#fun
وقتی بچه های فامیل میان مهمونی و ازم پسوورد وای فای میخوان... 😃😏

@pythonicAI

I'm a supporter of animals rights.

Thanks to @lnxpy
Source: @lnxpylnxpy

@pythonicAI

Encrypted training & prediction, Keras

Link

@pythonicAI

0.1 + 0.2 != 0.3
Check my latest article in medium to discuss why this happens in many programming languages 😉

Link

#python #logic #float #double

@pythonicAI

بهترین تعریف overfit

#machinelearning #artificialintelligence

@pythonicAI

#خارج_از_بحث
یه تبلیغ خیلی احساسی درمورد ترک سیگار

حیوانات خانگی که در معرض دود سیگار قرار دارند، نسبت به انسان، ۲ برابر شانس بیشتری برای ابتلا به سرطان دارند!

@pythonicAI

https://paperswithcode.com/sota

مقاله های در زمینه یادگیری ماشین و یادگیری عمیق به همراه کدهایشان

@pythonicAI

هفته‌نامه هوش مصنوعی deeplearning.ai به نام Batch هر چهارشنبه به رویداد‌های مهم و جدیدترین اخبار و مقالات در حوزه هوش مصنوعی می‌پردازد.

لینک عضویت: لینک

شماره اول: لینک

@pythonicAI

📚 10 Essential Books on Machine Learning & AI

✅ Hands on Machine learning with scikit-learn and tensorflow, Aurélien Géron

✅ Machine Learning For Absolute Beginners: A Plain English Introduction, Oliver Theobald

✅ Understanding Machine Learning: From Theory to Algorithms, Shai Shalev-Shwartz

✅ Machine Learning with R, Brett Lantz

✅ The Singularity is Near, Ray Kurzweil

✅ Applied Artificial Intelligence: A Handbook For Business Leaders, Mariya Yao, Adelyn Zhou, Marlene Jia

✅ Deep Learning with Python, Francois Chollet

✅ The Elements of Statistical Learning,
Trevor Hastie, Robert Tibshirani, Jerome Friedman

✅ Pattern Recognition and Machine Learning, Christopher M. Bishop

✅ Machine Learning: A Probabilistic Perspective, Kevin Murphy

#book #machinelearning #artificialintelligence

@pythonicAI

Awesome transfer learning

✅برترین مقالات، دیتاست ها و survey های مرتبط با transfer learning

https://goo.gl/JUdV4P

@pythonicAI

اگه یه وقت هوس کردین توسعه دهنده core پایتون بشین و به تیم توسعه بپیوندین، لینک زیر حتما به کارتون میاد:

https://devguide.python.org/coredev/

@pythonicAI

دوره های آنلاین درسی امروزه یک پدیده ی جدید در زمینه ی آموزش و یادگیری محسوب می شود. این دوره ها که در رشته های گوناگون ارائه می گردد علاوه بر افزایش دانش افراد در رشته ی تحقیقاتی خود، بعضا با ارائه ی مدارک علمی معتبر برای آینده ی علمی و شغلی افراد یک امتیاز مثبت به حساب می آیند. از آغاز این ایده پایگاه های اینترنتی متعددی برای ارائه ی دانش بصورت کاملا مجانی روی شبکه ی جهانی اینترنت شروع به کار کردند که امروز می توان آنان را جزو معروف ترین و معتبرترین پایگاه های اینترنتی ارائه ی خدمات آموزشی آنلاین محسوب کرد. این پایگاه ها بعضا در دروس گوناگون با ارائه ی فیلم های کلاس ها، تمارین اساتید، میان ترم و پایان ترم و پروژه های درسی خود یک کلاس درس واقعی را شبیه سازی کرده اند.
شما میتوانید با مراجعه به پایگاه های زیر ازین کلاس های درسی آنلاین و مجانی بهره ببرید و آن را به دوستان خود نیز معرفی نمایید:

✅ پایگاه Coursera یکی از معروفترین این پایگاه ها با بیشترین مخاطب علمی است. در این پایگاه دروس مختلفی از مهندسی برق و کامپیوتر تا علوم زیستی و انسانی از بهترین دانشگاه های جهان به همراه ارائه ای از بهترین اساتید وجود دارد. در این پایگاه علمی شما می توانید با ثبت نام در کلاس های متعدد و شرکت در کلاس ها و انجام تمارین آن، در پایان دوره بصورت مجانی یا غیر مجانی از گواهی رسمی کورسرا بهره مند گردید.
https://www.coursera.org/

✅ پایگاه علمی Udacity از دانشگاه ها و شرکت های مختلف و معتبر جهان ویدئوهایی در حوزه های کامپیوتر و برنامه نویسی ارائه می کند:
https://www.udacity.com/

✅ پایگاه علمی edx که یکی دیگر از پایگاه های بسیار معروف است که کار خود را از دانشگاه استنفورد آغاز کرد. این پایگاه علمی، اکنون نه تنها با دانشگاه استنفورد بلکه با دانشگاه های بسیار معتبر دیگر چون MIT، هاروارد، برکلی و تکزاس همکاری مداومی دارد. این پایگاه با حرف x در کنار نام دانشگاه ها دامین مجزایی برای هر دانشگاه یا انستیتو ایجاد کرده است.
https://www.edx.org/

✅ پایگاه علمی دانشگاه استنفورد که همکاری کاملی با پایگاه Edx دارد.
https://class.stanford.edu/

✅ پایگاه علمی خان آکادمی که شامل دورس علوم پایه است که توسط شخص آقای خان تدریس می گردد.
http://www.khanacademy.org/

✅ پایگاه علمی education TED، یک پایگاه عمومی علمی است که هدف آن توسعه ی ایده های نوین است.
http://ed.ted.com/

✅ پایگاه علمی دانشگاه MIT، که به دیدئوهای مربوط به کلاس های مختلف دانشگاه MIT از سال های گذشته را در خود گنجانده است.
http://ocw.mit.edu/

@pythonicAI

#۳و۵۹: بینایی
در هر چشم انسان ۱۲۶ میلیون گیرنده نوری وجود دارد. تصور کنید که هر چشم‌ شما یک دوربین۱۲۶ مگاپیکسلی است. آرش افراز، عصب شناس در ۳ دقیقه و ۵۹ ثانیه در اینباره توضیح می‌دهد.
@BBCPersian

#خارج_از_بحث
"‌دلیل اینکه آدمها به دشواری شاد می شوند
این است که همواره گذشته را بهتر از آنچه بوده، حال را بدتر از آنچه هست
و آینده را نامشخص تر از آنچه خواهد بود، می بینند..."
~ مارسل‌ پانیول

@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

شبکه های عصبی، رفتار و عملکرد مغز انسان را تقلید میکنند. این شبکه ها شامل الگوریتم هایی هستند که می توانند یاد بگیرند که به طور مثال رفتار مغز را در شناسایی گفتار و تصاویر تقلید کنند. با این حال، باید دانست که راه اندازی یک شبکه عصبی مصنوعی به زمان و انرژی زیادی احتیاج دارد.

محققان مرکز ملی تحقیقات علمی در پاریس، دانشگاه Bordeaux و کمپانی Evry، یک سیناپس مصنوعی به نام memristor را طراحی و ساخته اند و آن را مستقیما روی یک chip قرار داده اند. این نوع آوری راه را برای سیستم های هوشمند هموار خواهد کرد؛ سیستم هایی که نیاز به انرژی و زمان کمتری برای یادگیری داشته و میتوانند به صورت خودکار یاد بگیرند.

این سیناپس مصنوعی چطور کار میکند؟
در مغز انسان، سیناپس ها به عنوان پایانه های ارتباطی بین نورون ها عمل میکنند. هر چه بیشتر از این سیناپس ها استفاده شوند (مورد تحریک بیشتری قرار بگیرند)، ارتباطات قوی تر شده و یادگیری سریعتر میشود. memristor نیز به همین شیوه کار میکند. این سیناپس مصنوعی از یک لایه ی نازک فِروالکتریک ساخته شده است که میتواند خود به خود باردار شود و بین دو الکترود قرار گرفته است. میزان مقاومت آنها میتواند با استفاده از پالس های ولتاژ تنظیم شود (مانند آنچه در نورون های طبیعی رخ میدهد). ارتباط سیناپسی، زمانی که مقاومت پایین باشد، قوی خواهد بود و بالعکس. در واقع، ظرفیت یادگیری memristor بر اساس همین مقاومتِ قابل تنظیم، تعیین میشود.

شبکه های عصبی کنونی که با الگوریتم های یادگیری ساخته میشوند، در حال حاضر توانایی اجرای وظایفی را دارند که سیستم های قبلی نداشتند. برای مثال، سیستم های هوشمند کنونی توانایی ساخت موسیقی، بازی کردن، شکست بازیکنان انسانی و حتی می توانند مالیات های شما را پرداخت کنند. برخی از آنها قادرند تا رفتارهای مرتبط با افکار خودکشی در انسان ها را تشخیص دهند یا تشخیص دهند انجام چه کاری قانونی یا غیر قانونی است.

تمامی پیشرفت های ذکر شده را مدیون قابلیت یادگیری سیستم های هوش مصنوعی هستیم. تنها محدودیت موجود زمان و میزان داده ای است که باید برای یک سیستم هوشمند صرف شود تا به بهره برداری مناسبی برسد. با وجود طراحی memristor فرآیند یادگیری به طور چشم گیری افزایش خواهد یافت. البته کار بر روی این سیناپس ادامه دارد و هدف بعدی، ارتقاء آن برای عملکرد سریعتر و بهتر خواهد بود. نتایج تحقیقات این تیم تحقیقاتی در ژورنال Nature Communication به چاپ رسیده است.

#machinelearning #artificialintelligence #neural #network #memristor #brain

@pythonicAI

در کنار بخش عادی وب که برای مطالعه خبر، ارسال ایمیل و... استفاده می‌شود، بخش دیگری از وب برای فعالیت‌های غیرقانونی به کار می‌رود که هوش مصنوعی درک بهتر آن را ممکن خواهد کرد.

وب تاریک(dark web) میزبان سایت‌هایی ناشناس برای خرید و فروش اطلاعات خصوصی کاربران، مواد مخدر، محتوای هرزه نگارانه، اسلحه و حتی قاچاق انسان است. پلیس و مقامات قضائی در کشورهای مختلف جهان سال هاست که برای متوقف کردن فعالیت دارک وب در تلاش هستند، اما چالش‌های فراروی تحقیق و بررسی در این زمینه باعث شده گردانندگان این قسمت از فضای مجازی آزادانه به تخلفات خود ادامه دهند.

محققان دانشگاه MIT می‌گویند ماهیت پیچیده و غیرقابل ردگیری فعالیت‌های دارک وب یک چالش جدی است. از سوی دیگر بسیاری از سایت‌های فعال در این بخش عمر کوتاهی داشته و بعد از کلاهبرداری‌های کلان به سرعت غیرفعال می‌شوند. اما با طراحی یک نرم افزار مبتنی بر هوش مصنوعی می‌توان داده‌های موجود را به سرعت تحلیل و افراد خلافکار فعال در بخش تاریک وب را ردگیری کرد.

این نرم افزار می‌تواند ارتباط میان خریداران و فروشندگان خدمات مختلف در بخش تاریک وب را در لایه‌های مختلف آن شناسایی و ردگیری کند تا تغییر مکرر سایت‌های فعال نیز خللی در تحقیقات پلیسی ایجاد نکند.

نرم افزار یادشده می‌تواند نمایه‌ای (index) دقیق از هر یک از خلافکاران بخش تاریک وب ایجاد کند تا با بررسی‌های فنی، حتی در صورت تغییر نام کاربری این افراد باز هم قابل ردگیری و شناسایی باشند. این ردگیری‌ها محدود به بخش تاریک وب نیست و می‌تواند در بخش عادی وب نیز ادامه یابد.

این نرم افزار از توانایی خوبی برای پردازش حجم بالایی از اطلاعات نیز برخوردار است و نیاز پلیس به بررسی دستی اطلاعات خلافکاران دارک وب را برطرف می‌کند. پژوهشگران MIT دقت این نرم افزار را ۹۵ درصد تخمین زده و می‌گویند در حال تکمیل قابلیت‌های آن هستند.

منبع: کانال dp_learning

#deeplearning #artificialintelligence #dark #web #criminal #minds

@pythonicAI

#مقاله و #ایده
پروژه های کلاس Andrew NG
این پروژه ها مرتبط با درس یادگیری عمیق هست و همراهان گرامی توانند با خواندن این گزارش ها، ایده های نوین در کار با یادگیری عمیق را پیدا کنند.
متن تویت Prof. Andrew NG

Projects from @Stanford's CS230 (Deep Learning) class. Congrats to all the students on completing so many great projects! http://cs230.stanford.edu/proj-spring-2018.html

با کانال
https://t.me/Machinelearning_Kartal/1378
همراه باشید.

آرش افراز، عصب شناس از دانشگاه ام آی تی در کمتر از چهار دقیقه توضیح می‌دهد که آیا ما اراده آزاد داریم؟
#۳و۵۹ ؛ افسانه اراده آزاد
@bbcpersian