🔅 دومین دوره‌ی مدرسه‌ی تابستانی یادگیری عمیق
📆 مرداد ۱۳۹۷

🔗 اطلاعات بیشتر و ثبت‌نام:
http://acm.ut.ac.ir/deeplearning

@UTDeepLearning2018
@ut_acm
@irandeeplearning

🗒 Adversarial Machine Learning

🖥 وضعیت رویداد:وبینار
👤 سخنران: Ian Goodfellow
👤 مدیر جلسه: Negar rostamzadeh
⏱ زمان :سه شنبه 1مرداد ساعت 20:30
🔗 لینک ثبت نام: https://goo.gl/7uxQPx

@bigdataworkgroup

مدرسه تابستانی یادگیری عمیق در دانشگاه تهران. دهم تا دوازدهم مرداد. ثبت نام تا چهارم مرداد. http://acm.ut.ac.ir/deeplearning

باسلام وقت بخیر
وبینار رایگان تا دقایقی دیگر با محوریت "Adversarial Machine Learning " شروع خواهد شد.
👤 سخنران: Ian Goodfellow
👤 مدیر جلسه: Negar rostamzadeh
🔗 https://goo.gl/7uxQPx
@bigdataworkgroup

تبدیل متن به گفتار فارسی:

A convolutional sequence to sequence model for Persian text to speech

کد و وزن های آموزش داده شده:

https://github.com/AlisterTA/Persian-text-to-speech

نمونه خروجی :( با صدای مریم محبوب)

https://m.soundcloud.com/12211221212/sets/persian-text-2-speechwoman

با صدای آرمان سلطان زاده

https://m.soundcloud.com/12211221212/sets/persian-text-2-speech

@irandeeplearning

🔶 سومین دوره کارگاه آموزش یادگیری عمیق روی تنسورفلو
🔷 آموزش تئوری + تمرین های عملی
🔖مدرک رسمی دانشگاه شریف

📆 11و12مرداد
✔️ اطلاعات بیشتر و ثبت نام:
lis.ee.sharif.ir/tensorflow

@tf_workshop_sharif

🔷 IPM-DS Meetup #14

▪️ Robustness Meets Geometry in Deep Networks
▫️By: Seyed-Mohsen Moosavi-Dezfooli, EPFL, Switzerland
🕙 Thursday 1397/05/18, 10:00

@IPMDataScience

مرکز تحقیقات هوش پارت برگزار می کند:
دوره تابستانه مقدماتی(24 تا 26 مرداد) و پیشرفته(8 و 9 شهریور) یادگیری عمیق: بینایی ماشین، NLP، GAN، کراس، پایتورچ، تنسرفلو و fastai
ثبت نام:
yon.ir/RnotG
@partdpai

کد تخفیف ثبت نام در دوره مقدماتی : deeplearning

کد تخفیف ثبت نام در دوره پیشرفته: deeplearning_a

تخفیف ویژه
برای ثبت نام همزمان دوره مقدماتی و پیشرفته در آدرس سایت دوره

http://actionrecognition.org
This site is a platform for all information about automated action recognition and classification. It provides an overview of current benchmark datasets, results, papers, code and many more informations related to action recognition. We try to build a place to go for everyone ... students, researchers, authors, reviewers ... looking for latest results, paper overviews and state-of-the-art implementations related to action recognition from video data.

دوره پیشرفته یادگیری عمیق مرکز تحقیقات هوش پارت در تاریخ 8 و 9 شهریور برگزار خواهد شد و در این دوره مباحث زیر را مطرح خواهیم کرد:
* one-shot learning: Face Verification & Recognition - علیرضا اخوان پور
* یادگیری عمیق تقویتی - مهندس بادنوا
* آموزش کتابخانه یادگیری عمیق پایتورچ (Pytorch)- مهندس مسعود پوررضا
* آموزش کتابخانه یادگیری عمیق تنسورفلو (TensorFlow) - مهندس مهدی زاده

برای ثبت نام و مشاهده سرفصل های این دوره به آدرس زیر مراجعه کنید:
https://evand.com/events/part-dlss/

مهلت ثبت نام تا پایان روز دوشنبه 5 شهریور خواهد بود و تمدید نخواهد شد.

مرکز تحقیقات هوش پارت
@partdpai

کد تخفیف ثبت نام در دوره مقدماتی : deeplearning

کد تخفیف ثبت نام در دوره پیشرفته: deeplearning_a

تخفیف ویژه
برای ثبت نام همزمان دوره مقدماتی و پیشرفته در آدرس سایت دوره

TPU چگونه کار میکند


https://alisterta.github.io/2018-09-03/TPU-چگونه-کار-میکند/

‏در این پست به محدودیت های یادگیری ماشینی و مروری بر دیدگاه های ‎علی رحیمی و یودیا پرل ‎در NIPS2017 پرداختم.

جان کلام پرل اینه : هوش مصنوعی در سطح انسانی نمیتواد از ماشین هایی که به صورت “کور کورانه” یاد میگیرند پدید بیاد

‌‎
علی رحیمی میگه :چیزی که امروزه به اون نیاز داریم یک تئوری محکم در زمینه ml است.عدم وجود یک تئوری محکم و عدم وجود مدل های ذهنی سازماندهی شده در یادگیری عمیق ما رو به کیمیاگران این زمانه تبدیل کرده است.

https://alisterta.github.io/2018-09-07/محدودیت-های-یادگیری-ماشینی-و-مروری-بر-دیدگاه-علی-رحیمی-و-پرل/

‏Machine Learning cheatsheets for Stanford's CS 229

این
cheatsheet
که توسط افشین عمیدی و شروین عمیدی طراحی و تهیه شده فایل خوبی برای مراجعات سریع هست. می‌توانید از طریق لینک زیر، آن را دانلود کنید.

https://github.com/afshinea/stanford-cs-229-machine-learning

The Emotional Rollercoaster of Research (and the Long Steady Climb of Understanding)

یکی از عمیق ترین حقایق یادگیری ماشین اینست که : همواره خوب نیست که از یک مدل “پیچیده تر” استفاده کرد، مدلی که فاکتور های بیشتری را به حساب می‌آورد. اما مسئله مهمتر اینست: چگونه پیچیدگی یک مدل را توجیه کنیم، و یا اینکه تا چه میزان پیچیدگی یک مدل قابل توجیه است؟

در این پست سعی شده یکی از مفاهیم پایه‌ای یادگیری ماشین، یعنی "بیش‌برارزش" و روشهای مقابله با آن از یک دیدگاه فلسفی بررسی شود . اساسا بیش برارزش نوعی “بت پرستی داده” است، با پیامد تمرکز بر روی آنچه که قادر به اندازه گیری هستیم نه آنچه که اهمیت دارد.

https://alisterta.github.io/2018-09-28/چه-وقت-کم-تر-فکر-کنیم!-بررسی-پاره-ای-از-مفاهیم-یادگیری-ماشینی-از-یک-دیدگاه-فلسفی/

‏در حال حاضرخلاصه راهنمای یادگیری ماشین،به زبان فارسی در دسترس است.

یادگیری عمیق:

https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-deep-learning

نکات و ترفندهای یادگیری ماشین:

https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks
یاگیری با نظارت:

https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-supervised-learning
یادگیری بدون نظارت:

https://stanford.edu/~shervine/l/fa/teaching/cs-229/cheatsheet-unsupervised-learning

یادآوری آمار و احتمالات

 https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-probabilities-statistics

یادآوری جبر خطی و حسابان

 https://stanford.edu/~shervine/l/fa/teaching/cs-229/refresher-algebra-calculus