video lectures, Stanford Graph Learning Workshop 2022

http://snap.stanford.edu/graphlearning-workshop-2022/

#منابع #فیلم #گراف

❇️@AI_Python

آیا من تو زندگیم چیزی به بعدیا دادم؟!

#متفرقه

چالشها و چشم اندازهای هوش مصنوعی و یادگیری ماشین
❇️ @ai_python

✅ چگونه یک نقشه حرارتی همبستگی (seaborn correlation heatmap) seaborn در پایتون ایجاد کنیم؟

📝 کتابخانه Seaborn یک کتابخانه پایتون است که مبتنی بر matplotlib است و برای تجسم داده‌ها استفاده می‌شود. این یک کتابخانه برای ارائه داده ها در قالب نمودار آماری به عنوان یک medium آموزنده و جذاب برای انتقال برخی اطلاعات است. نقشه حرارتی (correlation heatmap) یکی از مؤلفه‌هایی است که توسط seaborn پشتیبانی می‌شود که در آن تغییرات در داده‌های مرتبط با استفاده از یک پالت رنگ به تصویر کشیده می‌شود.

📝 یکی از کاربردهای جدی این نقشه حرارتی این است که ما با استفاده از آن می توانیم داده‌هایی که ارتباط زیادی به هم دیگر دارند را شناسایی کنیم و بجای استفاده کل داده‌ها برای آموزش کردن مدل از کسری از داده‌ها استفاده کنیم و میان مشخصه‌هایی که ارتباط بسیار زیاد نشان داده می‌شود یکی را به عنوان مشخصه نماینده برای داده‌های آموزشی معین می‌کنیم و بقیه را نادیده می‌گیریم.

جزئیات بیشتر راجع به correlation heatmap در لینک زیر بیان شده است:
🗒 seaborn correlation heatmap

@AI_Python

✅ کتابخانه NumPy چیست؟

📝 کتابخانه NumPy یک کتابخانه پایتون منبع باز است که تقریباً در هر زمینه‌ای از علم و مهندسی استفاده می‌شود. این استاندارد جهانی برای کار با داده های عددی در پایتون است و در هسته اکوسیستم های علمی Python و PyData قرار دارد. کاربران NumPy شامل همه افراد از کدنویسان مبتدی تا محققان با تجربه هستند که تحقیقات و توسعه علمی و صنعتی را انجام می دهند. NumPy API به طور گسترده در Pandas، SciPy، Matplotlib، scikit-learn، scikit-image و بسیاری دیگر از بسته های علوم داده و علمی Python استفاده می شود.
📝 کتابخانه NumPy شامل آرایه های چند بعدی و ساختارهای داده ماتریسی است.

📝 این کتابخانه پایه ترین کتابخانه مورد استفاده در هوش مصنوعی است و فراگیری بیشتر آن باعث فهم بیشتر داده و شیوه آماده سازی آن برای الگوریتم می شود.

📝 برای دریافت آموزش از این کتابخانه می توان به لینک زیر مراجعه کرد:
🗒 NumPy Library

@AI_Python

دوره
Natural Language Processing with Classification and Vector Spaces
سایت کورسرا
6 Putting it All Together

#منابع #پردازش_زبان_طبیعی #الگوریتمها #کورسرا #فیلم

❇️ @AI_Python

⭐️ RLogist: Fast Observation Strategy on Whole-slide Images with Deep Reinforcement Learning


🖥 Github: https://github.com/tencent-ailab/rlogist

🗒 Paper: https://arxiv.org/abs/2212.01737v1

➡️ Dataset: https://paperswithcode.com/dataset/nus-wide

#مقاله

❇️ @AI_Python

دکتر محمد قاسمی استاد دانشگاه ایالتی میشیگان درس پردازش زبان‌ طبیعی را ارائه کرده اند


Natural Language Processing Course Dr. Mohammad Ghassemi

لینک ویدیو ها:
https://www.youtube.com/channel/UCYGBs23woNtXUSl6AugHNXw

لینک کد و تمرینات:
https://github.com/deskool/nlp-class

#منابع #فیلم #پردازش_زبان_طبیعی #کلاس_آموزشی
#NLP

❇️ @AI_Python

اسم من میثمه،
در این کانال فقط چیزهایی که به نظر خودم جالب هستند رو پست میکنم.
هوش مصنوعی یکی از موضوعاتی هست که در موردش می‌نویسم.
دوست داشتید دنبال کنید دوست نداشتید میوت نکنید لفت بدید.
مرسی.

@ai_person

✅ Generate Child from people image with Keras Tensorflow with Simple autoencoder predictor

🖥 Github Link
🖥 Dataset Link


❇️ @AI_Python

انتشار آخرین نسخه 2022 کتاب
Probabilistic Machine Learning- An Introduction by Kevin P. Murphy

#کتاب

❇️ @AI_Python

Learning Video Representations from Large Language Models


🖥 Github: https://github.com/facebookresearch/lavila

💡 Demo: https://huggingface.co/spaces/nateraw/lavila

⏩ Paprer: http://arxiv.org/abs/2212.04501

❤️ Colab: https://colab.research.google.com/drive/1gHWiEWywIotRivYQTR-8NQ6GJC7sJUe4

⭐️ Dataset: https://paperswithcode.com/dataset/hmdb51

#مقاله

❇️ @AI_Python

برای درک بهتر ChatGPT این دوره ها را ببینید

1⃣ CS224N: NLP with DeepLearning

2⃣ Stanford CS25 - Transformers United

3⃣ Understand the foundation models

4⃣ Experiment with your own LLM

#مقاله #کلاس_آموزشی #پردازش_زبان_طبیعی #فیلم #منابع

❇️ @AI_Python

کتاب مفید
"Understanding Deep Learning" textbook.

Available at:
udlbook.github.io/udlbook/

New material includes convolutional networks, residual connections, BatchNorm, transformers (including for vision), and graph neural networks.

#کتاب

❇️ @AI_Python

الگوریتم فوروارد-فوروارد که جفری هینتون توضیح میداد با پیاده سازی:
https://github.com/mohammadpz/pytorch_forward_forward

میگن گزینه خوبی بجای بک پروپگیشن هستش.

✅ Autoencoder Feature Extraction for Classification


✅ blog to understand deep features


✳️ @ai_python

Reinforcement Learning and Tree Search Methods for the Unit Commitment Problem



🖥 Github: https://github.com/pwdemars/rl4uc

⏩ Paper: https://arxiv.org/abs/2212.06001v1

➡️ Dataset: https://paperswithcode.com/dataset/squad

#مقاله

Learning Video Representations from Large Language Models

Paper

Github

Colab

Project page

#مقاله

✅ @AI_Python