نحوه نوشتن مقاله به انگلیسی
#بخش یازدهم

Use of respectively

‘Respectively’ is an adverb that is often misused by non-native English speakers. It means “in the order given” and should only be used if your sentence would be unclear without it.
Example:
Oxygen, nitrogen and hydrogen detector flows were set at 85, 7, and 4 mL/min, respectively.
The use of respectively here makes it clear that the first gas mentioned goes with the first number, the second gas goes with the second number, and the third gas with the third number.

More examples:
BAD: The two values were 143.2 and 21.6, respectively.
GOOD: The two values were 143.2 and 21.6.
BAD: The two tubes were labeled B and S, respectively.
GOOD: The tubes containing blood and saline were labeled B and S, respectively.



منبع :
http://www.springer.com/gp/authors-editors/authorandreviewertutorials/writinginenglish

مبحث آشکارسازی اشیا به همراه ⁣ویدیو های درس بینایی ماشین دانشگاه استنفورد سال 2016

⁣YOLO
http://pjreddie.com/darknet/yolo/


کدهای موجود در سایت های مختلف برای اشکارسازی اشیا

R-CNN
(Cafffe + MATLAB): https://github.com/rbgirshick/rcnn
Fast R-CNN (Caffe + MATLAB): https://github.com/rbgirshick/fast-rcnn

Faster R-CNN
(Caffe + MATLAB): https://github.com/ShaoqingRen/faster_rcnn
(Caffe + Python): https://github.com/rbgirshick/py-faster-rcnn

#تجربه #مصاحبه_٢٠١٧ #ارمنستان #قبرس #ریجکت #پارشیال_فاند #دکترا #کامپیوتر #دیفر #ترم_بهار
تجربه پذیرش یکی از ایرانی ها برای دکترای امریکا

سلام خدمت همه دوستان. من تجربه ام کمی
طولانیه چون دو بار ریجکت شدم و بار سوم از ارمنستان گرفتم.
بار اول رفتم ارمنستان تاریخ ۱۷ جولای. مدارکم کامل بود ولی سلف فاند دکترا کامپیوتر. با افیسر مو بور مصاحبه داشتم. اول مصاحبه بهم گفت لطفا کوتاه جواب بده. بعد گفت هدفت چیه؟ من شروع کردم راجع به هدف هام گفتن 😆😆😆 ولی بعدش گفت منظورم اینه که کدوم دانشگاه میخوای بری؟ بعد راجع به کارم پرسید که سمتت چیه تو شرکت و اینکه چه ارتباطی بین کارت و دکترات هست که من این رو نتونستم خوب ساپورت کنم. بعد پرسید که برادرت اونجا تو دانشگاه x هست؟ من گفتم بله ایشونم هم f1 هستند و بعد راجع به اینکه چند جا اپلای کردم و کجاها پذیرش گرفتم پرسید. شغل پدر و مادرم رو پرسید. و در نهایت با بند معروف ۲۱۴ رد شدم. 😭😭😭😭
بعد از اولین ریجکتی تمام تلاشم رو کردم که برای فال امریکا باشم. بنابراین اولین وقت خالی که تونستم پیدا کنم تو تاریخ ۲۹ اگوست تو قبرس بود. البته اینم بگم که دوست نداشتم دیگه برم ارمنستان ولی خوب گویا اگر دوباره میرفتم ارمنستان بهتر بود. حالا بگذریم. بعد از ریجکت به استادم گفتم که لطفا یه RP جدید برام بنویسید که توش ارتباط بین کار و ارشد و اونچه که میخوام تو دکترا انجام بدم رو کاملا نشون بده. با RP جدید رفتم قبرس.
روز مصاحبه افیسر پرسید کلاسات الان باید شروع شده باشه؟ و من توضیح دادم بله و من الان به صورت انلاین درسها رو مطالعه میکنم و با استادم در اتباطم. بعد گفت سفر اروپایی یا امریکایی داشتی؟ ازدواج کردی؟ و اینکه ملکی به نام خودت داری؟ که جواب تمام اینها نه بود و بعد گفت متاسفم از نظر من شما کیستون تغییری نداشته. و باز هم ریجکت و مجبور شدم دیفر کنم به بهار.😭😭😭😭
بعد این ریجکت دوباره به استادم ایمیل زدم که من ریجکت شدم و تنها دلیلشم نداشتن فانده. که خدا رو شکر استادم بهم پارشیال فاندی که ۸۰ درصد هزینه ها رو ساپورت میکنه داد.
بعد از تکمیل تمام مدارک دوباره برای ۱۵ نوامبر ارمنستان وقت گرفتم. ( البته این رو هم بگم خواهرم هم برای همین فال رفتند امریکا. ایشون هم f1هستن. حالا دیگه نگرانتر بودم که افیسر بهم گیر بده که برادر و خواهرت جفتشون اونجان و توقصدت مهاجرته)
حالا روز مصاحبه:
وقتی که شماره ام اعلام شد رفتم تو کابینی که افیسر مو بور بود. بعد از سلام و احوالپرسی گفتم خوشحالم که دوباره میبینمتون. صدام رو نشنید و گفت چی؟ گفتم شما قبلا با من مصاحبه کردین. یه لبخندی زد و گفت بذار چک کنم و بعد گفت برو کابین بغل با همکارم مصاحبه شو. اومدم بیرون دیدم افیسر کم مو هست خوشحال شدم. و نشستم تا دوباره شماره ام رو اعلام کرد. رفتم داخل کابین سلام کرد پاسپورت و I20 و سی وی و RP رو گرفت. بعد پرسید:
 چرا دکترا؟ گفتم بعد ارشد تو محیط کار با فیلد x اشنا شدم که دیدم بک گراندم و کارهای ارشدم خیلی تو این زمینه کمک میکنه بنابراین تصمیم گرفتم دکترا بخونم. والبته از ابتدا تصمیم داشتم که دکترا بخونم.
بعد دکترات چه می کنی؟ گفتم بر میگردم به شرکتی که توش کار میکردم میخوام دانشم رو بومی کنم و به همکارام تو شرکت کمک کنم که بتونیم تو زمینه x کار کنیم. اینجا اسم شرکت رو گفت و من هم تایید کردم.
بعد پرسید چرا این دانشکاه و این استاد؟ گفتم اسکایپ کردیم و فیلد هامون خیلی overlap داره.
بعد تبریک گفت که الان فاند دارم و برای بخش سلف فاند ازم bs خواست.
بعد کلی تایپ کرد اینجا دیگه امیدوار شدم که ویزا میگیرم.
بعد تبریک گفت و اینکه روند اداری باید طی بشه. سعی میکنیم تا قبل کلاسات برسی.✌✌✌✌
دوستان یه چند تا نکته
۱-  اینکه کاملا مسلط باشید به جوابهاتون. تو صحبت کردن سعی کنید از دستاتون استفاده کنید که استرس تون کم بشه.
۲- من اول نمیخواستم اسم خواهرم رو تو ds بیارم. ولی اسمش رو نوشتم و هیچ سوالی هم از برادرو خواهر نپرسید.
۳- سعی کنید کاملا اماده باشید. من حقیقتا تو مصاحبه اولم اماده نبودم.
۴- من چون میدونستم که ممکنه افیسر مو بلند یا افیسر کم مو باهام مصاحبه کنه تمام تجربیات بچه ها با این دو نفر رو خوندم و سوالهاشو رو دراوردم. تمرین کردم.
۵- من دکترام تو robotic vision تو کارهای کشاورزی هست. فکر میکردم ممکنه کلمه رباتیک براشون حساس باشه. ولی خوب براش دلیل اماده کرده بودم.
 از صمیم قلب برای همتون ارزوی موفقیت میکنم. من خودم خیلی استرس کشیدم امیدوارم همتون به هدفهاتون برسید. عذر خواهی میکنم طولانی شد. امیدوارم مفید باشه.

منبع کانال اپلای و ویزای امریکا

دانلود رایگان آموزش Deep Learning به کمک ابزار TensorFlow گوگل و پایتون (کلیپ ویدوئویی با حجم 1.5 گیگ شامل 13.5 ساعت ویدئو)

http://www.tutdl.ir/blog/1396/08/12/%D8%AF%D8%A7%D9%86%D9%84%D9%88%D8%AF-%D8%A2%D9%85%D9%88%D8%B2%D8%B4-complete-guide-to-tensorflow-for-deep-learning-with-python/

معرفی #کورس ، #آموزش

Accelerating Deep Learning with GPU (Beta)

https://cognitiveclass.ai/courses/accelerating-deep-learning-gpu/

#deep_learning #GPU

دوستان، دو موقعیت دکتری امنیت نرم افزار دانشگاه UCSB و ASU در زمینه باینری، مهندسی معکوس و تحلیل بدافزار داریم. کسی مایل هست من میتونم معرفی کنم و قرار با استاد ست کنم ک مستقیما صحبت کنید. صرفا باید از توانمندی افراد برای حضور در لبمون آگاه بشم ک با یک سری چالش حله. لطفا اینو واسه دوستان خودتونم ارسال کنید ک در امنیت هستند.
@pwnslinger

معرفی ۷ پایگاه اطلاعاتی

1. پایگاه Elsevier (الزویر) :
پایگاه بزرگ Elsevier یکی از مهمترین پایگاه های نشر منابع دیجیتالی در حوزه های مختلف علوم است. دفتر اصلی این ناشر در کشور هلند قرار دارد. در پایگاه Elsevier حدود 2200 مجله علمی در شاخه های مختلف علوم نمایه شده است. همچنین بیش از 25000 عنوان کتاب در این پایگاه قرار دارد. این پایگاه سرویس های مبتنی بر وب متنوعی را ارائه می دهد که مهمترین آنها عبارتند از: Scopus (اسکوپوس) و Science Direct (ساینس دایرکت).

2. پایگاه Springer (اشپرینگر) :
این پایگاه پس از Elsevier بزرگترین پایگاه علمی در جهان است که دفتر مرکزی آن در کشور آلمان قرار دارد. این پایگاه نیز دارای 1900 مجله علمی نمایه شده و 110000 عنوان کتاب در 26 شاخه مختلف علمی است.

3. پایگاه Wiley (ویلی) :
دفتر مرکزی این پایگاه در کشور ایالات متحده و در ایالت نیوجرسی واقع است. انتشارات Wiley در سال 2010 میلادی با راه اندازی سرویس مبتنی بر وب خود با عنوان Online Library تعداد 1500 عنوان مجله علمی را نمایه نموده است. همچنین حدود 14000 عنوان کتاب نیز از منابع الکترونیکی و آنلاین این پایگاه به شمار می رود. منابع این پایگاه شاخه های مختلف علوم (فنی، پزشکی و...) را شامل می شود.

4. پایگاه Cabi (کابی) :
دفتر مرکزی این موسسه در کشور انگلستان و در شهر آکسفور قرار دارد. این پایگاه معتبرترین پایگاه علمی در موضوع علوم کشاورزی (مهندسی کشاورزی و اقتصاد کشاورزی)، علوم دامی، بیوتکنولوژی و بهداشت و سلامت جهانی است. در این پایگاه حدود 187000 مقاله در زمینه های یاد شده نمایه شده است. همچنین این پایگاه امکان دسترسی به 10 میلیون چکیده مقاله را در موضوعات گفته شده فراهم می سازد.

5. پایگاه Ebsco (ابسکو) :
این پایگاه از تنوع موضوعی و کیفیت محتوایی بالایی برخوردار است و دربر گیرنده سرویس های مبتنی بر وب متنوعی است. بانک اطلاعاتی تمام متن این پایگاه بیش از 9090 عنوان مجله را نمایه نموده است.

6. پایگاه ACS (آ سی اس) :
انجمن شیمی ایالات متحده یکی از معتبرترین انجمن های علمی در علم شیمی است که 64 مجله علمی را نمایه می کند. 163 هزار محقق در علم شیمی از سراسر جهان عضو این انجمن هستند.

7. پایگاه IEEE (آی تریپل ای) :
این موسسه در سال 1884 میلادی در ایالات متحده بوجود آمد. موسسه مهندسان برق و الکترونیک (IEEE) دارای سرویس مبتنی بر وب به نام "Xplore" است که در آن 160 مجله علمی در حوزه برق، الکترونیک و کامپیوتر نمایه می شود. در این پایگاه همچنین مقالات بیش از 1200 کنفرانس بین المللی نمایه می شود. ماهیانه حدود 25000 مقاله به مقالات این پایگاه اضافه می شود.

بچه هایی که دنبال اپلای هستند مطابق پیام قبلی از این دوست عزیز...

دوستانی ک پیش زمینه باینری دارن لطف کنن رزومه بفرستن روی تلگرامم. چون پروژه داریم فرصت اینکه ریسک کنیم زمینه عمومی امنیت بگیریم نیست. همچنین موقعیت کاراموزی و تحقیقاتی نیز مهیاست. ک حالت ویزا J ب خودش میگیره.
به این ای دی پیام دهید فقط لطفا.
@pwnslinger

آینده ی بسیار وحشتناک هوش مصنوعی، ربات پرنده کوچک قاتل مجهز به تشخیص چهره و هدایت خودکار!
#Killer_Drones
فیلم کامل:
https://www.youtube.com/watch?v=TlO2gcs1YvM

نحوه نوشتن مقاله به انگلیسی
#بخش دوازدهم

Spelling

Should you use UK or US spelling? Check the journal’s Instructions for Authors to find out which spelling the journal requires. In many cases the journal will accept either form, just remember to be consistent with the spellings throughout your manunoscript.
US UK
fiber fibre
center centre
labeling labelling
color colour
TIP: Microsoft Word can help you with correct spellings. Simply open your Language preferences and chose either UK or US spelling and ensure “checking spelling as you type” is selected. Misspelled words should now be underlined in red and can be corrected.


منبع :
http://www.springer.com/gp/authors-editors/authorandreviewertutorials/writinginenglish

حضور شرکت های پردازش تصویر در کنفرانس بینایی ماشین و پردازش تصویر ۲۰۱۷
اصفهان

شناسایی تصویر با تطابق هیستوگرامی...

اختتامیه دهمین کنفرانس بینایی ماشین و پردازش تصویر ۲۰۱۷

کاربرد پردازش تصویر در صنعت خودرو .. ارایه دهنده محمد رضا بختیاری از گروه صنعتی ایران خودرو
کنفرانس بینایی ماشین و پردازش تصویر ۲۰۱۷
اصفهان

سخنرانی رئیس انجمن بینایی ماشین و پردازش تصویر ایران در اختتامیه کنفرانس .

برای دوستانی که تمایل دارن opencv را از پایه یاد بگیرند.

این سایت معمولا دو زبانه ارایه می ده کد هاشو

Hi Jalil


This is Satya Mallick from LearnOpenCV.com


Happy Thanksgiving folks! 


Teaching has been one of the most rewarding experiences of my life. I am so thankful that people like yourself follow my blog and find it useful.


Every year during the holiday season, I give back to the community from which I have benefitted greatly. Last year, we gave away 15 copies of the book noscriptd "Deep Learning" to people around the world. Giving produces a virtuous cycle --  people who are receiving a benefit today will someday give back too! 


This year we decided to create something that would benefit a larger number of people. Our last paid course was a huge success and it got us thinking if we can contribute more free and useful content to the community beyond our weekly blog.


So, today we are launching


OpenCV for Beginners


It is a free course for absolute beginners in Computer Vision, Machine Learning and AI. It won't make you an expert, but it will help you get past the biggest hurdle of all -- Getting Started!


How can you help?


It is a free course and I need help from the community to support it. If you join the course and see someone struggling with a problem that you have already solved, please help them out. It would mean a lot to them and we will all be grateful for your effort. 


Computer Vision for Faces


Some of you are eagerly waiting for an update on Computer Vision for Faces. We will open the course for enrollment early next week. Stay tuned!    





Satya

LearnOpenCV.com

پرزنته ماشین بینایی در صنعت خودرو ارائه شده در کنفرانس ماشین بینایی و پردازش تصویر ۲۰۱۷
این فایل همان کاربردهای مورد نیازه صنعت خودرو ایران خودرو.

تعریف های مفاهیم اولیه در علم هوش مصنوعی
مفید و قابل درک

What is ... ?

We live in a world full of buzzwords. In such an information clutter, it is easy for newcomers in the field to be confused by terminology. So today I would like to explain a few terms that some of you may have heard, but may not know exactly what they mean.

Image Processing: When the input and outputs of an algorithm are both images (or videos), they are typically called image processing algorithms. For example, a de-noising algorithm takes as input a noisy image and outputs a noise-free image. This is an example of image processing. Similarly, a compression algorithm takes as image as input and outputs another image ( or file ) that requires fewer bits to represent the content.Computer Vision: When the input to an algorithm is an image or a video, and the output is information, we call it a Computer Vision algorithm. For example, when we use an object detection algorithm to detect cars in an image, it is a Computer Vision algorithm. Similarly, 3D reconstruction using images, face recognition and object tracking are all examples of Computer Vision algorithms. Computer Vision overlaps with the Machine Learning, but there are many parts of computer vision that have nothing to do with Machine Learning. For example, many 3D reconstruction algorithms do not use Machine Learning at all. Computer Vision is sometimes also called Machine Vision or Robot Vision.Machine Learning: Simply put, when data is used to make algorithms smart, it is called Machine Learning. For example, if you are a naive software engineer and want to build a chess playing machine, you would code up various rules on how the machine should act under certain conditions using a series of If..else statements. However, if you are a machine learning engineer, you will collect data consisting of thousands of previous chess games played by grandmasters and then learn what is a good move for a particular chess configuration.Deep Learning: There are many different classes of algorithms in Machine Learning. One class of algorithm is based on Neural Networks. A Neural Network typically has an input layer, an output layer, and one or many "hidden" layers. In an image recognition task, the input layer is the raw pixel values of an image and the output image is a class label (e.g. dog, airplane etc.) that explains the contents of the image. The transformation from the input to the output is learned through the hidden layers. When more than one hidden layers are used, the neural network is called "Deep" and these class of algorithms are collectively called Deep Learning. 
Artificial Intelligence (AI): All algorithms that try to make a machine smart, fall under the broad category of Artificial Intelligence. For example, a sophisticated rule-based chess playing algorithm will also be called AI. Machine Learning algorithms are a subset of AI algorithms that learn from large amounts of data.

We are just getting started in this course. We will learn many interesting concepts once we get the basics taken care of.
منبع:
Learnopencv.com

فروش لپ تاپ مخصوص دیپ لرنینگ و تنسرفلوکارها!

https://lambdal.com/products/tensorbook

نحوه نوشتن مقاله به انگلیسی
#بخش سیزدهم

Punctuation

The colon “:” and semicolon “;” are two punctuation marks that are often misused.
A colon is used to introduce a list or a clause that explains the clause before the colon.
Example:
There are a number of Springer Nature journals that accept manunoscripts dealing with biology: Central European Journal of Biology, Journal of Chemical Biology, Journal of Mathematical Biology, and Journal of Plant Biology.

Semicolons are used in two ways:
To separate two independent clauses (clauses that could be complete sentences by themselves) if you do not use a connecting word like "and" or "while" between them.
To separate items in a list if some items in the list have commas within them. In other words, semicolons are used instead of commas if commas would be confusing.
Example:
The patient was unresponsive; doctors were running everywhere carrying medical equipment.
These two clauses could be separate sentences: "The patient was unresponsive. Doctors were running everywhere carrying medical equipment." However, the semicolon suggests that there is a relationship between these two sentences. You can usually tell from the context what the actual relationship is.

More examples:
She works all day as a nurse in a retirement home; in addition, she is studying in the evenings to become a doctor.
Dr Benaud is a French researcher; however, he lives in Antarctica.
Thousands of mites crossed the barrier from region A to region B every hour; therefore, it was not possible to count all of them.
Our main findings were that uninsured patients are most likely to visit the emergency room for their health care needs; that children, the elderly, and the unemployed are the groups most affected by lack of insurance; and that the uninsured are a heavy burden on hospitals.


منبع :
http://www.springer.com/gp/authors-editors/authorandreviewertutorials/writinginenglish

یک سایت مفید برای بینایی کامپیوتر

http://www.themtank.org/a-year-in-computer-vision