هوش مصنوعی در سال 2018

یک دید کلی بر تحولات هوش مصنوعی در سال ۲۰۱۸ در حوزه های پردازش زبان طبیعی، بینایی ماشین، یادگیری تقویتی و فریم ورک های متن باز
https://www.analyticsvidhya.com/blog/2018/12/key-breakthroughs-ai-ml-2018-trends-2019/

انجمن علمی دانشکده کامپیوتر برگزار میکند:
دوره آموزشی مقدماتی یادگیری عمیق با رویکرد عملی

📚مدرس : علیرضا اخوان پور
🗓 تاریخ : ۱۸ و ۲۵ بهمن ماه
⏱ مدت زمان دوره: ۱۲ ساعت
🏢 مکان : دانشگاه شهید رجایی

برای اطلاعات بیشتر و ثبت نام به لینک زیر مراجعه شود
http://cesru.ir/course/deep-learning/
ظرفیت محدود
💰تخفیف ویژه برای دانشجویان دانشگاه رجایی💰

#یادگیری_عمیق #دوره_آموزشی #انجمن_علمی_دانشکده_کامپیوتر #دانشگاه_شهید_رجایی

📌 مدرسه زمستانه بینایی و یادگیری ماشین پژوهشگاه دانش های بنیادی (IPM)
🎓 اعطای مدرک معتبر
✅ ثبت نام برای عموم آزاد است
💯 تخفیف ویژه ثبت نام زودهنگام و گروهی
🗓 تاریخ برگزاری : 11 و 12 بهمن
⚠️ مهلت ثبت نام : 5 بهمن
#بهمن1397
#Workshop #Machine_Vision #Machine_Learning #Deep_Learning #Python #OpenCV #TensorFlow
#Tehran #IPM #Brain #SCS
evand.com/events/mvl
braineng.ipm.ac.ir
scs.ipm.ac.ir
@convent

کد تخفیف ویژه اعضای کانال و گروه Deep Learning به تعداد محدود:
deep_learning

📌 توجه:
⚠️ مبنی بر تکمیل شدن ظرفیت مدرسه زمستانه بینایی و یادگیری ماشین پژوهشگاه دانش های بنیادی IPM برای 11 و 12 بهمن و پیروی درخواست های واصله، گروه جدیدی برای تاریخ های "پنجشنبه و جمعه 18 و 19 بهمن" ایجاد شده است که در صورت به حد نصاب رسیدن تشکیل خواهد شد. لطفا به دوستان خود اطلاع دهید و در صورت تمایل به شرکت در این رویداد سریعتر اقدام فرمایید تا با تکمیل ظرفیت روبرو نشوید.
https://www.tg-me.com/convent/3527
http://evand.com/events/mvl
http://braineng.ipm.ac.ir
http://scs.ipm.ac.ir

Google published how they do Federated Learning at scale on tens of millions of mobile phones

https://arxiv.org/pdf/1902.01046.pdf

Federated Learning: Collaborative Machine Learning without Centralized Training Data

https://ai.googleblog.com/2017/04/federated-learning-collaborative.html

Glow is a machine learning compiler and execution engine for hardware accelerators. It is designed to be used as a backend for high-level machine learning frameworks. The compiler is designed to allow state of the art compiler optimizations and code generation of neural network graphs

https://github.com/pytorch/glow

Papers With Code now includes 950+ ML tasks, 500+ evaluation tables (including SOTA results) and 8500+ papers with code.

https://paperswithcode.com

لینک جدید گروه
https://www.tg-me.com/joinchat-A3HTSj3_zWPMCwcByv1aKg

Training deep learning models with vast amounts of data is necessary to achieve accurate results. Data in the wild, or even prepared data sets, is usually not in the form that can be directly fed into neural network. This is where NVIDIA DALI data preprocessing comes into play. DALI is a set of highly optimized building blocks plus an execution engine to accelerate input data pre-processing for deep learning applications.
https://devblogs.nvidia.com/fast-ai-data-preprocessing-with-nvidia-dali/

بینایی انسان و ماشین
سمپوزیوم علوم اعصاب دانشگاه صنعتی شریف

- آشنایی با سیستم بینایی انسان
- پردازش تصاویر دیجیتال و بینایی ماشین
- آشنایی با تصویر برداری پزشکی و کاربردها
- آشنایی با پردازش تصاویر پزشکی

🗓 تاریخ برگزاری : پنجشنبه 2 اسفند
💶 هزینه ثبت نام : 150 هزار تومان
🎓 اعطای مدرک معتبر دانشگاه صنعتی شریف
⚠️ ظرفیت ثبت نام محدود

https://pedu.sharif.edu/events/details/1034

#اسفند1397
#Workshop #Machine_Vision #Machine_Learning #Python #OpenCV #TensorFlow #SNS #FK
#Tehran #SUT
sns.ee.sharif.edu
https://www.tg-me.com/convent/3445

در حال حاضر خلاصه کلاس CS ۲۳۰ - یادگیری عمیق استنفورد به زبان فارس در دسترس است

راهنمای کوتاه نکات و ترفندهای یادگیری عمیق

https://stanford.edu/~shervine/l/fa/teaching/cs-230/cheatsheet-deep-learning-tips-and-tricks

راهنمای کوتاه شبکه‌های عصبی پیچشی (کانولوشنی)

https://stanford.edu/~shervine/l/fa/teaching/cs-230/cheatsheet-convolutional-neural-networks

راهنمای کوتاه شبکه‌های عصبی برگشتی

https://stanford.edu/~shervine/l/fa/teaching/cs-230/cheatsheet-recurrent-neural-networks

Notebooks for Neural Processes (NPs) and Attentive Neural Processes (ANPs)
https://github.com/deepmind/neural-processes/blob/master/attentive_neural_process.ipynb

PlotNeuralNet
Latex code for drawing neural networks for reports and presentation. Have a look into examples to see how they are made. Additionally, lets consolidate any improvements that you make and fix any bugs to help more people with this code.
https://github.com/HarisIqbal88/PlotNeuralNet

Seven Myths in Machine Learning Research
Myth1: TensorFlow is a Tensor manipulation library
Myth 2: Image datasets are representative of real images found in the wild
Myth 3: Machine Learning researchers do not use the test set for validation
Myth 4: Every datapoint is used in training a neural network
Myth 5: We need (batch) normalization to train very deep residual networks
Myth 6: Attention > Convolution
Myth 7: Saliency maps are robust ways to interpret neural networks


https://crazyoscarchang.github.io/2019/02/16/seven-myths-in-machine-learning-research/

Google AI Blog: Introducing GPipe, an Open Source Library for Efficiently Training Large-scale Neural Network Models
http://ai.googleblog.com/2019/03/introducing-gpipe-open-source-library.html