#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/

همه فرمت های فایل‌های TensorFlow بر اساس پروتکل Buffers گوگل یا Protobuf هستند،
بنابراین درک نحوه کار آنها ارزش دارد.
به طورخلاصه ساختار داده ها را در فایل های متنی تعریف می کنید و ابزارهای protobuf کلاس هایی را در C، Python و دیگر زبان ها بر این اساس برایتان ایجاد می کنند. بر این اساس می توانند به راحتی داده ها را بارگیری، ذخیره نموده و به آن‌ها دسترسی داشته باشند.
در این فیلم به صورت مختصر فرمت json رابا protobuf گوگل مقایسه کرده است.
https://news.1rj.ru/str/cvision/421
___
توضیح مختصر در داکیومنت تنسرفلو:
Protocol Buffers
https://www.tensorflow.org/extend/tool_developers/

هوش مصنوعی با فرهنگ و ادب 🙂
شعرسرایی شبکه عصبی عمیق به زبان پارسی

#deep_learning #LSTM

با عضویت در سایت IBM میتوانید 24 ساعت از پلتفرم PowerAI و GPU server مناسب deep learning استفاده کنید.
http://cocl.us/ML0120EN_NIMBIX_JM

#GPU #powerAI #deep_learning
@Cvision

دموی بازشناسی چهره شرکت Baidu توسط Andrew Ng
این مدل با تصویر فرد فریب نمیخورد
Face Recognition demo - Baidu's face-enabled entrance
#face #Andrew_Ng

#خبر
ورژن جدید تنسرفلو (1.4)، قابلیت تبدیل مدلهای #keras را به #estimator تنسرفلو دارد. با این کار همان قابلیت های سطح بالایEstimator ها ، نظیر آموزش توزیع شده روی cloud و سادگی استفاده از مدلهای keras را همزمان خواهید داشت.

https://cloud.google.com/blog/big-data/2017/12/new-in-tensorflow-14-converting-a-keras-model-to-a-tensorflow-estimator

#tensorflow #tf14 #deep_learning

مثال استفاده از function wrapper برای تبدیل مدل کراس به مدل estimator تنسرفلو

اطلاعات بیشتر:

tf.keras.estimator.model_to_estimator
https://www.tensorflow.org/programmers_guide/estimators

#tf14

سمینار یک روزه یادگیری ماشین دانشگاه تهران
لینک ثبت نام:
https://eventcenter.ir/2293c8i80593

#خبر

استفاده از شبکه های عصبی برای یافتن خودکار بهترین عنوان برای کتاب الکترونیک

https://www.datasciencecentral.com/profiles/blogs/use-neural-networks-to-find-the-best-words-to-noscript-your-ebook