🔥To our new subscribers 🔥

If you have trouble reading our posts in farsi which is 100% normal if you are not a native persian speaker 😃 i invite you to join english version of our channel:
✴️ @AI_Python_EN

Thank you for joining our community of AI researchers and Python users.

Meysam Asgari on behalf of ai_python admins team.

❇️ @AI_Python

نیکلاس کیج در خندوانه و شب یلدا 😁

🔥 ویدیوی جدید هوش‌مصنوعی #DeepO 🔥

🎥 ویدیوی باکیفیت در آپارات 👇
https://www.aparat.com/v/m8dTe

🍉 با آرزوی شبی خوش و آرام 🍉

Nicolas Cage in Khandevane !
Happy YALDA night 🍉
by #DeepO artificial intelligence

🔶 مطالب بیشتر در
@ali110co_ir
@opencv_olc
@ai_python

Top 14 Machine Learning Research Papers Of 2019


https://bit.ly/2ExLslR

❇️ @AI_Python_EN

منبعی خیلی خوبی از DeepLearning که توسط مهندس اخوان پور ارایه شده یکی از منابع خوب این دوره هاست که برگزار شده پیشنهاد میکنم ببینید

تیزر #فیلم آموزشی یادگیری عمیق در Python و Keras

http://aparat.com/v/Cv2fR

مشاهده ی تیز با کیفیت بالاتر

اطلاعات بیشتر، مشاهده 2 ساعت و نیم نخست برای ارزیابی و خرید:
http://class.vision/deeplearning-keras/

کد تخفیف تا چهارشنبه معتبر است:
yalda98

#منابع #کلاس_آموزشی

لیست محبوب ترین زبان های برنامه نویسی سال 2019

توسط TIOBE

@pythonicAI

مناظره یاشوا بنجیو و گری مارکوس به صورت زنده از لینک زیر قابل مشاهده است
https://montrealartificialintelligence.com/aidebate/

https://www.facebook.com/MontrealAI/videos/498403850881660/

گروه های مرتبط با کانال :

گروه DLeX : NLP:
https://t.me/joinchat/Ndag9FM9sgulcJrdaKIBJA

گروه DLeX: Deep Learning Experts
https://t.me/joinchat/Ndag9EZKfp1VbjjKyDbciA

گروه DLeX: Python + Linux Experts
https://t.me/joinchat/Ndag9D9QzOj0p3XMc71Gwg

💥 گردش مالی بازار «هوش مصنوعی» چقدر است؟

آی‌دی‌سی(یک شرکت بین‌المللی داده‌کاوی در زمینه هوش مصنوعی در آمریکا) برآورد کرده است که گردش مالی جهانی هوش مصنوعی تا سال ۲۰۲۳ به ۹۸.۴ میلیارد دلار می‌رسد. رشد تجمعی محصولات این صنعت نیز ۲۸.۵ درصد از سال ۲۰۱۹ تا ۲۰۲۳ رشد می‌کند.

تعداد اشیای متصل به اینترنت از سال ۲۰۱۸ تا ۲۰۳۰، دو برابر می‌شود. گروه تحلیل‌گران استراتژی، پیش‌بینی می‌کنند که ۵۰ میلیون دستگاه به جمعیت در حال رشد اینترنت اشیا اضافه شود.

❇️ @Ai_Python

🏙 دوره #علم_داده در #تحلیل_کسب_و_کار (Business Analysis) با نرم افزار R

👤 با تدریس #دکتر_فرزاد_مینویی فارغ التحصیل دکتری مدیریت از دانشگاه کلورادو امریکا (مجری پروژه‌های علم داده در امریکا و ایران)

مخاطبان دوره:
🔸 علاقمندان به حوزه علوم داده
🔸 علاقمندان به کار در صنایع، استارتاپ‌ها، بانک، بیمه و ...
🔸 تحلیلگران کسب و کار

🔗 جزئیات و رزرو از طریق: https://bit.ly/2JqFMNk

💬 @tiheac
🌐 tihe.ac.ir
📞 021-86741 (EXT: 120-125-127)

16 منبع آموزشی الگوریتمهای هوش مصنوعی〰️〰️〰️

♾ 1. Speech and Language Processing by Dan Jurafsky and James Martin

🔊 2. Deep Learning for Natural Language Processing by Richard Socher (Stanford University)

🔔 3. Natural Language Processing (NLP) by Microsoft

🔸 4. Andrew Ng’s course on Machine Learning

🔸 5. The video lectures and resources for Stanford’s Natural Language Processing with Deep Learning

🔰 Part 2

🔹6. Sequence Models for Time Series and Natural Language Processing

🔺 7. Deep Natural Language Processing course offered in Hilary Term 2017 at the University of Oxford.

🔺 8. Natural Language Processing Fundamentals in Python by Datacamp

🔺 9 Natural Language Processing by Higher School of Economics

🔸 10 How to Build a Chatbot Without Coding by IBM

🔸 11. CS 388: Natural Language Processing by University of Texas

🔸 12. Natural Language Processing with Python

⚡️ 13. CSEP 517: Natural Language Processing by University of Washington

🔰 14. Dan Jurafsky & Chris Manning: Natural Language Processing

📘 15. NATURAL LANGUAGE PROCESSING by Carnegie Mellon University

📘 16. CS224n: Natural Language Processing with Deep Learning by Stanford University

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

join👇👇👇

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/nabihbawazir_beginners-python-cheat-sheet-activity-6615956549594644480-5DOq

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/narjes-nikzad-b4948685_intro-to-deep-learning-activity-6614756754125361152-xasX

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/digitalis-kapha-b-v-_ai-statistics-machinelearning-activity-6614158045427580928-dQM_

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/meri%C3%A7-pakkan-52059251_artificialintellegence-machinelearning-datascience-activity-6614822287055126528-XuTD

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/nabihbawazir_21-sql-activity-6616241695988248576-rOPM

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

https://www.linkedin.com/posts/digitalis-kapha-b-v-_deeplearning-activity-6616254532936572928-vLkw

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

#یادگیری_عمیق دقیقا چیه؟

طی چند روز گذشته، بعضی از محقق‌های بزرگ هوش مصنوعی مانند #یان_لکان و #فرانسوا_شوله تعریف خودشون رو از دیپ لرنینگ توی سال 2019 اعلام کردند.

یان لکان:

"Some folks still seem confused about what deep learning is. Here is a definition:

DL is constructing networks of parameterized functional modules & training them from examples using gradient-based optimization. That's it.

This definition is orthogonal to the learning paradigm: reinforcement, supervised, or self-supervised.

Don't say "DL can't do X" when what you really mean is "supervised learning needs too much data to do X"

Extensions (dynamic networks, differentiable programming, graph NN, etc) allow the network architecture to change dynamically in a data-dependent way."
https://www.facebook.com/722677142/posts/10156463919392143/

فرانسوا شوله:

"What's deep learning?

The "common usage" definition as of 2019 would be "chains of differentiable parametric layers trained end-to-end with backprop".

But this definition seems overly restrictive to me. It describes *how we do DL today*, not *what it is*."
https://twitter.com/fchollet/status/1210031900695449600

اندری بورکوف:

"Looks like in late 2019, people still need a definition of deep learning, so here's mine: deep learning is finding parameters of a nested parametrized non-linear function by minimizing an example-based differentiable cost function using gradient descent."
https://www.linkedin.com/posts/andriyburkov_looks-like-in-late-2019-people-still-need-activity-6615377527147941888-ce68/

#deep_learning

#ویدئو

ویدئو نشست تخصصی خرداد ماه آزمایشگاه سپهر

موضوع ارائه: موضوعات رونددار در شبکه‌های اجتماعی

ارائه‌کننده: مهرداد رنجبر خدیوی

https://aparat.com/v/DfEe0

@cominsys_channel