📌 فراخوان دعوت به ارائه بحث و/یا کارگاه آموزشی در پژوهشگاه دانش های بنیادی (IPM)

📝 پژوهشکده علوم شناختی پژوهشگاه دانش های بنیادی (IPM) در نظر دارد در راستای ترویج علوم اعصاب و آموزش محققین، کارگاه های آموزشی و سخنرانی های علمی در زمینه علوم شناختی و حوزه های مرتبط از جمله علوم داده، هوش مصنوعی، علوم کامپیوتر، مهندسی برق، علوم زیستی و فلسفه ذهن برگزار نماید. در این راستا از شرکت ها، اساتید مجرب و پژوهشگران متخصص داخل و خارج کشور که علاقمند به برگزاری رویداد، تدریس و یا سخنرانی در حوزه های یاد شده هستند دعوت می شود با پر کردن گوگل فرم زیر عناوین پیشنهادی به همراه چکیده بحث و/یا سرفصل های آموزشی خود را به پژوهشکده ارسال نمایند. پس از بررسی های اولیه و در صورت احراز شرایط با متقاضی مربوطه تماس گرفته خواهد شد.

🔗 https://forms.gle/PJE1AQHzowELmiw56
🌐 http://scs.ipm.ac.ir/

⚠️ لطفا در نظر داشته باشید که اولویت با طرح های زودتر ارسال شده می باشد.

🔔 اطلاع رسانی های آتی از طریق کانال تلگرامی @convent انجام خواهد شد.

Bmva Symposium Video Understanding - London 2019
Videos:
https://www.youtube.com/playlist?list=PLW8VWHVjepItdBf7nDvs5MVMRZrF_l3jO
Speakers, Posters, and Program:
http://people.cs.bris.ac.uk/~damen/bmva_symposium_2019/

📣مسابقه بازشناسی پلاک مخدوش 🚘

🗓 مهلت شرکت در مسابقه: پایان آبان 1398
🏆 جوایز: 70 میلیون، 50 میلیون، 30 میلیون ریال

جهت مشاهده شرح کامل مسابقه به وب سایت مسابقه مراجعه کنید.
http://aaic.aut.ac.ir/leagues/sc/dpr

@aaic_aut

پژوهشگاه دانش‌های بنیادی اولین کنفرانس ملی انفورماتیک ایران را با همکاری انجمن انفورماتیک ایران و با هدف رشد و توسعه دانش انفورماتیک برگزار می‌کند. تأکید این کنفرانس بر جنبه‌های بنیادی، کاربردی، راهبردی و توسعه‌ای انفورماتیک است که از سودمندی خاص در سطح کشور برخوردارند. از تمامی پژوهشگران، دانشگاهیان و صنعتگران دعوت می‌شود تا با ارسال مقاله و شرکت در کنفرانس با تبادل یافته‌های پژوهشی و کاربردی خود موجب پرباری و اثربخشی کنفرانس در راستای اهدافش باشند.

PyTorch 1.3 adds mobile, privacy, quantization, and named tensors
https://ai.facebook.com/blog/pytorch-13-adds-mobile-privacy-quantization-and-named-tensors/

The State of Machine Learning Frameworks in 2019
https://thegradient.pub/state-of-ml-frameworks-2019-pytorch-dominates-research-tensorflow-dominates-industry/

Streamlit, an app framework built for ML engineers:
https://streamlit.io/
Blog Post:
https://towardsdatascience.com/coding-ml-tools-like-you-code-ml-models-ddba3357eace

#بنیاد_ملی_نخبگان برگزار می‌کند:

📣 چهارمین دوره #طرح_شهید_احمدی_روشن
ثبت نام: تا 30 مهر 98
واجدین شرایط ثبت نام:
1️⃣ دانشجویان مشمول جوایز تحصیلی بنیاد ملی نخبگان در سال تحصیلی 98-99 یا 97-98
2️⃣ دانشجویان کارشناسی با معدل بالای 17
3️⃣ دانشجویان تحصیلات تکمیلی با معدل بالای 18
اطلاعات بیشتر و ثبت نام در 👇👇👇
http://students-ahmadiroshan.bmn.ir

✅ لازم به ذکر است که در این دوره چندین طرح مرتبط به حوزه #هوش_مصنوعی و بخصوص #یادگیری_ژرف نیز تخصیص داده شده است.

موفق و موید باشید/.

🌸

“Benchmarking Transformers: PyTorch and TensorFlow” by Lysandre Debut https://link.medium.com/6jYA3itvX0

دوره آموزشی پیشرفته یادگیری عمیق

📚مدرس : علیرضا اخوان پور
🗓 تاریخ : ۳۰ آبان و ۱و ۸ آذر ماه
⏱ مدت زمان دوره: ۱۲ ساعت
🏢 مکان : صندوق نوآوری و شکوفایی

برای اطلاعات بیشتر و ثبت نام به لینک زیر مراجعه شود
http://class.vision/product/deep2/

💰کد تخفیف ویژه irandeeplearning ویژه اعضای کانال و یا سایت💰

در مورد شبکه های عصبی بازگشتی (RNN) بیشتر بخوانید:
http://blog.class.vision/1397/10/rnn/

#یادگیری_عمیق #دوره_آموزشی

http://visioncourse.cognsc.ir/
Instructor:
Reza Rajimehr
Research Scientist
McGovern Institute for Brain Research, MIT
Visiting Scientist
School of ECE, University of Tehran
School of Cognitive Sciences, IPM

شرکت رسانه ای O'Reilly با همکاری تیم تحقیقاتی TensorFlow شرکت Google برگزار می‌کنند:

🗒 TensorFlow World 2019
🖥 کنفرانس آنلاین (جلسه اول)
⏱ زمان : امروز چهارشنبه 8 آبان ماه 1398 ساعت 19
🔗 زمانبندی و جزئیات ارائه های رویداد:
http://fna.ir/adb
🖥 لینک اصلی و کمکی مشاهده رویداد :
http://fna.ir/ada
http://fna.ir/adc


@bigdataworkgroup

❄️ گروه توسعه فناوری‌های راهبردی ستاد توسعه فناوری‌های حوزه اقتصاد دیجیتال و هوشمندسازی معاونت علمی و فناوری ریاست جمهوری قصد دارد با هدف کمک به توسعه کسب و کار های هوشمند ایرانی، از طرح های فناورانه در حوزه دستیار های متنی و صوتی در قالب اعطاء تسهیلات بلاعوض و وام حمایت نماید.
در این راستا کارگروه هوش مصنوعی این گروه اقدام به انجام فراخوان ناظر به این موضوع مهم نموده است.

✅ متقاضیان لازم است درخواست پیشنهاد طرح را مطابق موضوع مورد بررسی طبق لینک های بیان شده در ادامه مطالعه نموده و کاربرگ مربوطه، طرح پیشنهادی و سایر موارد مورد نیاز را حداکثر تا تاریخ 18 آبان ماه 98 به این ستاد ارسال نمایند.
لازم به ذکر است که جزئیات و کاربرگ های مورد نیاز در لینک های ذیل وجود دارد:

🔸 دستیار مجازی انسان‌نمای هوشمند :
http://fna.ir/adf

🔸 تولید پیکره و فناوری گفتگوی روزمره زبان فارسی برپایه یادگیرنده های مبتنی بر مغز :
http://fna.ir/adg


@bigdataworkgroup
@irandeeplearning

مجموعه سخنرانی های هوش مصنوعی با موضوعات:
🔹 پردازش زبان طبیعی
🔹 پردازش صوت
🔹 پردازش تصویر و ویدئو
🔹 یادگیری ماشین
🔹 یادگیری عمیق
🔹 اینترنت اشیاء

✅ با حضور جمع کثیری از اساتید برجسته حوزه هوش مصنوعی و یادگیری ماشین

🗓 زمان: چهارشنبه و پنج شنبه 29 و 30 آبان 1398
🏢مکان: دانشگاه صنعتی امیرکبیر

جهت کسب اطلاعات بیشتر و ثبت نام جهت حضور در سخنرانی ها به وب سایت رویداد مراجعه نمایید.

@aaic_aut

http://aaic.aut.ac.ir/events/fall2019

میتوانید سری 13 قسمتی «مقدمه ای بر نوروساینس» را به رایگان در آپارات در این آدرس مشاهده کنید


https://www.aparat.com/satim

Timeline of the GANs covered in this paper. we split it in six fronts (architectural, conditional
techniques, normalization and constraint, loss functions, image-to-image translation and validation metrics), each represented
by a different color and a different line/border style.

https://arxiv.org/abs/1910.13076

این روزها، دنیای مدل های زبان طبیعی توسط Transformer و BERT محصور شده‌اند. اما اگر به سال ۲۰۱۷ برگردیم و مقاله حساس Attention Is All You Need را از گاهشمار حذف کنیم دیگر Multi-head attention وجود نداشت و فقط شکل اصلی LSTM باقی می‌ماند. با این تصور سوال این است که مدل های زبان طبیعی چگونه تکامل میافتند؟

پرسیدن سوالاتی از این دست می‌تواند گاهی ما را از گیرافتادن در کمینه های محلی که به وفور در تاریخ علم رخ می‌دهد نجات دهد. این جمله به معنای نفی ادبیات گذشته نیست بلکه بدین معناست که فاصله گرفتن از رویکرد های گذشته و تکیه نکردن بیش از حد بر روی آنها در مواردی بسیار مفید به نظر می‌رسد.

مدل هایی که از معماری Transformer الهام می‌گیرند فرضشان بر این است که هیچ ساختار سلسله مراتبی در داده ها نیست و هر لایه دارای چندین head هست. این مورد خود باعث می‌شود که محاسبات برای سخت افزار به شدت پیچیده شود و از طرفی هیچ کس به وضوح نمی‌داند که تعداد چند head در واقع کافیست. این موارد باعث میشود که احساس نیاز به یک سخت افزار قوی دوچندان شود از طرفی آموزش مدل توسط سخت افزار های رایج همانند یک کامپیوتر خانگی خارج از تصور است.

این مقاله کمی از معماری های رایج فاصله می‌گیرد و با معرفی مدل SHA-RNN داعیه صحت قاعده تیغ اُکام است.

https://zhuanlan.zhihu.com/p/94350362


جزییات معماری در مقاله:

https://arxiv.org/abs/1911.11423

This article is an attempt to explain all the matrix calculus you need in order to understand the training of deep neural networks. We assume no math knowledge beyond what you learned in calculus 1, and provide links to help you refresh the necessary math where needed. Note that you do not need to understand this material before you start learning to train and use deep learning in practice; rather, this material is for those who are already familiar with the basics of neural networks, and wish to deepen their understanding of the underlying math.

https://explained.ai/matrix-calculus/index.html

SinGAN

With SinGAN, you can train a generative model from a single natural image, and then generate random samples form the given image

SinGAN can be also use to a line of image manipulation task

https://arxiv.org/abs/1905.01164