Papers with Code is now helping to maintain . https://Aideadline.es

AI Conference Deadlines makes it easy to find and follow conference deadlines in areas such as machine learning and NLP.

🙏Thanks to: @AI_Python

GFPGAN (CVPR 2021)
aims at developing Practical Algorithm for Real-world Face Restoration.
It leverages rich and diverse priors encapsulated in a pretrained face GAN (e.g., StyleGAN2) for blind face restoration.


Paper:
https://arxiv.org/pdf/2101.04061.pdf

Colab demo:
https://colab.research.google.com/drive/1sVsoBd9AjckIXThgtZhGrHRfFI6UUYOo

Github:
https://github.com/TencentARC/GFPGAN

Training Machine Learning Models More Efficiently with Dataset Distillation

https://ai.googleblog.com/2021/12/training-machine-learning-models-more.html?m=1

Using AI to bring children’s drawings to life

https://ai.facebook.com/blog/using-ai-to-bring-childrens-drawings-to-life

#دوره #آنلاین
دوره مقدماتی یادگیری عمیق و بینایی کامپیوتر.

این دوره با همکاری #دیجی_نکست برگزار می گردد.

کد تخفیف 15 درصدی مخصوص اعضای کانال:
cvision

برای ثبت نام و جزئیات دوره به سایت مراجعه فرمائید:
http://class.vision

#رویداد_آنلاین

ثبت نام دوره ی GAN آغاز شد.
7 الی 22 بهمن به مدت 18 ساعت.
مدرس: علیرضا اخوان پور

http://class.vision/product/gan-winter400/

پژوهشگران آزمایشگاه DeepMind به تازگی هوش مصنوعی AlphaCode را توسعه داده اند که با استفاده از مدل‌های زبانی ژرف مبتنی بر Transformer تعداد زیادی کد برنامه‌نویسی به زبان Python و ++C تولید کرده و سپس با هوشمندی، ۱۰ تا از بهترین ها را به عنوان راه‌حل نهایی مساله فیلتر می‌کند. این مدل ابتدا روی کد‌های عمومی موجود در Github آموزش دیده و سپس با استفاده از Transfer Learning بر روی مجموعه داده کوچکتر جمع‌آوری شده از مسابقات برنامه‌نویسی Fine-tune شده است.
این مدل بر روی ۱۰ مسابقه‌ی برنامه‌نویسی اخیر در پایگاه Codeforces تست شده و جزو ۵۴ درصد برتر در لیست برنامه‌نویسان قرار گرفته که جایگاه برنامه‌نویسان سطح متوسط است.


نمونه راه‌حل های ارائه شده برای مسائل توسط AlphaCode:
https://alphacode.deepmind.com/

لینک مقاله:
https://storage.googleapis.com/deepmind-media/AlphaCode/competition_level_code_generation_with_alphacode.pdf

لینک بلاگ‌پست معرفی:
https://deepmind.com/blog/article/Competitive-programming-with-AlphaCode

لینک مجموعه داده جمع‌آوری شده از مسابقات برنامه‌نویسی
https://github.com/deepmind/code_contests

با پتانسیلی که شبکه‌های عصبی ژرف در حل مسائلی مانند بینایی ماشین و پردازش و فهم زبان از خود نشان داده اند، زمان آن رسیده که برای جنبه‌ها و مسائل چالشی تر هوش مانند منطق و استدلال (reasoning) نیز بر روی آنها حساب کنیم و مجددا به رویکرد‌هایی مثل Symbolic AI ولی این‌بار با ابزار‌های مدرن مثل مدل‌های زبانی ژرف فکر کنیم.
بعد از AlphaCode شرکت DeepMind این‌بار پژوهشگران آزمایشگاه OpenAI موفق به ساخت یک هوش مصنوعی موسوم به statement curriculum learning شدند که قادر است مسائل المپیاد ریاضی سطح دبیرستان مثل مسائل مسابقات AMC12 و مسابقات AIME را حل کند. این مدل روی دیتاست miniF2F به دقت 41.2% دست پیدا کرده است.

لینک بلاگ‌پست معرفی:
https://openai.com/blog/formal-math/

لینک مقاله:
https://cdn.openai.com/papers/Formal_Mathematics_Statement_Curriculum_Learning__ICML_2022.pdf

نوشتن یک برنامه‌ی Sentiment Analysis به کمک دستیار برنامه‌نویسی Github Copilot

https://copilot.github.com/

OpenAI has released new versions of GPT-3 and Codex which can edit or insert content into existing text, rather than just completing existing text. These new capabilities make it practical to use the OpenAI API to revise existing content, such as rewriting a paragraph of text or refactoring code. This unlocks new use cases and improves existing ones; for example, insertion is already being piloted in GitHub Copilot with promising early results.

https://openai.com/blog/gpt-3-edit-insert/

Make facial filters like Instagram/Snapchat by Google Mediapile:

https://google.github.io/mediapipe/solutions/face_mesh.html

https://learnopencv.com/create-snapchat-instagram-filters-using-mediapipe/

جستجو با استفاده از تصویر + متن به کمک قابلیت multisearch در Google Lens:

https://blog-google.cdn.ampproject.org/c/s/blog.google/products/search/multisearch/amp/

پروفسور Peter Abeel استاد یادگیری تقویتی دانشگاه برکلی، به خاطر مجموعه تحقیقاتی که بخش اعظمی از علم روباتیک امروزی را تشکیل داده برنده جایزه ۲۰۲۱ ACM در حوزه‌ی Computing شد.

https://awards.acm.org/about/2021-acm-prize?fbclid=IwAR2FEYn0nHdatfGBh7tqHmmcgfJr_-iwasv2vr86PfNZ2qROUk8Gru5cJOQ

Introducing Pathways: A next-generation AI architecture

Blog post:
https://blog.google/technology/ai/introducing-pathways-next-generation-ai-architecture/

Paper:
https://lnkd.in/esc_-xKt

استخدام Senior Data Scientist در شرکت اسنپ فود، برای اطلاعات بیشتر و ارسال رزومه به صفحه موقعیت شغلی در جابینجا مراجعه کنید.

https://jobinja.ir/companies/snappfood/jobs/RdGe/1

خیلی از متخصصین هوش مصنوعی و یادگیری ماشین در پیاده‌سازی وب تجربه و مهارت کافی ندارند بنابراین در تبدیل مدل‌های خود به محصول قابل ارائه (مثلا یک WebApp) با مشکلاتی مواجه می‌شوند. ازین‌رو ابزار‌هایی مانند Plotly Dash و Streamlit به وجود آمده اند که به شما کمک می‌کنند به سادگی و تنها با برنامه‌نویسی پایتون بتوانید یک WebApp کامل برای دموی مدل خود و تحلیل آن بسازید. این ابزار‌ها حتی برای مقاصدی مثل هوشمندی در کسب‌وکار (BI) و تحلیل کسب و کار زمانی که ابزار‌هایی مانند Tableau و PowerBI کارامد نیستند و نیاز به برنامه‌نویسی پایتون دارید، کمک کننده اند.
در ویدئوی زیر ۱۲ وب‌اپ دیتایی پرکاربرد به کمک Streamlit ساخته می‌شوند:

https://www.youtube.com/watch?v=JwSS70SZdyM

آموزش رایگان برنامه‌نویسی پایتون برای هوش مصنوعی و علوم داده - دانشگاه صنعتی شریف:


- آموزش مقدمات برنامه‌نویسی و حل مساله با پایتون:
https://www.aparat.com/playlist/848831

- آموزش پکیج نامپای (NumPy) برای محاسبات برداری در پایتون:
https://www.aparat.com/v/m1gM5

- آشنایی با بصری‌سازی داده‌ها و انواع نمودارهای آماری:
https://www.aparat.com/v/eOJay

- آموزش رسم نمودار با پکیج matplotlib در پایتون:
https://www.aparat.com/v/nzfFQ

- آموزش کار با پکیج Pandas برای تحلیل جداول داده‌ای:
https://www.aparat.com/v/ypYs4


.

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

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

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.