تمارین سری دوم
مهلت ارسال شنبه - ۱9 اسفند ۱۳۹۶

سلام
درس احتمالا به زودی از مباحث پردازش تصویر و بینایی ماشین کلاسیک بیرون بیاد و مباحث کلاس به سمت کتابخانه های سطح بالای یادگیری عمیق (احتمالا keras) پیش بره.

اما اگر علاقه مند شدید مباحث کلاسیک را بیشتر پیش برید، 3 کورس آنلاین و رایگان معرفی میکنم:

به نظر من کورس اول از همه بهتر توضیح داده.
کورس دوم هم منطبق با گنزالز هست و خوبه.
اگر دوست داشتید فلش بیارید کورس اول را یکجا دانلود کردم براتون بریزم.

Introduction to Computer Vision
https://www.udacity.com/course/introduction-to-computer-vision--ud810
اراه شده توسط Georgia Tech



Image and Video Processing: From Mars to Hollywood with a Stop at the Hospital
https://www.coursera.org/learn/image-processing
اراده شده توسط Duke University


Fundamentals of Digital Image and Video Processing
https://www.coursera.org/learn/digital/home/welcome
اراده شده توسط Northwestern University

16-EdgeDetection&ImageGradients.ipynb
17-Perspective&AffineTransforms.ipynb
18-UsingWebcam.ipynb
19-Intro2ML-HodaDataset.ipynb

نوت‌بوک های بالا بارگذاری شد

جدا کردن گوجه فرنگی های کال با استفاده از فن آوری پردازش تصویر

🙏Thanks to: @maktubmed

دوستان لطفا برای کلاس فردا حتما نوت بوک
19-Intro2ML-HodaDataset.ipynb
را ببینید که هیچ ابهامی از دیتاست براتون نمونه.

نوت بوک
20-k-Nearest Neighbor classification.ipynb
اضافه شد.

چیزی که ما میخواهیم ماشینی است که از تجربه یاد میگیرد.
آلن تورینگ

آموزش نصب KERAS
http://blog.class.vision/1396/12/installing-keras-with-tensorflow-backend/

Tinker With a Neural Network Right Here in Your Browser.
playground.tensorflow.org

سلام
لطفا کراس را نصب کنید که مشکلات احتمالی را از دوستانتان قبل از عید بپرسید و رفع کرده باشید...

آموزش راه رفتن توسط هوش مصنوعی با یادگیری تقویتی
Teaching Artificial Intelligence to Run (#NIPS2017)

#deep_learning #Reinforcement_Learning
@CVision

الگوریتم های ماشین لرنینگ به سه دسته اصلی
Supervised
Unsupervised
و
Reinforcement learning تقسیم میشوند،
در اینجا این مدل راه رفتن را با استفاده از الگوریتمهای دسته سوم آموزش میبیند.

احتمالا قبلا در مورد هوش مصنوعی ای که بازی شطرنج بازی میکرد و اکثر بازیکنان حرفه ای شطرنج را برده شنیده اید! اما حقیقت این است که آن هوش مصنوعی تنها قادر بود شطرنج بازی کند و در واقع فقط برای آن بازی آموزش دیده بود و توانایی هیچ کار دیگری نداشت!

محققان گوگل در مقاله ی سال 2015 نیچر با استفاده از ایده ی #یادگیری_تقویتی شبکه عصبی طراحی کردند که قادر بود که خودش بازی ها را یاد بگیرد!
این هوش مصنوعی که به عنوان ورودی صفحه RGB بازی و به عنوان پاداش امتیاز کسب شده از بازی را دریافت میکرد، با 50 بازی آتاری تست شد و نتایج اعجاب انگیزی داشت!

نکته ی جالب این بود یک ساختار شبکه، توانسته بود خودش هر یک از بازی های آتاری را بیاموزد و در بسیاری از بازی ها از بهترین بازیکن ها ی این بازی ها بهتر بازی کند.

ویدیو نتایج بازی منتشر شده توسط google deepmind:
https://youtu.be/TmPfTpjtdgg
یا
http://deepnn.ir/tensorflow-telegram-files/DQN%20Breakout.mp4


با استفاده از ایده‌ی #یادگیری_تقویتی، نیاز به داده هایی که انسان در آن دست برده کم تر شده و مدل یا ربات می‌تواند خودش از دنیای پیرامون اطلاعات کسب کند. در این نوع یادگیری در نهایت تنها پاداش به مدل داده می‌شود.

#reinforcement_learning #rl #deepmind #atari

هوش مصنوعی گوگل، با استفاده از یادگیری عمیق، بهتر از هر آدم خبره ای لب خوانی میکند:
Google’s DeepMind AI can lip-read TV shows better than a pro:
pic: https://d1o50x50snmhul.cloudfront.net/wp-content/uploads/2016/11/21090036/l4.gif

برای اینکار شبکه با 118,000 عبارت در 5000 ساعت برنامه ی ویدیویی که غالبا شامل اخبار بوده آموزش دیده است

اطلاعات بیشتر:
🔗https://www.newscientist.com/article/2113299-googles-deepmind-ai-can-lip-read-tv-shows-better-than-a-pro

مقاله مرتبط:
https://arxiv.org/pdf/1611.05358v1.pdf

سایت با تمارین سری 3 به روز شد
http://class.vision/

سلام،
ان شاء الله کلاس سه شنبه به جای ساعت اصلی خود درس،
در ساعت 13 الی 14:30 برگزار خواهد شد.

گیت‌هاب با نوت‌بوک

21-a Gentle Introduction to Keras - Simple neural network(mlp)

با موضوع کتابخانه keras و تعریف و آشنایی یک شبکه عصبی ساده به روز شد.

کلاس شماره 101 تشکیل خواهد شد.

چرا استفاده از تابع فعالسازی Relu به جای sigmoid در شبکه های عمیق رایج است؟ چه مزایایی دارد؟
pic: http://jmbeaujour.com/pics/posts_pics/udacity-DL/reLu_function.png
مزایا:
- تنها 50 درصد مواقع این تابع فعال می‌شود و در نتیجه از لحاظ پردازشی صرفه جویی میشود.
- جلوی انفجار گرادیان یا محو شدن آن را میگیرد. (عجب ترجمه ای!)

- با یافته های بیولوژیکی توسط نوروساینتیست ها مطابقت بیشتری دارد (علوم شناختی)

#ReLU provides some important benefits that might not be obvious at first glance:

✔️during the initialization process of a Neural Network model, weights are distributed at random for each unit. ReLU will only activate approximately 50% of the time, which actually saves some processing
power.

✔️The ReLU structure also solves the 'Vanishing Gradient' and 'Exploding Gradient' problems,both of which are well-known issues with the training process.


✔️ as a marginal benefit, this type of activation achieves 'Biological Plausibility', because it's directly relatable to the common biological model of a neuron.

#Relu
[109] Nair, V. and G. E. Hinton. 2010. “Rectified Linear Units Improve Restricted Boltzmann Machines,” Proc. 27th Int. Conf. Mach. Learn., no. 3, pp. 807–814.