دکلمه‌خوانی جناب میثم عسگری😂😅🤷‍♂️
🔥 نمونه خروجی نرم افزار EasyFake 😍
نرم افزار ساخت ویدیوی دیپ‌فیک
ویدیوی معرفی نرم افزار:
🎥 https://www.aparat.com/v/XlmLi

کد تخفیف ویژه اعضای کانال:
AI_PYTHON
لینک دانلود نرم افزار:
https://Ali110Co.ir/easyfake

@ai_python @ali110co_ir @OpenCV_olc

اینو یکی برای تولدم فرستاده بود. واقعا ممنونم :)

Lectures and slides for the UvA Master AI course Machine Learning

https://uvaml1.github.io/

videos:
https://www.youtube.com/playlist?list=PL8FnQMH2k7jzhtVYbKmvrMyXDYMmgjj_n

#فیلم #یادگیری_ماشین #منابع #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

Android Malware Classification using Machine Learning

https://youtu.be/EaGgv4-plvs

طریقه دسترسی به پایان نامه‌های منتشر شده دانشجویان سراسر جهان از طریق سایت زیر قابل دسترس می‌باشد.

Oatd.org

#مقاله #پایان_نامه #منابع

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

All Machine Learning Algorithms with Python

https://thecleverprogrammer.com/2020/11/27/machine-learning-algorithms-with-python/

#منابع #الگوریتمها

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

The course outline for the 3rd course (AI and Cybersecurity) is as follows:

🔸Intro to Machine Learning for Cybersecurity
🔸Review of Cybersecurity Fundamentals (sources of data)
🔸Machine Learning for Intrusion Detection
🔸Machine Learning for Malware Detection I
🔸Machine Learning for Malware Detection II
🔸Deep Learning for Malware and Intrusion
🔸DetectionGenerative Models (DeepFakes, AutoEncoders for Anomaly Detection)
🔸Adversarial Machine Learning

سرفصلهای درس
Distributed and Scalable Data Engineering

This course will introduce students to working with distributed systems for efficiently collecting and analyzing large quantities of varied data. This is a survey-style course covering common data platforms and analysis patterns including Postgres (SQL), Hadoop (MapReduce), Spark, Kafka (logs), Lambda Architecture (streaming), and Cassandra (NoSQL).

✔️ تفاوت Publish و Expose پورت‌های کانتینر داکر

🔶احتمالا براتون سوال شده Publish و Expose پورت های کانتینر داکر چه تفاوتی با یکدیگر دارند؟ آیا هردو برای Port Forwarding استفاده میشوند؟
🔷از دیدگاه تکنیکال چه تفاوت هایی میان این ۲ روش وجود دارد؟

🖥 تماشا در یوتوب:
👉 Link: https://www.youtube.com/watch?v=riM5yxQJEXU

#Docker #داکر #Publish #Expose #Container #کانتینر
〰️〰️〰️〰️〰️
©️ @DjangoEx | @AI_Python

از چنلهای خیلی خوب یوتیوب

https://m.youtube.com/channel/UCHB9VepY6kYvZjj0Bgxnpbw/playlists

#فیلم #مقاله #کلاس_آموزشی #هوش_مصنوعی #الگوریتمها #پایتون

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

#خبر

#آتنا ، راهکارِ شناسا برای احراز هویت آنلاین

https://ecomotive.ir/1399/09/12/authena-online-authentication/

مرتبط با معرفی سرویس هوشمند احراز هویت آنلاین آتنا (Authena)

#Authena

Learning to Summarize from Human Feedback

Github:
https://github.com/openai/summarize-from-feedback

Dataset:
https://openaipublic.blob.core.windows.net/summarize-from-feedback/website/index.html#/

Paper:
https://proceedings.neurips.cc//paper/2020/file/1f89885d556929e98d3ef9b86448f951-Paper.pdf

#فیلم #مقاله #کلاس_آموزشی #هوش_مصنوعی #الگوریتمها #پایتون #پردازش_زبان_طبیعی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

Siamese networks with Keras, TensorFlow, and Deep Learning

https://www.pyimagesearch.com/2020/11/30/siamese-networks-with-keras-tensorflow-and-deep-learning/

یکی از بیشترین سوالاتی که پرسیده میشه اینه که از کجا و چطور باید شروع کنم (یادگیری عمیق) توی این پست می‌خوام به این سوال پاسخ بدم (تاریخ : ۱۴ آذر ۱۳۹۹)

افرادی که این سوال رو می‌کنند معمولاً دو دسته هستند اونهایی که آکادمیک بصورت خیلی جدی دنبال کردند و تئوری قضیه رو بلدند و اونهایی که هیچ دیدی از تئوری ندارند و بخاطر ترند بودن وارد میشوند.

چندتا فرض : ۱- لینوکس و پایتون رو بلد هستید (پایتون سطح متوسط و لینوکس همون LPIC 1 هم کفایت می‌کنه)
۲- با خوندن کتاب مشکلی ندارید
۳- قرار هست کلا بیخیال یادگیری به زبان فارسی بشید

این لیست کتابهایی هست که پیشنهاد می‌کنم :

1- The hundred-page machine learning (Andriy Burkov)

این کتاب برای کسایی هست که یادگیری ماشین رو خیلی خیلی کم میشناسند، قبل از این که بخواید وارد بشید لازمه اول مطمئن بشید همون چیزی هست که فکرشو می‌کردید.

2- Hands on ML with scikit-learn, keras, tensorflow (2nd edition) (Aurelien Geron)

نیازی به تعریف نداره بهترین کتاب برای شروع کد زدن بدون ریاضیات پیچیده، بهمراه تئوری کافی.

اینجا مرحله‌ای هست که دانشگاهی و آموزشگاهی و ... و خیلی از افرادی که دارند کار می‌کنند (حدود ۹۵٪) میزنن جاده خاکی یا درحال پیاده‌سازی ایده‌ها و روش‌های مختلف هستند یا درحال خوندن مقالات روز دنیا، اینکه شما چقدر تسلط دارید و چقدر عالی مدل‌هارو ایجاد می‌کنید ی بحث هست اما اینکه آیا واقعاً این مدل می‌تونه به تمام مشتریان شما در زمان مناسب پاسخ بده و .... بحث مهمتری هست.

3- Build Machine Learning Powered Application : Going from idea to product (Emmanuel Ameisen)

برای شروع کتاب خوبی هست، البته مطالبی که توی کتابهای قبلی خوندید رو می‌تونید فقط نگاهی بندازید.

4- Machine Learning Engineering (Andriy Burkov)

مباحث مربوط به سرویس دهی و ... از یک جایی به بعد نیاز به ML engineer داره اما لازمه شما با این مباحث آشنایی کامل داشته باشید مخصوصاً اگر قراره پروژه خودتون رو راه بندازید.

5- Building Machine Learning Pipelines : Automating Model Life Cycle with Tensorflow (Hannes Hapke)

این بخش خیلی خیلی مهمه، قرار نیست تا ابد هر چندوقت یکبار بشینید و بصورت دستی دیتا جدید رو ترین کنید و همه مراحل رو پیش بگیرید باید از data pipeline ها استفاده کنید (چیزی که خیلی خیلی کم دیده می‌شه)

6- TinyML : Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers (Pete Warden)

شاید هیچ وقت لازم نشه روی این سخت‌افزارها سرویس دهنده باشید، اما چیزهایی که توی این کتاب قرار هست یاد بگیرید واقعاً واجب هست.

7- Practical Deep Learning for Cloud, Mobile, and Edge : .... (Anirudh Koul)

تا اینجا بصورتی بود که خسته کننده نباشه و کدینگ و ... هم پیش بره اما کم کم باید وارد مباحث تئوری و ریاضیات هم شد.

8- d2l.ai

بخش تئوری این کتاب شامل کلی tips and tricks می‌شه که جالب هستند.

9- deeplearningbook.org

همه‌ی تئوری‌ها و ریاضیاتی که پیچوندید رو باید بالاخره یاد بگیرید :)

امیدوارم این لیست مفید باشه، سعی کردم کتابهایی که خوب هستند یا خودم خوندم و نتیجه گرفتم رو فقط معرفی کنم وگرنه این لیست ادامه دار بود.

امیدوارم مفید باشه 🌹
#چطور_شروع_کنیم

Probabilistic Graphical Models
10-708 • Spring 2019 • Carnegie Mellon University
https://sailinglab.github.io/pgm-spring-2019/lectures/

ماژول 3 به همراه اسلاید - کورس نوت و ویدیو در مورد مباحث یادگیری عمیق است
Module 3: Deep Learning & Generative Models

برای مثال مطالب جالبی برای GAN ها میتوانید بخوانید
Deep generative models (part 1):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-17/

Deep Generative Models (Part 2):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-18/

#منابع #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

دوره #پردازش_زبان_طبیعی دانشگاه میشیگان- دکتر قاسمی
YouTube:
https://m.youtube.com/channel/UCYGBs23woNtXUSl6AugHNXw

Github: https://github.com/deskool/nlp-class

#منابع #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN