✔️ منبعی بسیار مهم وعالی با تمریناتی برای یادگیری عمیق و پایتون با استفاده از OpenCV و منابعی رایگان برای أموزش
#یادگیری_عمیق
#پایتون
👈 لینک
❇️ @ai_python
#یادگیری_عمیق
#پایتون
👈 لینک
❇️ @ai_python
Forwarded from DLeX: AI Python (🎈 Amir Arman 🎈)
✔️ معرفی #منابع_آموزشی برای یادگیری هوش مصنوعی
#Ai #Deep_Learning #Machine_learning
#یادگیری_عمیق
#هوش_مصنوعی
#یادگیری_ماشین
#شبکه_عصبی
✅ گام اول برای یادگیری هوش مصنوعی:
- فراگیری پایتون و پایگاه داده SQL
- فراگیری یادگیری ماشین
📍یادگیری ماشین بااستفاده از scikit-learn 👈 لینک دوره
📍یادگیری ماشین با استفاده از پایتون 👈 لینک دوره
📍آموزش یادگیری ماشین 👈 لینک دوره
📍یادگیری ماشین با استفاده از scikit-learn-part1 👈 لینک دوره
📍مبانی مقدماتی تا پیشرفته یادگیری ماشین 👈 لینک دوره
✅ استفاده از منبع های مختلف دانشگاه ها و سایت های معتبر
📍 اصول و روش های هوش مصنوعی از دانشگاه استنفورد 👈 لینک دوره
📍 منابع آموزشی دانشگاه MIT 👈 لینک دوره
📍دوره هوش مصنوعی Saylor 👈 لینک دوره
📍منابع آموزشی موجود در سایت Edx 👈 لینک دوره
📍منابع اموزشی مقدمات هوش مصنوعی 👈 لینک دوره
📍 ویدیو های سخنرانی دانشگاه برکلی 👈 لینک دوره
📍 آموزش یادگیری عمیق Google 👈 لینک دوره
📍ویدیو آموزش یادگیری ماشین دانشگاه کارنگی ملون استاد لری وارسرمن 👈 لینک دوره
📍آموزش شبکه های عصبی برای هوش مصنوعی 👈 لینک دوره
✅ یادگیری نظریه های آمار، احتمال و ریاضی
📍آموزش جبر خطی 👈 لینک دوره
📍آموزش آمار و احتمال دانشگاه MIT 👈 لینک دوره
📍معادلات دیفرانسیل و چندگانه 👈لینک دوره ۱ لینک دوره ۲
📍آموزش نظریه گراف سایت coursera 👈 لینک دوره
📍آموزش روش های بهینه سازی دانشگاه استنفورد👈 لینک دوره
❇️ @AI_Python
#Ai #Deep_Learning #Machine_learning
#یادگیری_عمیق
#هوش_مصنوعی
#یادگیری_ماشین
#شبکه_عصبی
✅ گام اول برای یادگیری هوش مصنوعی:
- فراگیری پایتون و پایگاه داده SQL
- فراگیری یادگیری ماشین
📍یادگیری ماشین بااستفاده از scikit-learn 👈 لینک دوره
📍یادگیری ماشین با استفاده از پایتون 👈 لینک دوره
📍آموزش یادگیری ماشین 👈 لینک دوره
📍یادگیری ماشین با استفاده از scikit-learn-part1 👈 لینک دوره
📍مبانی مقدماتی تا پیشرفته یادگیری ماشین 👈 لینک دوره
✅ استفاده از منبع های مختلف دانشگاه ها و سایت های معتبر
📍 اصول و روش های هوش مصنوعی از دانشگاه استنفورد 👈 لینک دوره
📍 منابع آموزشی دانشگاه MIT 👈 لینک دوره
📍دوره هوش مصنوعی Saylor 👈 لینک دوره
📍منابع آموزشی موجود در سایت Edx 👈 لینک دوره
📍منابع اموزشی مقدمات هوش مصنوعی 👈 لینک دوره
📍 ویدیو های سخنرانی دانشگاه برکلی 👈 لینک دوره
📍 آموزش یادگیری عمیق Google 👈 لینک دوره
📍ویدیو آموزش یادگیری ماشین دانشگاه کارنگی ملون استاد لری وارسرمن 👈 لینک دوره
📍آموزش شبکه های عصبی برای هوش مصنوعی 👈 لینک دوره
✅ یادگیری نظریه های آمار، احتمال و ریاضی
📍آموزش جبر خطی 👈 لینک دوره
📍آموزش آمار و احتمال دانشگاه MIT 👈 لینک دوره
📍معادلات دیفرانسیل و چندگانه 👈لینک دوره ۱ لینک دوره ۲
📍آموزش نظریه گراف سایت coursera 👈 لینک دوره
📍آموزش روش های بهینه سازی دانشگاه استنفورد👈 لینک دوره
❇️ @AI_Python
YouTube
Machine learning in Python with scikit-learn
Learn how to use Python's scikit-learn library to perform effective machine learning: https://github.com/justmarkham/scikit-learn-videos
✔️ لینک گروه پایتون ,هوش مصنوعی و لینوکس
https://t.me/joinchat/ClyM2j9QzOiYfJkHkgrMxQ
✔️ لینک گروه یادگیری عمیق
https://t.me/joinchat/ClyM2kZKfp0_jRXWpiQDkw
✔️ لینک گروه پردازش زبان طبیعی
https://t.me/joinchat/ClyM2lM9sguMoBTT7rVJzw
#ExpertsFamily
❇️ @AI_Python
https://t.me/joinchat/ClyM2j9QzOiYfJkHkgrMxQ
✔️ لینک گروه یادگیری عمیق
https://t.me/joinchat/ClyM2kZKfp0_jRXWpiQDkw
✔️ لینک گروه پردازش زبان طبیعی
https://t.me/joinchat/ClyM2lM9sguMoBTT7rVJzw
#ExpertsFamily
❇️ @AI_Python
Telegram
Python + Linux Experts
Question answering group for Python and Linux
https://t.me/PythonLinuxExperts
https://t.me/joinchat/bZaSWDdHWmNmYmQ8
Python Documentation Repository:
@PyRepo
_______
Our channels:
@uselinux
@ai_person
rules : #قوانین
https://t.me/PythonLinuxExperts
https://t.me/joinchat/bZaSWDdHWmNmYmQ8
Python Documentation Repository:
@PyRepo
_______
Our channels:
@uselinux
@ai_person
rules : #قوانین
🔥🔥 اقدامی خارق العاده از پژوهشگران هوش مصنوعی
کشیدن صورت افراد با استفاده از متنهای نگارش شده در مورد آنها
#هوش_مصنوعی
#شبکه_عصبی
#مقاله
👈 لینک
❇️ @AI_Python
کشیدن صورت افراد با استفاده از متنهای نگارش شده در مورد آنها
#هوش_مصنوعی
#شبکه_عصبی
#مقاله
👈 لینک
❇️ @AI_Python
🗣سخنرانی پریسا تبریز از مدیران امنیت گوگل در کنفرانس Blackhat 2018
https://goo.gl/1ozkif
▪️خانم پریسا تبریز که از متخصصان ایرانی الاصل و زبده امنیتی دنیا و مدیر امنیت گوگل است ساعاتی پیش در کنفرانس امنیتی Blackhat 2018 در آمریکا به روی استیج رفت و سخنرانی کرد. در گوگل به پریسا تبریز لقب "شاهزاده امنیت" داده اند.
▪️پریسا تبریز (متولد 1362) است. او هم اکنون برای شرکت گوگل کار می‌کند. نشریه Forbes از پریسا تبریز به عنوان یکی از ۳۰ چهره برتر در زمینه تکنولوژی، در کنار افرادی چون مارک زاکربرگ نام برده است. او در گوگل ریاست بخشی را بر عهده دارد که از ۳۰۰ هکر در اروپا و آمریکا تشکیل شده و وظیفه بررسی تهدیدات امنیتی مرتبط با موتور جستجوی گوگل و همین‌طور دیگر محصولات این شرکت، از جمله مرورگر گوگل کروم را بر عهده دارند.
▪️کنفرانس سالانه Blackhat 2018 مهمترین رخداد امنیتی دنیاست که سالانه متخصصان بزرگ امنیتی را گرد هم می آورد تا در خصوص آخرین دستاوردهای امنیت اطلاعات به ارائه مقاله و سخنرانی بپردازند.
▪️پریسا تبریز روز گذشته در کنفرانس Blackhat 2018 به عنوان سخنرانی کلیدی این کنفرانس روی سن رفت و سخنرانی کرد.
او در سخنرانی خود در Black Hat، در مورد نحوه حرکت به مدل امنیتی پیچیده با تفکری مبتنی بر همکاریهای باز بین متخصصان (open collaboration) بحث کرد. او تاکید کرد چشم انداز امنیت سایبری در تمام سطوح بسیار پیچیده و سخت است، و محققان امنیتی، فروشندگان، بنگاه های ذینفع و حتی دولت ها در تلاش برای ایجاد یک توافق برای ایجاد یک جهان سایبری امن تر هستند.
▪️او تلاش گوگل را برای رسیدن به مقصد صددرصد شدن سایتهای HTTPS تشریح کرد و در ادامه از Project Zero متعلق به گوگل به عنوان نمونه ای موفق از تلاش جمعی برای حل مشکلات امنیتی نام برد. او خاطر نشان کرد، شناسایی یک آسیب پذیری و ضعف و سپس اجرای یک رویکرد منطقی برای مقابله با آن، باید به عنوان یک ضرورت در دنیای امنیت درنظر گرفته شود.
▪️او اشاره کرد که نحوه مقابه ما با تهدیدات سایبری از نوع بازی Whack-a-Mole است. (توضیح: در این بازی کامپیوتری، موشهای کور بصورت تصادفی از سوراخها بیرون می آیند و بازی کننده باید با چکش روی سر آنها بزند و امتیاز بگیرد.) او گفت که ما غالبا منتظر هستیم تا یک آسیب پذیری کشف شود و سپس به ترمیم آن بپردازیم. او با انتقاد از این روش گفت که باید رویکرد خود را برای امن کردن عوض کنیم. ما باید سه کار انجام دهیم. "اول، ما باید علت اصلی مشکلات را شناسایی کنیم و با آن مقابله کنیم؛ دوم، ما باید در مورد چگونگی پیگیری پروژه های دفاعی دراز مدت، اصولی تر عمل کنیم. و در نهایت، ما باید در پروژه های دفاعی با رویکرد پیشگیرانه سرمایه گذاری کنیم."
🎥 مشاهده فیلم سخنرانی پریسا تبریز و ادامه مطلب:
https://www.youtube.com/watch?v=py2qmGbyhlw&feature=youtu.be&t=1406
@just_network
@Ai_Python
https://goo.gl/1ozkif
▪️خانم پریسا تبریز که از متخصصان ایرانی الاصل و زبده امنیتی دنیا و مدیر امنیت گوگل است ساعاتی پیش در کنفرانس امنیتی Blackhat 2018 در آمریکا به روی استیج رفت و سخنرانی کرد. در گوگل به پریسا تبریز لقب "شاهزاده امنیت" داده اند.
▪️پریسا تبریز (متولد 1362) است. او هم اکنون برای شرکت گوگل کار می‌کند. نشریه Forbes از پریسا تبریز به عنوان یکی از ۳۰ چهره برتر در زمینه تکنولوژی، در کنار افرادی چون مارک زاکربرگ نام برده است. او در گوگل ریاست بخشی را بر عهده دارد که از ۳۰۰ هکر در اروپا و آمریکا تشکیل شده و وظیفه بررسی تهدیدات امنیتی مرتبط با موتور جستجوی گوگل و همین‌طور دیگر محصولات این شرکت، از جمله مرورگر گوگل کروم را بر عهده دارند.
▪️کنفرانس سالانه Blackhat 2018 مهمترین رخداد امنیتی دنیاست که سالانه متخصصان بزرگ امنیتی را گرد هم می آورد تا در خصوص آخرین دستاوردهای امنیت اطلاعات به ارائه مقاله و سخنرانی بپردازند.
▪️پریسا تبریز روز گذشته در کنفرانس Blackhat 2018 به عنوان سخنرانی کلیدی این کنفرانس روی سن رفت و سخنرانی کرد.
او در سخنرانی خود در Black Hat، در مورد نحوه حرکت به مدل امنیتی پیچیده با تفکری مبتنی بر همکاریهای باز بین متخصصان (open collaboration) بحث کرد. او تاکید کرد چشم انداز امنیت سایبری در تمام سطوح بسیار پیچیده و سخت است، و محققان امنیتی، فروشندگان، بنگاه های ذینفع و حتی دولت ها در تلاش برای ایجاد یک توافق برای ایجاد یک جهان سایبری امن تر هستند.
▪️او تلاش گوگل را برای رسیدن به مقصد صددرصد شدن سایتهای HTTPS تشریح کرد و در ادامه از Project Zero متعلق به گوگل به عنوان نمونه ای موفق از تلاش جمعی برای حل مشکلات امنیتی نام برد. او خاطر نشان کرد، شناسایی یک آسیب پذیری و ضعف و سپس اجرای یک رویکرد منطقی برای مقابله با آن، باید به عنوان یک ضرورت در دنیای امنیت درنظر گرفته شود.
▪️او اشاره کرد که نحوه مقابه ما با تهدیدات سایبری از نوع بازی Whack-a-Mole است. (توضیح: در این بازی کامپیوتری، موشهای کور بصورت تصادفی از سوراخها بیرون می آیند و بازی کننده باید با چکش روی سر آنها بزند و امتیاز بگیرد.) او گفت که ما غالبا منتظر هستیم تا یک آسیب پذیری کشف شود و سپس به ترمیم آن بپردازیم. او با انتقاد از این روش گفت که باید رویکرد خود را برای امن کردن عوض کنیم. ما باید سه کار انجام دهیم. "اول، ما باید علت اصلی مشکلات را شناسایی کنیم و با آن مقابله کنیم؛ دوم، ما باید در مورد چگونگی پیگیری پروژه های دفاعی دراز مدت، اصولی تر عمل کنیم. و در نهایت، ما باید در پروژه های دفاعی با رویکرد پیشگیرانه سرمایه گذاری کنیم."
🎥 مشاهده فیلم سخنرانی پریسا تبریز و ادامه مطلب:
https://www.youtube.com/watch?v=py2qmGbyhlw&feature=youtu.be&t=1406
@just_network
@Ai_Python
Forwarded from Data Experts (Farzad)
انواع دسته بندی های #یادگیری_ماشین
یادگیری با ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد بازای هر ورودی، مقدار خروجی و یا تابع مربوطه نیز مشخص است. هدف سیستم یادگیر بدست آوردن فرضیه ای است که تابع و یا رابطه بین ورودی و یا خروجی را حدس بزند
یادگیری بدون ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد که در آن فقط مقدار ورودی ها مشخص است و اطلاعاتی در مورد خروجی صحیح در دست نیست. یادگیری بدون ناظر برای دسته بندی ورودیها و یا پیش بینی مقدار بعدی بر اساس موقعیت فعلی بکار میرود.
بادگیری تقویتی:
مثالها بصورت ورودی/خروجی نیستند بلکه بصورت وضعیت/پاداش هستند که یادگیر در وضعیت های مختلف عملیات مختلفی را انجام داده و پاداشهای متفاوتی دریافت و بر اساس مجموع پاداش های دریافتی عمل متناسب با هر وضعیت را یاد میگیرد.
یادگیری نیمه نظارتی:
مثالها طوری هستند که برای تعداد کمی از آنها مقدار خروجی موجود است اما برای مثالهای زیادی مقدار خروجی مشخص نیست.
❇️ @Data_Experts
یادگیری با ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد بازای هر ورودی، مقدار خروجی و یا تابع مربوطه نیز مشخص است. هدف سیستم یادگیر بدست آوردن فرضیه ای است که تابع و یا رابطه بین ورودی و یا خروجی را حدس بزند
یادگیری بدون ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد که در آن فقط مقدار ورودی ها مشخص است و اطلاعاتی در مورد خروجی صحیح در دست نیست. یادگیری بدون ناظر برای دسته بندی ورودیها و یا پیش بینی مقدار بعدی بر اساس موقعیت فعلی بکار میرود.
بادگیری تقویتی:
مثالها بصورت ورودی/خروجی نیستند بلکه بصورت وضعیت/پاداش هستند که یادگیر در وضعیت های مختلف عملیات مختلفی را انجام داده و پاداشهای متفاوتی دریافت و بر اساس مجموع پاداش های دریافتی عمل متناسب با هر وضعیت را یاد میگیرد.
یادگیری نیمه نظارتی:
مثالها طوری هستند که برای تعداد کمی از آنها مقدار خروجی موجود است اما برای مثالهای زیادی مقدار خروجی مشخص نیست.
❇️ @Data_Experts
دانشمندان توانستند قرنیه‌ی چشم انسان را با استفاده از پرینتر‌های سه بعدی چاپ کنند
این تکنیک میتواند با فراهم آوردن مقدار زیادی قرنیه‌ی مصنوعی انسان از نابینایی میلیون‌ها نفر جلوگیری کند
@ai_python
این تکنیک میتواند با فراهم آوردن مقدار زیادی قرنیه‌ی مصنوعی انسان از نابینایی میلیون‌ها نفر جلوگیری کند
@ai_python
✔️ پیاده سازی مدلهای یادگیری عمیق سخت است اما راه حلی دارد. . .!!!
#یادگیری_ماشین
👈 لینک
❇️ @AI_Python
#یادگیری_ماشین
👈 لینک
❇️ @AI_Python
Forwarded from DLeX: AI Python (Farzad)
✔️ لینک گروه پایتون ,هوش مصنوعی و لینوکس
https://t.me/joinchat/ClyM2j9QzOiYfJkHkgrMxQ
✔️ لینک گروه یادگیری عمیق
https://t.me/joinchat/ClyM2kZKfp0_jRXWpiQDkw
✔️ لینک گروه پردازش زبان طبیعی
https://t.me/joinchat/ClyM2lM9sguMoBTT7rVJzw
#ExpertsFamily
❇️ @AI_Python
https://t.me/joinchat/ClyM2j9QzOiYfJkHkgrMxQ
✔️ لینک گروه یادگیری عمیق
https://t.me/joinchat/ClyM2kZKfp0_jRXWpiQDkw
✔️ لینک گروه پردازش زبان طبیعی
https://t.me/joinchat/ClyM2lM9sguMoBTT7rVJzw
#ExpertsFamily
❇️ @AI_Python
Telegram
Python + Linux Experts
Question answering group for Python and Linux
https://t.me/PythonLinuxExperts
https://t.me/joinchat/bZaSWDdHWmNmYmQ8
Python Documentation Repository:
@PyRepo
_______
Our channels:
@uselinux
@ai_person
rules : #قوانین
https://t.me/PythonLinuxExperts
https://t.me/joinchat/bZaSWDdHWmNmYmQ8
Python Documentation Repository:
@PyRepo
_______
Our channels:
@uselinux
@ai_person
rules : #قوانین