Keras for Beginners: Building Your First Neural Network

A beginner-friendly guide on using Keras to implement a simple neural network in python.

لینک



#python #keras #machinelearning #neural #network #deeplearning

@pythonicAI

وقتی اولین انسان غارنشین توانست آتش روشن کند، کمی پس از آن، دومین انسان غارنشین تصمیم گرفت یاد بگیرد چطور میتواند آتش روشن کند. مشکل اینجا بود که نمیتوانست با خواندن کتاب یا پاس کردن یک درس ۳ واحدی در دانشگاه، روشن کردن آتش را یاد بگیرد. پس شروع به نگاه کردن به انسان غارنشین اول کرد، سعی کرد کار او را تکرار کند، شکست خورد و دوباره سعی کرد تا اینکه موفق به روشن کردن آتش شد. انسان به همین شکل اموزش میبیند: در یک پروسه تکراری نگاه کردن، تمرین کردن، شکست خوردن و تصحیح کردن خود.

اما نحوه استفاده ما از کامپیوتر با این روش تفاوت دارد. ما دیتا را جمع آوری و پیش پردازش کرده و در انبار داده ها و استخرها دخیره میکنیم و سپس به وسیله ابزارهای تحلیل، آنها را مطالعه میکنیم. مشکل اینجاست که ابزار تحلیل، همه چیز را تحلیل نمیکند!‌صرفا با تکه تکه کردن داده ها و نمایش آنها به درک بهتر آنها توسط انسان کمک میکند.

ما باید کامپیوتر را به همان شکلی که خودمان اموزش میبینیم، اموزش بدهیم. مجموعه ای از داده ها را برای الگوریتم های ماشین لرنینگ که روی پلتفرم های ابری گوگل و IBM پیاده شده، فرستاده و از آنها الگو و بینش های درون دیتا را دریافت کنیم. بدون شک ماشین اشتباه خواهد کرد، و ار ما این است که آن را اصلاح کرده و بارها و بارها این فرایند را تکرار کنیم. بعد از چندبار تکرار، مدل بهتری خواهیم داشت. هدف، کمک به انسان است. ماشین این داده ها را خیلی سریع زیر و رو کرده و با استفاده از مدلی که براساس خود دیتا ساخته شده، به انسان توصیه هایی میکند که میتواند به کمک آنها، الگوها و بینش هایی از این داده ها استخراج کند.

با افزایش طول عمر و افزایش تحصیلات، قدرت شناختی انسان رشد میکند. از حدود سال ۱۹۵۰ قدرت شناختی کامپیوتر شروع به پیشرفت کرد. در سال ۲۰۰۸، میزان قدرت شناختی کامپیوتر به اندازه ۵۰ درصد مغز یک موش تخمین زده شد.

طبق پیشبینی Ray Kurzweil، متخصص هوش مصنوعی، در سال ۲۰۲۰ میزان قدرت شناختی کامپیوتر به اندازه مغز انسان خواهد بود و ۲۵ سال پس از آن، تکینگی(singularity) اتفاق خواهد افتاد، جایی که قدرت شناختی کامپیوتر برابر مغز تمام انسان ها خواهد شد.

اگر میزان رشد قدرت شناختی کامپیوتر را روی یک نمودار در واحد زمان (از ابتدای تمدن تا کنون) رسم کنید، متوجه رشد سریع آن خواهید شد (تقریبا یک خط عمودی خواهد بود) که ما تازه در ابتدای راه درک تاثیر این قدرت روی بشریت هستیم. این موضوع میتواند ترسناک باشد!

منبع: لینک


#machinelearning #artificialinterlligence #ray #kurzweil #singularity #data

@pythonicAI

#خارج‌ـازـبحث

دنیا ازون چیزی که فکر می‌کنید ترسناکتره ؛ تو بحث امنیت همیشه موقع ذخیره هش پسورد یوزرها: ادمین همیشه طولانی ترین و سخت ترین الگوریتم رو انتخاب می‌کنیم و از کاربرها می‌خوایم که پسوردها طولانی‌ باشه و کاراکتر ویژه حروف کوچک و بزرگ و عدد رو شامل بشه (اما صادق باشیم خیلی‌ها پسورد ساده میذارن و امنیت رو به مدیران سرور و سایت میسپارن چون پسورد سخت رو نمی‌تونن به ذهن بسپارند)

امروز خیلی اتفاقی با دوستی آشنا شدم بخاطر کانفیگ سیستمش (۴تا کارت گرافیک) اولین چیزی که به ذهنم رسید و باعث صحبت بیشتر شد این بود که #دیپ‌لرنینگ کار باشه

اما شاید باورتون نشه شغل ایشون :
Password Cracking بود
حتی نمیدونم چجوری باید توی رزومه ازش صحبت کرد؛ ارزون شدن قیمت جهانی کارت گرافیک‌ها و کودا و ... باعث شده ابزارهایی مثل
HashCat بوجود بیاد

این ابزار از تمام قدرت کارت‌گرافیک‌های موجود استفاده می‌کنه و هش‌ها رو برای شما می‌شکونه روش دیکشنری - بروت‌فرس - وایلدکارد و ...

بسیار بسیار سریع هست و فوق‌العاده؛ اونقد سریع و خطرناک که اگه راه داشته باشه باید خوندن
/ect/passwd
رو برای یوزرهای غیر سودوئر حتماْ بست

ازین ابزار برای شکوندن پسورد وای‌فای و ... هم استفاده می‌شه
پس ازونجا که همچین شغلی بوجود اومده:

۱- اگر ادمین هستید؛ الگوریتم‌های هش رو جدی بگیرید و الگوریتم‌های قدیمی رو بریزید دور (تو چند ثانیه کارشون تمومه)
۲- اگر یوزر هستید؛ حتماْ پسوردهاتون رو جدی بگیرید برای سایت‌های مهم حداقل پسورد ترکیبی بذارید (عدد - سمبل - حروف کوچیک و بزرگ) اگر طول پسورد بالای ۹-۱۰ حرف باشه حداقلش اینه که زمانبرتر می‌شه؛ برای کرکرهای رندم (شما هدف نیستید) شاید اصلاْ تست هم نشه چون زمانبر هست

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

کتاب آشنایی با جبرخطی کاربردی - بردارها، ماتریس ها و مجذور مربع ها

بهمراه اسلایدها و تمرینات

جهت مطالعه علاقه مندان به یادگیری ماشین

لینک

#machinelearning #linear #algebra

@pythonicAI

با جستجوی کلمه recursion در گوگل، درون لوپی بی نهایت میفتید و هرچقدر هم که عبارت بعد از Did you mean رو بزنید باز هم فرقی نمیکنه (شوخی گوگل برای حلقه های بی نهایت)

#fun

@pythonicAI

یه نفر با کمک شبکه های عصبی چهره بازیکن بازی خاطره انگیز Doom رو بازسازی کرده، اونم با کیفیت HD :)

چهره بدست آمده شبیه به Nathan Fillion بوده و خروجی چندین سیستم ai بوده است.

تصویر اصلی ابتدا به خورد بخش هوش مصنوعی نرم افزارهایی از جمله gimp ، faceApp و waifu2x داده شده که تصویر خروجی همچنان کیفیت مناسبی نداشته‌. سپس خروجی آنها به خورد styleGAN (سیستم هوش مصنوعی nvidia) داده شده. که تصویر خروجی آن کیفیت بهتری نسبت به قبل داشت. اما به دلیل وجود بخشهای unrealistic در تصویر اصلی، تصویر خروجی بصورت دستی کمی تغییر یافته و تصویر بالا بدست آمده است.

لینک

#artificialintelligence #doom #guy #nvidia #neural #network

@pythonicAI

@UseLinux
💢هر چه سریعتر فایرفاکس خود را آپدیت کنید!
آسیب پذیری جدید که با شناسه
CVE-2019-11707
معرفی شده است به هکر ها امکان دسترسی pc شمارا میدهد.
🔰اطلاعات بیشتر👇
http://cutt.ly/KoU1ID

@UseLinux

کتابخانه PennyLane:

یک فریم ورک نرم افزاری به زبان پایتون جهت پیاده سازی الگوریتم های یادگیری ماشین کوانتومی و الگوریتم های ترکیبی کلاسیک کوانتومی

لینک


#quantum #machinelearning #classic #algorithm #artificialintelligence

@pythonicAI

#کتاب

کتاب پیشنهادی اکثرا اساتید هوش مصنوعی برای یادگیری عمیق نویسنده گان Ian_Goodfellow,_Yoshua_Bengio,_Aaron

با توجه به گزارش بالا از سایت کاریابی indeed، مهندسی یادگیری ماشین با دستمزد ۱۴۶ هزار دلاری بعنوان بهترین شغل سال ۲۰۱۹ انتخاب شده و دلیل آن رشد روزافزون و حقوق بالا و رشد ۳۴۴ درصدی نسبت به سال قبل میباشد. در این لیست شغلهایی با درآمد بیشتر مانند Agile Coach در رتبه ۱۸ و مهندسی بینایی ماشین در رتبه ۱۳ به چشم میخورد که به دلیل کم بودن شغل هایشان و میزان رشدشان در رتبه های پایین تر قرار گرفته اند.

منبع: http://blog.indeed.com/2019/03/14/best-jobs-2019

@pythonicAI

A Gentle Introduction to Generative Adversarial Networks (GANs)

لینک


#machinelearning #gan #generative #network

@pythonicAI

#security
@pythonicAI

Learning To Trust Artificial Intelligence: An Optimist's View

این نظر Pranay Agrawal، بنیانگذار و مدیر عامل شرکت Fractal Analytics است که بخشی از نسل جدیدی از شرکتهایی است که با استفاده از راه حل های مبتنی بر AI هدایت می شوند. او می گوید: "رهبران تجاری به فکر دستیابی به نتایج بهتر برای مشتریان خود، کارکنان و سهامدارانشان هستند.". آنها مجبور نیستند به الگوریتم ها اعتماد کنند، فقط باید به نتایج اعتماد کنند. به AI کورکورانه اعتماد نکنید - با آزمایش و نتایج اعتماد کنید.

با چنین آزمایش هایی، به محض اینکه موفقیت شما بیشتر می شود، اعتقاد شما قوی تر می شود. سپس شما مایل به آزمایش یا وارد کردن تجزیه و تحلیل و AI حتی به مناطقی میشوید که نمی توانید لزوما تاثیر آن را اندازه گیری کنید.

کلید به دست آوردن اعتماد و پذیرش AI، از طریق آموزش و درک پتانسیل آن است. درک اینکه چگونه میتواند به ما کمک کند رشد کنیم و همچنین درک مشکلات و خطرات آن. در نهایت، Agrawal معتقد است، AI به تمام فرآیندهای ما تزریق میشود ولی آن را نمی بینیم. همانطور که امروز فناوری اطلاعات به بسیاری از چیزهایی که ما انجام می دهیم، تزریق شده است و ما دیگر درمورد آن را بحث نمی کنیم.

AI
یعنی توانایی ایجاد الگوریتم هایی که می توانند با توانایی شناختی انسان در بسیاری از مسائل، رقابت کرده یا از آن فراتر روند. از کار ساده ای مانند انجام تجزیه و تحلیل یا انجام یک پیش بینی گرفته تا موارد پیچیده تر که مستقیما در حوزه انسانی تعریف میشوند. مانند تشخیص تصویر، تشخیص متن و تشخیص صدا.

آگراول اذعان می کند که ترسی نسبت به AI وجود دارد، از مسائل متعصبانه(bias) گرفته تا از دست دادن شغل. این ترس ها به خوبی درک شده اند و بزودی برطرف می شوند. این ترس ها به شکل "ما نمی دانیم که چه چیزی در داخل این جعبه سیاه اتفاق می افتد" یا "ما به عنوان انسان ها، کنترل همه الگوریتم ها را در هر کاری که انجام می دهیم، به دست میگیریم" ظاهر میشوند. ترس از دست دادن شغل وجود دارد. اگرچه، با وجود رشد چشمگیر در استفاده از AI، نرخ اشتغال همچنان سر جای خود باقی می ماند. در حال حاضر ما در اوج نوآوری های تکنولوژیکی هستیم و هر روز تکنولوژی بیشتری نسبت به گذشته بوجود می آید.

آگراول ادامه می دهد: "نژاد بشر در گذشته با بحران های زیادی روبرو شده است. ما از طریق ساختارهای اجتماعی جدید و از طریق مدل های اقتصادی جدید، راه حل های جدیدی پیدا کردیم. می توانستیم به انیشتین بگوییم که مکانیک کوانتومی خود را ارائه ندهد، زیرا روزی منجر به کشف بمب هسته ای میشود. اما همان فناوری منجر به تولید داروهای مبتنی بر رادیولوژی شد و همچنین همان تکنولوژی تلفن های همراه و تلویزیون را ایجاد کرد."

همین اتفاق در مورد AI نیز صادق است. در چند سال آینده، آگراول انتظار دارد که پیشرفت های زیادی در هوش مصنوعی اتفاق بیفتد. وی میگوید "من انتظار دارم که درصد زیادی از وسایل نقلیه، خودمختار شوند. در جهان، حدود دو میلیون نفر در سال در اثر حادثه رانندگی جان خود را از دست میدهند. من معتقدم که وسایل نقلیه خودمختار می توانند این میزان را تا مقدار زیادی کاهش دهند. همچنین انتظار دارم تشخیص های پزشکی زیادی بوسیله AI اتفاق بیفتند و باز هم جان انسان های زیادی را نجات دهد. 25 درصد از نتایج آزمایشات اشعه ایکس اشتباه خوانده میشوند، زیرا چشم انسان نمیتواند بسیاری از نقاط را در سطح پیکسلی تشخیص دهد، در حالی که نرم افزار می تواند. راه هایی پیدا خواهیم کرد تا AI را برای همه انسان ها مفید کنیم، برای بهبود کیفیت زندگی و همچنین بهبود رفاه."

لینک

#article #forbes #artificialintelligence #agrawal

@pythonicAI

مقدمه ای بر آمار توصیفی و احتمال برای علم داده

#آماری #علم_داده #منابع #کتاب #الگوریتمها
#book #datascience

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

Machine Learning Applications Using Python Cases Studies from Healthcare, Retail, and Finance.

#machinelearning #artificialintelligence #health #python

@pythonicAI

✔️ یادگیری غیرنظارتی متناسب برای دانش آموزان و دانشجویان

🔸 چه موقع از الگوریتمهای کلاسترینگ استفاده کنیم ؟
▫️ تعاریف و کاربردهای یادگیری غیر نظارتی کجاست؟
🔸 برای بهبود مدلهای با بعد کاهشی و تکنیکها چی هستند؟
🔸 چه موقع از PCA استفاده میکنیم؟
🔸 و چه موقع از تحلیل فاکتوری استفاده میشود؟

#یادگیری_ماشین #منابع #یادگیری_غیرنظارتی #الگوریتمها #کتاب #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

📕داده کاوی، روش ها و ابزارهای عملی یادگیری ماشین | نسخه چهارم
📅سال چاپ: 2017
📝چاپ کننده: Springer
🧷لینک دانلود:
https://bit.ly/2VQxN4k
#داده_کاوی
#Data_mining #Machin_Learning
@pythonicAI

آپدیت تلگرام و قابلیتهای جدیدش :)

‏افزودن کاربران به مخاطبین راحت‌تر شده است
• از این پس شما می‌توانید هر کاربری را به مخاطبین شما اضافه کنید، حتی در صورتی که اگر شماره‌های تلفن آنها قابل مشاهده نباشد.
• از طریق گزینه «مخاطبین > افزودن افراد نزدیک» سریعا کاربرانی را که در نزدیکی شما قرار دارند، اضافه کنید. شما افرادی را که قسمت مربوطه را باز و فعال کرده باشند، مشاهده خواهید کرد.

‏گفتگوهای مختص موقعیت مکانی
• با ساختن گفتگوهای گروهی مختص موقعیت مکانی از قسمت «کاربران نزدیک» میزبان اجتماعات محلی باشید.

‏مالکیت گفتگوهای گروهی را منتقل کنید
• با انتقال کلیه اختیارات به مدیر دیگر، مالکیت گفتگوهای گروهی و کانال‌ها را منتقل کنید. این قابلیت تنها برای تغییر شغل یا وقتی که صرفا می‌خواهید از اختیارات خود به عنوان ایجادکننده دست بردارید، مناسب است.

‏استثناهای اعلان‌های بهبودیافته
• پیش‌نمایش‌ پیام را برای گروه‌های خاص، فعال و غیر فعال کنید و همچنین از ابزار‌های جستجو و «حذف همه» در استثناهای اعلان‌ها استفاده کنید.

اطلاعات بیشتر در مورد این آپدیت:
https://telegram.org/blog/contacts-local-groups

@pythonicAI

#خارج‌ـازـبحث
یه چندساعتی می‌شه خبر اندروید ملی رو می‌شنویم :

متن خبر :‌
در حالی‌که شرکت هواوی در حال توسعه نسخه خاص سیستم عامل خود بر پایه اندروید است ایران هم اعلام کرده قصد توسعه «اندروید ملی» را دارد.

من ی چندتا نکته رو بگم :
۱- چندین و چندسال هزینه شد برای سیستم‌عامل ملی آخرشم گفتن شکست خورد

۲- این پروژه کلاْ شکست خورده‌اس؛ شرکتی مثل هواوی یکی از بزرگترین عرضه ‌کننده‌های تلفن همراه هست که مارکت بسیار بزرگی هم داره و قراره برای سخت‌افزار خودش هم نرم‌افزار ارائه کنه

۳- توی ایران شرکت تولید کننده سخت‌افزار ؛ و یا حتی اسمبل کردن و تولید تلفن همراه مطرحی دیده نمی‌شه (شاید جی‌ال‌ایکس) که به لطف تحریم‌ها و فشارهای اقتصادی و قیمت بالای گوشی‌همراه برخی از مردم محروم ؛ محکوم به خریدش هستند

۴- خیلی از شرکت‌ها تغییر رام - روت شدن تلفن همراه و ... رو حذف گارانتی تلقی می‌کنند؛ چه برسه تغییر کامل سیستم‌عامل

۵- پشتیبانی و ارسال آپدیت و ... برای این همه مدل گوشی کار ساده‌ایی نیست و هزینه گزافی هم داره (بخش خصوصی و شرکتهای تولید کننده موبایل‌ها هم پشتیبانی طولانی مدتی ندارند)

۶- یکی از دوستان اشاره کرد؛ امنیت ملی - و سران مملکتی و جاسوسی؛ آیا عاقلانه‌اس تو شرایط بد اقتصادی موجود میلیاردها تومان پول صرف پروژه‌ایی بشه که فقط یک عده خاص استفاده ‌خواهند کرد به نظرم یه برنامه ارتباطی ابنکریپت شده راه‌حل کم خرجتر و عملی تری هست

از ته قلبم امیدوارم یک دروغ و یک شایعه باشه این موضوع
اگر نه : امیدوارم تصمیم‌گیران مملکت یک تجدید نظر کنن

در نهایت باید بگم : این پروژه شکست خورده‌ هست و باید دید چه شرکت و چه افرادی قراره با این پروژه پول مردم رو به جیب بزنن

بالاخره «دوربین لخت کن» ساخته شد، و ما درکش نمی کنیم

https://jadi.net/2019/06/deep-nude/


[ این مطلب عامدانه عکس نداره اما اگر بخواین می تونین دنبال deep nude سرچ کنین ]

از زمانی که ما بچه بودیم شایعه بود که دوربین هایی هست که اجازه می ده یک نفر زیر لباس یک نفر دیگه رو ببینه. حالا اینکه چطوری ممکن بود فقط لباس رو رد کنه و مثلا از پوست رد نشه رو نمی دونم (: بعدها این مساله با اسپمرهای میهن عزیز تحت عنوان «دوربین لخت کن» ادامه پیدا کرد. برنامه هایی که قول می دادن کافه دوربین موبایل رو به سمت یک نفر بگیرین تا لخت اونو ببینین و البته معمولا در پروسه نصب به مشکلاتی بر می خوردن یا می گن دوربین شما از این قابلیت پشتیبانی نمی کنه یا پولی که واریز کردین مشکل داشته یا هزار تا دلیل دیگه و این وسط خودشون با یکسری اسمس شما رو عضو یکسری سرویس پولی کرده بودن یا حساب بانکی تون رو به یکی دیگه داده بودن یا اصولا به همین اکتفا کرده بودن که ۲۰هزار تومن به حسابشون ریخته باشین و الان هم نخواین به پلیس شکایت کنین.

اما یادگیری ماشین و هوش مصنوعی در حال پیشرفت است و وقتی چیزی مثل ربات رنگی کننده عکس سیاه و سفید داریم و دیپ فیک رو داریم که توش می شه هر صورتی رو روی هر ویدئویی گذاشت، اومدن چیزی مثل دیپ نود هم دور از ذهن نیست: برنامه ای که می تونه تصویر هر خانمی رو بگیره و لباسها رو ازش حذف کنه، حداقل در حدود تخیل یک آدم.

این برنامه فعلا به عنوان یک اپ گرونه اما بدون شک به سرعت نه فقط نمونه های ارزون و رایگانش خواهد اومد که مدل‌هاش هم عمومی خواهد شد و هر کس می تونه تو کامپیوتر خونگی اش اجراشون کنه و برهنه هر کسی که ازش عکسی داره رو تولید کنه. اینکار احتمالا غیراخلاقی و شاید غیرقانونی باشه اما با ارزون و همگانی شدن تکنولوژی، جلوگیری ازش غیر ممکن می شه. احتمالا پلیس هیچ توجهی نمی کنه اگر من اعتراض کنم که فلانی عکس منو لخت کرده و اگر هم بکنه، با رویش ناگزیر جوانه چه می کنه (:

اما چرا می گم این قابل درک نیست؟ حداقل در ابتدا اتفاقات زیادی خواهد افتاد. به چیزی نمی تونین اعتماد کنین و مساله «پورن انتقامی» به شکلی جدید نمودار خواهد شد. پورن انتقامی این بود که فیلم خصوصی کسی که قبلا با توافق گرفتین رو حالا بدون توافق پخش کنین – مثلا به عنوان انتقام ترک کردن شما توسط اون (که البته کار درستی بوده اگر چنین آدمی هستین!). فرض کنین استادی که سر کلاس درس می ده، همکلاسی، فامیل، آدم های مشهور و … همه و همه عکس هایی برهنه خواهند داشت که ما نمی تونیم دقیق تشخیص بدیم واقعی است یا نه. این یک تجاوز به حریم جنسی آدم ها است که ظاهرا باید بهشون عادت کنیم.

از نظر فنی برنامه روی pix2pix ساخته شده و با حدود احتمالا ۱۰هزار عکس برای یادگیری. در مورد عکس مردها و عکس هایی با لباس کامل هم کار می کنه ولی خروجی در مورد عکس زنانی که در نور خوب مستقیما به دوربین نگاه می کنن و بیکینی پوشیدن، از همه دقیق تره.

برنامه نویس در مقابل انتقادها گفته این کاری است که قبلا با فتوشاپ کاملا قابل انجام بود و فقط الان به خاطر بودن تکنولوژی، سرعت گرفته.

آمریکا در حال تلاش است که با قوانین مثل قانون مسوولیت دیپ فیک هر کسی که با تکنولوژی دیپ فیک چیزی درست می کنه رو مجبور کنه که حتما دیپ فیک بودن ویدئو رو مشخص کنه ولی در نهایت حتی اگر این قانون هم تصویب بشه و شامل دیپ نود هم بشه، کسی نمی تونه جلوی فعالیت عموم رو بگیره. مساله اینه که معناهایی مثل برهنگی و جنسیت و سکس و غیره در حال تغییر هستن و دنیا داره به جایی می ره که ما فعلا درکش نمی کنیم؛ در نتیجه کمی ازش می ترسیم. احتمالا وقتی که برسه، ساز و کارهاش رو هم خواهیم فهمید.