A Survey of Black-Box #Adversarial_Attacks on Computer Vision Models:

https://arxiv.org/pdf/1912.01667.pdf

Image augmentation for machine learning experiments.


Support for

- Images (full support for uint8, for other dtypes see documentation)
- Heatmaps (float32), Segmentation Maps (int), Masks (bool) May be smaller/larger than their corresponding images. No extra lines of code needed for e.g. crop.
- Keypoints/Landmarks (int/float coordinates)
- Bounding Boxes (int/float coordinates)
- Polygons (int/float coordinates)
- Line Strings (int/float coordinates)

https://github.com/aleju/imgaug

#منبع #کورس
https://github.com/dair-ai/ML-Course-Notes

اصلاحیه:
با pynoscript با زبان پایتون کد سمت کلاینت میزنید،
تقریبا همه چی جز generatorها در پایتون هم ساپورت میشه...

https://betterdatascience.com/pynoscript-intro/

یان گودفلو سرپرست یادگیری ماشین اپل، مبدع GAN و نویسنده کتاب مشهور Deep Learning به خاطر حضوری شدن Apple از دوم خرداد، استعفا داد 😁

https://appleinsider.com/articles/22/05/07/apples-director-of-machine-learning-exits-over-return-to-office-policy

#خبر

✅ رمز عبور را فراموش کنید ❗️


شرکت‌های بزرگ فناوری نظیر اپل، گوگل و مایکروسافت اعلام کرده‌اند به زودی، با کمک روش های جدید احراز هویت و هوش مصنوعی، کاربران دیگر نیازی به رمز عبور برای ورود به حساب‌های کاربری خود نخواهند داشت.

با این روش جدید، کاربر برای اینکه با حساب کاربری خود وارد یک وب‌سایت شود، به گوشی هوشمندش نیاز خواهد داشت تا با تشخیص چهره یا شناسایی اثر انگشت بتواند این کار را انجام دهد.

منبع: Euronews

—————————————
مجموعه دانش بنیان شناسا (داده پویان آلما):
shenasa.ai
shenasa-ai.ir
@shenasa_ai

کانال منابع برنامه نویسی
با مدیریت فارغ التحصیلان کامپیوتر دانشگاه علم و صنعت ایران
@pythony

Transforming the Latent Space of StyleGAN for Real Face Editing

با وجود پیشرفت های اخیر در دستکاری معنایی با استفاده از StyleGAN، ویرایش معنایی چهره های واقعی همچنان چالش برانگیز است. این مقاله با استفاده از stylegan سعی در ویرایش چهره ی واقعی دارد!

https://github.com/AnonSubm2021/TransStyleGAN

Deepfakes are now even more versatile
https://mixed-news.com/en/deepfakes-are-now-even-more-versatile/

مرتبط با https://news.1rj.ru/str/cvision/2536

Dendrites may help neurons perform complicated calculations

https://news.mit.edu/2022/dendrites-help-neurons-perform-0217?utm_source=pocket_mylist

با همکاری آکادمی همراه اول در حال ضبط دوره جدید مقدمات یادگیری ماشین و یادگیری عمیق هستیم...

برای آگاهی از تخفیفهای دوره جدید ما را در اینستاگرام دنبال کنید:
https://www.instagram.com/p/CdYTppiN35V/


لینک پیج اینستاگرام

#منبع #کورس #آموزش
دانشگاه UVA کورسی منتشر کرده که سرفصلهایی توش دیده میشه که عمدتا تو کورسهای دیگه خیلی بیان نشده, مثلا مباحثی نظیر:
GNN, BNN, Dynamics, Causality

دیدن این کورس خالی از لطف نیست
https://uvadl2c.github.io/

پیرامون این مطلب، گروس عبدالملکیان هم گفته: «انسان دو بار به نادانی می‌رسد، یک بار پیش از دانایی و یک بار پس از آن؛ و تنها تفاوتِ این دو در پذیرفتن است.»

https://twitter.com/vision_class/status/1524342928788893698

آموزش جدید سایت کراس:

Text classification using Decision Forests and pretrained embeddings

https://keras.io/examples/nlp/tweet-classification-using-tfdf/

الگوریتم object detector جدید YOLOS در hugging face :

https://huggingface.co/docs/transformers/main/en/model_doc/yolos#transformers.YolosForObjectDetection

گوگل داکس حالا می‌تواند خلاصه‌ی یک متن طولانی را به شما ارائه کند تا لازم نباشد کل یک محتوا را بخوانید! #فناوری
🙏به نقل از : اخبار منتخب

@cvision

Learning Neural Light Fields with Ray-Space Embedding Networks

https://neural-light-fields.github.io/

A great collection of Vision Transformer papers, codes, and websites.

https://github.com/cmhungsteve/Awesome-Transformer-Attention

#vit

Amazon releases 51-language dataset for language understanding

https://www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding?_amp=true

Amazon releases 51-language dataset (including Persian) for language understanding

https://www-amazon-science.cdn.ampproject.org/c/s/www.amazon.science/blog/amazon-releases-51-language-dataset-for-language-understanding?_amp=true

یکی از تسک‌های مهم و آینده‌دار در پردازش زبان طبیعی، فهم چندزبانی (MMNLU) است که به کمک Transfer Learning و Multi-task learning به یک مدل یادگیری ماشین واحد اجازه می‌دهد representation مشترکی برای زبان‌های مختلف (حتی با دیتای محدود به ازای بعضی از زبان‌ها) یاد بگیرد. از چنین مدلی می‌توان در ساخت چت‌بات‌ها و دستیارهای صوتی چندزبانه استفاده کرد.
دو مسئله اصلی در ساخت سیستم‌های NLU مسئله‌های intent classification و slot filling است. مثلا وقتی سیستم با عبارت «برای تعطیلات آخر هفته یک اتاق در هتل هیلتون استانبول رزرو کن» روبه‌رو می‌شود، intent در اینجا «رزرو هتل» و slot ها عبارتند از:
{زمان: تعطیلات آخر هفته، مقصد: استانبول، محل اقامت: هتل هیلتون}

دیتاست جدید Amazon موسوم به MASSIVE حدود ۱۷۰۰۰ عبارت یکسان به ازای ۵۱ زبان مختلف از جمله فارسی به تفکیک intent و slotها دارد.