#آموزش
تو فریم‌ورک keras/tensorflow نه تنها میشه برای هر لایه یک learning rate گذاشت(مثلا برای difrentable learning rate در ترنسفر لرنینگ) بلکه میشه برای هر لایه یک optimizer جدا داشت!
https://www.tensorflow.org/addons/api_docs/python/tfa/optimizers/MultiOptimizer

#آموزش
Effective Tensorflow 2
This guide provides a list of best practices for writing code using TensorFlow 2 (TF2)
https://www.tensorflow.org/guide/effective_tf2

#آموزش #بلاگ
📢پست‌ جدید وبلاگ شناسا،
📝سوگیری‌های انسانی و تاثیر آن‌ها بر مدل‌های هوش مصنوعی

🔗 https://vrgl.ir/klJ0p


🖊در این مطلب با انواع سوگیری‌های انسانی آشنا می‌شویم، چرایی آن را بررسی می‌کنیم و تاثیر آن‌ها را بر روی مدل‌های هوش مصنوعی مشاهده می‌کنیم.

ما را در ویرگول دنبال کنید و در کامنت، موضوع آموزش‌های آینده را پیشنهاد بدهید.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

#آموزش #منبع #کورس

Tutorial on Adversarial Robustness: Theory and Practice
آموزش برگزار شده در 31امین کنفرانس
NeurIPS
پردازش اطلاعات با شبکه های عصبی

https://adversarial-ml-tutorial.org/

#هوش_مصنوعی #منابع #آموزش #کنفرانس

#adversarial #attack #robustness

🙏Thanks to: @AI_Python

#آموزش #بلاگ
📢پست‌ جدید وبلاگ شناسا،
📝تخمین وضعیت سر با استفاده از Mediapipe

🔗 https://vrgl.ir/gkYkA


🖊در یکی‌ از پروژه‌های شناسا نیاز به تخمین وضعیت سر و محاسبه‌ی جهت آن در فضا داشتیم. در روند بررسی نمونه کدهای موجود در اینترنت، متوجه اشکالاتی در برخی از آن‌ها شدیم که می‌توانست منجر به گمراه شدن افراد شود. از این رو، در این مطلب تلاش کردیم تا مقدمات لازم جهت درک مساله را بیان کنیم، مساله را هرچه واضح‌تر تعریف کنیم و مراحل پیاده‌سازی کد را توضیح دهیم.

ما را در ویرگول دنبال کنید و در کامنت، موضوع آموزش‌های آینده را پیشنهاد بدهید.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

#آموزش #بلاگ
📢پست‌ جدید وبلاگ شناسا،
📝مکانیزم توجه و مدل‌های تبدیل‌کننده (Transformers)

🔗 https://vrgl.ir/f4Eei


🖊بی‌شک یکی از تاثیرگذارترین مدل‌هایی که تا کنون در دنیای هوش مصنوعی و یادگیری عمیق معرفی شده، مدل‌های تبدیل‌کننده یا Transformer ها هستند. برای آشنایی بیشتر با این مدل‌ها، در این پست ابتدا روند شکل‌گیری آن‌ها را بررسی کرده و سپس نگاهی به معماری و نحوه‌ی کار آن‌ها می‌اندازیم. هم‌چنین، جهت درک بهتر این مدل‌ها، مروری بر مکانیزم توجه یا Attention خواهیم داشت.

ما را در ویرگول دنبال کنید و در کامنت، موضوع آموزش‌های آینده را پیشنهاد بدهید.

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai

#آموزش

Allen School Distinguished Lecture: David Patterson (UC Berkeley/Google)

Lecture Title: Domain Specific Architectures for Deep Neural Networks: Three Generations of Tensor Processing Units (TPUs)

https://www.youtube.com/watch?v=VCScWh966u4

#tpu

#آموزش #کورس #منبع
CS109A Data Science course materials Harvard are free and open for everyone!

1. Lecture notes
2. R code, Python notebooks
3. Lab material
4. Advanced sections

https://harvard-iacs.github.io/2019-CS109A/pages/materials.html

#آموزش
داکیومنت جدید سایت تنسرفلو:
Passage Ranking using TFR-BERT

Learn how to use BERT and TF Ranking to improve the performance of your ranking models.

https://www.tensorflow.org/ranking/tutorials/tfr_bert?linkId=8059368

#آموزش #بلاگ (سطح: مقدماتی)
کامپیوتر ها چگونه زبان ها را درک می‌کنند؟ (مروری بر پردازش زبان طبیعی)

http://virgool.io/@shenasa/nlp-پردازش-زبان-طبیعی-kfl5fzb9pnxq

————————-
مجموعه دانش بنیان شناسا ( داده پویان آلما):
http://shenasa.ai
http://shenasa-ai.ir
@shenasa_ai