برای توضیح نحوه عملکرد CNN هم مي‌تونید ازین مقاله استفاده کنید

Grad-CAM stands for Gradient-weighted Class Activation Mapping
Grad-CAM attempts to solve interpreting problem by giving us a graphical visualisation of parts of an image that are the most relevant for the CNN when predicting a particular class


https://arxiv.org/abs/1610.02391

قبلاً راجب
GPUDirect RDMA (Remote Direct Memory Address)
صحبت کردم (خیلی خیلی قبلتر) و اینکه چقدر مهمه برای شبکه کردن GPU ها
چون دسترسی مستقیم و کنترل کارت شبکه رو به GPU می‌ده و سربار انتقال و کنترل CPU رو از روی workerها بر میداره (در نهایت سرعت بالاتر میده)

حالا به لطف پیشرفت‌ها
GPUDirect Storage(Direct Path Between Storage and GPU Memory)
(تصویر فوق)
رو داریم که لود کردن داده رو تا بیش از 10 برابر سریعتر و بیشتر می‌کنه، اگر حجم دیتا خیلی زیاد هست پیشنهاد می‌کنم با این دو تکنولوژی کار کنید.

چرا بهتره از df.itertuple بجای df.iterrows استفاده کنیم !؟

نکته: استفاده از enumerate بهمراه itertuples تغییری روی سرعت اجرا نخواهد داشت

Link Paper

This paper optimize number of filter in each conv layer DURING TRAINING

FakeCovid
دیتاست جدیدی راجب COVID-19 البته این دیتاست بصورت متن هست ( اخبار پیرامون کوید-۱۹) که درستی اونها چک شده

5182 اخبار به 40 زبان مختلف (اکثریت انگلیسی)

GitHub Link

#خارج_از_بحث

واردات گوشی‌های بالای ۳۰۰ یورو ممنوع، پرچمدار و میان رده خداحافظ (حتی بصورت مسافری)

استفاده از اهرم رجیستری، بعد میگن به اینترنت ملی خوش بین باشیم

تکمیلی
(این ممنوعیت بعد از بالا رفتن شدید قیمت تلفن همراه، لغو شد
حالا باید دید آیا قیمت‌ها هم به قبل باز خواهد گشت؟ )

Scipy 2020 Machine Learning Playlist


YouTube Link

#Keras #Deep_Learning_Cookbook

و دیگر هیچ :/

Can AI solve IQ tests !?

Paper Link

In this work, we focus on an analogical reasoning task that contains rich compositional structures, Raven's Progressive Matrices (RPM). To discover compositional structures of the data, we propose the Scattering Compositional Learner (SCL), an architecture that composes neural networks in a sequence. Our SCL achieves state-of-the-art performance on two RPM datasets, with a 48.7% relative improvement on Balanced-RAVEN and 26.4% on PGM over the previous state-of-the-art. We additionally show that our model discovers compositional representations of objects' attributes (e.g., shape color, size), and their relationships (e.g., progression, union). We also find that the compositional representation makes the SCL significantly more robust to test-time domain shifts and greatly improves zero-shot generalization to previously unseen analogies.

مفهوم
CNN

شمارو نمیدونم ولی شخصاً شدیداً به همچین ابزاری نیاز داشتم
ایجاد pipeline اونم گرافیکی و داخل ژوپیتر
عالیه

GitHub Link

مهمترین بخش و کار یک و البته توانایی
Data Scientist
توضیح و انتقال ساده دانش استخراج شده از داده هست

همین مسئله اهمیت ابزارهایی مثل matplotlib, seaborn , ... رو مهم می‌کنه
PyDeck Link
یکی ازین ابزارهای بسیار مهم هست

#Gans_In_Action #Gan #keras