ICML 2022 - Graph Workshops

ICML starts today with the full week of tutorials, main talks, and workshops. While we are preparing a blog post about interesting graph papers, you can already check the contents of graph- and related workshops to be held on Friday and Saturday.

- Topology, Algebra, and Geometry in Machine Learning (TAG in ML)
- Knowledge Retrieval and Language Models (KRLM)
- Beyond Bayes: Paths Towards Universal Reasoning Systems
- Machine Learning in Computational Design
#مقاله

❇️ @AI_Python

سلام سلام
ویدیوی جدید آماده شد و یک استراتژی واقعی رو با کمک دیتای بورس تهران و پایتون بررسی می‌کنیم.

توی این ویدیو با کمک یک استراتژی ساده یعنی میانگین متحرک ساده (SMA) یک برنامه‌می‌نویسیم که موقعیت‌های خرید و فروش رو برامون مشخص می‌کنه و بازده تاریخی استراتژی رو در مقایسه با خرید و نگه‌داری اون سهم بهمون نشون می‌ده:


در مورد سهامی که توی این ویدیو بررسی کردیم بازدهی خیلی خوبتری از بازار داشت!!!!


البته برای این استراتژی کارهای متفاوتی رو انجام دادیم:
- دریافت اطلاعات قیمتی سهام با کمک بسته بورس تهران
- پیاده‌سازی فیچرهای مورد نیاز برای استراتژی با کمک pandas
- مشخص کردن موقعیت خرید و فروش و محاسبه بازده سهام و استراتژی با کمک matplotlib
- ساخت یک تابع برای پیاده‌سازی استراتژی با پارامتر‌ها و سهام مختلف


این ویدیو رو میتونید از طریق لینک زیر تماشا کنید:




https://bit.ly/lwm-algo05-sma



————————————————-

لینک عضویت در کانال:
https://bit.ly/lwm-youtube


لینک گیتهاب پروژه الگوریتم تریدینگ:
https://github.com/ghodsizadeh/algo-trading-yt

لینک گیتهاب پروژه بورس تهران در پایتون:
https://github.com/ghodsizadeh/tehran-stocks

@learn_with_mehdi

ارمغانی دیگر از قلمرو مولتی‌مودال! تولید تصاویر انسانی با استایل‌های مختلف.

جذابیت مدل‌‌های generative مخصوصا در حوزه تصویر داره میل به بی‌نهایت می‌کنه. مدل‌هایی مثل deep fake قبلا خیلی گرد و خاک کردند. اخیرا مدلی به‌نام Text2Human معرفی شده که با استفاده از جملات متنی یک استایل از انسان واقعی رو تولید می‌کنه. روش کارش به این صورته که شما در ورودی وضعیت بدنی (human pose) رو به صورت تصویر می‌دید (که هر تصویری می‌تونه باشه و خود دمو هم چندین مثال داره) و فرم لباس و بافت لباس مورد نظرتون رو به صورت جملات متنی می‌دید و مدل براتون تصاویر آدم‌هایی با همان ویژگی توصیف‌شده توسط شما رو تولید می‌کنه. شیوه کار کلی این مدل در دو گام اصلی خلاصه میشه. در گام اول یک تصویرخام از فرم بدن انسان (human pose)، تبدیل به یک قالب کلی انسان با یک لباس بدون بافت و شکل مشخص میشه (human parsing). سپس در گام دوم خروجی گام اول گرفته می‌شه و بافت و فرم لباس رو به تصویر گام قبل اضافه می‌کنه. نمای کلی مدل در تصویر زیر اومده. برای گام اول و تولید بردار بازنمایی قالب بدن انسان از جملات ورودی، از یک شبکه با چندین لایه fully connected استفاده می‌شه و این بردار بازنمایی به همراه تصویر خام به یک شبکه Auto Encoder داده میشه تا در خروجی یک قالب کلی از بدن انسان که فرم لباس در اون مشخصه ولی رنگ و بافت خاصی نداره رو خروجی بده. سپس برای گام دوم، خروجی تصویر گام اول به دو شبکه Auto Encoder همکار داده میشه که یکی مسوول بررسی ویژگی‌های سطح بالای تصویر استایل انسان هست و دیگری به صورت ریزدانه‌تری فیچر‌ها رو در نظر می‌گیره (فرض کنید در شبکه اول هر چند ده پیکسل مجاور هم تجمیع می‌شوند و به شبکه داده می‌شوند در حالیکه در شبکه دوم هر پیکسل یک درایه از بردار ورودی را تشکیل می‌دهد). از طرفی بازنمایی جملات نیز به این شبکه‌ها داده می‌شود. سپس برای اینکه این دو شبکه همکاری داشته باشند خروجی دیکودر شبکه اول به ورودی دیکودر شبکه دوم داده میشه. یعنی شبکه دوم علاوه بر دریافت خروجی encoder خودش، خروجی دیکودر شبکه اول رو هم دریافت می‌کنه و بعد اقدام به بازسازی تصویر نهایی می‌کنه. معماری این قسمت رو هم در تصاویر می‌تونید ببینید. این مدل بر روی هاگینگ‌فیس هم serve شده و می‌تونید دموش رو به صورت رایگان مشاهده کنید.

لینک مقاله:
https://arxiv.org/abs/2205.15996

لینک دمو:
https://huggingface.co/spaces/CVPR/Text2Human

لینک گیت‌هاب:
https://github.com/yumingj/Text2Human

#read
#paper

@nlp_stuff

مهمترین مطالبی که پژوهشگران، دانشجویان و دانش آموزان برای آشنایی و شروع فعالیت در زمینه الگوریتمهای هوش مصنوعی بایستی فرابگیرند. با عضویت در کانال @ai_python جدیدترین و موضوعات روز را پیگیری کنید. با تشکر از همراهی سبزتان.

🔰 آموزش الگوریتمهای یادگیری ماشین
🔰 کورس رایگان در حوزه دیتاساینس و یادگیری ماشین و پردازش زبان طبیعی و یادگیر عمیق
🔰 یادگیری ماشین و NLP و پایتون
🔰 اسلاید سخنرانی ها در مورد یادگیری عمیق
🔰 شبکه های عصبی جفری هیتون
❎ کلاس یادگیری ماشین دانشگاه کلمبیا
❎ آموزش الگوریتمها NLP
❎ آموزش پایتون دکتر Chuck
❎ طریقه استفاده از الگوریتمهای ML
♻️ کلاس آموزشی RL
♻️ فیلم ML شرکت فیسبوک
♻️ فیلم های دکتر رضوی
♻️ آموزش عملی ANN در پایتون
♻️ چگونگی ساخت RNN در پایتون
🏧 نقشه راه ML
🏧 منابعی جامع از ML
🏧 16 منبع آموزشی الگوریتمهای AI
🏧 یادگیری تقویتی عمیق :تعاریف و تاریخچه
♨️ یادگیری ماشین برای مبتدیان
♨️ پاکسازی دیتاها در ML
♨️ ملزومات فراگیری برای الگوریتمهای یادگیری ماشین مزایا و کاراییها
♨️ فیلم کنفرانسهای مطرح هشتگ کنفرانس و مقاله سرچ کنید
♨️ آموزشی پیشرفته ای NLP در ژوپیتر
📣 یادگیری غیرنظارتی برای همه
📣 الگوریتمهای یادگیری ماشین :برآوردگرها ,تابع زیان
📣 یادگیری کورسهای fastai
📣 ریاضیات یادگیری عمیق شبکه های عصبی به زبان ساده
📣 آموزش CNN به زبان ساده
🔸 آموزش مقدماتی یادگیری ماشین برای همه سنین
🔸 آموزش ML بدون پیش زمینه ریاضیاتی
🔸 10 کتاب برای یادگیری ML هشتگ کتاب سرچ کنید
🔸 چگونه به وسیله الگوریتمهای یادگیری عمیق مسایل را حل کنیم ؟
🔸 خلاصه الگوریتمهای ML
🔸آموزشهای جامع از AI
✔️ آموزش درک زبان طبیعی دانشگاه استنفورد ۲۰۱۹
✔️ آموزش DataScience و آموزش
✔️ آموزش مقدماتی مدلهای GAN در پایتون

رهایی از دوراهی سخت؛ هم تنسورفلو، هم پایتورچ با IVY

تا به حال احتمالا با چالش سخت انتخاب بین تنسورفلو و پای‌تورچ مواجه شده باشید. اخیرا با اضافه شدن Jax هم این انتخاب سخت‌تر شده. اما تیم unifyai یه فریم‌ورک جدید به نام IVY معرفی کرده که یک syntax یکپارچه برای توسعه مدل‌های دیپ داره و صرفا با تنظیم backend این پکیج روی هر یک از فریم‌ورک‌های تنسورفلو، پای‌تورچ و یا jax می‌تونید از عایدات همون ابزار بهره‌مند بشید. البته این فریم‌ورک در مسیر توسعه است و با توجه به عمر کوتاهش اما تعداد استار بسیار زیادی گرفته که نشون میده به نظر راه درستی رو داره میره.

لینک گیت‌هاب:
https://github.com/unifyai/ivy

#tool

@nlp_stuff

✔️ یادگیری غیرنظارتی متناسب برای دانش آموزان و دانشجویان

🔸 چه موقع از الگوریتمهای کلاسترینگ استفاده کنیم ؟
▫️ تعاریف و کاربردهای یادگیری غیر نظارتی کجاست؟
🔸 برای بهبود مدلهای با بعد کاهشی و تکنیکها چی هستند؟
🔸 چه موقع از PCA استفاده میکنیم؟
🔸 و چه موقع از تحلیل فاکتوری استفاده میشود؟

#یادگیری_ماشین #منابع #یادگیری_غیرنظارتی #الگوریتمها #کتاب #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

ایا میدونستید با سرچ این میتونید با گوگل بازی دوز کنید . بازیهای دیگه گوگل براتون میاره

In conventional neural networks, the amount of computation used is proportional to the size of the inputs, instead of the complexity of the content of the data being processed. However, the time needed to process input data is a function of more than just the size of the inputs. Common input data for neural architectures also have an inherent complexity that is independent of the input size. Conventional neural architectures do not adjust their computational budget based on the complexity of the data they are processing, or arguably, such adaptation is done manually by the machine learning practitioner. In this work, we, therefore, introduce a differentiable parameter-free Adaptive Token Sampler (ATS) module, which can be plugged into any existing vision transformer architecture. ATS empowers vision transformers by scoring and adaptively sampling significant tokens. As a result, the number of tokens is not constant anymore and varies for each input image. By integrating ATS as an additional layer within the current transformer blocks, we can convert them into much more efficient vision transformers with an adaptive number of tokens. Since ATS is a parameter-free module, it can be added to the off the-shelf pre-trained vision transformers as a plug-and-play module, thus reducing their GFLOPs without any additional training. Moreover, due to its differentiable design, one can also train a vision transformer equipped with ATS. We evaluate the efficiency of our module in both image and video classification tasks by adding it to multiple SOTA vision transformers. Our proposed module improves the SOTA by reducing their computational costs (GFLOPs) by 2X.

Very interesting idea on how to move 'common sense' in AI forward. It is always great to explore different ideas and directions and have different perspectives to increase chances of success and advancement.
https://www.technologyreview.com/2022/06/24/1054817/yann-lecun-bold-new-vision-future-ai-deep-learning-meta/

#ai #ml #dl #artificialintelligence #machinelearning #deeplearning

بهترین منابع ابزارهای هوش مصنوعی

The best Stanford, CMU, and MIT courses to build a career in AI


📚 Stanford University
🔹 CS229 - Machine Learning by Andrew Ng:

🔹 CS230 - Deep Learning by Andrew Ng

🔹 CS231n - Convolutional Neural Networks for Visual Recognition by Fei-Fei Li and Andrej Karpathy

🔹 CS224n - Natural Language Processing with Deep Learning by Christopher Manning

🔹 CS25 - Transformers United

📚 Massachusetts Institute of Technology

🔹 6.S191 - Introduction to Deep Learning by Alexander Amini and Ava Soleimany

🔹 6.S094 - Deep Learning by Lex Fridman


🔹 6.S192 - Deep Learning for Art, Aesthetics, and Creativity by Ali Jahanian

📚 Carnegie Mellon University

🔹 CS/LTI 11-777 Multimodal Machine Learning by Louis-Philippe Morency:

📚 University College London

🔹 COMP M050 Reinforcement Learning by David Silver

#فیلم #منابع #الگوریتمها #هوش_مصنوعی #پردازش_زبان_طبیعی #یادگیری_ماشین #یادگیری_عمیق #یادگیری_تقویتی

❇️ @AI_Python

ویدئو جذاب از جلسه مصاحبه و نوع نگاه مصاحبه گر به مصاحبه کننده
#متفرقه

🔰 @AI_Python

Learning Protein Representations via Complete 3D Graph Networks

DIG: Dive into Graphs is a turnkey library for graph deep learning research.

Github: https://github.com/divelab/DIG

Paper: https://arxiv.org/abs/2207.12600v1

Tutorials: https://diveintographs.readthedocs.io/en/latest/tutorials/graphdf.html

Documentation: https://diveintographs.readthedocs.io/

Benchmarks: https://github.com/divelab/DIG/tree/dig-stable/benchmarks

Dataset: https://paperswithcode.com/dataset/atom3d

Deep Deformable 3D Caricature with Learned Shape Control (DD3C)

Github: https://github.com/ycjungsubhuman/deepdeformable3dcaricatures

Paper: https://arxiv.org/abs/2207.14593v1

Project: https://ycjungsubhuman.github.io/DeepDeformable3DCaricatures

Dataset: https://paperswithcode.com/dataset/facewarehouse

Video: https://youtu.be/WLMPEaK6E4M

10 سایت برتر برای یافتن شغل در سال 2022:
(Top 10 sites for your career in 2022)
1) Linkedin
2) Indeed
3) Naukri
4) Monster
5) JobBait
6) Careercloud
7) Dice
8) CareerBuilder
9) Jibberjobber
10) Glassdoor

10 مهارت فنی مورد تقاضا در سال 2022:
(Top 10 Teach skills in demand in 2022)

1) Machine Learning
2) Mobile Development
3) SEO/SEM Marketing
4) Data Visualization
5) Data Engineering
6) UI/UX Design
7) Cyber Security
8) Cloud Computing/AWS
9) Blockchain
10) IOT

10 سایت برای آموزش آنلاین رایگان در سال 2022:
(Top 10 sites for free online education in 2022)

1) Coursera
2) edX
3) Khan Academy
4) Udemy
5) iTunesU Free Courses
6) MIT OpenCourseWare
7) Stanford Online
8) Codecademy
9) ict iitr
10) ict iitk


10 سایت برای بررسی رایگان رزومه در سال 2022:
(Top 10 sites to review your resume for free in 2022)

1) Zety Resume Builder
2) Resumonk
3) Resume dot com
4) VisualCV
5) Cvmaker
6) ResumUP
7) Resume Genius
8) Resume builder
9) Resume Baking
10) Enhance

10 سایت برای آماده سازی مصاحبه در سال 2022:
(Top 10 sites for interview Preparation in 2022)

1) Ambitionbox
2) AceThelnterview
3) Geeksforgeeks
4) Leetcode
5) Gainlo
6) Careercup
7) Codercareer
8) InterviewUp
9) InterviewBest
10) Indiabix


@BIMining

چرا برنامه نویسی؟
* حتما ببینید و به دیگران نشان بدهید که چرا برنامه نویس هستید.
باتشکر از:@DaysGone
❇️ @ai_python

ده ایده برتر در آمار که به انقلابی در هوش مصنوعی منجر شد
https://news.columbia.edu/news/top-10-ideas-statistics-ai

❗️ مطلب داغ روز

مقایسه تفاوت « شبکه های عصبی و درخت تصمیم»

#NeuralNetworks #decisiontree
#شبکه_عصبی #درخت_تصمیم #آموزش #منابع


❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

چگونه اولین شبکه عصبی مصنوعی را در پایتون درست کنیم ؟؟

#مقاله #کتاب #آموزش #شبکه_عصبی_مصنوعی #منابع #فیلم #پایتون

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN