#آموزش #منابع #دانلود_کورس

دانلود دوره یادگیری عمیق مایکروسافت

http://muniversity.ir/deep-learning-explained/

🙏 Thanks to: @muniversity_ir

منابع مفید برای شروع #یادگیری_تقویتی
#مسیر_یادگیری، #منابع، #کورس

⭕️Resources for #Reinforcement_Learning:

Wikipedia Article for General Info on Reinforcement Learning

https://stackoverflow.com/questions/43288550/iopub-data-rate-exceeded-when-viewing-image-in-jupyter-notebook

Simpler Reinforcement Learning API with #Keras. It's a lot easier to play with this than manually implement techniques in #TensorFlow.

https://github.com/matthiasplappert/keras-rl

Huge Repo of Implemented RL Algos:

https://github.com/dennybritz/reinforcement-learning

#Berkeley #Course on RL and DL:

http://rll.berkeley.edu/deeprlcourse/

Nice Series of Articles on RL:

https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part-0-q-learning-with-tables-and-neural-networks-d195264329d0

Some great books on RL:

* Richard S. Sutton and Andrew G. Barto. Reinforcement Learning.
* Stuart J. Russell and Peter Norvig. Artificial Intelligence. A Modern Approach.
* Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning.

#آموزش
Understanding Hinton’s Capsule Networks.

✔Part I: Intuition [ https://b64.ir/fy2 ]
✔Part II: How Capsules Work [ https://b64.ir/gRQ ]
✔️Part III: Dynamic Routing Between Capsules [https://b64.ir/c0X]
مرتبط با:
https://news.1rj.ru/str/cvision/355
https://news.1rj.ru/str/cvision/362
https://news.1rj.ru/str/cvision/363
https://news.1rj.ru/str/cvision/379

#CapsNet #Hinton #Deep_learning

#وبینار
Capsule Theory – A Boon for Deep Learning or Distraction?
Capsule Theory Webcast
on Dec 7th, 15:00 Amsterdam Time

http://tarrysingh.com/capsule-theory-boon-deep-learning/

#capsnet

#مقاله جدید از فیسبوک، برای آموزش بدون ناظر شبکه برای ترجمه متون!
Unsupervised Machine Translation Using Monolingual Corpora Only

در روشهای قبلی آموزش یک شبکه بازگشتی برای ترجمه متون، مجبور بودیم جفت جملات هم معنی بسیاری از زبان های مبدا و مقصد به شبکه نشان دهیم. در این مقاله روشی مطرح گردیده که نیازی به هیچ ترجمه متناظری از جملات نبوده و شبکه بدون ناظر میتواند برای ترجمه از زبانی به زبان دیگر آموزش ببیند.
این روش جملات را از زبانهای مختلف می گیرد و آنها را در یک فضای دیگر تبدیل میکند. با یادگیری برای بازسازی هر زبان از این فضای ویژگی مشترک، مدل به طور موثر یاد می گیرد بدون ناظر و label زبان مبدا را به زبان مقصد ترجمه کند.

https://arxiv.org/abs/1711.00043

#deep_learning #unsupervised #NLP #Translator #Translation

پروفسور جفری هینتون و سارا صبور، دانشجوی ایرانی ایشان و نویسنده ی اول مقاله شبکه های کپسولی.
#CapsNet #Hinton #deep_learning
https://arxiv.org/abs/1710.09829

#خبر

الگوریتم هوش مصنوعی استنفورد برای تشخیص تمایلات سیاسی هر منطقه، تنها با استفاده از تصاویر street view گوگل و نوع خودروهای هر منطقه:

https://news.stanford.edu/2017/11/28/neighborhoods-cars-indicate-political-leanings/

با سلام و وقت بخیر

به یاری خدا دوره‌ی یادگیری عمیق و تنسورفلو به مدت ۶ هفته در دانشکده کامپیوتر دانشگاه علم و صنعت ایران برگزار شد.
لینک زیر حاوی تمامی محتوای ارائه شده در این دوره است.
خلاصه‌ای از مطالب بیان شده:
- مقدمه‌ای بر یادگیری عمیق با تنسورفلو
- نحوه آموزش شبکه‌های عصبی (Backpropagation - Gradient Based Optimization Methods)
- مقدمه‌ای بر شبکه‌های کانولوشنال (Convolutional Neural Networks)
- مقدمه‌ای بر شبکه‌های برگشتی (Recurrent Neural Networks)
- مقدمه‌ای بر کاربرد یادگیری عمیق در پردازش زبان طبیعی
- بررسی TensorBoard
- مقدمه‌ای بر Word2Vec و آموزش بردارهای Word2Vec فارسی با استفاده از Gensim، Hazm و ویکی‌پدیا فارسی
- مقدمه‌ای بر مدل‌های Seq2Seq
- مقدمه‌ی پردازش گفتار و کاربرد یادگیری عمیق در پردازش گفتار
- مقایسه ابزارها و چارچوب‌های یادگیری عمیق
- مقدمه‌ای درباره‌ی Generative Adversarial Networks
در لینک زیر موارد زیر را خواهید یافت:
- اسلایدهای ارائه شده در کلاس
- لینک‌های مفید برای مطالعه بیشتر، بسیاری از محتوای موجود در اسلایدها در همین لینک‌ها وجود دارند.
- مخازنی از گیت‌هاب که حاوی کدها و مطالب مفید مرتبط با آن جلسه هستند.
- ویدئوهای ضبط شده از صفحه نمایش در هنگام ارائه
- کدهای توضیح داده شده در طول دوره

با احترام

https://github.com/Mahdizade/IUSTDeepLearningWithTensorFlow

#خبر
Nvidia Makes Breakthrough In Reducing AI Training Time

http://www.tomshardware.com/news/nvidia-breakthrough-reducing-ai-training-time,36045.html

#deep_learning #gan #nvidia

#دیتاست #face
محققان دانشگاه آکسفورد ورژن 2 دیتاست VGGFace را با 3.31میلیون تصویر از 9131 فرد مختلف ارائه کردند.
این تصاویر با کمک سرچ تصویر گوگل جمع آوری شده و در تغییرات مختلف برای هر فرد نظیر سن، جهت، نو و ... هستند.
این دیتاست شامل افرددا مختلفی نظیر سیاست مداران، ورزشکاران، بازیگران و ... است و به طور تقریبی از هر فرد 362 تصویر مختلف موجود است.

🔗VGGFace2 Dataset:
http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/


🔵Pretrain models:
🔗Caffe model:
http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/vggface2_caffe_model.tar.gz
🔗MatConvNet model:
http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/vggface2_matconvnet_model.tar.gz

#خبر

#ONNX: Open Neural Network Exchange
ماکروسافت، آمازون ، فیس بوک و چند شرکت مطرح دیگر در یادگیری عمیق برای فرمت مشترک مدل‌ها دست به کار شدند که توسعه دهندگان بتوانند به راحتی از مدل های ایجاد شده در هر یک از این فریم ورک ها در فریم ورک دیگر استفاده کنند.
در حال حاضر ابزارهای Caffe2، PyTorch، Microsoft Cognitive Toolkit، Apache MXNet در حال توسعه پشتیبانی از ONNX هستند.

🔗 https://onnx.ai/about
🔗 https://github.com/onnx/onnx

@CVision

#خبر

[pic: http://bit.ly/2nKom5U ]

علاوه پشتیبانی cross-platform برنامه های هوش مصنوعی موبایل توسعه داده شده با تنسرفلو لایت که قابلیت اجرا در ios را هم داشتند؛
اخیرا با همکاری اپل امکان جدیدی برای توسعه دهندگان ios فراهم شد! از این پس استفاده از مدلهای توسعه داده شده در Tensorflow Lite در Core ML شرکت اپل برای توسعه دهندگان IOS نیز مقدور خواهد بود.

IOS CoreMl:
https://developer.apple.com/machine-learning/

Announcing Core ML support in TensorFlow Lite:
https://developers.googleblog.com/2017/12/announcing-core-ml-support.html

TensorFlow to CoreML Converter:
https://github.com/tf-coreml/tf-coreml

pypi package for pip install:
https://pypi.python.org/pypi/tfcoreml/0.1.0

#tensorflow_lite

آموزش راه رفتن توسط هوش مصنوعی با یادگیری تقویتی
Teaching Artificial Intelligence to Run (#NIPS2017)

#deep_learning #Reinforcement_Learning
@CVision

لینکهای مرتبط:

◽️About challenge:
NIPS 2017: Learning to Run
Reinforcement learning environments with musculoskeletal models
🔗 https://www.crowdai.org/challenges/nips-2017-learning-to-run

◽️Medical application:
Stanford bioengineers encourage virtual competitors to vie for a different kind of athletic noscript

🔗 https://news.stanford.edu/2017/08/07/virtual-competitors-vie-different-kind-athletic-noscript/

حرکات فضایی آلفا زیرو، قدرت هوش مصنوعی و یادگیری ماشینی رو به رخ شطرنج بازها - و بقیه - می‌کشه

برنامه جدید دیپ مایند نه فقط فوق العاده و قابل تطابقه، که کمی هم عجیبتر از اون چیزی شده که انتظارش رو داشتیم. گروه دیپ مایند توی مقاله جدیدشون برنامه جدید یادگیرنده بازی ای رو که توسعه کردن توضیح می دن، این برنامه تونسته شطرنج و یک بازی ژاپنی رو بعد از یاد گرفتن بازی گو یاد بگیره.

دمیس حسابیس که مدیر دیپ مایند (و البته موسس) است و خودش هم شطرنج باز است می گه برنامه حرکاتی انجام می ده که برای یک شطرنج باز انسانی قابل درک نیستن.

> سبک بازی ای که یاد گرفته نه شبیه آدم است و نه شبیه برنامه های قبلی. این سیستم به یک شیوه سوم و شاید شیوه ای بیگانه بازی می کنه.

برنامه آلفا زیرو نسخه جهانشمول‌تر برنامه آلفا گو گوگل است که مخصوص بازی گو طراحی شده بود و با فقط ۲۴ ساعت زمان و بررسی بازی و بازی کردن با خودش تونسته یاد بگیره برنامه استاک فیش که یکی از قوی ترین موتورهای کامپیوتری جهان برای شطرنج است رو نه فقط با اختلاف زیاد،‌ که بدون حتی یک شکست،ِ در هم بکوبه. لازم به ذکر نیست که هیچ انسانی نمی تونه در مقابل استاک فیش برنده بشه. عکس العمل قهرمانان شطرنج جهان به این پیروزی همراه با شوک،

اما اینجا مساله «یک موتور شطرنج قوی تر» نیست بلکه یک موتور شطرنج است که قربانی های عجیب می کنه. مثلا حاضر می شه فیل و وزیر رو بده تا موقعیت برتر به دست بیاره و با اون موقعیت، ببره. چنین بازی ای در بین انسان ها تقریبا دیده نمی شه. یا مثلا در جایی دیگه موتور شطرنج جدید وزیر رو به گوشه صفحه می بره که در شطرنج حرکتی کمیابه. حسابیس می گه نگاه کردن به شطرنج بازی کردن این موتور مانند نگاه کردن به شطرنج از بعدی دیگه است.

این «آموزش به خود» باعث شده موتور آلفازیرو طبق الگوهای مرسوم ما و ارزشهایی که به مهره ها می دیم بازی نکنه و از خوردن مهره هاش نگرانی ای نداشته باشه. ممکنه اصولا درک ما از شطرنج خیلی محدود و مبتنی بر به دست آوردن برتری نسبی از نظر ارزش مهره‌ها و تبدیل اون به پیروزی بوده. شاید این برنامه یکبار دیگه شطرنج هیجان انگیز رمانتیک که همراه با قربانی دادن و کارهای پر هیجان و عجیب بود رو به بازی برگردونه و البته شاید این برنامه شروعی باشه برای ما که کم کم قبول کنیم کامپیوترها دارن دنیا رو بهتر از ما می فهمن.

🙏Thanks to: @jadinet
🔗 https://jadi.net/2017/12/alphazero/

#deep_learning #Reinforcement_Learning

"سومین سری سمینار زمستانۀ مباحث پیشرفته در علوم و مهندسی کامپیوتر"
انجمن علمی دانشکده مهندسی کامپیوتر،دانشگاه صنعتی شریف
۶و۷ دی‌ماه۱۳۹۶
اطلاعات بیشتر و ثبت نام:
wss.ce.sharif.edu
@wss_sut
@ssc_public

لیست #اسلاید ها و #فیلم سخنرانی های کنفرانس NIPS2017

Github list of #NIPS2017 resources, video and slides of all invited talks, tutorials and workshops

https://github.com/hindupuravinash/nips2017

🙏Thanks to: @cyberbully_gng
@CVision

فرهنگ لغات گوگل برای ماشین لرنینگ و تنسرفلو:

https://developers.google.com/machine-learning/glossary/

This #glossary defines general #machine_learning terms as well as terms specific to #TensorFlow.

Image #Segmentation:

https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/image_segmentation.html

Awesome #Semantic_Segmentation:

https://github.com/mrgloom/awesome-semantic-segmentation

#خبر
◽️لیست 10 کورس محبوب تر سایت #coursera در سال 2017:
دو کورس اول مربوط به یادگیری ماشین و شبکه عصبی پروفسور Andrew Ng است. #هوش_مصنوعی و #یادگیری_ماشین، بیت کوین، برنامه نویسی، انگلیسی و مهارتهای یادگیری در لیست دروس محبوب امسال قرار گرفتند.

Artificial intelligence, bitcoin, programming, English, and learning skills top this year’s list.


1⃣Machine Learning – Stanford University
2⃣Neural Networks and Deep Learning – deeplearning.ai
3⃣Learning How to Learn: Powerful Mental Tools to Help You Master Tough Subjects – University of California, San Diego
4⃣Introduction to Mathematical Thinking – Stanford University
5⃣Bitcoin and Cryptocurrency Technologies – Princeton University
6⃣Programming for Everybody (Getting Started with Python) – University of Michigan
7⃣Algorithms, Part I – Princeton University
8⃣English for Career Development – University of Pennsylvania
9⃣Neural Networks for Machine Learning – University of Toronto
🔟Financial Markets – Yale University

🔗 https://blog.coursera.org/year-review-10-popular-courses-2017/

#Serialization formats #JSON VS #Protobuf

https://developers.google.com/protocol-buffers/