Some implementations of Neural Style
https://github.com/andersbll/neural_artistic_style
https://github.com/anishathalye/neural-style
https://github.com/jcjohnson/neural-style
https://github.com/jcjohnson/fast-neural-style
#neural_style

👆
مربوط به ارائه ی دکتر اسلامی در دانشگاه تهران است

#Google_Nature_paper
Human-level control through deep reinforcement learning
#deep_reinforcement_learning
#deepmind

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

https://deepmind.com/blog/deep-reinforcement-learning/

Amazingly, DQN achieved human-level performance in almost half of the 50 games to which it was applied; far beyond any previous method. The #DQN source code and Atari 2600 emulator are freely available to anyone who wishes to experiment for themselves.

سورس این شبکه به زبان lua:
https://sites.google.com/a/deepmind.com/dqn/

Atari 2600 emulator برای اجرای بازی های آتاری:
http://stella.sourceforge.net/

فایل صوتی و اسلایدهای آموزش مقدماتی #تنسورفلو توسط آقای لواسانی.
در سمینار آشنایی با مسایل پردازش زبان طبیعی توسط یادگیری ژرف
دانشگاه شهید بهشتی مورخ 24 آذر 1395👆
#beheshti #nlp #Tensorflow

پیاده سازی در #تنسورفلو
https://github.com/devsisters/DQN-tensorflow/
#DQN #deepmind

فیلم ارائه :

📝موضوع : Modern Artificial Intelligence via Deep Learning

http://www.aparat.com/v/ZgHv8#

👤 ارائه دهنده :دکتر علی اسلامی
⏱ زمان: ١١ دى 1395
🔅 محل : دانشگاه تهران

#ارائه #فیلم #سمینار #سخنرانی #eslami #deepmind

@cvision

کانال منابع برنامه نویسی:
https://telegram.me/pythony

دو سورس کد جالب در تنسرفلو برای بازی های ویدیویی

pic: http://deepnn.ir/tensorflow-telegram-files/TensorKart.gif
—----------------------
1:
artificial neural network to play Mario Kart 64
(Published: January 4th, 2017)
🔗http://sdtimes.com/developer-trains-artificial-neural-network-play-mario-kart-64/

پیاده سازی در تنسورفلو
(self-driving #MarioKart with #TensorFlow)
🔗https://github.com/kevinhughes27/TensorKart
—----------------------
2:
#Nvidia 2016 paper:
End to End Learning for #Self_Driving Cars
🔗paper: https://arxiv.org/pdf/1604.07316.pdf

پیاده سازی در تنسورفلو
(A TensorFlow implementation of this Nvidia paper) :
🔗https://github.com/SullyChen/Autopilot-TensorFlow

شبکه CNN که قابلیت پردازش بلارنگ تصاویر با پردازنده موبایل را دارد👇👇👇
http://videolectures.net/eccv2016_rastegari_neural_networks/?q=eccv%202016

#xnor_net

اسلاید ارائه :

📝موضوع : The Next Frontier in AI: Unsupervised Learning


👤 ارائه دهنده :#Yann_LeCun
⏱ زمان: November 18, 2016

#اسلاید

@cvision

🎙📢 دیجی‌کالا FM: گفت‌وگو با دکتر علی اسلامی، نخبه‌ی ۲۹ ساله‌‌ی گوگل!

@DKMag | دیجی‌کالا‌مگ
#DigikalaFM #Interview

مقاله های یادگیری ژرف که باید بخوانیم
The #9_Deep_Learning_Papers You Need To Know About

🔗https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html

✔️AlexNet (2012)
✔️ZF Net (2013)
✔️VGG Net (2014)
✔️GoogLeNet (2015)
✔️Microsoft ResNet (2015)

Region Based CNNs :
✔️R-CNN - 2013
✔️Fast R-CNN - 2015
✔️Faster R-CNN - 2015

✔️Generative Adversarial Networks (2014)
✔️Generating Image Descriptions (2014)
✔️Spatial Transformer Networks (2015)

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

#Tensorflow for #Deep_Learning Research
کورس دانشگاه استنفورد درباره‌ی تنسورفلو
https://web.stanford.edu/class/cs20si
Thanks to: @farh0od
#Stanford #CS20SI

#Natural_Language_Processing with #Deep_Learning
کورس جدید دانشگاه استنفورد درباره‌ی پردازش زبان طبیعی با استفاده از یادگیری عمیق
http://web.stanford.edu/class/cs224n
Thanks to: @farh0od
#Deep_NLP #Stanford #CS224n

پارلمان اروپا برای اعطای جایگاه حقوقی به روبات‌ها تصمیم می‌گیرد!
http://www.bbc.com/persian/science-38599980

نمایندگان پارلمان اروپا امروز به طرحی رای خواهند داد که پایه اولین مجموعه قوانین درباره تعامل انسان با روبات‌ها و هوش مصنوعی خواهد بود.
قرار است نمایندگان پارلمان اروپا تصمیم بگیرند که آیا می‌توان به روبات‌ها جایگاهی حقوقی به عنوان "شخصیت الکترونیک" اعطا کرد یا نه.
...
این طرح همچنین پیشنهاد می‌دهد که برای حفاظت از انسان‌ها طراحان روباتیک باید یک "کلید مرگ" برای روبات‌ها در نظر بگیرند که در صورت لزوم امکان خاموش کردن همه فعالیت‌های روبات را فراهم ‌کند.
بر اساس این طرح کاربران باید "بدون خطر یا ترس از آسیب فیزیکی یا روانی" امکان استفاده از روبات‌ها را داشته باشند.