20 Years of Tech Startup Experiences in One Hour
https://www.youtube.com/watch?v=2uygOz2fORo

#وبینار_رایگان object detection

تشخیص اشیا یک روش بینایی کامپیوتر برای تعیین نوع و مکان اشیا در تصاویر یا فیلم ها است. بر خلاف بازشناسی اشیاء در این دسته از الگوریتم‌ها ممکن است چند شئ مختلف در تصویر وجود داشته باشد که به جای برنده اعلام کردن تنها یک شئ باید تمام اشیاء داخل تصویر را تشخیص داده و مکان دقیق آن‌ها را مشخص کنیم. از مهم ترین کاربردهای الگوریتم های تشخیص اشیا در خودروهای بدون سرنشین است، اما این فناوری در زمینه های مختلف دیگر نظیر نظارتی، تحلیل تصاویر پزشکی و سایر زمینه ها کابرد دارد.

دوره تشخیص اشیا، از ششم تیرماه توسط آکادمی ماد برگزار خواهد شد. ثبت نام در این دوره رایگان بوده و افراد براساس رزومه‌های ارسالی انتخاب خواهند شد.
جهت ثبت نام و کسب اطلاعات بیشتر به آدرس زیر مراجعه نمایید:

http://maadcenter.com/object-detection-resume

#objectdetection #ai #artificialintelligence #convolutionalneuralnetwork #tenserflow #bootcamp #technology
#شبکه_های_عصبی
➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.

@eventai

#کورس جدید تنسرفلر
New Courses: Machine Learning Engineering for Production
https://blog.tensorflow.org/2021/06/mlep-courses.html

#کاراموزی
https://www.instagram.com/p/CPvTmbHADB2/?utm_medium=copy_link


مجموعه دانش بنیان شناسا کاراموز می پذیرد...

#ترب #چالش #مسابقه #دیتادیز

🔺 دیتادیز یک مسابقه با محوریت یک مساله ماشین لرنینگی است که هر سال توسط انجمن علمی دانشکده کامپیوتر دانشگاه شریف برگزار می‌شود.
اسپانسر رویداد امسال دیتا دیز موتور جستجوی ترب هست و مساله مسابقه امسال ارائه الگوریتم‌های مبتنی بر فیدبک کاربر برای رنکینگ محصولات است که به ان learning to rank نیز گفته می‌شود.

🔶 معرفی کامل و جامع مسئله مورد بررسی در رویداد امسال و توضیحات درباره روند مسابقه و نحوه داوری برگزاری رویداد را در این ویدیو می‌توانید مشاهده کنید.
جایزه مسابقه برای تیم اول ۲۴ میلیون، تیم دوم ۱۲ میلیون، تیم سوم ۶ میلیون و تیم چهارم ۳ میلیون است.

🔶 توصیه میکنیم شرکت در این چالش رو از دست ندید. برای ثبت‌نام در مسابقه به سایت datadays.ir مراجعه کنید.

➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.

@eventai

دوستان تا شنبه رزومه ها بررسی خواهد شد.
دوستانی که تمایل دارند واحد کاراموزی دانشگاهی بردارند میتوانند در کاراموزی غیر عمومی شرکت کرده و موضوعات دیگری به ایشان داده خواهد شد

◀️ عنوان سخنرانی:
Differentially Private Algorithms for Online Learning

👤 سخنران:
Dr. Rachel Cummings (Assistant Professor at the Department of Industrial Engineering and Operations Research at Columbia University)

📆 تاریخ سخنرانی: سه شنبه ۲۵ خرداد ماه ۱۴۰۰
⏰ساعت ۱۷:۰۰ الی ۱۸:۳۰

📍 محل برگزاری:
https://vc.sharif.edu/ch/ie-seminar

➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.

@eventai

NLP Talk Series (2)

Title:
Generationary and Exemplification Modeling: Going Beyond Word Sense Disambiguation by Generating Definitions and Usage Examples

by Professor Roberto Navigli
Sapienza University of Rome

Time:
Wednesday, June, 23, 2021
16.30 (GMT 4.30+) Tehran time

Add to your calendar: https://add.eventable.com/events/60bf09a68ee339555ce15760/60c049b28ee33917e969f4cc

Link :
http://nlp.sbu.ac.ir/webinars

Zoom Direct Link : https://zoom.us/webinar/register/WN_O4vdU-jhRzuHeqA3OSwkGg


Website: nlp.sbu.ac.ir

youtube: https://www.youtube.com/channel/UCfkgTLkAqG5CL9a7tketaNQ

➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.

@eventai

دوستانی که سوال میپرسند کورس تطبیق چهره پیاده سازی مقالات معروف را دارد یا خیر،
ویدیوهای زیر از این کورس ممکنه پاسخ به سوالشون باشه:

۸ - یادگیری یک مرحله‌ای (one-shot) و چند مرحله‌ای (few-shot)
One-Shot Learning and few-shot learning

۹ - شبکه‌های عصبی سایامیس
Siamese neural networks

۱۰ و ۱۱ و ۱۲ - پیاده سازی شبکه‌های سایامیس (قسمت ۱ و ۲ و ۳)
Implementation of Siamese networks

۱۳ - سایر کاربردهای شبکه های سایامیس
Other uses of Siamese networks

۱۴ - تابع زیان تریپلت
Triplet loss

۱۵ - پیاده سازی تابع زیان تریپلت در تنسرفلو/کراس
Implementation of Triplet Loss in Tensorflow / Keras

۱۶ - بصری سازی لایه‌ی بازنمایی
Visualization of representation layer

۱۷ - خلاصه تابع زیان تریپلت
Summary of Triplet loss

۱۸ - ویژگی های افتراقی و ویژگی های قابل تفکیک جداپذیر
Discriminative features and separable features

۱۹ - تابع Center Loss
Center loss function

۲۰ - پیاده سازی Center Loss در تنسرفلو/کراس
Implementation of Center loss in Tensorflow / Keras

۲۱ - خلاصه Center Loss
Summary of Center Loss

۲۲ - تابع زیان SphereFace
SphereFace loss function

۲۳ - تابع زیان AMSoftMax
AMSoftMax loss function

۲۴- تابع زیان ArcFace
ArcFace loss function

۲۵- مقاله‌ی AdaptiveFace
AdaptiveFace paper

📢🎉یک کوپن 150 هزار تومانی تا انتهای ماه جاری برای دوستان کانال فعال شد که به انتخاب خودتان برای هر یک از کورس های آفلاین ضبط شده ی سایت می‌توانید استفاده کنید:

coupon01

http://class.vision

اطلاعات کورس ها:
https://news.1rj.ru/str/cvision/2285

با سلام.
سیستم پرداخت سایت با مشکلی مواجه شده بود که برخی از دوستان با خطای عدم تطابق اطلاعات مواجه میشدند.
این مشکل مرتفع شد و به همین علت این کد ۵ روز تمدید شد.

#آگهی_شغلی #استخدام
https://jobinja.ir/companies/taaghche/jobs/R6yd

بخش تمارین کورس آفلاین دوره مقدماتی در گیت هاب آپدیت شد:

https://github.com/Alireza-Akhavan/SRU-deeplearning-workshop/tree/master/homework

"Deep Learning for AI"
A paper and accompanying video by Yoshua Bengio , Geoffrey Hinton, and Yann LeCun in Communications of the ACM about our vision for the future of AI.

Video:
https://vimeo.com/554817366

Paper:
https://cacm.acm.org/magazines/2021/7/253464-deep-learning-for-ai/fulltext


.

کانال خوبی در مورد معرفی رویدادهای مرتبط با هوش مصنوعی

@eventai

ابزار لیبل زنی متن باز

https://labelstud.io/

#آگهی_جذب #آگهی_شغلی
https://www.e-estekhdam.com/ksg2ev

مبحث gradient accumulation در شبکه های کانولوشنی وقتی مطرح میشه که نیاز داریم برای ترین شبکه سنگینمون بچ سایز های بالا بدهیم ولی محدودیت در رم GPU داریم؛ در اینجا مثل sub division در دارک نت میتوانیم پس از دیدن تعداد دلخواهی بچ وزن هارو آپدیت کنیم. پیاده سازی برای کراس و پایتورچ:
https://github.com/run-ai/runai/blob/master/runai/ga/README.md

یه مسله ای که این روش داره اینکه با Batch Norm مشکل داره. اطلاعات batch رو خیلی سخت میشه accumulate کرد چون توی فورارد mean و std رو اپدیت میکنه همچنین چون حتما سایز Batch کوچیکه خیلی تقریبی میشه (batch norm کلا تو batch کوچیک خوب کار نمیکنه). توی این جور مسایل معمولا از Group Norm استفاده میشه که به batch وابستگی نداره. و مشکلی ایجاد نمی کنه. کلا تو مدل های حجیم که distributed ترین میشن هم Batch Norm مشکل ایجاد میکنه به خاطر همینه مدل های Transformer بیس اکثرا از Layer norm و group norm استفاده می کنند.

می تونید روش Gradient Checkpointing رو هم تست کنید که اجازه میده batch بزرگ تر استفاده کنید ولی یکم سرعت رو کم می کنه (فقط در ترین کردن)