How to get started with deep learning for NLP

#deeplearning #artificialintelligence

@pythonicAi

10 free data science resources from USA universities

1⃣ Hardvard
https://lnkd.in/gd3MGBH
https://lnkd.in/gkkCNmc

2⃣ California
https://lnkd.in/g3Kmm_8

3⃣ MIT
https://lnkd.in/gNXRwHt

4⃣ Stanford
https://lnkd.in/gMRXmru

5⃣ Berkeley
https://lnkd.in/g49DTKr
ai.berkeley.edu/home.html

6⃣ Princeton
https://lnkd.in/gSqFdJX

7⃣ Columbia
https://lnkd.in/gmFfA2K

8⃣ Buffalo
bit.ly/3b43YRC

9⃣ San Diego
https://lnkd.in/gf2Xa9D

🔟 Johns Hopkins
https://lnkd.in/gK9_hRw

#datascience #resource #course

@pythonicAi

حقوق یک مهندس یادگیری ماشینی در شرکتهای غول تکنولوژی (در تاریخ ۱۳ آپریل ۲۰۲۰)

#machinelearning #artificialintelligence

@pythonicAi

The computer of a software developer, engineer or data analyst has to be as powerful as possible. Even if this implies making a hardware upgrade every year. For a company, there's no better way to lose in productivity than to have employees that wait for an application to respond instead of working.

~ Andriy Burkov

@pythonicAi

در هنگام توسعه محصولات مرتبط با AI، بسیار پیش می‌آید که می‌خواهید میزان مشابهت (Similarity) یا فاصله (Distance) تعداد زیادی بردار (مثلا مقایسه feature map یک محصول با تمام محصولات موجود در سایت شما) را به کمک روش هایی مثل L2 Distance یا Dot-product بدست آورده و یا به جستجو برای یافتن شبیه ترین بردار ها به یک بردار بپردازید.
تفاوت ذاتی یک محیط عملیاتی حقیقی با یک محیط اکادمیک آزمایشگاهی ممکن است مشکلاتی را در این زمینه برای شما ایجاد کند. مثلا بسیار پیش می‌آید که بردار شما حتی به راحتی در حافظه RAM یک کامپیوتر جا نمی‌شود. یا به دلیل زیاد بودن تعداد بردار ها، جستجو در آنها بسیار کند اتفاق می‌افتد.
برای مقابله با این‌گونه محدودیت ها می‌توانید از کتابخانه faiss که توسط تیم مهندسی Facebook توسعه داده شده است استفاده کرده و در کسری از ثانیه به جستجوی بردار های مشابه در یک فضای برداری بزرگ بپردازید.

https://github.com/facebookresearch/faiss

اطلاعات بیشتر:
https://engineering.fb.com/data-infrastructure/faiss-a-library-for-efficient-similarity-search/

گیتهاب برای همه تیمها رایگان شد!

https://github.blog/2020-04-14-github-is-now-free-for-teams

We’re happy to announce we’re making private repositories with unlimited collaborators available to all GitHub accounts. All of the core GitHub features are now free for everyone.

#opensource #free #github

@pythonicAi

نوشتن برنامه «بازی زندگی» با زبان سی، به یاد کانوی و اتوماتای سلولی

جان کانوی از کرونا مرد. ریاضی دانی که «بازی زندگی» رو در حوزه اتوماتای سلولی طراحی کرد و بخشی از نوجوونی منو به خود مشغول کرد. توی این ویدئو کمی در مورد مفهوم و این بازی «صفر بازیکنه» توضیح می دم و بعدش با سی، پیاده سازی اش می کنیم و به نتایج شگفت انگیزش خیره می شیم. اینقدر خیره که یادم می ره تابع رندم رو با زمان سید کنم (:

آپارات: https://www.aparat.com/v/F5SgH

یوتیوب: https://www.youtube.com/watch?v=cjhFafydYCc

برای افرادی که دنبال منبع مناسبی برای
Machine Learning Systems Design
میگردند، این منبع مراحل اصلی طراحی سیستم یادگیری ماشین را بخوبی توضیح داده.
نویسنده این جزوه محقق شرکت nvidia است.

https://github.com/chiphuyen/machine-learning-systems-design

#machinelearning #artificialintelligence

@pythonicAi

A python lib that lazy-imports all popular Python Data Science libraries. After using a package, pyforest imports and adds the import statement to your first Jupyter cell.

Install the lib:
pip install --upgrade pyforest
python -m pyforest install_extensions

Github: https://lnkd.in/gBA223i

#python #artificialintelligence

@pythonicAi

#fun
الان که بخاطر کرونا کلاسا بصورت انلاین برگزار میشه، وقتی جلسه تموم شد مطمئن شین وبکم و میکروفونتون خاموشه 😂

@pythonicAi

Courses 1 and 2 of our AI For Medicine Specialization are now available on Coursera

کورس اول و دوم دوره
AI For Medicine Specialization
از سایت deeplearning.ai، در حال حاضر روی پلتفرم کورسرا قابل دسترسی است.

Build your own diagnostic and prognostic models to diagnose diseases and predict patient survival rates.

Link

#artificialintelligence #course

@pythonicAi

#fun
وقتی بعد از ریستارت کردن کرنل یادت میفته مدلو سیو نکردی :)

@pythonicAi

Top 10 Websites for Data Science

1. Coursera
2. EdX
3. Datacamp
4. Udemy
5. Udacity
6. Khan Academy
7. Kaggle
8. R-bloggers
9. Analytics Vidya
10. KDNuggets

Top 10 Skills for Data Science

1. Probability & Statistics
2. Linear Algebra
3. Python
4. R
5. SQL/Presto
6. Tableau/PowerBI
7. AWS/Azure
8. Spark
9. Excel
10. DevOps

Top 10 Algorithms for Data Science

1. Linear Regression
2. Logistics Regression
3. K-means Clustering
4. PCA
5. Support Vector Machine
6. Decision Tree
7. Random Forrest
8. Gradient Boosting Machine
9. XGboost
10. Artificial Neural Networks

Top 10 Industries for Data Science

1. Technology
2. Finance
3. Retail
4. Telecom
5. Healthcare & Pharma
6. Manufacturing
7. Automotive
8. Cybersecurity
9. Energy
10. Utilities

#datascience #mooc

@pythonicAi

حل بازی Sudoku با شبکه کانولوشنالی یا CNN با فریم‌ورک Keras

بلاگ‌پست:
https://towardsdatascience.com/solving-sudoku-with-convolution-neural-network-keras-655ba4be3b11

دیتاست در kaggle:
https://www.kaggle.com/bryanpark/sudoku

حل:
https://github.com/shivaverma/Sudoku-Solver/blob/master/sudoku.ipynb

#آموزش #TF2
از تنسرفلو 2.2 به بعد شما می‌توانید در روش model subclassing در کلاس تعریف مدلتون متد train_step را override کنید (تصویر1) و به این ترتیب عملگر فراخوانی تابع fit را مدیریت کنید(تصویر2)!
مثال عملی این کار را در اینجا مثال شبکه‌ی GANی که François Chollet تعریف کرده ببینید.

منبع از توئیت‌های شوله

How to Implement Bayesian Optimization from Scratch in Python

#optimization #python

@pythonicAi

#آموزش #سورس_کد

در این نوت‌بوک با مدل عادی تنسرفلو با 38 مگ حجم به 97.5 درصد رسیده،
ولی با مدل تنسرفلو لایت (#TFLite) با فقط 3.4 مگ دقت فقط 1.5 درصد افت کرده و به 96 درصد رسیده.


https://colab.research.google.com/drive/1hXfJfa8Kx96jTdvS1o_2Apx0b9-soSZZ

برنامه قبلی که به سی نوشتم خوش گذشت. این شد که الان حل #سودوکو رو با یه الگوریتم ریکرسیو / بازگشتی نوشتم و توضیح دادم؛ اونم به زبون قشنگ سی (:

یوتیوب: https://youtu.be/EWNyZGyEPHc
آپارات: https://www.aparat.com/v/9QBHU