#نکته_آموزشی
گوگل قابلیت جدیدی به سرویس کولب خودش اضافه کرده و حالا به صورت مستقیم می توانید نوت بوک های موجود در گیت هاب را در گوگل کولب باز و ذخیره کنید. فقط کافی هست که مسیر آدرس نوت بوک در گیت هاب را به آدرس زیر اضافه کنید:
colab.research.google.com/github
به طور مثال نوت بوک زیر را در نظر بگیرید:
github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/convolutional_network.ipynb
برای بازکردن این نوت بوک باید آدرس را به صورت زیر تغییر بدهید:
https://colab.research.google.com/github/aymericdamien/TensorFlow-Examples/blob/master/notebooks/3_NeuralNetworks/convolutional_network.ipynb

مرکز تحقیقات هوش پارت
https://t.me/hamimsoft
http://ble.im/hamimsoft
sapp.IR/hamimsoft

آشنایی اولیه با اتوانکدر ها(قسمت اول)

https://virgool.io/@hamimsoft/i8ee79m1ffw7

https://t.me/hamimsoft
http://ble.im/hamimsoft
sapp.ir/hamimsoft

شما میتوانید در شبکه های زیر مارا دنبال کنید :

سایت www.hamimsoft.com

بله ble.im/hamimsoft

پیام رسان سروش sapp.IR/hamimsoft

پیام رسان ایتا eitaa.com/hamimsoft

پیام رسان آی گپ iGap.net/hamimsoft

پیام رسان تلگرام t.me/hamimsoft

کانال آپارات aparat.com/hamimsoft

ویرگول virgool.io/@hamimsoft

همچنین میتوانید با ما از طریق ایمیل info@hamimsoft.com
در ارتباط باشید.

#مقاله
در کنفرانس CVPR 2018 مقاله ای با عنوان «Learning to See in the Dark» ارائه شد که در آن نویسندگان مقاله از دیتاستی شامل تصاویر بسیار تاریک و نسخه روشن آن ها رونمایی کردند. آن ها در این مقاله با استفاده از شبکه های کانولوشنال به کامپیوترها یاد دادند که تصاویری که در نور خیلی کم گرفته شده اند را ببیند و نسخه با نور مناسب آن ها را تولید کند.
لینک مقاله:
https://arxiv.org/pdf/1805.01934.pdf
دانلود دیتاست و پیاده سازی الگوریتم به کار رفته در این مقاله با تنسورفلو:
https://github.com/cchen156/Learning-to-See-in-the-Dark
فیلم دموی این مقاله:
https://www.youtube.com/watch?v=qWKUFK7MWvg&feature=youtu.be

مرکز تحقیقات هوش پارت:

http://t.me/hamimsoft
http://ble.im/hamimsoft
sapp.ir/hamimsoft

#خبر
بک اند فریمورک یادگیری عمیق Apache MXNet که توسط آمازون پشتیبانی می شود برای کراس منتشر شد.
https://aws.amazon.com/cn/blogs/machine-learning/apache-mxnet-incubating-adds-support-for-keras-2/

مرکز تحقیقات هوش پارت:

https://t.me/hamimsoft
http://ble.im/hamimsoft
sapp.ir/hamimsoft

#منابع_آموزشی #خبرنامه
توصیه می کنیم که عضویت در خبرنامه هفتگی سایت ruder.io که در آن آقای Ruder (یکی از محققین مطرح حوزه یادگیری عمیق و پردازش زبان طبیعی) جدیدترین اخبار، آموزش ها و مطالب مرتبط با یادگیری عمیق و هوش مصنوعی را جمع آوری می کند را از دست ندهید.

http://newsletter.ruder.io/

مرکز تحقیقات هوش پارت:

http://t.me/hamimsoft
http://ble.im/hamimsoft
sapp.ir/hamimsoft

#خبر
نسخه 2.2 کتابخانه کراس منتشر شد.
https://github.com/keras-team/keras/releases/tag/2.2.0

پیشبینی سری های زمانی به وسیله کتابخانه پیشگوی فیسبوک (Prophet)

yon.ir/9rFvB

مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

هر چند که کماکان #تنسورفلو به عنوان محبوب ترین فریمورک یادگیری عمیق برای استفاده در محیط های عملی محسوب می شود؛ اما فریمورک پایتورچ هم با روند قابل توجهی در حال تبدیل شدن به یکی از ابزارهای محبوب یادگیری عمیق برای کاربرد های غیر تحقیقاتی است. به طور مثال، کارخانه تویوتا برای توسعه فناوری اتومبیل های خودران خود در سطح عملی و در مقیاس جهانی از مدل های یادگیری عمیقی که با استفاده از فریمورک #پایتورچ بر روی سرویس های ابری EC2 P3 آمازون آموزش داده شده اند، استفاده می کند.

https://amzn.to/2ywjG99
مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

http://vrgl.ir/bUAN1

در این پست قسمت دوم اتوانکدر ها آموزش داده شده است.

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

راه های ارتباطی مرکز تحقیقات هوش مصنوعی و یادگیری ماشین پارت

سایت hamimsoft.com

ایمیل info@hamimsoft.com

پیام رسان بله ble.im/partdpai

پیام رسان تلگرام t.me/partdpai

پیام رسان سروش sapp.IR/partdpai

آپارات aparat.com/partdpai

ویرگول virgool.io/@partdpai

هر روز حجم وحشتناک زیادی از مقالات مرتبط با حوزه های مختلف هوش مصنوعی و یادگیری ماشین منتشر می شود و همین مسئله باعث شده که همراهی با جریان علمی خیلی سخت باشد. برای همین اگر یک مدت خیلی کوتاه هم پیگیر تحقیقات علمی نباشید و به روزترین مقالات یک حوزه را نخوانید ممکن است از آخرین روندهای و دستاوردهای این حوزه عقب بمانید. خوشبختانه اخیرا یک سایت به آدرس www.shortscience.org برای حل این مشکل ساخته شده که به نوعی یک سایت معادل سایت stackoverflow برای محققین و پژوهشگران هست و در آن می توانید آخرین مقالات و دستاوردهای عمدتا مربوط به یادگیری ماشین را که توسط اعضای سایت خلاصه شده بخوانید و بر روی آن با بقیه بحث کنید. به علاوه می توانید خلاصه مقالاتی که خواندید را هم روی این سایت قرار بدهید که خودش یک نوع تمرین برای درک و نوشتن مطالب علمی و تحقیقاتی است.

مرکز تحقیقات هوش پارت


https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

http://vrgl.ir/evHDP

آشنایی اولیه با یادگیری افزایشی

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

#دیتاست #کد
اسکریپتی برای دانلود بیش از 200 هزار جک کوتاه انگلیسی:

https://github.com/amoudgl/short-jokes-dataset

یک کاربرد بامزه این دیتاست این هست که با استفاده از آن و شبکه های RNN می توانید یک هوش مصنوعی بسازید که خودش برای شما جک بگوید :)
مرکز تحقیقات هوش پارت


https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

برای تنظیم و بهینه سازی خودکار ابرپارامترهای شبکه های یادگیری که با کتابخانه کراس در پایتون می سازیم می توانیم از کتابخانه hyperas استفاده کنیم. در اصل کتابخانه hyperas یک رابط برای کتابخانه معروف تنظیم ابرپارامتر hyperopt هست که با استفاده از روش های بیزی و جستجوی تصادفی ابرپارامترهای بهینه عموم مدل های یادگیری ماشین را برای ما پیدا می کند.

آدرس گیت هاب کتابخانه hyperas
https://github.com/maxpumperla/hyperas

مستندات کتابخانه hyperas
http://maxpumperla.com/hyperas/


مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

#مقاله #مقاله_خوانی

احتمالا این خبر را شنیدید که در یکی از مقالات ارائه شده در کنفرانس CVPR 2018 محققین کمپانی NVIDIA با استفاده از یادگیری عمیق موفق شده اند ویدئوهای عادی ( که به طور مثال با تلفن های همراه ضبط شده اند و دقتی در حدود 30 فریم بر ثانیه دارند) را به ویدئوهای اسلوموشن (ویدئوهایی با دقت 240 فریم بر ثانیه) تبدیل کنند. به صورت ساده اگر بخواهیم توضیح دهیم، ایده پشت این مقاله این است که هر ویدئو 30 فریم بر ثانیه ای که با سرعت معمولی ضبط شده در حقیقت یک ویدئو 240 فریم بر ثانیه ای است که 210 فریم باقیمانده آن در هر ثانیه به نوعی از بین رفته اند و ما می خواهیم با استفاده از یادگیری عمیق و بر اساس این 30 فریم، 210 فریم باقیمانده در هر ثانیه را پیشبینی کنیم. برای این کار در این پژوهش، محققین از 11 هزار ویدئو با دقت 240 فریم بر ثانیه به عنوان مجموعه آموزشی استفاده کرده اند که از این میان 30 فریم از 240 فریم ثبت شده در هر ویدئو به عنوان ورودی به یک شبکه کانولوشنال داده شده است تا با آموزش این شبکه بقیه 210 فریم باقیمانده پیشبینی شوند. بنابراین به عبارتی دیگر اگر یک ویدئو که 30 فریم بر ثانیه دارد را به این شبکه بدهیم، در هر ثانیه 210 فریم دیگر به عنوان خروجی به ما داده می شود که با استفاده از آن ها می توانیم یک ویدئو اسلوموشن 240 فریم بر ثانیه ای بسازیم.
در نهایت لازم است که ذکر کنیم تمامی روش ذکر شده در این مقاله با استفاده از فریمورک #پایتورچ پیاده سازی شده است.

لینک مقاله مربوط به این پژوهش
https://arxiv.org/abs/1712.00080
دموی مربوط به این پژوهش:
https://youtu.be/MjViy6kyiqs

مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

#کتابخانه یادگیری عمیق DLTK که مخصوص کار با تصاویر پزشکی است و توسط محققین دانشگاه امپریال کالج لندن توسعه داده شده به صورت متن باز در اختیار عموم قرار گرفت. این کتابخانه یک کتابخانه سطح بالاست که با استفاده از #تنسورفلو نوشته شده است.

آدرس گیت هاب کتابخانه DLTK
https://github.com/DLTK/DLTK
معرفی این کتابخانه:
https://medium.com/tensorflow/an-introduction-to-biomedical-image-analysis-with-tensorflow-and-dltk-2c25304e7c13?linkId=53830032

مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

#آموزش شبکه LeNet 5 توسط مهندس سید حسن حسین‌پور
منتطر دوره تابستانه ما باشید.

https://www.aparat.com/v/MeAdf

مرکز تحقیقات هوش پارت

https://ble.im/partdpai
https://t.me/partdpai
sapp.IR/partdpai
virgool.io/@partdpai

#کتابخانه #کراس
پایتون و R هر دو از زبان های اصلی برای علم داده ها (Data Science) هستند. با این حال پایتون به خاطر وجود کتابخانه های قدرتمندی مثل #تنسورفلو، #پایتورچ و #کراس با اختلاف بالایی در زمینه یادگیری عمیق و شبکه های عصبی از زبان R جلوتر است.
خوشبختانه جمعی از توسعه دهندگان R برای کم کردن شکاف بین R و پایتون، کتابخانه کراس برای R را توسعه داده اند تا کاربران R هم بتوانند الگوریتم های یادگیری عمیق را به سادگی پیاده سازی کنند.

https://keras.rstudio.com/

به علاوه خبر خوب دیگر برای کاربران R این است که آقای Chollet سازنده کتابخانه اصلی کراس برای پایتون با همکاری یکی از توسعه دهندگان کتابخانه کراس در R کتابی برای آموزش این کتابخانه نوشته اند که دقیقا دارای سرفصل های مشابه با کتاب آموزشی معروف این کتابخانه برای پایتون است که در پست بعدی می توانید آن را دانلود کنید.

مرکز تحقیقات هوش پارت
https://t.me/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
virgool.io/@partdpai