Forwarded from جادی، کیبورد آزاد - Jadi (Jadi)
وقتی هکرهای ناشناس دوباره ظاهر می شوند؛ انانیموس در حمایت از تظاهرات ضد نژاد پرستی
https://jadi.net/2020/06/anonymous-for-blacklivesmatter/
هکرهای انانیموس تاریخچه درخشانی دارن، البته تا زمانی همکاریهای سابو از گروه لالزسک که از افراد مرتبط با انانیموس هم بود با دولت فاش شد و ۵ هکر دیگه ... اما حالا یه ویدئو...
کانال @jadinet
https://jadi.net/2020/06/anonymous-for-blacklivesmatter/
هکرهای انانیموس تاریخچه درخشانی دارن، البته تا زمانی همکاریهای سابو از گروه لالزسک که از افراد مرتبط با انانیموس هم بود با دولت فاش شد و ۵ هکر دیگه ... اما حالا یه ویدئو...
کانال @jadinet
جادی دات نت | کیبرد آزاد
وقتی هکرهای ناشناس دوباره ظاهر می شوند؛ انانیموس در حمایت از تظاهرات ضد نژاد پرستی
هکرهای انانیموس تاریخچه درخشانی دارن، البته تا زمانی همکاریهای سابو از گروه لالزسک که از افراد مرتبط با انانیموس هم بود با دولت فاش شد و ۵ هکر دیگه دستگیر شدن و فعالیت های گروه کمتر شد. در این مدت هم اصولا گروه بی سر و صدا بود. اما حالا یه ویدئوی جدید توی…
Andriy Burkov, ML at Gartner, author of The Hundred-Page Machine Learning book:
People dealing with machine learning models are frequently confusing accuracy, precision, and recall.
Accuracy is the ratio of correct predictions in all examples used for testing. So, you tested your model on 100 examples (some of them are positives, some are negatives, the ratio doesn't matter). The model correctly predicted the label of 97 examples of those 100, so your accuracy is 97/100 = 0.97.
Precision is a measure of accuracy on the labels of interest only. Often, the labels of interest are positive labels (i.e., spam), but it depends on the application. So, you tested your model on 100 examples. The model predicted as spam 80 of them, but only 60 of those 80 were correct predictions, so your precision is 60/80 = 0.75.
Recall is a measure of how many examples of interest your model has identified as such. Let's say you have 100 examples, you know that 70 of them are spam. Your model only predicted as spam 60 of those 70. So your recall is 60/70 = 0.86.
Accuracy and precision are easy to confuse, but they represent totally different quantities, so be careful when you use these terms in conversations and reports.
Precision and recall usually have a relationship of being mutually exclusive. When you try to increase precision, you decrease recall and vice versa.
#machinelearning #artificialintelligence
@pythonicAi
People dealing with machine learning models are frequently confusing accuracy, precision, and recall.
Accuracy is the ratio of correct predictions in all examples used for testing. So, you tested your model on 100 examples (some of them are positives, some are negatives, the ratio doesn't matter). The model correctly predicted the label of 97 examples of those 100, so your accuracy is 97/100 = 0.97.
Precision is a measure of accuracy on the labels of interest only. Often, the labels of interest are positive labels (i.e., spam), but it depends on the application. So, you tested your model on 100 examples. The model predicted as spam 80 of them, but only 60 of those 80 were correct predictions, so your precision is 60/80 = 0.75.
Recall is a measure of how many examples of interest your model has identified as such. Let's say you have 100 examples, you know that 70 of them are spam. Your model only predicted as spam 60 of those 70. So your recall is 60/70 = 0.86.
Accuracy and precision are easy to confuse, but they represent totally different quantities, so be careful when you use these terms in conversations and reports.
Precision and recall usually have a relationship of being mutually exclusive. When you try to increase precision, you decrease recall and vice versa.
#machinelearning #artificialintelligence
@pythonicAi
ویدئو های کورس Deep Learning مشترک بین DeepMind و دانشگاه UCL:
https://www.youtube.com/playlist?list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF
#deeplearning #artificialintelligence
@pythonicAi
https://www.youtube.com/playlist?list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF
#deeplearning #artificialintelligence
@pythonicAi
YouTube
DeepMind x UCL | Deep Learning Lecture Series 2020
The Deep Learning Lecture Series is a collaboration between DeepMind and the UCL Centre for Artificial Intelligence. Over the past decade, Deep Learning has ...
Forwarded from DLeX: AI Python (Farzad 🦅)
مصاحبه با دکتر الهیاری از دانشگاه جورجیا و دکتر رضوی از دانشگاه تبریز در تاریخ شنبه 17 خرداد ساعت 21 به وقت ایران در این پیج اینستاگرام به گفتگو خواهند پرداخت . 👇👇
🔥 https://instagram.com/ai_python_podcast
🔥 https://instagram.com/ai_python_podcast
هدف این کانال اشتراک گذاری رویدادهای مهم #هوش_مصنوعی داخلی و بین المللی است.
https://t.me/eventai
@eventai
#کنفرانس #رویداد #همایش
https://t.me/eventai
@eventai
#کنفرانس #رویداد #همایش
Telegram
رویدادهای هوش مصنوعی
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورکشاپ، کلاس و ... تشکیل شده است.
مدیریت
@eventai_admin
مدیریت
@eventai_admin
Forwarded from Tensorflow(@CVision) (Alireza Akhavan)
#کورس #آموزش #منبع #رایگان
فیلمهای دوره ی جدید جبر خطی دانشگاه MIT رایگان در دسترس است
Intro: A New Way to Start Linear Algebra
مدرس: Gilbert Strang
صفحه این کورس:
https://ocw.mit.edu/resources/res-18-010-a-2020-vision-of-linear-algebra-spring-2020/
ویدیوها در یوتیوب:
https://www.youtube.com/watch?v=YrHlHbtiSM0&list=PLUl4u3cNGP61iQEFiWLE21EJCxwmWvvek
فیلمهای دوره ی جدید جبر خطی دانشگاه MIT رایگان در دسترس است
Intro: A New Way to Start Linear Algebra
مدرس: Gilbert Strang
صفحه این کورس:
https://ocw.mit.edu/resources/res-18-010-a-2020-vision-of-linear-algebra-spring-2020/
ویدیوها در یوتیوب:
https://www.youtube.com/watch?v=YrHlHbtiSM0&list=PLUl4u3cNGP61iQEFiWLE21EJCxwmWvvek
Meme Text Generation with a Deep Convolutional Network in Keras & Tensorflow
Link
#deeplearning #artificialintelligence
@pythonicAi
Link
#deeplearning #artificialintelligence
@pythonicAi
Medium
Meme Text Generation with a Deep Convolutional Network in Keras & Tensorflow
The goal of this post is to describe end-to-end how to build a deep conv net for text generation, but in greater depth than some of the…
YOLO5 is here!
https://blog.roboflow.ai/yolov5-is-here
#deeplearning #artificialintelligence
@pythonicAi
https://blog.roboflow.ai/yolov5-is-here
#deeplearning #artificialintelligence
@pythonicAi
Roboflow Blog
YOLOv5 is Here: State-of-the-Art Object Detection at 140 FPS
Less than 50 days after the release YOLOv4, YOLOv5 improves accessibility for realtime object detection.
June 29, YOLOv5 has released the first official version of the repository. We wrote a new deep dive on YOLOv5.
June 12, 8:08 AM CDT Update: In response…
June 29, YOLOv5 has released the first official version of the repository. We wrote a new deep dive on YOLOv5.
June 12, 8:08 AM CDT Update: In response…
This media is not supported in your browser
VIEW IN TELEGRAM
17 June
دوره تخصصی پردازش زبان طبیعی deeplearning.ai روی پلتفرم coursera منتشر میشه. به محض فراهم شدن شرایط این دوره ها در کانال قرار میگیره.
#deeplearning #artificialintelligence
@pythonicAi
دوره تخصصی پردازش زبان طبیعی deeplearning.ai روی پلتفرم coursera منتشر میشه. به محض فراهم شدن شرایط این دوره ها در کانال قرار میگیره.
#deeplearning #artificialintelligence
@pythonicAi
Forwarded from DLeX: AI Python (Farzad 🦅)
یک شنبه ۲۵ خرداد با پژوهشگر ارشد شرکت هواووی و استاد دانشگاه پلی تکنیک مونترال دکتر وحید پرتوی نیا در مورد
🔰 آمار و هوش مصنوعی: ارتباط دانشگاه و صنعت
به گفتگو خواهیم پرداخت لطفا سوالات خودتان را به این ایدی بفرستید.
❇️ @farzadhassan
این گفتگو در ادرس زیر در دسترس خواهد بود.
https://instagram.com/ai_python_podcast
🔰 آمار و هوش مصنوعی: ارتباط دانشگاه و صنعت
به گفتگو خواهیم پرداخت لطفا سوالات خودتان را به این ایدی بفرستید.
❇️ @farzadhassan
این گفتگو در ادرس زیر در دسترس خواهد بود.
https://instagram.com/ai_python_podcast
آهنگ خوب، آرامش ازدسترفتهت رو برمیگردونه ☕️
پلیلیستی برای کار، ریلکس و تمرکز کردن 🌀
👌 @Only_Calm 👌
👌 @Only_Calm 👌
👌 @Only_Calm 👌
پلیلیستی برای کار، ریلکس و تمرکز کردن 🌀
👌 @Only_Calm 👌
👌 @Only_Calm 👌
👌 @Only_Calm 👌
Pythonic AI
@pythonicAi
یکی از مسائل علمی داغ و پرچالش دنیا این است که یادگیری ماشین روی دستگاههای مختلف (موبایل، مچبند هوشمند، دستگاههای پزشکی) انجام شود. به این ترتیب، پروتزی که در بدن یک فرد گذاشته میشود هوشمند خواهد بود.
یکی از چالشها، نیاز به پردازنده قوی و حافظه بالا است. میتوان دادهها را به یک سرور قوی منتقل کرد، اما این کار مشکلاتی مانند نقض حریم شخصی و عدم تضمین ارتباط با شبکه دارد.
پژوهش برای یادگیری روی خود دستگاهها شروع شده، اما این کارها خاصمنظوره هستند و دقت آنها هم عموما بالا نیست. به همین دلیل آقای کشاورز الگوریتمی برای یادگیری روی خود دستگاه ساخته، و نامش را «صفر» گذاشته که به دلیل زمان اجرا و انرژی مصرفیاش بود.
هدف این بوده که الگوریتم را روی میکروکنترلر Arduino Uno اجرا کنند که پردازنده 20 مگاهرتزی و رم 2 کیلوبایتی دارد و قیمتش در حال حاضر 79 هزار تومان است. این الگوریتم باید بسیار بسیار ساده میبوده و این چالش اصلی بوده.
در ویدیو، چراغی یک ثانیه روشن است و 1.2 ثانیه خاموش. آن 0.2 ثانیه زمانی است که صرف یادگیری ماشین روی دادههای با اندازه معقول میشود.
کاربردهای این الگوریتم شامل پزشکی تا خانههای هوشمند و دستگاههای صنعتی میشود. این اولین الگوریتم عاممنظوره جدیدی است که برای یادگیری روی دستگاهها ساخته شده است.
صفر یک الگوریتم Classification با زمان اجرا و انرژی مصرفی بسیار پایین است.
لینک مقاله:
https://arxiv.org/abs/2006.04620
آدرس لینکدین آقای کشاورز:
https://www.linkedin.com/in/hamidreza-keshavarz-54aa532a
#machinelearning #artificialintelligence #paper
@pythonicAi
یکی از چالشها، نیاز به پردازنده قوی و حافظه بالا است. میتوان دادهها را به یک سرور قوی منتقل کرد، اما این کار مشکلاتی مانند نقض حریم شخصی و عدم تضمین ارتباط با شبکه دارد.
پژوهش برای یادگیری روی خود دستگاهها شروع شده، اما این کارها خاصمنظوره هستند و دقت آنها هم عموما بالا نیست. به همین دلیل آقای کشاورز الگوریتمی برای یادگیری روی خود دستگاه ساخته، و نامش را «صفر» گذاشته که به دلیل زمان اجرا و انرژی مصرفیاش بود.
هدف این بوده که الگوریتم را روی میکروکنترلر Arduino Uno اجرا کنند که پردازنده 20 مگاهرتزی و رم 2 کیلوبایتی دارد و قیمتش در حال حاضر 79 هزار تومان است. این الگوریتم باید بسیار بسیار ساده میبوده و این چالش اصلی بوده.
در ویدیو، چراغی یک ثانیه روشن است و 1.2 ثانیه خاموش. آن 0.2 ثانیه زمانی است که صرف یادگیری ماشین روی دادههای با اندازه معقول میشود.
کاربردهای این الگوریتم شامل پزشکی تا خانههای هوشمند و دستگاههای صنعتی میشود. این اولین الگوریتم عاممنظوره جدیدی است که برای یادگیری روی دستگاهها ساخته شده است.
صفر یک الگوریتم Classification با زمان اجرا و انرژی مصرفی بسیار پایین است.
لینک مقاله:
https://arxiv.org/abs/2006.04620
آدرس لینکدین آقای کشاورز:
https://www.linkedin.com/in/hamidreza-keshavarz-54aa532a
#machinelearning #artificialintelligence #paper
@pythonicAi