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

لیست دوره های رایگان Machine Learning

https://www.courseduck.com/programming/machine-learning/

✅ @ai_python

🔹لیست بهترین دوره های رایگان Data Science

https://www.courseduck.com/programming/data-science/

🔹 لیست بهترین دوره های رایگان Python
https://www.courseduck.com/programming/python/

✅ @ai_python

چرا تفاوت الگوریتمهای کلاسترینگ زیاد است ؟

https://medium.com/sfu-big-data/why-so-many-different-clustering-algorithms-2fd94906c668

#الگوریتمها

✅ @ai_python

۱۰ مورد از بهترین #منابع های رایگان آموزش #یادگیری_ماشین

https://www.kdnuggets.com/2019/12/best-free-machine-learning-courses-online.html

❇️ @AI_Python
✴️ @AI_Python_EN

a new NLU benchmark for testing the ability of models to break down a question into the required steps for computing its answer. https://allenai.github.io/Break/ A work by Tomer Wolfson, accepted to TACL 2020.

مجموعه پادکست
کاربردهای هوش مصنوعی در کسب و کار

بخش پنجم: گروه علی‌بابا (Alibaba)

برخی مطالب پوشش داده شده:
- مروری بر تاریخچه و دستاوردهای علی‌بابا
- برنامه‌های دولت چین برای هوش مصنوعی
- شخصی‌سازی صفحات برای مشتریان
- سیستم پیشنهاد دهنده پورتال Taobao
- یادگیری تقویتی (RL)
- نحوه آموزش پیشنهادگر Taobao
- ربات گفتگو (Chatbot) اختصاصی علی بابا
- تبلیغ‌نویسی یا کپی‌رایتینگ هوشمند
- اهمیت کپی‌رایتینگ در بازاریابی دیجیتال
- سرویس‌های ابری علی‌بابا
- سیستم NLP علی‌بابا و آزمون استنفورد
- پروژه Alibaba City Brain
- کنترل ترافیک شهری توسط علی‌بابا
- کشاورزی هوشمند
- کشاورزی دیجیتال
- آکادمی DAMO
- فناوری‌های مورد توجه DAMO
- تأثیر هوش مصنوعی در اجتماع و اقتصاد

🔗 لینک این اپیزود در کست‌باکس [+]

#پادکست #هوش_مصنوعی
______________

سید مصطفی کلامی هریس
وبسایت: kalami.ir
کانال رسمی: @KalamiHeris

کانال پرسش و پاسخ: @Kalami_QA

‌

➖➖➖➖➖➖➖➖➖
💯✅🌐 لیست مطالب سایت dataexperts.ir
⁉️ با کلیک روی موضوعات می‌توانید مطالب را بخوانید
➖➖➖➖➖➖➖➖➖
📢 آپدیت 98/11/16🔄
➖➖➖➖➖➖➖➖➖
🔘 معرفی رشته آمار
🔘 علم داده_ها (Data Science) چیست ؟
🔘 چگونه تبدیل به متخصص علم داده شویم؟!
🔘 مفهوم‌های اصلی آمار که تحلیل گران علم داده باید بدانند
🔘 اولین پروژه آنالیز داده خود را برنامه ریزی کنید
🔘 جامعه آماری — انواع داده و مقیاس‌های آن‌ها
🔘 رابطه بین میانگین حسابی، هندسی و همساز
🔘 واریانس و اندازه‌های پراکندگی — به زبان ساده
🔘 مقایسه معیارهای تمرکز (میانگین، میانه، نما)
🔘 گشتاور در آمار
🔘 روش‌ های نمونه‌گیری (Sampling) در آمار
🔘 آمار پارامتری و ناپارامتری
🔘 استنباط و آمار بیزی - به زبان ساده
🔘 معرفی نرم‌افزار و زبان برنامه‌نویسی R
➖➖➖➖➖➖➖➖➖
👥 ما را به دوستان خود معرفی کنید
➖➖➖➖➖➖➖➖➖
🔰 @Data_Experts
🌐 dataexperts.ir

Machine ignoring = underfitting
Machine learning = optimal fitting
Machine memorization = overfitting

#datascience #machinelearning

❇️ @AI_Python_EN

74 Summaries of Machine Learning and NLP Research Marek Rei :

http://www.marekrei.com/blog/74-summaries-of-machine-learning-and-nlp-research/

#ArtificialIntelligence #DeepLearning #MachineLearning

❇️ @AI_Python_EN

3 Ways to Encode Categorical Variables for Deep Learning

https://machinelearningmastery.com/how-to-prepare-categorical-data-for-deep-learning-in-python/

❇️ @AI_Python_EN

A list of the biggest machine learning datasets from across the web

https://bit.ly/2TYGdVD

❇️ @AI_Python_EN

Productionizing #NLP Models

https://bit.ly/2OkdRAD

❇️ @AI_Python_EN

#آموزش #منابع
مقدمات شبکه‌های بازگشتی:

https://www.aparat.com/v/zqbc8
https://www.aparat.com/v/WQyuo?playlist=287685

جلسه اول

فیلم جلسه دوم

دو فیلم بالا آشنایی کلی با اینکه
یادگیری عمیق چیه! چه فرقی با هوش مصنوعی و ماشین لرنینگ داره را بیان میکنه. یه مقدار سر انتخاب فریم ورک بحث میکنیم
و در ادامش پایتونو معرفی میکنه و در آخر سراغ کتابخونه هایی مثل numpy میره و خیلی خلاصه pandas و matplotlib هم معرفی میکنه.

این دو فیلم برای کسی تا الان یادگیری عمیق شروع نکرده و دوست داره تازه بیاد سمتش مناسبه

اگر تا الان سمتش نرفته بودید و تازه جذبش شدید بلاگ پست پایین هم مطالب رایگان و پولی انگلیسی و فارسیو برای ادامه راهتون میگه:

http://class.vision/deeplearning-learning-path/

دعوت به همکاری

دوباره راه انداختیمش:
@ai_python_arxiv

با تشکر از مهندس علیرضا فیضی عزیز

#آموزش #rnn #lsrm #gru #منابع
قسمت دوم - ادامه مقدمات شبکه‌های بازگشتی:

https://www.aparat.com/v/WQyuo?playlist=287685