#آموزش
اجرای مدل کراس روی موبایلهای ios
Running #Keras models on #IOS with #CoreML

https://www.pyimagesearch.com/2018/04/23/running-keras-models-on-ios-with-coreml/

تقریبا پروژه امتیازی شما است.👆

#منبع #آموزش

نوت بوک های مربوط به کتاب Deep Learning with Python ، نوشته شده توسط
François Chollet
نویسنده ی اصلی کتابخانه Keras در پایتون.

https://github.com/fchollet/deep-learning-with-python-notebooks

خود کتاب برخی از فصلهاش توسط نویسنده رایگان منتشر شده است:

https://www.manning.com/books/deep-learning-with-python?a_aid=keras&a_bid=76564dff

#keras

#منبع #کتاب
نسخه اولیه
فصل 15 تا 19 کتاب جدید #Andrew_ng امروز منتشر شد

Machine Learning Yearning - Chapters 15-19

http://blog.class.vision/1397/01/azure-notebook/

پست مربوط به کار با Azure به روز شد.
+نحوه pull کردن تغییرات

با تشکر از آقای ستاریان.

سلام،
برای نمودار کشیدن در نوت بوکهای سرویس های آنلاین مثل گوگل کولب یا Azure حتما از

%matplotlib inline

استفاده کنید تا نمودار را مشاهده کنید.

#تمرین
سایت برای آپلود تمارین تمدید شده سری 2 و 3 باز شد.
تا ساعت 12 ظهر شنبه سایت باز است تا کمتر با مشکل کندی سایت مواجه شویم. (1 روز 12 ساعت از هم اکنون)
لطفا توضیحات را بخوانید و به هیچ عنوان فایل زیپ آپلود نکنید.

متشکرم

سلام،
از این پس این کلاس حضور غیاب نخواهد داشت،
هیچ نمره ای از بابت عدم حضور کسر نخواهد شد،
فقط افرادی که حضور موثر در کلاس دارند، شامل شرکت در مباحث و طرح ایراد و ... از 2 نمره مثبتی که قبلا ذکر شده بود به ایشان تعلق خواهد گرفت.
این فعالیت مثبت، فعالیتهای در گروه و گیت درس هم شامل خواهد شد.
موفق باشید.

#نکته
#توئیت امروز یان‌لیکان،
از minibatch بزرگتر از 32 استفاده نکنید

مرتبط با مقاله:
https://t.me/cvision/559


https://twitter.com/ylecun/status/989610208497360896?s=19

#Yaan_LeCun

سایت با نوت‌بوکهای جلسات 14 و 15
و همچنین تمرین سری ششم به روز شد.
http://blog.class.vision/winter-96-97-syllabus/

توجه: سومین تمرین سری ششم کار با گوگل کولب است. توصیه میکنم تحریم ها یا عدم آشنایی با سیستم را در نظر بگیرید و تمرین را برای آخرین روزهای مهلت نگذارید.

خانم قربانی برای تسهیل تمرین سری ششم آموزش کار با گوگل کولب را برای کلاس آماده کرده اند.

گوگل کولب سرویس ابری گوگل است که برای محققان یادگیری ماشین و یادگیری عمیق GPU ی K80 به علاوه 13 گیگ رم رایگان در اختیار قرار میدهد و با محیطی ساده شبیه به نوت‌بوکهای پایتون میتوانید مدلهای خود را آنلاین آموزش دهید.

در این محیط کتابخانه های مورد نیاز این کلاس از قبیل Tensorflow و Keras و OpenCV ، numpy و ... از قبل نصب است. همچنینی میتوانید پکیج های جدیدی را نصب نمایید.


http://blog.class.vision/1397/02/google-colab/

علاوه بر آدرس قبلی
http://blog.class.vision/winter-96-97-syllabus/

مطالب هر جلسه و تمرین‌ها همانند سایت پایتون از آدرس winter96.class.vision نیز در دسترس هستند.
منتها هنوز تمرین‌ها به درستی قرار نگرفته‌اند.

#مقاله جدید Google Deepmind :
Understanding deep learning through neuron deletion
Pic: https://bit.ly/2pHgwbK
یکی از راه هایی که دانشمندان هم در نوروساینس برای شناخت سیستم استفاده میکنند بررسی نورون های قابل تفسیر یا selective به یک شی یا چیز خاص است.

این نوع مطالعه در یادگیری عمیق و شبکه های عصبی نیز رایج است و برای اینکه دید جعبه سیاه و گنگ نسبت به یک شبکه عمیق آموزش دیده شده را کم کنیم مهم است که شبکه را بهتر بشناسیم. همان طور که اشاره شد یکی از روشها بررسی این است که هر نورون چه قدر در عملکرد شبکه تاثیر دارد.

در این تحقیق نشان داده شده که:

۱- نورون هایی که برای ما قابل تفسیرند(مثل نورونی که به چهره گربه حساس هستند) به هیچ عنوان از نورونهایی که برای ما قابل تفسیر نیستند مهمتر نیستند و حذف هر کدام از نورونهای قابل تفسیر و غیر قابل تفسیر تاثیر یکسانی روی افت کارایی عملکرد شبکه دارد.

۲- شبکه هایی که دیتا را حفظ نکرند و راحت روی دیتایی که در فرآیند آموزش ندیده اند میتوانند عمومیت بخشی کنند به حذف تک تک نورونها کمتر حساس هستند تا شبکه هایی که دیتای آموزشی را حفظ کرده اند.

https://deepmind.com/blog/understanding-deep-learning-through-neuron-deletion/

#neuroscience #deep_learning
#deepmind #selective

آموزش به روز شد

http://blog.class.vision/1397/02/google-colab/

تمارین سری 5 با عنوان "تاخیر تمرین 5" برای دو روز دیگر باز شد.
کدهای ارسالی نیمی از نمره را دریافت خواهند کرد.

سلام
یکی از دوستان لطفا به نمایندگی بقیه فیلم های سال 2016 و سال 2017 کورس CS231n استنفورد با موضوع شبکه های کانولوشنالی برای بینایی ماشین
CS231n: Convolutional Neural Networks for Visual Recognition
http://cs231n.stanford.edu/


را از بنده بگیره. البته این کورس امسال 2018 هم در حال اجراست و احتمالا ویدیوهاش منتشر بشه.

برخی از ویدیوهای این کورس کاملا مرتبط با کلاس بوده و دیدن ویدیوهایی که خدمتتان اعلام میکنم شدیدا توصیه میگردد.

کورس نوت دانشگاه استنفورد پیرامون شبکه های کانولوشنالی
در سال 2018
http://cs231n.github.io/convolutional-networks/

سلام

تا کنون با شبکه های کانولوشنالی آشنا شدیم و در کراس چند شبکه پیاده سازی کردیم. همان طور که برای افزایش مهارت برنامه نویسی و کسب تجربه خواندن کدهای خوب دیگران خیلی توصیه میشه،
برای طراحی خوب یک شبکه عصبی عمیق خوب است که شبکه هایی که در چالش های جهانی خیلی خوب عمل کردند را بررسی کنیم.

فردا شبکه هایی که در سالهای اخیر مطرح شدند و به کارایی های خیلی خوب رسیدند مورد بررسی قرار خواهد گرفت.

در این راستا برای مرور شبکه های کانولوشنالی و پیش مطالعه بخشی از مبحث فردا که بررسی شبکه های معروف و موفق شبکه های کانولوشنالی است ویدیوی زیر از Andrej Karpathy را توصیه میکنم.

لینک یویتیوب:
https://www.youtube.com/watch?v=LxfUGhug-iQ

لینک موقت در سایت درس:
http://class.vision/temp/CS231n%20Winter%202016%20-%20Lecture%207%20-%20Convolutional%20Neural%20Networks-LxfUGhug-iQ.mkv