learning and computer vision. Two positions focus on cutting edge research in machine learning for medical data (in particular temporal signals such as EEG/iEEG) and the other two positions for image and video analysis. Research topics include the development and analysis of generative models for temporal data, of feedback models that incorporate control signals, and the development of unsupervised/weakly supervised/reinforcement learning methods. Research will be performed in the Computer Vision Group at the University of Bern. Two positions are available from now and two will be available on January 2019 and will be filled as soon as a suitable candidate is found.

Your profile: We are looking for a highly motivated candidate, who is eager to get involved in cutting edge, creative research. You hold a Master of Science in Computer Science, Mathematics or Engineering, with a solid background in computer vision and/or machine learning. You have excellent skills in applied mathematics, in probability theory, and a programming language (e.g., Python, C/C++). You have a solid background in Deep Learning and you are already a proficient programmer in one of the main Deep Learning libraries (e.g., TensorFlow, PyTorch, Caffe). We expect fluent communication skills in English.

What we offer: You will be part of a team of academic researchers working on state of the art technologies for machine learning and computer vision. You will have the chance to contribute to and participate in the international research community. We are located in Bern in the core of Switzerland, one of the cities with the highest quality of life worldwide. You will receive a very competitive salary and be given financial support to attend training courses and international conferences.

Application and further information: Applications must be submitted to Prof Paolo Favaro, email favaro@inf.unibe.ch, with PHD18 in the subject line.

Applications must include in a single pdf file (file size limit of 3MB): CV, BSc and MSc degree certificates and trannoscripts, two reference letters and answers to the questionnaire (follow the instructions at http://www.cvg.unibe.ch/vacancies/position/index.html). For additional files such as theses and publications or other references please add a link in the submitted pdf to a cloud directory and make it accessible.

منبع و اطلاعات بیشتر:
http://www.cvg.unibe.ch/vacancies/position/index.html

با کانال
https://news.1rj.ru/str/Machinelearning_Kartal/1401

همراه باشید

#آموزش
یک نمایش تصویری جالب از نحوه بدست اوردن برخی معیارهای مهم در یادگیری ماشین.
با تشکر از محمد عزیز از گروه یادگیری عمیق
@machinelearning_kartal

#آموزش
مثالی ماتریس کانفیوژن چندکلاسه در یادگیری ماشین.
با تشکر از محمد عزیز از گروه یادگیری عمیق
@machinelearning_kartal

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 06 ( Normal Equation)

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 07 ( Normal Equation l)

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

عشق به هوش مصنوعی یعنی این.
Andrew NG.
@machinelearning_kartal

#تجربه اقدام به گرفتن #سرتیفیکت از سایت #کورسرا
علی اقا از ادمین های گروه اپلای کامپیوتر

من بهار امسال دوره ماشین لرنینگ استنفورد رو ثبت نام کردم

اول درخواست financial aid دادم
بعد نوشت فکر کنم حدود 14 روز طول می کشه تا بررسی بشه
و دوره ای که می خواستم زودتر از این 14 روز شروع می شد
برای همین هزینه رو پرداخت کردم (تا اونجایی که یادمه نوشته بود اگر پرداخت کنید درخواستتون خودبه خود کنسل می شه) و دوره رو شروع کردم

برای تایید مدرک هویتی، پاسپورتم رو فرستادم
بعدش جواب اومد که شما چون نشنالیتی ایران دارید (یک لینک هم از سایت فرستادن که توضیحات تحریم واسم چندتا کشور از جمله ایران بود) ما نمی تونیم مدرک بدیم، اگر می خواهید هزینه پرداخت شده رو برگردونیم
چون با مستر کارت مجازی (بدون قابلیت واریز) پرداخت کرده بودم، امکانش نبود
....
در نهایت من دوره رو با نمره 95/100 گذروندم، ولی سرتیفیکت نگرفتم
ولی مشخصات و هیستوری دوره و... کامل در پروفایلم هست و در صورت نیاز همون رو برای پروف ارایه می دم.
با تشکر و سپاس فراوان از علی اقای عزیز

با کانال
https://news.1rj.ru/str/Machinelearning_Kartal/1402
همراه باشید.

#Learning
N: machine learning (Coursera.org)
T: Scientist Andrew NG
L: English
#Week 2
#Video 08 ( octave)

Send to your friends please.
لطفا به دوستان ارسال کنید

@machinelearning_kartal

این قسمت چون در رابطه با اموزش برنامه نویسی بود و دوستان احتمالا اشنایی دارن به همین خاطر همه فایل ها رو همزمان گذاشتم. تمرین هفته دوم رو انجام دهید و ادامه کورس ( ویدیوهای هفته سوم) را انشالله از فردا به اشتراک می گذارم. با تشکر

#Recommendation

#Andrew_NG strongly recommend for deep learning learners to read a paper which had published on #ArXiv called: " Exploring the Limits of Weakly Supervised Pretraining".

Abstract
State-of-the-art visual perception models for a wide range of tasks rely on supervised pretraining. ImageNet classification is the defacto pretraining task for these models. Yet, ImageNet is now nearly ten years old and is by modern standards small. Even so, relatively little is known about the behavior of pretraining with datasets that are multiple orders of magnitude larger. The reasons are obvious: such datasets are difficult to collect and annotate. In this paper, we present a unique study of transfer learning with large convolutional networks trained to predict hashtags on billions of social media images. Our experiments demonstrate that training for large-scale hashtag prediction leads to excellent results. We show improvements on several image classification and object detection tasks, and report the highest ImageNet-1k single-crop, top-1 accuracy to date: 85.4% (97.6% top-5). We also perform extensive experiments that provide novel empirical data on the relationship between large-scale pretraining and transfer learning performance.

Reference :

https://research.fb.com/publications/exploring-the-limits-of-weakly-supervised-pretraining/
🌿🌿🌿💭💭💭🌹🌹🌹

You can find the paper in the next message.

Your Channel:
https://news.1rj.ru/str/Machinelearning_Kartal/1403

#Paper Exploring the Limits of
Weakly Supervised Pretraining