Machine learning datasets: A list of the biggest machine learning datasets from across the web.
https://lnkd.in/e7WZFTw

❇️ @AI_Python_EN

This awesome story from ETH Zürich #AI #researchers needs to be told! They used #artificialintelligence to improve quality of images recorded by a relatively new biomedical imaging method. This paves the way towards more accurate #diagnosis and cost-effective devices. How awesome is that! Important note on optoacoustic tomography
They used #machinelearning method to improve optoacoustic imaging. This relatively young #medicalimaging technique can be used for applications such as visualizing blood vessels, studying brain activity, characterizing skin lesions and diagnosing breast cancer. Paper is here:
https://lnkd.in/dtgUq4A

Code: https://lnkd.in/dYy32Vd

#deeplearning

❇️ @AI_Python_en

لیست مقالات پذیرش شده در کنفرانس
Neurips
https://neurips.cc/Conferences/2019/AcceptedPapersInitial

#کنفرانس #مقاله #هوش_مصنوعی #الگوریتمها #منابع

❇️ @AI_Python
✴️ @AI_Python_en

Yoshua Bengio, one of the pioneers of deep learning, now wants to his algorithms to ask 'why' things happen:

https://www.wired.com/story/ai-pioneer-algorithms-understand-why/

❇️ @AI_PYTHON_EN

دیباگر مناسب برای ژوپیتر، بالاخره یافت شد
pip install pixiedust

https://youtu.be/Z-tPeEkVqjk

سلام
شرکت عصر فناوری دانش از دوستان علاقه مند به کار در حوزه هوش تجاری دعوت به همکاری میکند .
شرایط:
۱.مسلط به مفاهیم طراحی و توسعه بانکهای اطلاعاتی و انبار داده ها
۲. مسلط به SSIS
۳. آشنا به مفاهیم داده کاوی
۴. علاقه مند به حوزه داده
۵. تمام وقت و با حقوق مکفی
۶. حقوق ۳ تا ۴.۵ میلیون تومان

افراد علاقه مند به همکاری لطفا به id زیر در تلگرام پیام دهند
@KTECo

🔹ابزار streamlit یک اپلیکیشن فریم ورک برای مهندسان یادگیری ماشین و دانشمندان داده است.

🔸این ابزار رایگان و متن باز برای مدل سازی و مصور سازی الگوریتم های یادگیری ماشین استفاده می شود. با استفاده از این ابزار شما می توانید ‌frontend پروژه های یادگیری ماشین خود را به صورت live تغییر دهید.

🔹همچنین streamlit با کتابخانه های معروف از جمله TensorFlow, Keras, PyTorch ,Panda ,Numpy, Matplotlib, Seaborn, Altair, Plotly, Bokeh, Vega-Lite، کاملا هماهنگ است.

🔸برای اطلاعات بیشتر در مورد این ابزار کاربردی لینک های زیر را بررسی نمایید.

🔗لینک گیت هاب streamlit:

https://github.com/streamlit/streamlit

🔗لینک سایت streamlit:
https://streamlit.io

#معرفی_ابزار
#یادگیری_ماشین
#هوش_مصنوعی
✅@ai_python

💠 Demo

@ai_python

الگوریتمهای یادگیری ماشین
#منابع #یادگیری_ماشین #الگوریتمها #آموزش

❇️ @AI_Python
✴️ @AI_Python_EN

Course 1 : A Learning Path to become Data Scientist in 2019
Link :
https://bit.ly/2HOthei

Course 2 : Experiments with Data
Link :
https://bit.ly/2HQuQbw

Course 3 : Python for Data Science
Link :
https://bit.ly/2HOG5RG

Course 4 : Twitter Sentiments Analysis
Link :
https://bit.ly/2HR8O8A

Course 5 : Creating Time Series Forecast with Python
Link :
https://bit.ly/2XniU6r

Course 6 : A path for learning Deep Learning in 2019
Link :
https://bit.ly/2HO1VVJ

Course 7 : Loan Prediction Practice problem
Link :
https://bit.ly/2IcynQl

Course 8 : Big mart Sales Problem using R
Link :
https://bit.ly/2JUlZIb

❇️ @AI_Python_EN

The war between ML frameworks has raged on since the rebirth of deep learning. Who is winning? Horace He data analysis shows clear trends: PyTorch is winning dramatically among researchers, while Tensorflow still dominates industry.
#PyTorch #Tensorflow

https://thegradient.pub/state-of-ml-frameworks-2019-pytorch-dominates-research-tensorflow-dominates-industry/

❇️ @AI_Python_EN

If you're interested in using pytorch on free Colab TPUs, here are some notebooks to get you started

https://github.com/pytorch/xla/tree/master/contrib/colab

❇️ @AI_Python_EN

#فرصت_شغلی

نورتکس کارشناس برنامه نویسی بک‌اند استخدام می‌کند. برای دریافت اطلاعات بیشتر به ایمیل info@neurtex.com رزومه خود را ارسال کنید.

Spoken Language Identification using ConvNets.
https://arxiv.org/abs/1910.04269

❇️ @AI_Python_EN

آموزشی مقدماتی برای دانشجویان کارشناسی

«مفاهیم و برنامه نویسی شبکه های GAN با تنسرفلو و پایتورچ»

#پایتون #شبکه_عصبی_تخاصمی #تنسرفلو #منابع #یادگیری_عمیق #کتاب #پایتورچ #برنامه_نویسی #الگوریتمها

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

Deep Learning:
http://course.fast.ai
NLP:
http://bit.ly/fastai-nlp
Comp Linear Algebra:  
http://github.com/fastai/numerical-linear-algebra
Bias, Ethics, & AI:
http://fast.ai/topics/#ai-in-society
Debunk Pipeline Myth:
http://bit.ly/not-pipeline
AI Needs You:
http://bit.ly/rachel-TEDx
Ethics Center: 
http://bit.ly/USF-CADE

❇️ @AI_Python_EN

Simple, Scalable Adaptation for Neural Machine Translation

Fine-tuning pre-trained Neural Machine Translation (NMT) models is the dominant approach for adapting to new languages and domains. However, fine-tuning requires adapting and maintaining a separate model for each target task. Researchers from Google propose a simple yet efficient approach for adaptation in #NMT. Their proposed approach consists of injecting tiny task specific adapter layers into a pre-trained model. These lightweight adapters, with just a small fraction of the original model size, adapt the model to multiple individual tasks simultaneously.

Guess it can be applied not only in #NMT but in many other #NLP, #NLU and #NLG tasks.

Paper: https://arxiv.org/pdf/1909.08478.pdf

#BERT

❇️ @AI_Python_EN

مهم‌ترین کتابخانه های علم داده در #پایتون

این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است.

@ai_python

Convolutional #NeuralNetworks have become a foundational network architecture for numerous deep learning-based #ComputerVision tasks. Here, Heartbeat contributor Brian Mwangi explores their evolution in this excellent review of the research.
https://bit.ly/32fkz0p

Bayesian Optimization Meets Riemannian Manifolds in Robot Learning

Jaquier et al.: https://lnkd.in/gEv2b5g

#BayesianOptimization #Robotics
#MachineLearning

Slides https://t.co/X5gKgF11bE New optimization: competitive gradient descent (CGD) for training GAN/multi-agent systems. Implicit competitive regularization from CGD means that we get SOTA with no explicit gradient penalty, better stability and no mode collapse
#AI #DeepLearning

❇️ @AI_Python
✴️ @AI_Python_EN