کتاب یادگیری عمیق با R - آموزش کتابخانه Keras در R

#آموزش Network in Network توسط مهندس سید حسین حسن‌پور
منتظر دوره تابستانه ما باشید.

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

مرکز تحقیقات هوش پارت

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

#آموزش Vgg Net توسط مهندس سید حسین حسن‌پور.
منتظر دوره تابستانه ما باشید.

https://www.aparat.com/v/4PgN1

مرکز تحقیقات هوش پارت

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

همانطور که قبلا گفتیم معتبرترین کنفرانس بینایی ماشین جهان کنفرانس CVPR است که هر ساله هزاران مقاله توسط پژوهشگران مطرح سرتاسر دنیا از دانشگاه ها و شرکت های معتبری مثل گوگل، فیسبوک و ... برای ارائه به این کنفرانس ارسال می شود. با این وجود با توجه به کیفیت بالای این کنفرانس باید این نکته را ذکر کرد که تنها نسبت کمی از مقالات ارسال برای ارائه در کنفرانس CVPR پذیرفته می شوند ( به طور مثال نرخ پذیرش مقالات ارسالی در CVPR 2018 در حدود 29 درصد بوده است و به صورت معمول حتی برخی از مقالات ارسال شده توسط پژوهشگران شرکت هایی مثل گوگل و ... در این کنفرانس پذیرفته نمی شوند.)
یک خبر مهم این است که مقاله نوشته شده توسط جناب دکتر سبکرو (پژوهشگاه دانش های بنیادی) ، مهندس خالویی (دانشجوی دکتری دانشگاه صنعتی امیرکبیر)، پروفسور فتحی (پژوهشگاه دانش های بنیادی) و دکتر عادلی (دانشگاه علم و صنعت-استنفورد) با عنوان (Adversarially Learned One-Class Classifier for Novelty Detection) تنها مقاله ارسال شده از طرف دانشگاه ها و موسسات آموزشی ایرانی بوده که در کنفرانس CVPR 2018 پذیرفته شده است.

ما هم به نوبه خود این دستاورد ارزشمند را به این پژوهشگران ارزنده کشورمان تبریک می گوییم و برای آن ها هم در عرصه های علمی و هم در عرصه های غیرعلمی آرزوی موفقیت می کنیم.

لینک مقاله دکتر سبکرو و همکاران در CVPR 2018:
http://openaccess.thecvf.com/content_cvpr_2018/papers/Sabokrou_Adversarially_Learned_One-Class_CVPR_2018_paper.pdf

لازم به ذکر است که هم جناب دکتر سبکرو و هم جناب مهندس خالویی در دوره پائیزه یادگیری عمیق مرکز تحقیقات هوش پارت ارائه داشتند که می توانید ارائه این بزرگواران را در کانال آپارات ما مشاهده کنید:

ارائه دکتر سبکرو در دوره پائیزه یادگیری عمیق مرکز تحقیقات هوش پارت

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

یادگیری بدون نظارت بوسیله شبکه های عصبی

https://www.aparat.com/v/qP5Hm

ارائه مهندس خالویی در دوره پائیزه یادگیری عمیق مرکز تحقیقات هوش پارت

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 1

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

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 2

https://www.aparat.com/v/q1L9V

مرکز تحقیقات هوش پارت

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

#دوره_آموزشی
شرکت بلومبرگ هم به جمع شرکت های بزرگ دیگری که دوره های آنلاین و رایگان برگزار می کنند پیوسته و همین چند روز پیش از دوره یادگیری ماشین پیشرفته رایگان خودش رونمایی کرد.
همانطور که گفتیم خیلی از مباحث مطرح شد در این دوره پیشرفته است و مباحثی مثل GAUSSIAN MIXTURE MODELS و BAYESIAN CONDITIONAL PROBABILITY MODELS که در خیلی از دوره های آنلاین یادگیری ماشین آموزش داده نمی شوند در این دوره آموزش داده می شوند. برای همین برای گذراندن این دوره نیاز به پیش زمینه ای نسبتا قوی در ریاضیات دارید. البته پیاده سازی الگوریتم ها در این دوره اغلب به وسیله کتابخانه scikit-learn #پایتون صورت می پذیرد.

سرفصل، ویدئوها، اسلایدها، کدها و تکالیف این دوره را می توانید در آدرس زیر ببینید:
https://bloomberg.github.io/foml

مرکز تحقیقات هوش پارت

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

#dataviz
#DataScience
یک بصری سازی تعاملی بسیار زیبا در خصوص تمامی بازیکنان حاضر در جام جهانی
http://fingfx.thomsonreuters.com/gfx/rngs/SOCCER-WORLDCUP/010070SF1P4/index.html

مرکز تحقیقات هوش پارت

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

اکوسیستم کتابخانه های بصری سازی (Visualization) در پایتون
منبع : yon.ir/dlJjv

مرکز تحقیقات هوش پارت
@partdpai

#دیتاست
موسسه NIH یک دیتاست عظیم موسوم به DeepLesion که دارای 32 هزار تصویر CT از 4400 بیمار و شامل انواع مختلفی از ضایعه ها و محل دقیق آن در تصویر است را برای استفاده محققین یادگیری ماشین و یادگیری عمیق به صورت عمومی منتشر کرده است.
برخلاف دیتاست هایی که قبل از این در این زمینه منتشر شده اند، ویژگی خاص این دیتاست تنوع بالای مشاهدات مربوط به انواع ضایعه ها مثل تومورها، غدد لنفاوی و ... است.
این دیتاست و متاداده مربوط به آن در این آدرس قابل دسترسی هستند:
https://nihcc.app.box.com/v/DeepLesion

مرکز تحقیقات هوش پارت

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

#آموزش
اگر هنوز از #متلب برای پیاده سازی الگوریتم های یادگیری عمیق استفاده می کنید در آدرس زیر می توانید از 21 مثال پیاده سازی شده الگوریتم های مختلف یادگیری عمیق با متلب برای کاربردهای متفاوت استفاده کنید.
yon.ir/6esxz


مرکز تحقیقات هوش پارت

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

مرکز تحقیقات هوش مصنوعی پارت برگزار می کند:
«دوره تابستانه یادگیری عمیق»

مشاهده سرفصل ها، ارائه دهندگان و ثبت نام در :

https://evand.com/events/part-dlss

@partdpai

مرکز تحقیقات هوش پارت برگزار می کند:

* دوره تابستانه مقدماتی یادگیری عمیق ( 24 تا 26 مرداد)
- مقدمه ای بر یادگیری عمیق و شبکه‌های عصبی
- شبکه های عصبی کانولوشنال و بینایی ماشین
- مدل های زبانی و تعبیه سازی کلمات
- مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی
- پردازش های سریع و کاربردهای پردازش موازی در یادگیری عمیق
- یادگیری عمیق بدون نظارت و خودرمزنگارها (Autoencoder)
- یادگیری عمیق برای داده های ساختاریافته (جدولی) و سیستم های پیشنهاددهنده
- آموزش کتابخانه یادگیری عمیق کراس
- آموزش کتابخانه یادگیری عمیق Fastai


* دوره پیشرفته یادگیری عمیق( 8 و 9 شهریور)
- تنسورفلو مقدماتی و پیشرفته
- پایتورچ مقدماتی و پیشرفته
- شبکه های مولد تخاصمی (GAN)
one-shot learning: Face Verification & Recognition -

* آخر هفته یادگیری تقویتی(نیمه دوم شهریور)

* آخر هفته صوت و تشخیص گفتار (نیمه دوم شهریور)

* آخر هفته بینایی ماشین (نیمه دوم شهریور)

* آخر هفته پردازش زبان طبیعی (نیمه اول مهرماه)



مشاهده سرفصل ها، ارائه دهندگان و ثبت نام در :

https://evand.com/events/part-dlss


https://t.me/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

هم اکنون می توانید کل ویدئو های دوره یادگیری عمیق مرکز تحقیقات هوش پارت که در پائیز 1396 برگزار شد را در کانال آپارات ما ببینید:

آشنایی با شبکه های عصبی عمیق و تاریخچه آن ها-دکتر سبکرو

یادگیری بدون نظارت بوسیله شبکه های عصبی - دکتر سبکرو

دسته بندی ویدئو با کمک شبکه های عمیق- دکتر علی دیبا

تشخیص رفتار (Action Recognition) - دکتر حسین موسوی

آموزش تنسورفلو(1/2) - دکتر علی مرادی

آموزش تنسورفلو (2/2) - دکتر علی مرادی

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 1-مهندس خالویی

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 2-مهندس خالویی

بررسی معماری های معروف کانولوشنال(1/2) - مهندس حسن پور

بررسی معماری های معروف کانولوشنال(2/2) - مهندس حسن پور

آموزش پایتورچ (1/2)-مسعود پوررضا

آموزش پایتورچ (2/2)-مسعود پوررضا



اسلاید ها و نوتبوک های مورد استفاده قرار گرفته در این دوره هم در آدرس گیت هاب ما قرار داده شده اند.

https://github.com/partdpai/Part-2017-Deep-Learning-School

بررسی معماری های معروف کانولوشنال(1/2) - مهندس حسن پور

به علاوه هم اکنون می توانید در آدرس زیر در دوره تابستانه مقدماتی (24 تا 26 مرداد) و دوره تابستانه پیشرفته ( 8 و 9 شهریور) یادگیری مرکز تحقیقات هوش پارت ثبت نام کنید:
evand.com/events/part-dlss

مرکز تحقیقات هوش پارت

https://t.me/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

مقایسه بین فریمورک های مختلف یادگیری عمیق و درصد استفاده از آن ها در مقالات منتشرشده در وبسایت arXiv

@partdpai

طبق نمودار بالا استفاده از فریم ورک های #تنسرفلو، #پایتورچ و #کراس در مقالات یادگیری ماشین منتشر شده در سایت arXiv در طول 4 سال گذشته روند صعودی داشته ولی بقیه فری مورک ها مثل Caffe روند نزولی را تجربه کرده اند.
در دوره تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت ما نحوه کار با هر 3 فریم ورک تنسورفلو، پایتورچ و کراس را آموزش می دهیم. البته در بین این 3 فریم ورک محبوب، کراس یک فریم ورک سطح بالاست و تنسرفلو و پایتورچ هم فریم ورک های سطح پائین هستند و برای همین در دوره مقدماتی ما بر روی فریم ورک کراس ( و fastai# که یک فریمورک سطح بالای دیگر است) و در دوره پیشرفته با فریم ورک های پایتورچ و تنسرفلو تمرکز خواهیم داشت.
لینک ثبت نام در دوره تابستانه ( به همراه تخفیف گروهی برای ثبت نام) :
https://evand.com/events/part-dlss

مرکز تحقیقات هوش پارت

https://t.me/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

بررسی #مقاله
محققین شرکت چینی Tencent در مقاله خود با معرفی یک روش جدید توانستند که مدل های Resnet-50 و AlexNet را بر روی دیتاست ImageNet و با به دست آوردن صحت قابل قبولی به ترتیب در مدت زمان کمتر از 7 و 4 دقیقه آموزش دهند، دستاوردی که تا چند سال پیش شاید غیر ممکن به نظر می رسید.
حالا سوال پیش می آید که با توجه به افزایش توانایی پردازش و موازی سازی چرا این مسئله چالش بزرگی است. جواب این سوال این است که تا پیش از این به دو دلیل آموزش دادن سریع یک مدل بر روی مجموعه عظیمی مثل دیتاست ImageNet و به دست آوردن صحت قابل قبول کار دشواری بود. دلیل اول این بود که برای آموزش سریع باید از دسته های (mini-batch) خیلی بزرگ مثل دسته های 64 هزارتایی استفاده می کردیم که این مسئله باعث می شود قابلیت تعمیم پذیری مدل کمتر شود و در نتیجه صحت به دست آمده بر روی مجموعه تست پائین بیاید.
دلیل دوم هم این بود که برای آموزش سریع نیاز به کلاستری از پردازنده ها و GPU ها داریم که پردازش ها بر روی آن ها به صورت موازی توزیع و انجام شود و در نهایت خروجی آموزش آن نیز تجمیع گردد. ولی در این جا چالش این است که به طور خاص برای مدل هایی مثل مدل AlexNet که نرخ ارتباطات به محاسبات (communication to computation ratio) آن ها بالا است، توزیع پردازش ها و داده ها و در نهایت تجمیع آن ها ممکن است خود تبدیل به گلوگاه شود و زمان بیشتری ببرد.

متن کامل این مقاله را اینجا می توانید بخوانید:
https://arxiv.org/abs/1807.11205


مرکز تحقیقات هوش پارت

https://t.me/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

مرکز تحقیقات هوش پارت برگزار می کند:
دوره تابستانه مقدماتی(24 تا 26 مرداد) و پیشرفته(8 و 9 شهریور) یادگیری عمیق: بینایی ماشین، NLP، GAN، کراس، پایتورچ، تنسرفلو و fastai
ثبت نام:
yon.ir/RnotG
@partdpai

یک اینفوگرافی از 10 الگوریتم برتر GAN، یکی از جذاب ترین کاربردهای یادگیری عمیق
در دوره پیشرفته یادگیری عمیق مفصلا در خصوص GANها، نحوه آموزش و کاربرد آنها صحبت می کنیم.
ثبت نام:
yon.ir/RnotG
@partdpai

دوره تابستانه مقدماتی (24 تا 26 مرداد) و پیشرفته (8 و 9 شهریور) یادگیری عمیق
مهلت ثبت نام: تا پایان جمعه 19 مرداد

yon.ir/RnotG

امروز آخرین مهلت ثبت نام در دوره تابستانه یادگیری عمیق است.