کدام کتابخانه را برای یادگیری عمیق ترجیح میدهید؟ ( در نظر داریم آموزشهای مربوطه را در کانال قرار دهیم)
anonymous poll

Tensorflow – 192
👍👍👍👍👍👍👍 78%

PyTorch – 40
👍 16%

Caffe – 8
▫️ 3%

Theano – 5
▫️ 2%

👥 245 people voted so far.

از امروز کامیون های خودران شرکت Uber بارهای آریزونا را حمل خواهند کرد.
منبع: https://www.theverge.com/2018/3/6/17081626/uber-self-driving-trucks-delivering-cargo-arizona
❇️ @ai_python

😂😂😕😐
❇️ @ai_python

آیا شاخصی برای ارزشیابی دانشگاه های خارجی در ایران وجود دارد؟

این ویدیو تا حدی پاسخ این سوال را خواهد داد.
🆔 @ApplyMarket

❇️ @ai_python

❇️ @ai_python

لینک های شرکت در این دوره ها و توضیحات مربوطه:
💎 جبر خطی و احتمالات در یادگیری ماشینی با استفاده از پایتون
این کارگاه دوره فشرده‌ای در حوزه ریاضیات یادگیری ماشینی است. در این دوره آموزشی روش‌های عمده در جبر خطی و تئوری احتمالات ارائه می‌شود؛ روش‌هایی که مستقیما به الگوریتم‌های یادگیری ماشینی مرتبط هستند. پس از این کارگاه فراگیران هم نحوه خواندن مباحث ریاضیاتی در مقالات یادگیری ماشینی را خواهند آموخت و هم نحوه توصیف مدل‌های خودشان به زبان ریاضی با استفاده از عملیات موجود در جبر خطی را یاد می‌گیرند. تمامی این مفاهیم به صورت گام به گام در کتابخانه‌های استاندارد پایتون پیاده سازی می‌شود.
لینک ثبت نام: http://www.ifc.ir/linear-algebra-and-probabilities

💎 پیش‌بینی سری‌های زمانی با استفاده از پایتون
پیش‌بینی وضعیت آینده همواره یکی از مهم‌ترین مسائل در بازارهای مالی به‌شمار می‌رود. مدل‌ها و روش‌های گوناگونی جهت انجام پیش‌بینی مورد کاربرد محققان و فعالان بازار است. مدل‌های اقتصادسنجی و الگوریتم‌های هوشمند نظیر شبکه‌های عصبی و یادگیری عمیق ازجمله مهم‌ترین روش‌های پیش‌بینی آینده مبتنی بر داده‌های گذشته تلقی می‌شوند. این مدل‌ها و الگوریتم‌ها را می‌توان در بسترها و با استفاده از ابزارهای متفاوتی پیاده‌سازی کرده و به نتایج موردنظر دست یافت. در این دوره آموزشی افراد پس از آشنایی و یادگیری نحوه کدنویسی در پایتون و درک صحیحی از داده‌ها و ساختار آن در سری‌های زمانی، مدل‌های پیش‌بینی اعم از خطی و غیرخطی را پیاده‌سازی خواهند کرد. همچنین پس از انجام پیش‌بینی به ارزیابی آن خواهند پرداخت.
لینک ثبت نام: http://www.ifc.ir/time-series-using-python

⭐️ با تخفیف ویژه برای دانشجویان

👨🏻‍💼 مدرس: جناب دکتر علی حبیب نیا

❇️ @ai_python

گروه ریاضی و رمزنگاری:
↪️ https://t.me/joinchat/HdXdAUv287poCj8cYQbbuw

گروه پرسش و پاسخ یادگیری عمیق:
↪️ https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw

گروه پرسش و پاسخ پردازش زبان طبیعی:
↪️ https://t.me/joinchat/ClyM2hD0u8mHCI0lj-IHgQ

گروه پرسش و پاسخ لینوکس پایتون و هوش مصنوعی:
↪️ https://t.me/joinchat/ClyM2j9QzOiTI_Ul3Oqa_g

گروه ارز دیجیتال:
↪️ https://t.me/joinchat/ClyM2ks_FYVvdY6Gn_PjqA

کانال یوتیوب دروس فارسی دکتر رضوی (هوش مصنوعی، پایتون و یادگیری عمیق):
↪️ http://www.youtube.com/c/SeyedNaserRazavi

کانال پایتون، هوش مصنوعی، لینوکس و علوم شناختی:
↪️ https://t.me/joinchat/AAAAAEIZz9O4RpAXQ_ylTw

❇️ @ai_python

در مورد PyTorch علاقه مندان میتونن آموزشهای دکتر رضوی رو دنبال بکنند:
https://t.me/ai_python/3140

در مورد تنسورفلو از امروز آموزشها شروع میشند و به صورت خیلی کوتاه و پست های تلگرامی در اختیار دوستان قرار میگیرند.
با ما باشید.
با ما نبودید هم لفت بدید😒
مثل شاطر براتون پست میزاریم لفت هم میدید والا 😒😒😒
❇️ @ai_python

#تنسورفلو 01
تنسورفلو چیست و چرا؟

تنسورفلو (انگلیسی: TensorFlow یک کتابخانهٔ نرم‌افزاری متن‌باز برای یادگیری ماشین در انواع مختلف وظایف مفهومی و زبان است که در حال حاضر توسط ۵۰ تیم تحقیقاتی و محصولات مختلف گوگل از جمله بازشناسی گفتار، جی‌میل، گوگل فوتوز و جستجو که بسیاری از آن‌ها سابقاً از دیست‌بلیف استفاده کرده بودند، استفاده می‌شود. تنسورفلو در آغاز توسط تیم گوگل برین مرکز تحقیقاتی گوگل به صورت داخلی استفاده می‌شد ولی بعدها در ۹ نوامبر ۲۰۱۵ تحت مجوز آپاچی منتشر شد.
دلایل زیادی نظیر اینکه تصاویر طیف خاکستری در کامپیوتر معمولاً به صورت ماتریس‌های n∗m ذخیره می‌شوند(تصاویر رنگی با ابعاد بیشتر مانند n∗m∗3) و وقتی ما دسته‌ای از تصاویر داریم (مثلاً k تصویر)، مجبوریم ابعاد ماتریس‌ها را به صورت n∗m∗k یا در تصاویر رنگی n∗m∗3∗k افزایش دهیم سبب شدند که در طراحی TensorFlow از داده ساختار تانسور برای نگه داری مقادیر و نوع داده متغیرها استفاده شود. اما مهم ترین دلیل استفاده TensorFlow از تانسورها، در حقیقت سهولت مدیریت وزن‌ها و مقادیر نرون‌ها در لایه‌های مختلف در شبکه‌های عصبی عمیق و یادگیری عمیق است.

تنسور چیست؟
اصولا اگر داده را به صورت بردار در نظر بگیریم به سه نوع خواهد بود:
دسته ۱: داده های برداری که به شکل یک بردار ۱ بعدی هستند
دسته ۲: داده های ماتریسی که به صورت ۲ بعدی خواهند بود
دسته ۳: داده هایی که به صورت ماتریس هایی با ابعاد بالاتر از ۲ هستند که به آنها تنسور گفته میشود.
دلیل اصلی اینکه می بایستی محاسبات تنسور را بیاموزیم این است که در کل داده هایی مانند تصویر به صورت تنسور هایی هستند که گاها بهم مرتبط (مانند ویدئو) و گاها نامرتبط بهم (تصاویر نا مرتبط) می باشند.
❇️ @ai_python

جایزه نوبل مسخره ترین سوال در گروه های برنامه نویسی میرسه به:
اینجا کسی فلان چیز رو بلده؟!
خب سوالت رو بپرس 😐 بلد نبودند اسم گروه رو نمیزاشتن فلان چیز 😡
❇️ @ai_python

مثال از بردار ماتریس و تنسور
❇️ @ai_python

برای فرمول نویسی در گروه ها از ربات لیتک استفاده کنید.
@LatexBot

❇️ @ai_python

بدون زنان برنامه نویسی به شکلی که میشناسیم وجود نداشت.
روز زن بر برنامه نویسان زن مبارک.
❇️ @ai_python

سلام به دوستان عزیزم 🤚

خیلی وقته که توی سطح اینترنت آکادمی های آموزشی زیادی تاسیس شده و دارن فعالیت میکنن که امیدواریم موفق باشند ...

در این وضعیت که هرکسی از راه نرسیده یه آکادمی آموزشی میزنه و شروع میکنه به فروش اونها وظیفه خودم میدونم چند تا چیز رو متذکر بشم :

⭕️هر دوره ای که اسم گنده ای داشته باشه صرفا خوب نیست !
( مورد داشتیم زده آموزش ساخت موشک های ناسا با php فقط در 1 روز😐 )
* قصد توهین به زبان php و دولوپر هاشو ندارم ولی یکم منطقی نیست شرکت توی چنین دوره هایی ! )

⭕️هر دوره ارزون و هر دوره گرون هم خوب نیست !
( طرف آموزش ساخت دیجی کالا میسازه 20 هزارتومن یا همون اموزش 500 هزارتومن 😕 سعی کنید آموزشی رو بخرید که معقول تر باشه نسبت به بقیه و باتوجه به سرفصلهاش و نوع تدریس مدرس و فاکتور های دیگه بخرید )

⭕️ لزوما هر دوره ای که ساعت بیشتری داشته باشه از بقیه آموزشها بهتر نیست 👇
( طرف میاد دوره رکورد میکنه 200 ساعت😐 بقیه هم فکر میکنن خوبه میرن میخرن بعد میشینن دوره رو نگاه میکنن وقتشونم تلف میشه تهش بخاطر طولانی بودن دوره خسته میشن و یا وسطش ول میکنن یا اینکه یادشون میره ) ( معمولا دوره هایی که زمان کوتاه تری دارن توی جلسات و توی ساعت کل اموزش بهتر هستن )

⭕️ هر آکادمی آموزشی یا هرمدرسی که دم به دیقه دوره های مختلف تهیه میکنه فعال و خوب نیست !
( مورد داشتیم طرف با یک زبان 99 دوره برگزار کرده — دوستان عزیز اینجور افراد فقط به فکر پول درآوردن هستن وگرنه میشه مثلا java رو با یک دوره خوب و معقول یادگرفت و نیازی به برگذاری اینهمه دوره نیست)
- مورد داشتیم طرف تو گروه پرسیده ++c چیه ؟ 😑 بعد بر حسب اتفاق ماه بعدش داشته دوره qt تدریس میکرده 😶
- دوباره مورد داشتیم رفته یه دوره رو خریده اومده عین اون تدریس کرده بعد ادعای برنامه نویس بودنش هم میاد 😂

خلاصه دوستان خیلی نکته هست که بگم بهتون ... متاسفانه توی کشور ما هرکسی به هردلیلی ( نبود کار ۰ نداشتن رزومه خوب و ... ) میره یک ماه یه دوره میبینه میاد این همونو رکورد میکنه میده دست یه تازه کار ...
تدریس اونقدری مهمه که با یک ماه دوماه کار نمیشه مدرس شد ، تدریس استعداد میخواد - تجربه میخواد و خیلی فاکتور های دیگه تا اینکه یه اموزش خوب تولید بشه ...

🚫 خلاصه دوستان فقط قصد من از این پست این بود که یادآوری کنم هرآموزشی ارزش دیدن نداره و هرآموزشی شما رو متخصص نمیکنه ... لطفا به روزمه مدرس ، نحوه تدریس و ... موقع خرید دقت کنید که ضرر نکنید خدایی نکرده ....
و ما به هیچ آکادمی و مدرسی توهین نکردیم لطفا جبهه نگیرید 😉

✍️ امیر آرمان
@AmirArman7
احیانا اگه اعتراضی ، نظری داشتید به خودم بگید در خدمتم 👆

❇️ @ai_python

لینک های شرکت در این دوره ها و توضیحات مربوطه:
💎 جبر خطی و احتمالات در یادگیری ماشینی با استفاده از پایتون
این کارگاه دوره فشرده‌ای در حوزه ریاضیات یادگیری ماشینی است. در این دوره آموزشی روش‌های عمده در جبر خطی و تئوری احتمالات ارائه می‌شود؛ روش‌هایی که مستقیما به الگوریتم‌های یادگیری ماشینی مرتبط هستند. پس از این کارگاه فراگیران هم نحوه خواندن مباحث ریاضیاتی در مقالات یادگیری ماشینی را خواهند آموخت و هم نحوه توصیف مدل‌های خودشان به زبان ریاضی با استفاده از عملیات موجود در جبر خطی را یاد می‌گیرند. تمامی این مفاهیم به صورت گام به گام در کتابخانه‌های استاندارد پایتون پیاده سازی می‌شود.
لینک ثبت نام: http://www.ifc.ir/linear-algebra-and-probabilities

💎 پیش‌بینی سری‌های زمانی با استفاده از پایتون
پیش‌بینی وضعیت آینده همواره یکی از مهم‌ترین مسائل در بازارهای مالی به‌شمار می‌رود. مدل‌ها و روش‌های گوناگونی جهت انجام پیش‌بینی مورد کاربرد محققان و فعالان بازار است. مدل‌های اقتصادسنجی و الگوریتم‌های هوشمند نظیر شبکه‌های عصبی و یادگیری عمیق ازجمله مهم‌ترین روش‌های پیش‌بینی آینده مبتنی بر داده‌های گذشته تلقی می‌شوند. این مدل‌ها و الگوریتم‌ها را می‌توان در بسترها و با استفاده از ابزارهای متفاوتی پیاده‌سازی کرده و به نتایج موردنظر دست یافت. در این دوره آموزشی افراد پس از آشنایی و یادگیری نحوه کدنویسی در پایتون و درک صحیحی از داده‌ها و ساختار آن در سری‌های زمانی، مدل‌های پیش‌بینی اعم از خطی و غیرخطی را پیاده‌سازی خواهند کرد. همچنین پس از انجام پیش‌بینی به ارزیابی آن خواهند پرداخت.
لینک ثبت نام: http://www.ifc.ir/time-series-using-python

⭐️ با تخفیف ویژه برای دانشجویان

👨🏻‍💼 مدرس: جناب دکتر علی حبیب نیا

❇️ @ai_python

#دیتا_ست
#تصاویر_خودرو
#برند_مدل_سال_تولید
2768_نمونه
100*150 پیکسل
گروه پرسش و پاسخ یادگیری عمیق:
↪️ https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw
❇️ @ai_python

چندی پیش با توجه به وجود اسپمر‌ها و افراد سودجو در گروها و ارسال عکس‌های مبتذل در گروها و با پیشنهاد یکی از دوستان

مدل اولیه خود که دقتی حدوداً ۸۰‎٪ داشت را برای تست و ساخت رباتی تلگرامی اماده کردیم ( این ربات ساخت یکی از دوستان ماست که همینجا از زحماتشون قدردانی می‌کنیم)

قرار برآن است که ربات عکس‌های ارسالی در گروه‌ها را بررسی کند و درصورت مستهجن بودن بصورت خودکار آنها را حذف کند

اما همانطور که گفته شد همچنان درحال توسعه هست و تصمیم برآن شد که همین نسخه درحال توسعه نیز دردسترس قرار گیرد

پس بطور محدود این ربات فقط میزان مستهجن بودن تصویر را نمایش می‌دهد.

نکات قابل توجه :

۱- حتی دقت ۸۰‎٪ هم ممکن است کمتر باشند چرا که ربات هیچ نوع preprocessing روی دیتا انجام نمی‌دهد

۲- سرور‌ی که مدل اولیه روی آن قرار دارد هدیه بوده و قدرت شبکه و سخت‌ افزار آن محدود شده.

۳- باگ‌های بیشتری در بات و سرور وجود دارد که احتمالاً شما نیز موقع کار با آنها مواجه خواهید شد

اما نکته قابل توجه اینجاست که نوشتن بات به عهده یکی از دوستان ما بوده و در زمان اوقات فراغت ایشان توسعه داده شده و داده خواهد شد

مدل نهایی تنها درصورتی برای بات قرار خواهد گرفت که تمامی اعضای تیم موافقت کنند.

یادآور شوم که از دسترس خارج شدن ربات بمنظور توسعه آن خواهد بود .

@classify_bot

توسعه دهنده ربات: @majid199372
❇️ @ai_python

#dynamicmesh

ویدئو آموزش نحوه داینامیک کردن حلگر در openfoam

🆔 @AMSopenFOAM
🆔 @illusion_ata