Machine learning books and papers
23.3K subscribers
987 photos
55 videos
929 files
1.33K links
加入频道
Forwarded from AI_Deep_learning
Bayesian.pdf
619.9 KB
سلام جزوه بیز
Forwarded from AI_Deep_learning
Regression (1).pdf
393 KB
جزوه رگرسیون
Forwarded from AI_Deep_learning
neural network.rar
14.3 MB
جزوه خلاصه شبکه عصبی دکتر کیوان راد
Forwarded from AI_Deep_learning
accord-neuro-perceptron.zip
2.5 MB
سورس یک پرسپترون با کتابخانه اکورد خیلی جالب هست با سی شارپ نوشته شده است
Forwarded from AI_Deep_learning
ML_Slides.rar
5.9 MB
یک مجموعه آموزش فارسی از یادگیری ماشین و زیر ساخت ها و جزئیات در متلب
Forwarded from AI_Deep_learning
NeuralNetworks.pdf
561.1 KB
حل تمرینات شبکه عصبی
Forwarded from AI_Deep_learning
Final Thesis _Saeed Amizadeh (2).pdf
1.3 MB
ایجاد و مفاهیم یادگیری سلسه مراتبی بابیز
Forwarded from AI_Deep_learning
شبکه های مولدی ممیزی دنباله ای (Generative Adversarial Nets (GAN))
این الگوریتم از سیستم شبکه‌های عصبی مصنوعی بهره می‌گیرد. سیستم‌های شبکه‌های عصبی مصنوعی با تقلید از کارکرد نورون‌های مغز انسان ساخته شده‌اند. در الگوریتم GAN دو شبکه عصبی وجود دارد که "در برابر" (بر علیه) یکدیگر کار می‌کنند. یکی از این شبکه‌ها الگوریتمی است که محتوا می‌سازد و شبکه دوم آنچه ساخته شده است را به چالش می‌گیرد و نقش مخالف را بازی می‌کند.
شبکه های GANs معماری خالصی از شبکه های عصبی عمیق هستند که از دو شبکه تشکیل شده اند.GANs در یک مقاله توسط آقای¬ Goodfellow و دیگر محققان در دانشگاه مونترال، از جمله Yoshua Bengio، در سال 2014 معرفی شد. Yann LeCun، مدیر تحقیقات آی.بی.سی فیس بوک، "آموزش رقابتی" را "جالب ترین ایده در 10 سال گذشته در یادگیری ماشین دانسته است.
پتانسیل GAN بسیار زیاد است، زیرا آنها می¬توانند یادگیری هر نوع توزیع داده را تقلید کنند. به این معنا، GAN ها می توانند آموزش داده شوند تا جهان هایی را که در هر حوزه ای شبیه به خودمان هستند، ایجاد کنیم: تصاویر، موسیقی، سخنرانی، پروسه. آنها یک ربات هنرمند هستند، و خروجی آنها چشمگیر است.
Forwarded from AI_Deep_learning
cGAN-topic.pptx
13 MB
Forwarded from AI_Deep_learning
Image-to-Image Translation

شبکه های GANs به عنوان یک راه حل عمومی برای مشکلات ترجمه تصویر به تصویر به کاربرده می¬شوند. این شبکه ها نه تنها نقشه برداری از تصویر ورودی به تصویر خروجی را یاد می گیرند، بلکه یک تابع هزینه را برای آموزش این نقشه برداری یاد می گیرد. این باعث می شود که یک رویکرد عمومی را برای مسائلی که به طور سنتی نیاز به فرمولاسیون های مختلف داشته¬اند به کار ببریم. این روش در تلفیق عکس ها از نقشه های برچسب، بازسازی اشیاء از نقشه های لبه و رنگ آمیزی تصاویر در میان کارهای دیگر موثر است. علاوه بر این، از زمان انتشار نرم افزار pix2pix ، صدها نفر از کاربران توییتر، آزمایش های هنری خود را با استفاده از این سیستم انجام داده¬اند.