Forwarded from AI Lessons + Business Lessons
🛎🛎🛎 دعوت برای سخنرانی در کمیته هوش مصنوعی انجمن انفورماتیک ایران
https://www.linkedin.com/posts/imankhanijazani_aevaewaecabraetaedaeuaewaehahy-aehaesaetabraexaepaexaev-activity-7072159216819412992-xoLG?utm_source=share&utm_medium=member_android
https://www.linkedin.com/posts/imankhanijazani_aevaewaecabraetaedaeuaewaehahy-aehaesaetabraexaepaexaev-activity-7072159216819412992-xoLG?utm_source=share&utm_medium=member_android
Linkedin
#هوش_مصنوعی #علم_داده #وبینار | Iman Khani Jazani | 10 comments
دعوت به سخنرانی در زمینه هوش مصنوعی و علم داده در انجمن انفورماتیک ایران
[ممنون میشم اطلاع رسانی کنید تا به دست همه متخصصین برسه]
سلام
در کمیته هوش مصنوعی انجمن انفورماتیک ایران از سخنرانی متخصصین حوزه #هوش_مصنوعی و #علم_داده صمیمانه دعوت میکنیم!
Informatics…
[ممنون میشم اطلاع رسانی کنید تا به دست همه متخصصین برسه]
سلام
در کمیته هوش مصنوعی انجمن انفورماتیک ایران از سخنرانی متخصصین حوزه #هوش_مصنوعی و #علم_داده صمیمانه دعوت میکنیم!
Informatics…
دوره آموزشی تابستانه هوش مصنوعی پروژه محور
اطلاعات بیشتر : https://scs.ipm.ac.ir/ais.jsp
@irandeeplearning
اطلاعات بیشتر : https://scs.ipm.ac.ir/ais.jsp
@irandeeplearning
🎥 آموزش شبکه های عصبی گرافی
https://class.vision/product/graph-neural-network/
سرفصلهای دوره | اسلایدها | ویدیوی معرفی | کدها | فصل اول به عنوان نمونه ویدیو | کاربرد شبکه های عصبی گرافی
این آموزش در 7 فصل و شامل مباحث تئوری+ عملی بوده و 13 کد در فریم ورک تنسرفلو و پایتورچ جئومتریک مورد بحث قرار گرفته است.
💳کد تخفیف 20 درصدی ویژه اعضای کانال:
irandeeplearning
https://class.vision/product/graph-neural-network/
سرفصلهای دوره | اسلایدها | ویدیوی معرفی | کدها | فصل اول به عنوان نمونه ویدیو | کاربرد شبکه های عصبی گرافی
این آموزش در 7 فصل و شامل مباحث تئوری+ عملی بوده و 13 کد در فریم ورک تنسرفلو و پایتورچ جئومتریک مورد بحث قرار گرفته است.
💳کد تخفیف 20 درصدی ویژه اعضای کانال:
irandeeplearning
✅ چهارمین دوره «رویداد هوش مصنوعی امیرکبیر AAISS» شامل دو بخش سخنرانی علمی و کارگاه های آموزشی
👤دعوت از محققین مراکز دانشگاهی بنام داخلی و خارجی EPFL، Alberta، ETH، Monash، Illinois, OIST, UCI, Waterloo, Ottawa, Caltech, Hong Kong, McGill, Western, UCSD, USC, AUT, TMU, IUST و شرکت های بزرگ نظیر Google، Microsoft، eBay، Netflix, Huawei, Snapp
⚡️مناسب برای تمامی علاقه‌مندان هوش‌مصنوعی
⏱ زمان برگزاری از ۱۵ لغایت ۲۵ آذرماه
🌐 ثبت نام و کسب اطلاعات بیشتر:
https://aaiss.ir
🕑 برنامه زمانبندی ارائه ها:
https://aaiss.ir/schedule
🆔 کانال اطلاع رسانی رویداد: @aaiss_aut
💠کد تخفیف ویژه: IranDeepLearning
@irandeeplearning
@ceit_ssc
👤دعوت از محققین مراکز دانشگاهی بنام داخلی و خارجی EPFL، Alberta، ETH، Monash، Illinois, OIST, UCI, Waterloo, Ottawa, Caltech, Hong Kong, McGill, Western, UCSD, USC, AUT, TMU, IUST و شرکت های بزرگ نظیر Google، Microsoft، eBay، Netflix, Huawei, Snapp
⚡️مناسب برای تمامی علاقه‌مندان هوش‌مصنوعی
⏱ زمان برگزاری از ۱۵ لغایت ۲۵ آذرماه
🌐 ثبت نام و کسب اطلاعات بیشتر:
https://aaiss.ir
🕑 برنامه زمانبندی ارائه ها:
https://aaiss.ir/schedule
🆔 کانال اطلاع رسانی رویداد: @aaiss_aut
💠کد تخفیف ویژه: IranDeepLearning
@irandeeplearning
@ceit_ssc
If you're interested in self-supervised learning, join our meeting today at 9:30 a.m. Iran time!
Zoom: https://oist.zoom.us/j/92257619030?pwd=d2IvVktjQUVPME8rdFhqWFlmNERRQT09
Meeting ID: 922 5761 9030
Passcode: 595720
Speaker: Dr. Yuki M. Asano, Assistant Professor, QUVA Lab, University of Amsterdam
Title: Self-Supervised Learning from Images and Videos using Optimal Transport
Abstract:
In this talk we will learn more about self-supervised learning -- the principles, the methods and how properly utilizing video data will unlock unprecendented visual performances.
I will first provide a brief overview of self-supervised learning and show how clustering can be combined with representation learning using optimal transport ([1] @ ICLR'20 spotlight). Next, I will show how this method can be generalised to multiple modalities ([2] @NeurIPS'20) and for unsupervised segmentation in images ([3] @CVPR'22) and in videos ([4] @ICCV'23). Finally, I show how optimal transport can be utilized to learn models from scratch from just a single Walking Tour video that outperform those trained on ImageNet, demonstrating high potential for future video-based embodied learning ([5] @ICLR'24).
[1] Self-labelling via simultaneous clustering and representation learning
Asano, Rupprecht, Vedaldi. ICLR, 2020
[2] Labelling unlabelled videos from scratch with multi-modal self-supervision. Asano, Patrick, Rupprecht, Vedaldi. NeurIPS 2020
[3] Self-supervised learning of object parts for semantic segmentation. Ziegler and Asano. CVPR 2022
[4] Time Does Tell: Self-Supervised Time-Tuning of Dense Image Representations. Salehi, Gavves, Snoek, Asano.
[5] Is ImageNet worth 1 video? Learning strong image encoders from 1 long unlabelled video. Venkataramanan, Rizve, Carreira, Avrithis, Asano. ICLR 2024.
Zoom: https://oist.zoom.us/j/92257619030?pwd=d2IvVktjQUVPME8rdFhqWFlmNERRQT09
Meeting ID: 922 5761 9030
Passcode: 595720
Speaker: Dr. Yuki M. Asano, Assistant Professor, QUVA Lab, University of Amsterdam
Title: Self-Supervised Learning from Images and Videos using Optimal Transport
Abstract:
In this talk we will learn more about self-supervised learning -- the principles, the methods and how properly utilizing video data will unlock unprecendented visual performances.
I will first provide a brief overview of self-supervised learning and show how clustering can be combined with representation learning using optimal transport ([1] @ ICLR'20 spotlight). Next, I will show how this method can be generalised to multiple modalities ([2] @NeurIPS'20) and for unsupervised segmentation in images ([3] @CVPR'22) and in videos ([4] @ICCV'23). Finally, I show how optimal transport can be utilized to learn models from scratch from just a single Walking Tour video that outperform those trained on ImageNet, demonstrating high potential for future video-based embodied learning ([5] @ICLR'24).
[1] Self-labelling via simultaneous clustering and representation learning
Asano, Rupprecht, Vedaldi. ICLR, 2020
[2] Labelling unlabelled videos from scratch with multi-modal self-supervision. Asano, Patrick, Rupprecht, Vedaldi. NeurIPS 2020
[3] Self-supervised learning of object parts for semantic segmentation. Ziegler and Asano. CVPR 2022
[4] Time Does Tell: Self-Supervised Time-Tuning of Dense Image Representations. Salehi, Gavves, Snoek, Asano.
[5] Is ImageNet worth 1 video? Learning strong image encoders from 1 long unlabelled video. Venkataramanan, Rizve, Carreira, Avrithis, Asano. ICLR 2024.
Zoom Video
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…
Deep learning channel
If you're interested in self-supervised learning, join our meeting today at 9:30 a.m. Iran time! Zoom: https://oist.zoom.us/j/92257619030?pwd=d2IvVktjQUVPME8rdFhqWFlmNERRQT09 Meeting ID: 922 5761 9030 Passcode: 595720 Speaker: Dr. Yuki M. Asano, Assistant…
This talk will start very soon, please join if you are interested
Graph Convolutional Networks:
Unleashing the power of Deep Learning for Graph data
🗓زمان برگزاری (به صورت آنلاین): شنبه 28 بهمن ماه 1402
⏱ساعت 17:30 الی 19
📍آدرس اتاق مجازی: https://vc.sharif.edu/ch/cognitive
@irandeeplearning | @cvision
Unleashing the power of Deep Learning for Graph data
🗓زمان برگزاری (به صورت آنلاین): شنبه 28 بهمن ماه 1402
⏱ساعت 17:30 الی 19
📍آدرس اتاق مجازی: https://vc.sharif.edu/ch/cognitive
@irandeeplearning | @cvision
If you're interested in federated learning, particularly in medical imaging, we invite you to join our seminar tomorrow (Friday) at 11:00 a.m. Iran time! Zoom: https://oist.zoom.us/j/95908496615?pwd=akxZNmprLzNXY212TFh0ZWQ1ZlNyUT09
Meeting ID: 959 0849 6615
Passcode: 767685
Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn
Title: Unlocking the Potential of Federated Learning in Medical Imaging
Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.
Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.
Meeting ID: 959 0849 6615
Passcode: 767685
Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn
Title: Unlocking the Potential of Federated Learning in Medical Imaging
Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.
Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.
Zoom Video
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…
We will be commencing in the next 30 minutes. If you are interested, please feel free to join us.
Forwarded from Deep learning channel (Mohammad Sabokrou)
If you're interested in federated learning, particularly in medical imaging, we invite you to join our seminar tomorrow (Friday) at 11:00 a.m. Iran time! Zoom: https://oist.zoom.us/j/95908496615?pwd=akxZNmprLzNXY212TFh0ZWQ1ZlNyUT09
Meeting ID: 959 0849 6615
Passcode: 767685
Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn
Title: Unlocking the Potential of Federated Learning in Medical Imaging
Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.
Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.
Meeting ID: 959 0849 6615
Passcode: 767685
Speaker: Prof. Shadi Albarqouni, Computational Medical Imaging Research, University of Bonn
Title: Unlocking the Potential of Federated Learning in Medical Imaging
Abstract: Deep Learning (DL) stands at the forefront of artificial intelligence, revolutionizing computer science with its prowess in various tasks, especially in computer vision and medical applications. Yet, its success hinges on vast data resources, a challenge exacerbated in healthcare by privacy concerns. Enter Federated Learning, a groundbreaking technology poised to transform how DL models are trained without compromising data security. By allowing local hospitals to share only trained parameters with a centralized DL model, Federated Learning fosters collaboration while preserving privacy. However, hurdles persist, including heterogeneity, domain shift, data scarcity, and multi-modal complexities inherent in medical imaging. In this illuminating talk, we delve into the clinical workflow and confront the common challenges facing AI in Medicine. Our focus then shifts to Federated Learning, exploring its promise, pitfalls, and potential solutions. Drawing from recent breakthroughs, including a compelling MR Brain imaging case study published in Nature Machine Intelligence, we navigate the landscape of secure and efficient AI adoption in healthcare.
Bio: Shadi Albarqouni, a pioneering figure in Computational Medical Imaging, serves as a Professor at the University of Bonn and an AI Young Investigator Group Leader at Helmholtz AI. With significant roles at Imperial College London, ETH Zurich, and the Technical University of Munich (TUM), Shadi's impact reverberates through his 100+ publications in esteemed journals and conferences. His expertise extends beyond academia, with contributions as an Associate Editor at IEEE Transactions on Medical Imaging and evaluator for national and international grants like DFG, BMBF, and EC. Recognized with awards like the DAAD PRIME Fellowship, Shadi fosters collaboration through AGYA and ELLIS memberships and initiatives like the Palestine Young Academy and the RISE-MICCAI community, focusing on innovative medical solutions and knowledge transfer to emerging countries. Explore more about his work at https://albarqouni.github.io/.
Zoom Video
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…
✅ رونمایی از مدل های جدید زبانی بزرگ فارسی
۱. مدل زبانی فارسی سیلک (Sialk)
توسعه‌یافته از پایه (from scratch) با استفاده از دادگان اختصاصی فارسی
۲. مدل زبانی بزرگ فارسی آهوران (Ahoran)
مدل زبانی بزرگ فارسی با یادگیری پیوسته (continual pretraining) و دادگان جدید و به‌روز برای افزایش دقت و کارایی
۳. مدل زبانی بزرگ فارسی آوا (Ava)
بازآموزش دیده‌شده (finetune) برای وظایف خاص و بهره‌برداری بهینه از مدل‌های پیشین
⏰ زمان: دوشنبه ۱۱ تیر | ساعت ۹:۳۰
🏢 مکان: محل دائمی نمایشگاه‌های بین‌المللی تهران | سالن خلیج فارس
لینک پخش زنده مراسم:
https://lnkd.in/dvq2rMtv
@irandeeplearning
@bigdataworkgroup
۱. مدل زبانی فارسی سیلک (Sialk)
توسعه‌یافته از پایه (from scratch) با استفاده از دادگان اختصاصی فارسی
۲. مدل زبانی بزرگ فارسی آهوران (Ahoran)
مدل زبانی بزرگ فارسی با یادگیری پیوسته (continual pretraining) و دادگان جدید و به‌روز برای افزایش دقت و کارایی
۳. مدل زبانی بزرگ فارسی آوا (Ava)
بازآموزش دیده‌شده (finetune) برای وظایف خاص و بهره‌برداری بهینه از مدل‌های پیشین
⏰ زمان: دوشنبه ۱۱ تیر | ساعت ۹:۳۰
🏢 مکان: محل دائمی نمایشگاه‌های بین‌المللی تهران | سالن خلیج فارس
لینک پخش زنده مراسم:
https://lnkd.in/dvq2rMtv
@irandeeplearning
@bigdataworkgroup
«توافقنامه عمومی گروه مجازی یادگیری ژرف»
با تشکر از حضور گرم و پرنشاط شما، در جهت بهبود هرچه بهتر این گروه لطفا به نکات زیر توجه فرمایید.
+ لطفا از فرستادن پیام های روزمره و غیر مرتبط و یا پیامهای که در حوزه عنوان گروه نمی گنجد، اجتناب فرمایید.
+ لطفا پرسش خود را نخست در اینترنت جستجو کنید و سپس به بخش پرسش و پاسخ مرتبط با این گروه به آدرس
http://qa.deeplearning.ir
مراجعه نمایید.
+ لطفا ، جهت کاهش تعداد پیامهای گروه، بجای ارسال پیام های خود بصورت خرد خرد ، مطالب خود را یکجا تایپ و ارسال نمایید.
+ لطفا در مناسبتها و اعیاد ملی و مذهبی، از فرستادن پیامهای تبریک و تسلیت اجتناب بفرمایید. این پیامها توسط مدیر گروه به نمایندگی از همه یکبار ارسال میشود.
+ اعضای محترم در صورت ارسال کلیپ تصویری و صوتی مرتبط، حتما عنوان آن را نیز بیان کنید.
+ لطفا در صورت ارسال اخبار حتما لینک (مرجع) آن را نیز ارسال نمایید.
+ در گروه میتوانید مطالبی مرتبط با استخدام، موقعیت های کاری و دانشگاهی (بورس و....) و همینطور اخبار مرتبط ارسال نمایید. لطفا در زمان ارسال مطلب سعی بفرمایید از تگ مناسب استفاده کنید.
برای اخبار از تگ #خبر, برای آموزش از تگ #آموزش , برای استخدام و موقعیت های کاری و دانشگاهی از تگ #َApplication و #Uni استفاده بفرمایید.
+در گروه می توانید در مورد تخصص دیگران در حوزه خاصی سوال کنید تا اینگونه بتوانید با افراد با تجربه در حوزه مورد نظر خود اشنا شده و فعالیت های بعدی را شکل دهید.سوالهایی همانند " آیا کسی در حوزه ایکس فعالیتی داشته است؟ " از این دست بحساب می آیند. در متن این سوالها «پاسخ در خصوصی» تاکید شود. این پیامها پس از یک روز از گروه حذف می شوند.
+ لطفا سوالهای دیگر خود را در سایت پرسش و پاسخ پرسیده و سپس لینک سوال را در گروه ارسال کنید تا سریعتر به جواب برسید.
+ در صورتیکه قصد دارید آموزش و یا ما حصل تجربه خود را در اختیار دیگران قرار دهید میتوانید در سایت یادگیری عمیق ثبت نام کرده و مطالب را با دیگران به اشتراک بگذارید. سعی کنید از قرار دادن آموزش های طویل و خصوصا با ارتباط کم در گروه بپرهیزید. تا انسجام مطالب گروه از بین نرود.
+از بیان صحبتها و انجام رفتارهای خارج از عرف آکادمیک در این گروه و ارسال پیام های خصوصی خارج از عرف و غیر آکادمیک به کاربران پرهیز کنید. در صورت شکایت فرد خاطی برای همیشه از گروه اخراج میشود.
+گروه های مرتبط تنها در یک خط باید معرفی شوند. پیامهای تبلیغاتی (معرفی گروه ها، کنفرانسها و...) غیرمرتبط ممنوع بوده و بلافاصله حذف میگردند.
+در صورت وجود سوال و یا ابهام میتوانید از مدیران گروه کمک بگیرید.
+سفارش یا درخواست انجام پایان نامه, پروژه دانشجویی و مقاله توسط تمامی اعضا (حتی مدیرن) اکیدا ممنوع است. در صورت مشاهده چنین مواردی فورا به مدیران گروه اطلاع رسانی کنید.
+منابع کاربردی و رویدادهای مهم در کانال تلگرامی گروه یادگیری ژرف اطلاع رسانی میشنود:
@irandeeplearning
باتشکر
#توافقنامه
با تشکر از حضور گرم و پرنشاط شما، در جهت بهبود هرچه بهتر این گروه لطفا به نکات زیر توجه فرمایید.
+ لطفا از فرستادن پیام های روزمره و غیر مرتبط و یا پیامهای که در حوزه عنوان گروه نمی گنجد، اجتناب فرمایید.
+ لطفا پرسش خود را نخست در اینترنت جستجو کنید و سپس به بخش پرسش و پاسخ مرتبط با این گروه به آدرس
http://qa.deeplearning.ir
مراجعه نمایید.
+ لطفا ، جهت کاهش تعداد پیامهای گروه، بجای ارسال پیام های خود بصورت خرد خرد ، مطالب خود را یکجا تایپ و ارسال نمایید.
+ لطفا در مناسبتها و اعیاد ملی و مذهبی، از فرستادن پیامهای تبریک و تسلیت اجتناب بفرمایید. این پیامها توسط مدیر گروه به نمایندگی از همه یکبار ارسال میشود.
+ اعضای محترم در صورت ارسال کلیپ تصویری و صوتی مرتبط، حتما عنوان آن را نیز بیان کنید.
+ لطفا در صورت ارسال اخبار حتما لینک (مرجع) آن را نیز ارسال نمایید.
+ در گروه میتوانید مطالبی مرتبط با استخدام، موقعیت های کاری و دانشگاهی (بورس و....) و همینطور اخبار مرتبط ارسال نمایید. لطفا در زمان ارسال مطلب سعی بفرمایید از تگ مناسب استفاده کنید.
برای اخبار از تگ #خبر, برای آموزش از تگ #آموزش , برای استخدام و موقعیت های کاری و دانشگاهی از تگ #َApplication و #Uni استفاده بفرمایید.
+در گروه می توانید در مورد تخصص دیگران در حوزه خاصی سوال کنید تا اینگونه بتوانید با افراد با تجربه در حوزه مورد نظر خود اشنا شده و فعالیت های بعدی را شکل دهید.سوالهایی همانند " آیا کسی در حوزه ایکس فعالیتی داشته است؟ " از این دست بحساب می آیند. در متن این سوالها «پاسخ در خصوصی» تاکید شود. این پیامها پس از یک روز از گروه حذف می شوند.
+ لطفا سوالهای دیگر خود را در سایت پرسش و پاسخ پرسیده و سپس لینک سوال را در گروه ارسال کنید تا سریعتر به جواب برسید.
+ در صورتیکه قصد دارید آموزش و یا ما حصل تجربه خود را در اختیار دیگران قرار دهید میتوانید در سایت یادگیری عمیق ثبت نام کرده و مطالب را با دیگران به اشتراک بگذارید. سعی کنید از قرار دادن آموزش های طویل و خصوصا با ارتباط کم در گروه بپرهیزید. تا انسجام مطالب گروه از بین نرود.
+از بیان صحبتها و انجام رفتارهای خارج از عرف آکادمیک در این گروه و ارسال پیام های خصوصی خارج از عرف و غیر آکادمیک به کاربران پرهیز کنید. در صورت شکایت فرد خاطی برای همیشه از گروه اخراج میشود.
+گروه های مرتبط تنها در یک خط باید معرفی شوند. پیامهای تبلیغاتی (معرفی گروه ها، کنفرانسها و...) غیرمرتبط ممنوع بوده و بلافاصله حذف میگردند.
+در صورت وجود سوال و یا ابهام میتوانید از مدیران گروه کمک بگیرید.
+سفارش یا درخواست انجام پایان نامه, پروژه دانشجویی و مقاله توسط تمامی اعضا (حتی مدیرن) اکیدا ممنوع است. در صورت مشاهده چنین مواردی فورا به مدیران گروه اطلاع رسانی کنید.
+منابع کاربردی و رویدادهای مهم در کانال تلگرامی گروه یادگیری ژرف اطلاع رسانی میشنود:
@irandeeplearning
باتشکر
#توافقنامه
qa.deeplearning.ir
پرسش و پاسخ یادگیری عمیق
پرسش و پاسخ یادگیری عمیق،محلی برای پرسش در مورد دیپ لرنینگ و ابزارها و الگوریتم های مختلف مربوط به آن.
Forwarded from AAIC
📣 مجموعه کارگاه های آموزشی هوش مصنوعی
🔹 توسعه سرویس‌های هوش مصنوعی مبتنی بر ChatGPT
🔹 الزامات راه‌اندازی و رشد نمایی در دنیای استارتاپ هوش مصنوعی
🔹 پردازش و بازشناسی گفتار
🔹 یادگیری تقویتی عمیق با ترنسفورمر برای مدیریت سبد کریپتو
🔹 زمان برگزاری کلیه کارگاه ها: چهارشنبه 7 آذر 1403 ساعت 10 الی 15
🔹 مهلت ثبت نام: سه شنبه 6 آذر 1403
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 هزینه ثبت نام هر کارگاه: 200 هزار تومان
جهت ثبت نام و کسب اطلاعات بیشتر به بخش رویدادهای وبسایت مسابقات مراجعه کنید.
https://aaic.aut.ac.ir/#events
@aaic_aut
🔹 توسعه سرویس‌های هوش مصنوعی مبتنی بر ChatGPT
🔹 الزامات راه‌اندازی و رشد نمایی در دنیای استارتاپ هوش مصنوعی
🔹 پردازش و بازشناسی گفتار
🔹 یادگیری تقویتی عمیق با ترنسفورمر برای مدیریت سبد کریپتو
🔹 زمان برگزاری کلیه کارگاه ها: چهارشنبه 7 آذر 1403 ساعت 10 الی 15
🔹 مهلت ثبت نام: سه شنبه 6 آذر 1403
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 هزینه ثبت نام هر کارگاه: 200 هزار تومان
جهت ثبت نام و کسب اطلاعات بیشتر به بخش رویدادهای وبسایت مسابقات مراجعه کنید.
https://aaic.aut.ac.ir/#events
@aaic_aut
Forwarded from AAIC
📣 مجموعه سخنرانی های علمی هوش مصنوعی
🔹 Adapting AI: Explainability and Distributability
🔹 Tackling Challenges in Self-supervised EEG Representation Learning
🔹 Universal Novelty Detection
🔹 زمان برگزاری: چهارشنبه 7 آذر 1403 ساعت 11 الی 15
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 شرکت برای عموم آزاد است.
جهت کسب اطلاعات بیشتر به آدرس زیر مراجعه کنید.
https://aaic.aut.ac.ir/workshop/3
@aaic_aut
🔹 Adapting AI: Explainability and Distributability
🔹 Tackling Challenges in Self-supervised EEG Representation Learning
🔹 Universal Novelty Detection
🔹 زمان برگزاری: چهارشنبه 7 آذر 1403 ساعت 11 الی 15
🔹 محل برگزاری: دانشگاه صنعتی امیرکبیر
🔹 شرکت برای عموم آزاد است.
جهت کسب اطلاعات بیشتر به آدرس زیر مراجعه کنید.
https://aaic.aut.ac.ir/workshop/3
@aaic_aut
Forwarded from کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر
وبینار رایگان: تفسیرپذیری شبکه‌های عصبی گرافی
این وبینار به‌صورت آنلاین برگزار میشود.
🗓 زمان: پنج شنبه، ۱۳ دی ۱۴۰۳
⏰ ساعت: 10 الی 12 صبح
https://class.vision/product/explainable-ai-graph-neural-networks/
این وبینار به‌صورت آنلاین برگزار میشود.
🗓 زمان: پنج شنبه، ۱۳ دی ۱۴۰۳
⏰ ساعت: 10 الی 12 صبح
https://class.vision/product/explainable-ai-graph-neural-networks/
Forwarded from کلاس ویژن: یادگیری عمیق و بینایی کامپیوتر
وبینار رایگان: تفسیرپذیری شبکه‌های عصبی گرافی
ویدویها _کدها + اسلاید این وبینار روی سایت قرار گرفت
https://class.vision/product/explainable-ai-graph-neural-networks/
@class_vision
@cvision
ویدویها _کدها + اسلاید این وبینار روی سایت قرار گرفت
https://class.vision/product/explainable-ai-graph-neural-networks/
@class_vision
@cvision
کلاس‌ویژن
ویدیوی وبینار رایگان تفسیرپذیری شبکه‌های عصبی گرافی + کد و اسلاید - کلاس‌ویژن
این وبینار قبلا برگزار شده و فیلم آن پس از ثبت نام در دسترس است
Forwarded from Tensorflow(@CVision) (Alister☄️)
آموزش معماری DeepSeek از صفر تا صد، مجموعه‌ای شامل ۲۰ ویدئوی آموزشی
این مجموعه شامل ۲۰ جلسه آموزشی هست که مفاهیمی مثل Multi-Head Latent Attention و Mixture of Experts رو با جزئیات کامل بررسی می‌کنه.
1️⃣ DeepSeek Series Introduction
https://youtu.be/QWNxQIq0hMo
2️⃣ DeepSeek Basics
https://youtu.be/WjhDDeZ7DvM
3️⃣ Journey of a Token into the LLM Architecture
https://youtu.be/rkEYwH4UGa4
4️⃣ Attention Mechanism Explained in 1 Hour
https://youtu.be/K45ze9Yd5UE
5️⃣ Self Attention Mechanism - Handwritten from Scratch
https://youtu.be/s8mskq-nzec
6️⃣ Causal Attention Explained: Don't Peek into the Future
https://youtu.be/c6Kkj6iLeBg
7️⃣ Multi-Head Attention Visually Explained
https://youtu.be/qbN4ulK-bZA
8️⃣ Multi-Head Attention Handwritten from Scratch
https://youtu.be/rvsEW-EsD-Y
9️⃣ Key Value Cache from Scratch
https://youtu.be/IDwTiS4_bKo
🔟 Multi-Query Attention Explained
https://youtu.be/Z6B51Odtn-Y
1️⃣1️⃣ Understand Grouped Query Attention (GQA)
https://youtu.be/kx3rETIxo4Q
1️⃣2️⃣ Multi-Head Latent Attention From Scratch
https://youtu.be/NlDQUj1olXM
1️⃣3️⃣ Multi-Head Latent Attention Coded from Scratch in Python
https://youtu.be/mIaWmJVrMpc
1️⃣4️⃣ Integer and Binary Positional Encodings
https://youtu.be/rP0CoTxe5gU
1️⃣5️⃣ All About Sinusoidal Positional Encodings
https://youtu.be/bQCQ7VO-TWU
1️⃣6️⃣ Rotary Positional Encodings
https://youtu.be/a17DlNxkv2k
1️⃣7️⃣ How DeepSeek Implemented Latent Attention | MLA + RoPE
https://youtu.be/m1x8vA_Tscc
1️⃣8️⃣ Mixture of Experts (MoE) Introduction
https://youtu.be/v7U21meXd6Y
1️⃣9️⃣ Mixture of Experts Hands-on Demonstration
https://youtu.be/yw6fpYPJ7PI
2️⃣0️⃣ Mixture of Experts Balancing Techniques
https://youtu.be/nRadcspta_8
این مجموعه شامل ۲۰ جلسه آموزشی هست که مفاهیمی مثل Multi-Head Latent Attention و Mixture of Experts رو با جزئیات کامل بررسی می‌کنه.
1️⃣ DeepSeek Series Introduction
https://youtu.be/QWNxQIq0hMo
2️⃣ DeepSeek Basics
https://youtu.be/WjhDDeZ7DvM
3️⃣ Journey of a Token into the LLM Architecture
https://youtu.be/rkEYwH4UGa4
4️⃣ Attention Mechanism Explained in 1 Hour
https://youtu.be/K45ze9Yd5UE
5️⃣ Self Attention Mechanism - Handwritten from Scratch
https://youtu.be/s8mskq-nzec
6️⃣ Causal Attention Explained: Don't Peek into the Future
https://youtu.be/c6Kkj6iLeBg
7️⃣ Multi-Head Attention Visually Explained
https://youtu.be/qbN4ulK-bZA
8️⃣ Multi-Head Attention Handwritten from Scratch
https://youtu.be/rvsEW-EsD-Y
9️⃣ Key Value Cache from Scratch
https://youtu.be/IDwTiS4_bKo
🔟 Multi-Query Attention Explained
https://youtu.be/Z6B51Odtn-Y
1️⃣1️⃣ Understand Grouped Query Attention (GQA)
https://youtu.be/kx3rETIxo4Q
1️⃣2️⃣ Multi-Head Latent Attention From Scratch
https://youtu.be/NlDQUj1olXM
1️⃣3️⃣ Multi-Head Latent Attention Coded from Scratch in Python
https://youtu.be/mIaWmJVrMpc
1️⃣4️⃣ Integer and Binary Positional Encodings
https://youtu.be/rP0CoTxe5gU
1️⃣5️⃣ All About Sinusoidal Positional Encodings
https://youtu.be/bQCQ7VO-TWU
1️⃣6️⃣ Rotary Positional Encodings
https://youtu.be/a17DlNxkv2k
1️⃣7️⃣ How DeepSeek Implemented Latent Attention | MLA + RoPE
https://youtu.be/m1x8vA_Tscc
1️⃣8️⃣ Mixture of Experts (MoE) Introduction
https://youtu.be/v7U21meXd6Y
1️⃣9️⃣ Mixture of Experts Hands-on Demonstration
https://youtu.be/yw6fpYPJ7PI
2️⃣0️⃣ Mixture of Experts Balancing Techniques
https://youtu.be/nRadcspta_8
YouTube
Build DeepSeek from Scratch: Series Introduction
Welcome to Lecture 1 of Build DeepSeek from Scratch series.
In this lecture, we discuss about the introduction to this playlist, why we are creating this playlist, and what you will learn from it.
=================================================
Build…
In this lecture, we discuss about the introduction to this playlist, why we are creating this playlist, and what you will learn from it.
=================================================
Build…
Forwarded from Tensorflow(@CVision)
دیتاست کارت ملی ایرانی
https://class.vision/blog/iranian-national-id-card-dataset/
دیتاست شامل ۲٬۰۰۰ تصویر از کارت‌های ملی ایرانی است که با اطلاعات هویتی ساختگی ایجاد شده‌اند. کارت‌ها با کیفیت چاپ کارت‌های واقعی تولید و در شرایط چالش‌برانگیز و غیرکنترل‌شده با دوربین‌های موبایل عکسبرداری شده‌اند.
#دیتاست
https://class.vision/blog/iranian-national-id-card-dataset/
دیتاست شامل ۲٬۰۰۰ تصویر از کارت‌های ملی ایرانی است که با اطلاعات هویتی ساختگی ایجاد شده‌اند. کارت‌ها با کیفیت چاپ کارت‌های واقعی تولید و در شرایط چالش‌برانگیز و غیرکنترل‌شده با دوربین‌های موبایل عکسبرداری شده‌اند.
#دیتاست
📊 میزان (MIZAN): جامع‌ترین لیدربورد ارزیابی مدل‌های زبانی بزرگ (LLM) در زبان فارسی
پس از عرضه بنچمارک FaMTEB برای ارزیابی مدل‌های Text Embedding، این‌بار دستاوردی تازه در پردازش زبان طبیعی فارسی
✅ برخی ویژگی های میزان:
- مقایسه جامع مدل‌های روز: ارزیابی دقیق مدل‌های متن‌باز و بسته با هدف ایجاد یک مرجع معتبر برای فارسی‌زبانان
- پوشش ۶ بنچمارک تخصصی: سنجش عملکرد مدل‌ها در چت، پیروی از دستورالعمل، NLU، NLG، استدلال منطقی و دانش عمومی
- تنوع کاربردی بالا: سناریوهای واقعی فارسی مانند گفت‌وگوی چندمرحله‌ای، RAG، تولید محتوا و پاسخ‌گویی منطقی
🏆 بنچمارک‌های کلیدی میزان:
Persian MT-Bench: ارزیابی چت چندمرحله‌ای و کاربرد در سیستم‌های RAG
Persian IFEval: بررسی توانایی مدل‌ها در پیروی از دستورالعمل‌ها
PerCoR: اولین بنچمارک استدلال منطقی در زبان فارسی
PerMMLU: سنجش دانش عمومی و تخصصی مدل‌ها در موضوعات متنوع در زبان فارسی
Persian NLU: ارزیابی درک زبان طبیعی فارسی
Persian NLG: ارزیابی تولید زبان طبیعی فارسی
🔗 لینک لیدربورد میزان
📖 مقاله معرفی میزان
🔗 بنچمارک FaMTEB
@irandeeplearning
پس از عرضه بنچمارک FaMTEB برای ارزیابی مدل‌های Text Embedding، این‌بار دستاوردی تازه در پردازش زبان طبیعی فارسی
✅ برخی ویژگی های میزان:
- مقایسه جامع مدل‌های روز: ارزیابی دقیق مدل‌های متن‌باز و بسته با هدف ایجاد یک مرجع معتبر برای فارسی‌زبانان
- پوشش ۶ بنچمارک تخصصی: سنجش عملکرد مدل‌ها در چت، پیروی از دستورالعمل، NLU، NLG، استدلال منطقی و دانش عمومی
- تنوع کاربردی بالا: سناریوهای واقعی فارسی مانند گفت‌وگوی چندمرحله‌ای، RAG، تولید محتوا و پاسخ‌گویی منطقی
🏆 بنچمارک‌های کلیدی میزان:
Persian MT-Bench: ارزیابی چت چندمرحله‌ای و کاربرد در سیستم‌های RAG
Persian IFEval: بررسی توانایی مدل‌ها در پیروی از دستورالعمل‌ها
PerCoR: اولین بنچمارک استدلال منطقی در زبان فارسی
PerMMLU: سنجش دانش عمومی و تخصصی مدل‌ها در موضوعات متنوع در زبان فارسی
Persian NLU: ارزیابی درک زبان طبیعی فارسی
Persian NLG: ارزیابی تولید زبان طبیعی فارسی
🔗 لینک لیدربورد میزان
📖 مقاله معرفی میزان
🔗 بنچمارک FaMTEB
@irandeeplearning