#خبر
مجموعه داده جدید سوال و پاسخ

Natural Questions: A new QA dataset consisting of 300,000+ naturally occurring questions (posed to Google search) with human provided long & short answers based on Wikipedia. Looks like an exciting new benchmark!

مقاله:
https://storage.googleapis.com/pub-tools-public-publication-data/pdf/b8c26e4347adc3453c15d96a09e6f7f102293f71.pdf

چالش:
https://ai.google.com/research/NaturalQuestions/

#خبر
کورس جدید جرمی هاوارد که تا فردا منتشر میشه...

#خبر

آیا دلیل آلزایمر مشخص شده و میتوان آن را متوقف کرد؟

https://www.newscientist.com/article/2191814-we-may-finally-know-what-causes-alzheimers-and-how-to-stop-it/

https://t.me/cvision/913

دوستانی که مشکل مالی دارند اما احساس می‌کنند این دوره را نیاز دارتد میتوانند با برگزار کننده های این دوره تماس گرفته و درخواست financial aid بدهند.


@mahdigh99

#خبر #آموزش #کورس

نسخه ی 3 کورس fast.ai جرمی هاوارد چند دقیقه پیش منتشر شد و اکنون در دسترس است.
اگر ویدیوهای قبلی این مدرس را دیده باشید حتما میدانید در هر سری آموزشی تکنیک های ناب و جالبی را که از تجربه شرکت در چالش های کگل به دست آورده و باعث کسب رتبه های اول شده هم به اشتراک میگذارد. با نگاهی گذرا به کورس امسال متوجه می‌شوید که مطالب نسبت به دو نسخه قبلی به کلی به روز شده و تغییر کرده اند. شدیدا توصیه میکنم مطالبشو از دست ندید👌

Practical Deep Learning for Coders, 2019 edition, is now available. With a shiny new video player with searchable transcripts. This course is 100% new material, including some new techniques and results never previously published.


Lesson 1: Image classification
Lesson 2: Data cleaning and production; SGD from scratch
Lesson 3: Data blocks; Multi-label classification; Segmentation
Lesson 4: NLP; Tabular data; Collaborative filtering; Embeddings
Lesson 5: Back propagation; Accelerated SGD; Neural net from scratch
Lesson 6: Regularization; Convolutions; Data ethics
Lesson 7: Resnets from scratch; U-net; Generative (adversarial) networks


بلاگ پست خبر:
https://www.fast.ai/2019/01/24/course-v3/

لینک به کورس - مطالب و ویدیوها و کد:
https://course.fast.ai/

#خبر #colab #fastai


خبر خوش برای علاقه مندان به کورس fast.ai جرمی هاوراد! از این پس گوگل کولب مستقیم فریم ورک fast.ai هم پشتیبانی می‌کند!
برای شروع از آموزش سایت fast.ai میتوانید شروع کنید:
https://course.fast.ai/start_colab.html


اگر تا کنون با گول کولب کار نکره اید بلاگ پست های فارسی زیر را توصیه میکنم:


آشنایی با سرویس ابری Google Colab - نویسنده: المیرا قربانی


اتصال مستقیم سرویس کولب (Google Colab) به درایو (Google Drive) از طریق فایل سیستم FUSE - نویسندگان: محیا مهدیان و محمد حسن ستاریان

نتیجه رای گیری اخیر فریم ورک محبوب یادگیری عمیق در اکانت توئیتری deeplearning.ai تا کنون:
https://twitter.com/deeplearningai_/status/1088875529061642240

#framework

Telegram bot to monitor and control deep learning experiments🤖

این چت بات را در سیستم خود راه اندازی کنید و وضعیت آموزش مدل خود در تنسرفلو یا کراس را از راه دور و با تلگرام کنترل و مدیریت کنید!

https://github.com/eyalzk/telegrad

#bot #telegram #keras #tensorflow

#آموزش
آموزش تخمین قیمت خونه از روی تصویر (رگرسیون) با کراس:

https://www.pyimagesearch.com/2019/01/28/keras-regression-and-cnns/

وقتی نیاز به تعریف گراف با ساختار دگ دارید، نیاز به
Imperative (or Model Subclassing) APIs
در کراس دارید، حالا یک قطعه کد مشابه با این روش در 4 فریم ورک متفاوت آورده شده...

Here is the same dynamic RNN implemented in 4 different frameworks (TensorFlow/Keras, MXNet/Gluon, Chainer, PyTorch). Can you tell which is which?!

https://twitter.com/fchollet/status/10522284633004933

#آموزش

What’s the difference between a Symbolic and Imperative API in #TensorFlow 2.0?

https://medium.com/tensorflow/what-are-symbolic-and-imperative-apis-in-tensorflow-2-0-dfccecb01021

#keras #tensorflow

#آموزش
Imperative (or Model Subclassing) APIs

این سبک API در ابتدا توسط فریم ورک Chainer در سال 2015 معرفی شد و در سال 2017 چندین چارچوب دیگر آن را به کار گرفت (از جمله موارد ذکر شده در اینجا). در چارچوب Keras، شوله، توسعه دهنده کراس آن را "API Subclassing Model" می نامد.

بعضی از افراد می گویند "شما نمیتوانید X در چارچوب Y را اجرا کنید، شما نیاز به چارچوب Z دارید".
حتی قبلا هم که همه فریم ورک ها یک api style خاص را پشتیبانی می کردند حرف درستی نبود، اما اکنون که همه این چارچوب ها این api style را پشتیبانی میکنند این ادعا خیلی مسخره تر است! در این استایل شما می توانید کدی از یک کتابخانه را به یه کتابخانه دیگر کپی کرده و با تغییرات جزئی استفاده کنید.

این ادعا هم از همان دسته از حرفهای بی پایه و اساس است که مردم ادعا می کنند "اگر شما این مدل را در چارچوب X اجرا کنید بهتر است" - خروجی یک الگوریتم به زبان شما در آن پیاده سازی ربطی ندارد!!

هوشمنداته ترین روش این است که ترکیب پارادایم های imperative و symbolic را استفاده کنید، همان روشی که در TF.Keras و Gluon انجام می شود.
شما در اغلب موارد مزایای اصلی گراف های کامپایل شده را حفظ می کنید و در عین حال وقتی به انعطاف پذیری گراف پویا نیاز دارید هم دسترسی خواهید داشت.

توصیه میکنم style api که اشاره کردم را در توئیت Francois Chollet

https://t.me/cvision/953

و مقایسه بین تعریف کردن symbolic مدل با Imperative api در تنسرفلو 2 را در اینجا ببینید.
https://t.me/cvision/954

#tensorflow #keras #symbolic #imperative

📈📊 آمار اعضای گروه تا ساعت 12:12 روز پنج شنبه - ۱۱ بهمن ۱۳۹۷
در سوال تحصیلات گروه بین یک ششم تا یک پنجم اعضای گروه شرکت نمودند.

بر اساس نتایج بیش از 70 درصد اعضا تحصیلات تکمیلی هستند.
و حدود 65 درصد اکنون دانشجو هستند.

حدود 30 درصد گروه دانشجو یا فارغ التحصیلان کارشناسی
حدود 50 درصد دانشجو یا فارغ التحصیلات کارشناسی ارشد.
و حدود 20 درصد را دانشجویان یا فارغ التحصیلان دکتری و بالاتر تشکیل داده اند.

https://t.me/cvision

با تشکر از همراهی شما🙏

#خبر
در حال حاضر BERT از فارسی پشتیبانی میکند.
Persian (Farsi)
https://github.com/google-research/bert/blob/master/multilingual.md#list-of-languages

پست مدیوم مرتبط در مورد چند زبانگی bert
Hallo multilingual BERT, cómo funcionas?
https://medium.com/omnius/hallo-multilingual-bert-c%C3%B3mo-funcionas-2b3406cc4dc2

پست فارسی از آقای خوشمهر در مورد BERT و کاربردهایش:
معرفی BERT، تحولی در NLP
http://blog.class.vision/1397/09/bert-in-nlp/

#bert #nlp

#خبر
انتشار دیتاست human segmentation

🎁 Releasing “Supervisely Person” dataset for teaching machines to segment humans

https://hackernoon.com/releasing-supervisely-person-dataset-for-teaching-machines-to-segment-humans-1f1fc1f28469

#segmentation #body #human

#مقاله
تشخیص چهره جعلی
FaceForensics++: Learning to Detect Manipulated Facial Images
[pic: https://www.groundai.com/media/arxiv_projects/504837/img/teaser_bg.png ]


https://arxiv.org/abs/1901.08971

———————————-
مرتبط با:

virtual_talking تبدیل حالات چهره توسط یادگیری عمیق:
https://t.me/cvision/349

خبر جعلی از اوباما
https://t.me/cvision/532
Face2Face
https://t.me/cvision/231
You said that? - Synthesizing videos of talking faces from audio
https://t.me/cvision/230

#آموزش

در مورد پست مدیومی که امروز در اینجا از تنسرفلو 2 منتشر کردم، و مباحثی که در اینجا مطرح شد. François Chollet در باز توئیت به پست تنسرفلو مجموعه مباحثی را در اینجا مطرح کرده که خواندن آنها خالی از لطف نیست.

Symbolic APIs are APIs to build graphs of layers. Their strong points are that: - They match how we think about our networks (NNs are always visualized as graphs of layers in textbooks & papers) - They run extensive static checks during model construction, like a compiler would

This gives you the guarantee that any model that you can build, will run. The only form of debugging you'd have to do at runtime would be convergence-related. The UX of these APIs is highly intuitive and productive

Meanwhile, the subclassing API has the look and feel of objected-oriented Numpy development. It's ideal if you're doing anything that cannot easily be expressed as a graph of layers, and you feel comfortable with software engineering best practices and large Python projects.

It will involve execution-time debugging, more code, and will expose a greater error surface, but at the same time it will give you greater flexibility to express unconventional architectures.

Importantly, in TF 2.0, both of these styles are available and are fully interoperable. You can mix and match models defined with either style. At the end of the day, everything is a Model! That way, you are free to pick the most appropriate API for the task at hand.

In general I expect ~90-95% of use cases to be covered by the Functional API. The Model subclassing API targets deep learning researchers specifically (about 5% of use cases).

I think it's great that we don't silo researchers and everyone else into completely separate frameworks. It's all one API, that enables a spectrum of workflows, from really easy (Sequential) to advanced (Functional) to fully flexible and hackable (Model subclassing)

#tensorflow #keras #symbolic #imperative

#خبر #fastai

اخیرا کورس نسخه 3 fastAI منتشر شد (اینجا) و دیدیم که گوگل کولب هم پشتیبانی این فریم ورک را اضافه کرد (اینجا) اکنون میتوانید تمامی نوت بوکهای این کورس را به عنوان Kaggle kernel استفاده کنید.

you can now run all the whole http://course.fast.ai lessons for free using Kaggle kernels.

https://course.fast.ai/start_kaggle.html

#آموزش #کولب
Get started with Google Colabs (Coding TensorFlow)
https://www.youtube.com/watch?v=inN8seMm7UI&list=PLQY2H8rRoyvwLbzbnKJ59NkZvQAW9wLbx&index=2

the first episode of the Intro to Google Colaboratory series

including code and text cells, data visualization, sharing notebooks, and more!

#منبع #کورس
اتومبیل های خودران یکی از مهمترین برنامه های کاربردی هوش مصنوعی در جهان خواهد بود.اگر به این موضوع علاقه دارید در سایت coursera، یک دوره توسط دانشگاه Toronto شامل کورس های زیر اضافه شده است:

1- Introduction to Self-Driving Cars
2- State Estimation and Localization for Self-Driving Cars
3- Visual Perception for Self-Driving Cars
4- Motion Planning for Self-Driving Cars

https://www.coursera.org/specializations/self-driving-cars

#Self_Driving_Cars