برای علاقمندان به رباتیک
🔸 DeepRob: Deep Learning for Robot Perception - Michigan, 2023

#هوش_مصنوعی #یادگیری_ماشین #پایتون #منابع #پیشرفته #رباتیک

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

اگه به دنبال منبعی هستین که خلاصه به مباحث ریاضیات و فنی #یادگیری_ماشین و #یادگیری_عمیق سری زده باشه، خوندن این هندبوک می‌تونه خیلی براتون مفید باشه.

#منابع #مبتدی #ریاضی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

۱۲ نوع #مقاله #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

معرفی #منابع پیشنهادی برای #یادگیری_عمیق


✅1 - فراگیری مفاهیم مقدماتی یادگیری ماشین
مباحث آموزشی دکتر هینتون و بنجیو و لکون
👈 لینک
✅ فیلم های اموزشی یادگیری ماشین و یادگیری عمیق دکتر رضوی
👈 لینک
✅ تسلط بر مباحث برنامه نویسی پایتون و کار با تنسرفلو وکراس
✅ تسلط بر مباحث ریاضیات و جبر از دانشگاه MIT
👈 لینک
✔️ معادلات ماتریسی یادگیری عمیق دانشگاه کالیفرنیا جنوبی
👈 لینک
✔️ استفاده از سایت بسیار مشهور که به وسیله پژوهشگران برتر هدایت میشود
fast.ai
👈 لینک

📚 2 - مطالعه منابع عمیق دانشگاه ها و...
یادگیری عمیق دانشگاه آکسفورد
👈 لینک
👈 لینک ۲
👈 لینک ۳
🖋فیلمهای این دانشگاه
❌ آموزش های شبکه ای کانولوشن و یادگیری ماشین و...
⁉️ لینک
❌ وبسایتی که آموزشها و مقالات را از سال ۲۰۱۲ تا ۲۰۱۶ قابل دسترس است
⁉️ لینک
❌ شبکه عصبی کانولوشن برای تشخیص بصری
⁉️ لینک
❌ پردازش زبان طبیعی برای یادگیری ماشین
⁉️لینک
❌ مدرسه تابستانی یادگیری عمیق مونترال
⁉️ لینک ۱
⁉️ لینک ۲
❌ شبکه کانولوشن عصبی و شبکه عصبی
⁉️ لینک
🔍 یادگیری شبکه های عصبی جفری هینتون کورسرا

📘 کلاس شبکه های عصبی دانشگاه اوشربروک کانادا
👈لینک
📕منابع یادگیری ماشین دانشگاه کالتک برای یادگیری نظری ها
👈 لینک
📘 3- معرفی کتابها
Neural Networks and Deep Learning Book by Michael Nielsen
Deep Learning Book by Ian Goodfellow, Yoshua Bengio and Aaron Courville

📘 4- سایر منابع
CS231n Convolutional Neural Networks for Visual Recognition University of Stanford
Getting Started in Computer Vision by Mostafa S. Ibrahim he focus on GPU and ...

🗓 پردازش زبان طبیعی دانشگاه استنفورد
👈 لینک
👈لینک ۲
🗓 مطالعه مقاله درمورد حافظه شبکه
👈 لینک
📘 مطالعه مقاله پایه ای حافظه شبکه و NLP
👈 لینک
ویدیوهای شرکت DeepMind
👈 لینک

❇️ یادگیری عمیق تقویتی
👈 لینک کتابهای
❇️ فهم یادگیری LSTM
👈 لینک
❇️ اثر بخشی ناعادلانه RNN
👈 لینک
✔️ مدل های تولیدی
✅ مقاله جهت یادگیری مدلهای GANs
👈لینک
✅ یادگیری مدل VANs
👈 لینک
✅ مقاله نوشته شده دکتر Ian Goodfellow در مورد GAN
👈 لینک
✅ مقاله نوشته شده LAPGAN
👈 لینک
✅ مقاله نوشته شده در مورد DCGAN
👈لینک مقاله
👈 لینک کدها
✅ استفاده از روش DCGAN برای تصاویر کیفیت بالا
👈 لینک
✅ فیلم های یادگیری عمیق برای پردازش تصویر
👈 لینک
🌐 ساخت پروژه
👈 لینک دیتا
🌐 شناسایی و طبقه بندی تصاویر
👈 لینک ۱
👈 لینک ۲
🌐 تحلیل احساسات با استفاده از RNN
👈لینک
و با استفاده از CNN
👈 لینک
🌐 کاربرد الگوریتم عصبی سبک هنری
👈لینک
🌐 ساخت موسیقی با استفاده از RNNs
👈 لینک
🌐 ساخت بازی پینگ پونگ با استفاده از یادگیری عمیق تقویتی
👈 لینک
✳️ استفاده از شبکه عصبی Rate a selfie
👈 لینک
✳️ استفاده از رنگ عکسهای سیاه و سفید با استفاده از یادگیری عمیق
👈 لینک
✳️ سایر منابع یادگیری عمیق از پژوهشگران برتر کارپاتی
👈 لینک مقالات
✳️ لینک یادگیری عمیق دانشگاه استنفورد
👈 لینک ۱
👈 لینک ۲
✳️ یادگیری عمیق
👈 لینک

#یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

در ادامه معرفی #منابع پیشنهادی برای #یادگیری_عمیق و #یادگیری_ماشین :

✅ فیلم درس یادگیری ماشین دکتر سلیمانی
👈 لینک
✅ فیلم درس یادگیری عمیق دکتر سلیمانی
👈 لینک

#هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مزایا و معایت الگوریتم های #یادگیری_ماشین

#الگوریتمها #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دوره خوبی راجب #یادگیری_غیرنظارتی از دانشگاه الینویز

◾️ UIUC STAT 437 Unsupervised Learning spring 2024, by Tori Ellison

#منابع #کلاس_آموزشی #فیلم #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

چه مقالات و مدلهایی در AI/ML در هفته گذشته منتشر شد:

◾️ An Object is Worth 64x64 Pixels
◾️ Self-Taught Evaluators
◾️ Transformers are Universal In-context Learners
◾️ Pre-training Once for Models of All Sizes
◾️ Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters
◾️ Can Editing LLMs Inject Harm?
◾️ CoverBench: A Challenging Benchmark for Complex Claim Verification
◾️RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation
◾️ RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework
◾️ Language Model Can Listen While Speaking
◾️ Transformer Explainer

VLM/Vision
◾️ LLaVA-OneVision: Easy Visual Task Transfer
◾️ MiniCPM-V: A GPT-4V Level MLLM on Your Phone
◾️ Medical SAM 2: Segment medical images as video via Segment Anything Model 2
◾️ MMIU: Multimodal Multi-image Understanding for Evaluating Large Vision-Language Models

Others
◾️ MeshAnything V2
◾️ Achieving Human Level Competitive Robot Table Tennis
◾️ Optimus-1: Hybrid Multimodal Memory Empowered Agents Excel in Long-Horizon Tasks

#مقاله #ایده_جذاب #هوش_مصنوعی #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

آیا با این سرعت پیشرفت #هوش_مصنوعی و #رباتیک باید منتظر برگزاری المپیک و جام جهانی رباتها هم باشیم؟
نظر شما چیه؟ کامنت کنید بحث کنیم.

◾️ SMPLOlympics: Sports Environments for Physically Simulated Humanoids
◾️ GitHub

#مقاله #ایده_جذاب #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

A minimal introduction to quantization
https://osanseviero.github.io/hackerllama/blog/posts/minimal-quantize-intro/

#مقاله #ایده_جذاب #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Building a Machine Learning Model: A Step-by-Step Guide!


توضيحات_فارسي

توضيحات_انگليسي


#شروع #یادگیری_ماشین #MachineLearning #مدل_سازی #DataScience #پایتون

در هفته گذشته چه مقالات و مدلهای متن بازی در #هوش_مصنوعی و #یادگیری_ماشین منتشر شد:


◾️DeepSeek-Prover-V1.5: Harnessing Proof Assistant Feedback for Reinforcement Learning and Monte-Carlo Tree Search
◾️ Imagen 3
◾️ The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery
◾️Diffusion Guided Language Modeling
◾️Layerwise Recurrent Router for Mixture-of-Experts
◾️LongWriter: Unleashing 10,000+ Word Generation from Long Context LLMs
◾️Training Language Models on the Knowledge Graph: Insights on Hallucinations and Their Detectability
◾️ BAM! Just Like That: Simple and Efficient Parameter Upcycling for Mixture of Experts
◾️ Gemma Scope
◾️Diversity Empowers Intelligence: Integrating Expertise of Software Engineering Agents
◾️Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers
◾️I-SHEEP: Self-Alignment of LLM from Scratch through an Iterative Self-Enhancement Paradigm
◾️Does Liking Yellow Imply Driving a School Bus? Semantic Leakage in Language Models

RAG
◾️HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction
◾️OpenResearcher: Unleashing AI for Accelerated Scientific Research

MLLM
◾️VITA: Towards Open-Source Interactive Omni Multimodal LLM
◾️mPLUG-Owl3: Towards Long Image-Sequence Understanding in Multi-Modal Large Language Models

VLM
◾️Mitigating Object Hallucination via Data Augmented Contrastive Tuning
◾️Towards flexible perception with visual memory
◾️VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents

AI Gen
◾️VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents
◾️ Generative Photomontage
◾️Heavy Labels Out! Dataset Distillation with Label Space Lightening
◾️ 3D Gaussian Editing with A Single Image
◾️ CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer
◾️ ControlNeXt: Powerful and Efficient Control for Image and Video Generation

Others
◾️ Body Transformer: Leveraging Robot Embodiment for Policy Learning
◾️ Machine Psychology
◾️ Med42-v2: A Suite of Clinical LLMs

#مقاله #ایده_جذاب #الگوریتمها #مدل_متن_باز

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کلاس آموزشی رایگان درس #یادگیری_ماشین دانشگاه شریف برای علاقمندان در مهر تا دی ماه روزهای یکشنبه و سه شنبه ساعت ۹تا۱۰:۳۰ برگزار میگردد
علاقمندان جهت ثبت نام به ادرس
Sharifml.ir
میتوانند مراجعه کنند.

گیتهاب #کلاس_آموزشی #یادگیری_ماشین دکتر زارچی منتشر شد

https://github.com/SharifiZarchi/Introduction_to_Machine_Learning

#منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین :

✅ Data Mining and Machine Learning (Zaki)
👉link

✅ Deep Learning
Foundations and Concepts, 2023, (Bishop)
👉link

✅ Pattern Recognition and Machine Learning (Bishop)
👉link

✅ Deep Learning (Goodfellow )
👉 link

✅ Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy)
👉link

✅ Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy)
👉link

✅ Dive into Deep Learning ,2023
👉link

✅ Linear Algebra and Optimization for Machine Learning
👉link

✅ Deep Learning with Python: Chollet, Francois
👉 link

✅ Deep Learning with PyTorch Step-by-Step
👉 link

✅ Mathematics for Machine Learning
👉 link

✅ Hands-On Data Preprocessing in Python
👉 link

✅ Mastering Machine Learning Algorithms
👉 link

✅ Generative Deep Learning (David Foster)
👉 link

اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین :

✅ Data Mining and Machine Learning (Zaki)
👉link

✅ Deep Learning
Foundations and Concepts, 2023, (Bishop)
👉link

✅ Pattern Recognition and Machine Learning (Bishop)
👉link

✅ Deep Learning (Goodfellow )
👉 link

✅ Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy)
👉link

✅ Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy)
👉link

✅ Dive into Deep Learning ,2023
👉link

✅ Linear Algebra and Optimization for Machine Learning
👉link

✅ Deep Learning with Python: Chollet, Francois
👉 link

✅ Deep Learning with PyTorch Step-by-Step
👉 link

✅ Mathematics for Machine Learning
👉 link

✅ Hands-On Data Preprocessing in Python
👉 link

✅ Mastering Machine Learning Algorithms
👉 link

✅ Generative Deep Learning (David Foster)
👉 link

اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نقشه راه
Data Science ML Full Stack Roadmap

#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

هدف modeltime اینه که پیش‌بینی‌های سری‌های زمانی رو با سرعت و مقیاس‌پذیری بالا و به ساده‌ترین شکل ممکن در R انجام بده!

ویژگی‌های modeltime:

1. کار با مدل‌های مختلف سری زمانی
• از ARIMA و Exponential Smoothing تا Prophet و رگرسیون خطی، Elastic Net، XGBoost و حتی بیشتر!

2. جریان کاری یادگیری ماشین برای پیش‌بینی
• برخلاف پکیج‌های قدیمی مثل forecast و fable، modeltime از یک جریان کاری مشابه یادگیری ماشین استفاده می‌کنه که شامل مجموعه‌های آموزشی/آزمایشی و فواصل همسانی هست.

3. مقایسه بصری مدل‌ها
• یکی از مزایای بزرگ modeltime، توانایی مقایسه سریع و بصری مدل‌های مختلفه.

4. معیارهای دقت
• علاوه بر نمایش‌های بصری، می‌تونیم معیارهای دقت هر مدل و گروه‌های سری زمانی مختلف رو هم دریافت کنیم.

5. پیش‌بینی نهایی
• پس از انتخاب مدل یا مدل‌های مناسب، پیش‌بینی نهایی سریع و آسونه!




https://business-science.github.io/modeltime/articles/getting-started-with-modeltime.html


#علم_داده #پیش‌بینی #R #مدل_سازی #سری_زمانی #یادگیری_ماشین #تحلیل_داده

نقشه راه
Data Science ML Full Stack Roadmap

#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی


🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person