Tensorflow(@CVision)
13.9K subscribers
1.17K photos
239 videos
68 files
2.23K links
اخبار حوزه یادگیری عمیق و هوش مصنوعی
مقالات و یافته های جدید یادگیری عمیق
بینایی ماشین و پردازش تصویر

TensorFlow, Keras, Deep Learning, Computer Vision

سایت دوره
http://class.vision

👨‍💻👩‍💻پشتیبان دوره ها:
@classvision_support
Download Telegram
می‌خواهید یادگیری عمیق را فرابگیرید؟

An AI Curriculum – a combination of open lectures provided by MIT, Stanford University and UC Berkeley

MIT 6.S191: Introduction to Deep Learning
CS231n: CNNs for Visual Recognition, Stanford | Spring 2019
CS224n: NLP with Deep Learning, Stanford | Winter 2019
CS285: Deep Reinforcement Learning, UC Berkeley | Fall 2019

https://github.com/Machine-Learning-Tokyo/AI_Curriculum
#منبع #کورس #ویدیو

CS 330: Deep Multi-Task and Meta Learning

Want to learn about meta-learning? Lecture videos for CS330 are now online!

https://www.youtube.com/playlist?list=PLoROMvodv4rMC6zfYmnD7UG3LVvwaITY5

Topics incl. MTL, few-shot learning, Bayesian meta-learning, lifelong learning, meta-RL & more:

cs330.stanford.edu
Tensorflow(@CVision)
چطوری مقالات رو به شکل موثر بخونیم؟ در این ویدیو Andrew Ng توصیه‌هایی داره برای اینکه چطوری چندین مقاله رو به طور موازی بخونیم و چطوری یه مقاله خوب رو به طور کامل تحلیل کنیم؟ https://youtu.be/733m6qBH-jI?t=160
روش موثر خواندن مقالات یادگیری ماشین...

این خلاصه از درس Standford CS230 #نحوه_خواندن_مقاله از Andrew ng هست.
روش اول خواندن مقاله به صورت فقط مقاله خداندن و فهمیدن متد:
1- Title/abstract/ figures
2- introduction/ conclusion/ figures/ skim rest
3- read paper but skip the math.
4- read whole paper but skip part that doesn't make sense.

چه چیزی باید از مقاله در بیاوریم:
1- what did authors try to accomplish?
2- what were the key elements of the approach?
3- what can you use yourself?
4- what other references do you want to follow?

روش خوب برای پیدا کردن اخبار مقالات (این مختص مقالات ماشین لرنینگ هست) :
1- Twitter
2- ML sub reddit
3- nips /icml/ iclr
4- friends

🌹🌱💭 روش دوم : یادگیری دیپ پیپر :
1- re-derive from scratch the paper

کد مقاله رو چیکار باید کرد:
1- download and run open source code
2- reimplement it from scratch

مرتبط با:
https://t.me/cvision/1673

🙏Thanks to: @Machinelearning_Kartal
#مجموعه_داده
نسخه جدید opendataset منتشر شد.

GoogleAI presents #OpenImagesV4, a dataset of 9.2M images with unified annotations for image classification, object detection and visual relationship detection.

paper(Pre-print accepted to #IJCV):
https://arxiv.org/pdf/1811.00982v2.pdf
website:
https://storage.googleapis.com/openimages/web/index.html

30.1M image-level labels for 19.8k concepts, 15.4M bounding boxes for 600 object classes.

Join us: @cvision
#آموزش #تنسرفلو

Natural Language Processing (NLP Zero to Hero)

part 1(Tokenization):
https://www.youtube.com/watch?v=fNxaJsNG3-s

part2(Sequencing ):
https://youtu.be/r9QjkdSJZ2g?list=PLQY2H8rRoyvwLbzbnKJ59NkZvQAW9wLbx

———-
اگر با فریم ورک کراس میتونید شبکه های عصبی کانولوشنالی تعریف کنید. میتونید برای شرع مبحث rnn ها از 32 قسمت ویدیو فارسی با کد تخفیف 10 درصد cvision استفاده کنید

http://class.vision/deeplearning2/

اما اگر تا به حال دیپ لرنینگو شروع نکردید این بلاگ پستو ببینید:
http://class.vision/deeplearning-learning-path/
Forwarded from MVIP 2020
This is a survey result related to the workshops which were held by the 11th Iranian and the first International Conference on Machine Vision and Image Processing (MVIP2020). These workshops were taught by Alireza AkhavanPour.

@mvip_2020
#پیاده_سازی #سورس_کد
پیاده سازی مقاله EfficientDet گوگل در فریم ورک keras
معیار mAP را با عملیات یکسان با #yolo نسخه 3 مقایسه کنید...

https://github.com/xuannianz/EfficientDet

#detection #yolo

@CVision
Forwarded from Shenasa-ai.ir
This media is not supported in your browser
VIEW IN TELEGRAM
دموی نرم افزار ثبت تردد و بازشناسی چهره #شناسا

این ویدیو قبلا در کانال قرار گرفته بود، اگر به لینکدین دسترسی نداشته اید دانلود کنید.



مقیاس پذیر
بهره‌‌گیری از الگوریتم‌های مبتنی بر #یادگیری_عمیق
قابلیت پشتیبانی چند دوربین و گزارش جامع
به روز رسانی دوره ای هسته ی تطبیق چهره و بهبود الگوریتم ها
و...

همین الان تماس بگیرید: ۰۲۱۶۶۰۹۰۱۹۰

https://www.linkedin.com/feed/update/urn:li:activity:6639604632236761088

#چهره #شناسا #facial_recognition
توئیت اخیر شوله با عنوان "Weird MNIST" !
این 9 عکس از خود دیتاست ارقام mnist استخراج شده و ساختگی نیست!
این توجیه میکنه که چرا نمیشه به 100 درصد دقت رسید و
همچنین به نظر میرسه کسایی که تو leader board کگل تو این چالش به 100 رسیدند کارشون بوی صداقت نمیده و مشکوکه!

سلسله توئیت ها:
https://twitter.com/fchollet/status/1234717404938162176?s=20
#مجموعه_داده #label #annotation
VoTT (Visual Object Tagging Tool)
نسخه جدید ابزار لیبل زنی اوپن سورس و تحت وب ماکروسافت

Better open source tools for labeling segments in images using active learning. It'd be a game changer if researchers could load a weak model into an annotator to build larger datasets for better models. https://github.com/microsoft/VoTT is looking good but development has stalled.
#سورس_کد
#Object_Detection

نسخه TPU تنسرفلو

https://github.com/tensorflow/tpu/tree/master/models/official/retinanet

نسخه کراس(غیر رسمی)

https://github.com/fizyr/keras-retinanet

در هر دو کد هم مدل های از قبل آموزش داده شده وجود دارد، هم مستندات آموزش از ابتدا

مرتبط با

https://t.me/cvision/1707

#detection #yolo

@CVision
Demucs: separating tracks in music.
جدا کردن قسمت های مختلف موسیقی با یادگیری عمیق.
Facebook AI researchers have developed a system that can a take regular audio file of a song and then separate out the guitars, drums, vocals, and bass with uncanny accuracy. Learn how the Demucs research project works.

https://tech.fb.com/one-track-minds-using-ai-for-music-source-separation/
#خبر
تنسرفلو برای اجرا روی کامپیوتر های کوانتومی نسخه کوانتومی منتشر کرده!


Announcing TensorFlow Quantum: An Open Source Library for Quantum Machine Learning

https://ai.googleblog.com/2020/03/announcing-tensorflow-quantum-open.html

#qubits #Quantum #TFQ
#آموزش
قبلا مطالبی پیرامون آموزش دادن شبکه های عصبی عمیق وقتی با چالش #imbalance بودن دیتا مواجه هستیم نوشته شده بود. که انتهای این پست لینک شدند.
این بلاگ پست روش‌های ارزیابی مناسب برای وقتی که با این چالش مواجهیم را به خوبی تشریح کرده که توصیه میکنم بخوانید.
معیارهایی نظیر نمودار #ROC، معیار #AUC یا همون مساحت زیر نمودار، #Sensitivity و #Specificity یا معیار #GMean که بر اساس دو معیار قبلی تعریف میشه، #precision ، #Recall و #FMeasure و ...

https://machinelearningmastery.com/tour-of-evaluation-metrics-for-imbalanced-classification/

——-
مطالب مرتبط قبلی
Weight balancing in #keras
Weight balancing

Handling Imbalanced Datasets in Deep Learning
https://t.me/cvision/1236

Extreme Rare Event Classification using Autoencoders in Keras
https://t.me/cvision/1238

#imbalance