اگه علاقمند به مباحث هوش مصنوعی هستین بد نیس نگاهی به بلاگ گوگل ai بندازین :)

لینک

@pythonicAI

لیستی از بزرگترین دیتاها برای تحقیقات یادگیری ماشین

#دیتا #یادگیری_ماشین #منابع #آموزش #Dataset

🌎 Dataset list


❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

"چالش عکس ده ساله که به نظر می‌رسید جنبه فان داشته باشه یه پروژه بزرگ بود برای جمع آوری یه دیتابیس بزرگ هوش مصنوعی برای فیس بوک"

خبری که خیلی پخش شد و خیلیارو نگران کرد! در لینک زیر مقاله ای از مجله فوربز هست در این مورد که این شایعه رو تایید میکنه از زبان یکی از نویسندگان وایرد بنام oneill.

Oneill
معتقده فیسبوک برای این چالشو راه انداخته تا یه دیتابیس (با حجم ۵.۲ میلیون) از چهره افراد جمع کنه و با استفاده از اون بتونه پیشبینی کنه چهره افراد بعد از n سال چقدر تغییر میکنه و چه شکلی میشن.

به گفته پروفسور دانشگاه نیویورک، Amy Webb این چالش یه توفان فوق العاده برای یادگیری ماشین است!

در این حال فیسبوک اظهار میکنه که این چالش به خودی خود وایرال شده و مردم از عکسهای فیسبوکشون(که از قبل در دسترس فیسبوک بوده) برای این چالش استفاده میکنن. از طرفی کاربران فیسبوک میتونن در پروفایلون قابلیت face recognition رو غیرفعال کنن. اما این خاموش کردن به این معنی نیست که فیسبوک از دیتاهای از قبل ثبت شده شما استفاده نمیکنه. فیسبوک از این دیتا برای کارهایی مثل تگ زدن عکسها و عکسهایی که شما در اونها تگ شدین استفاده میکنه. پس حتی اگر شما این قابلیت رو خاموش کنین، چهره شما از این پلتفرم حذف نمیشه!

به گفته oneill، یکی از کاربردهای مفید دیتای بدست امده از این چالش میتونه یافتن کودکان گم شده یا تشخیص افراد ترنس که در طی زمان چهره شون تغییر کرده باشه!

لینک

#facebook #data #face #recognition #challenge

@pythonicAI

کتابخانه Augmentor
کتابخانه ای مستقل از فریم ورک و پلتفرم جهت اجرای augmentation روی تصاویر در یادگیری ماشین با زبان پایتون و جولیا

با کمک این کتابخانه میتوانید یک پایپ لاین از توابع augmentation مورد نظرتان تولید کرده و آنرا روی مجموعه تصاویر اعمال کنید.

از ویژگی های این کتابخانه میتوان به رویکرد احتمالاتی آن اشاره کرد. یعنی احتمال اعمال یک تابع روی دیتاست، توسط کاربر قابل تعریف میباشد.

از دیگر ویژگی های آن این است که، میتواند به تعداد دلخواه کاربر تصاویر خروجی بدهد.

نحوه نصب و کار با توابع این کتابخانه: لینک


@pythonicAI

مثالی از نحوه استفاده از این کتابخانه:

import Augmentor
p = Augmentor.Pipeline("/path/to/images")

p.rotate(probability=0.7, max_left_rotation=10, max_right_rotation=10)

p.zoom(probability=0.5, min_factor=1.1, max_factor=1.5)

p.sample(10000)

خط آخر ۱۰۰۰۰ تصویر augment شده را در محل تصاویر ذخیره میکند.

@pythonicAI

یادگیری عمیق بیزی(DEEP BAYESIAN LEARNING)

این روزها در خط اول دنیای هوش مصنوعی روش های یادگیری عمیق بیش از هر روش دیگری مورد توجه قرار دارند. این روش ها بر پایه ایجاد ساختار های نورونی چند لایه عمل میکنند.

اما به تدریج روش جدیدی در حال مطرح شدن
در دنیای هوش مصنوعی و یادگیری عمیق است که اساس آن بر استفاده از ساختار های بیزی در فرایند یادگیری عمیق است. نام این متد جدید DEEP BAYESIAN LEARNING است. افرادی مانند دکتر ژوبین قهرمانی دانشمند مطرح ایرانی حوزه هوش مصنوعی از نظریه پردازان این روش جدید هستند.

تعدادی از محققین پیشنهاد پیاده سازی این روش را بر روی کامپیوترهای کوانتومی داده اند و جالب است بدانید در سال 2018 تیمی از محققین (از جمله شامل پیتر ویکنت مولف کتاب یادگیری ماشین کوانتومی) اقدام به پیاده سازی عملی این روش بر روی کامپیوتر کوانتومی شرکت IBM نمودند. مقاله منتشر شده در این خصوص نیز از سوی IBM به عنوان بهترین مقاله ای که تاکنون با استفاده از کامپیوتر کوانتومی این شرکت منتشر شده است انتخاب گردیده است.

در تصویر بالا مقایسه ای از دیپ لرنینگ معمولی و دیپ لرنینگ بیزی را مشاهده میکنید.

@pythonicAI

می دونیم که کامپیوترها قهرمان انجام کارهای تکراری هستن، اما چطوری می تونیم از این قهرمانان‌های کارهای منطبق بر نظم، بخوایم عددی تصادفی درست کنن؟ توی این #چند_دقیقه_با_جادی به این نگاه می کنیم که کامپیوترها چطوری می تونن ادای تاس ریختن در بیارن و عدد «تصادفی» تحویل ما بدن
کانال @jadinet

دوره یادگیری ماشین بلومبرگ

لینک

یکی از بهترین کورس هایی که تا حالا ساخته شده بدلیل اینکه استاد کورس، آقای روزنبرگ با دانشجویان درطول دوره تعامل داشته و پرسش و پاسخ هایی اتفاق میفته که اطلاعات جالبی در اختیار مخاطب میذاره.
البته بدلیل اینکه انتقال اطلاعات یکم سریع اتفاق میفته پیشنهاد میکنم قبل از این دوره یه کتاب یادگیری ماشین ساده مطالعه کرده باشین.

#course #bloomberg #machinelearning #artificialintelligence

@pythonicAI

با ساختن اکانت تو سایت

learning.oreilly.com

میتونین به مدت یک هفته خیلی از کتابهای انتشاراتهای معروف مثل packt و oreilly رو مجانی مطالعه کنین!

#book #oreilly #packt #free

.


@pythonicAI

StanfordNLP - Python NLP Library for Many Human Languages

پکیج stanfordnlp یک پکیج پردازش زبان طبیعی بوده برای زبان پایتون که بر پایه pytorch بنا شده.

کار کردن باهاش بسیار سادس و از ۵۳ زبان انسان پشتیبانی میکنه.

نکته قابل توجه ان پشتیبانی از زبان فارسی هست.

اطلاعات بیشتر در صفحه این پکیج:

لینک

#nlp #deeplearning #stanford #python

@pythonicAI

تفاوت بین ipv4 و ipv6
#Network
@pythonicAI

💻برایان و جان دو برنامه نویس بودند که در استخدام فیسبوک پذیرفته نشدند.
بعدها Whatsapp رو راه انداختند و 19 میلیارد به فیسبوک فروختند....

💡نوابغ فقط انسان هايي هستن كه نا اميد نشدن!...
#انگیزشی

نحوه ارسال ایمیل روی سرویس جیمیل با پایتون 😎📧

from smtplib import SMTP

host="smtp.gmail.com"
port= 587

username= "test@gmail.com"
password= "123456"

from_email = username
to_list = ("test1@gmail.com", "test2@gmail.com")

Conn = SMTP(host, port)
Conn.starttls()
Conn.login(username, password)
Conn.sendmail(from_email, to_list, "Python is everything ;)")
Conn.quit()

#python #gmail #mail #smtp

@pythonicAI

✍🏻شبکه Virtual lan به یک شبکه مجازی گفته می شود که روی سوئیچ ایجاد می شود. هر VLAN که بر روی سوئیچ ایجاد می کنیم ،به عنوان یک شبکه مجزا عمل میکند . و بدین ترتیب برای هر vlan یک broadcast domain جداگانه ایجاد می شود .

➖برای مثال چند VLAN روی یک سوئیچ ایجاد کنیم و به هر کدام شماره پورت هایی اختصاص میدیم وبنابراین هر کدام از این Vlan ها یک Broadcast Domain جداگانه دارند.

✅مزایای Vlan

🔹با Vlan می توان شبکه هایی ایجاد کرد که Broadcast Domain جداگانه دارند. با این کار پهنای باند شبکه افزایش می یابد و در نتیجه شبکه بازدهی و کارایی بالاتری دارد.

🔹با Vlan شبکه ها از امنیت بالاتری برخوردار می شوند.می توان شبکه ها و کاربرانی که اطلاعات حساس تری دارند و نیاز به امنیت بیشتری دارند را از دسترس عموم خارج کنیم.به عنوان مثال آنها را درون یک VLAN مجزا تعریف کرد و مدیریت کردنUser ها اسان میشود.

🔹شبکه سازی کردن با Vlan باعث افزایش امنیت وکارآیی شبکه بدون استفاده ازتجهیزات گرانقیمت می شود.

🔹با VLAN کاربران از لحاظ Physical می توانند بدون اینکه محدود به محدوده جغرافیایی خاصی باشند درهر جایی از شبکه قرار گیرند.
#Network

مدیریت حرفه ای

#Cache_Server
#Network
@pythonicAI

https://ai.google/education/

Whether you’re just learning to code or you’re a seasoned machine learning practitioner, you’ll find information and exercises to help you develop your skills and advance your projects.

#machinelearning #artificialinterlligence #deeplearning #course #mooc

@pythonicAI

بخش عمده درآمد غول های تکنولوژی
#google
#microsoft
#amazon
@pythonicAI

مرکز عملیات شبکه چیست و چگونه دسترس‌پذیری مراکز داده را بهبود می‌بخشد

مرکز عملیات شبکه که در محاوره فنی "اِن اُ سی" یا "ناک" نیز نامیده می‌شود، یک مقر کنترلی است که سازمان‌ها و شرکت‌های بزرگ، برای مدیریت شبکه‌های کامپیوتری و نظارت بر کارکرد صحیح زیرساخت ارتباطی خود ایجاد می‌کنند. این مراکز با نظارت بدون وقفه بر فعالیت‌ها، مشکلات فنی ایجاد شده را به محض وقوع شناسایی نموده و آنها را با عکس‌العمل سریع و به موقع برطرف می‌نمایند. معمولا ناک‌ها برای تامین بالاترین پهنای باند ممکن با سرعتی بسیار بالا به اینترنت متصل هستند.
.
بدین ترتیب و با کمک ناک‌ها، زمینه دسترس‌پذیری حداکثری مراکز داده فراهم شده و تضمین و کنترل کیفیت این مراکز به بهترین شکل ممکن انجام می‌شود. دسترس‌پذیری یک مرکز داده، به مدت زمانی گفته می‌شود که آن مرکز در شرایط عملیاتی قرار داشته باشد. .
بسیاری از مراکز داده بزرگ مانند دیتاسنتر پارس آنلاین، برای مدیریت، نظارت لحظه‌ای، عیب‌یابی و رفع سریع مشکلات احتمالی شبکه خود، دارای سالن ناک می‌باشند. وسعت ناک معمولا به وسعت مرکز داده و حساسیت داده‌های مستقر در این مرکز وابسته است. مراکز داده کوچکتر اغلب از سیستم‌های مانیتورینگ و نرم‌افزارهای خودکار رفع عیوب استفاده می‌کنند و معمولا نیروی انسانی در روند کاری آنها دخالت یا نظارت چندانی ندارد.
.
صرف نظر از فرایندها، هدف اصلی ناک‌ها، تامین پایداری شبکه در تمام ساعات شبانه روز و تضمین حداکثری دسترس پذیری مراکز داده است. اگر هزینه‌ها مطرح نباشد، این هدف همیشه دست‌یافتنی است. اما مشکلات زمانی نمایان می‌شوند که سازمان‌ها سعی می‌کنند تا با رویکردی مقرون به صرفه، مرکز عملیات شبکه خود را پیاده‌سازی نمایند.
.
برای تحقق اهداف اصلی ناک‌ها، بکارگیری نیروی انسانی مجرب و خبره که به اصطلاح "مهندس ناک" نامیده می‌شوند یکی از ضروریات مهم است.

برخی از وظایف و مسئولیت‌های مهندس ناک عبارتند از:
Network Monitoring
نظارت بر کارکرد صحیح شبکه
Incident Response
واکنش سریع به وقایع پیش‌بینی نشده
Troubleshooting Problems
شناسایی و برطرف نمودن مشکلات
Reporting & Tracking All Issues
مستندسازی و پیگیری تمام وقایع، مشکلات و راهکارها
#NOC
#Network
@pythonicAI

✔️ #اطلاعات بیش از ۶.۷ میلیون شناسه ایرانی شامل اسم، فامیل، شماره ملی، شماره تماس و... هر فرد افشا و عمومی شده است. احتمال میرود مربوط به یکی از استارتاپ های تاکسی آنلاین باشد.
#آفسک
#news
@kaliboys