راهنمای کامل آغاز #یادگیری_عمیق با #پایتون
A Complete Guide on Getting Started with #Deep_Learning in #Python

https://goo.gl/XF5b83

#آموزش #یادگیری

کورس آموزشی یادگیری عمیق با پایتون و کراس
Deep Learning in Python

In this course, you'll gain hands-on, practical knowledge of how to use neural networks and deep learning with Keras 2.0, the latest version of a cutting edge library for deep learning in #Python.


1__Basics of deep learning and neural networks
2__Optimizing a neural network with backward propagation
3__Building deep learning models with #keras
4__#Fine-tuning keras models

🔗https://www.datacamp.com/courses/deep-learning-in-python

#course #آموزش #deep_learning

Why you should learn #Python?

#مقاله #سورس_کد

Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
pic: http://bit.ly/2srFGOS
(Submitted on 11 Apr 2016)
#MTCNN

در الگوریتمهای قدیمی تشخیص چهره, موقعیت سر, حالات چهره، نور و ... تاثیر گذار بود و الگوریتم های موجود را با مشکل مواجه میکرد.
الگوریتمهایی نظیر Viola and Jones - Haar-cascade که در opencv پیاده سازی شده برای چهر های رو به رو و نزدیک رو به رو خوب کار میکند اما برای چهره هادر موقعیت ای دیگر کارایی ندارد!
تیم تحقیقاتی ماکروسافت با ارائه مقاله ای در سال 2014 با عنوان
Joint Cascade Face Detection and Alignment
با جنگل تصادفی این مشکل را تا حد زیادی برطرف کرد و سرعت هم تا حدود 30 میلی ثانیه برای تصاویر VGA بهبود داد، اما انتخاب ویژگی های دستی پرفورمنس را محدود کرده بود.

اما در این مقاله با کمک یادگیری عمیق دقت تا حد خوبی افزایش یافته و همانن مقاله ماکروسافت علاوه بر تشخیص کار face alignment هم انجام میشود.
در این روش 3 شبکه عصبی کانولوشنالی پشت سر هم و به صورت آبشاری قرار گرفته است
شبکه اول: بسیار سبک برای پیدا کردن تمامی نواحی مشکوک به وجود چهره.
شبکه دوم : این شبکه از از خروجی شبکه اول ورودی میگیرد؛ نواحی اشتباه پیدا شده را حذف میکند.
شبکه سوم: کاری شبیه یه شبکه دوم بر روی نواحی باقی مانده, همچنین پیدا کردن landmark های چهره نظیر چشم ها و بینی و alignment نقاط.



🕐Runtime efficiency:
It takes 16fps on a 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black)

🔗abstract:
https://arxiv.org/abs/1604.02878

🔗Paper:
https://arxiv.org/pdf/1604.02878

🔗Project Page:
https://kpzhang93.github.io/MTCNN_face_detection_alignment/

🔗codes:
⚙️#Matlab / #Caffe implementation :
http://bit.ly/2rvkr9Q
⚙️#Python / #Tensorflow implementation :
http://bit.ly/2t1fB6e

#face #face_detection #face_alignment #MTCNN
#deep_learning #cnn #convolutional_neutral_network

#خبر

For the first time ever, #NumPy—a core project for the #Python scientific computing stack—has received #grant funding. The proposal, “Improving NumPy for Better Data Science” will receive $645,020 from the Moore Foundation over 2 years, with the funding going to UC Berkeley Institute for Data Science.

https://www.numfocus.org/blog/numpy-receives-first-ever-funding-thanks-to-moore-foundation/

🙏Thanks to: @cyberbully_gng

#کورس،
❌متاسفانه این دوره رایگان نیست
Applied Data Science with #Python Specialization

(Upcoming session: Jul 3 — Aug 7 , 2017)
http://bit.ly/2rZeVxj

#pandas, #matplotlib, #scikit_learn, #nltk

#آموزش گام به گام و کامل ایجاد اکانت Azure ماکروسافت و اجرای jupyter notebook پایتون در آن + نصب پکیج های مورد نیاز به زبان #فارسی.

http://blog.class.vision/1397/01/azure-notebook/

#azure #python

🙏Thanks to: @MH_Sattarian

معرفی #کورس
https://yangx.top/cvision/515
برنامه رایگان یادگیری عمیق ماکروسافت شامل 10 کورس

لینک دوره:

https://academy.microsoft.com/en-us/tracks/artificial-intelligence/


توضیحات:
سرفصل ها...
Get Started with AI
Use #Python to Work with Data
Use #Math and #Statistics Techniques
Consider Ethics for #AI
Plan and Conduct a Data Study
Build #Machine_Learning Models
Build #Deep_Learning Models
Build #Reinforcement_Learning Models
Develop Applied AI Solutions
Final Project
Microsoft Professional Program Certificate in Artificial Intelligence

از اکانت ماکروسافت شما به سایت edx متصل شده و کورس ها را رایگان در ادکس میگذرانید. در پایان در سایت ماکروسافت گواهی اتمام دوره را دریافت خواهید کرد.

#آموزش

Hallucinogenic Deep Reinforcement Learning Using #Python and #Keras

https://medium.com/applied-data-science/how-to-build-your-own-world-model-using-python-and-keras-64fb388ba459

#Reinforcement_Learning

#مقاله #سورس_کد

Finding Tiny Faces (CVPR 2017)

pic: https://github.com/cydonia999/Tiny_Faces_in_Tensorflow/raw/master/images/selfie.jpg

🕐Runtime efficiency:
Resnet101-based detector runs at 1.4FPS on
1080p resolution and 3.1FPS on 720p resolution.

🔗abstract:
https://arxiv.org/abs/1612.04402

🔗Paper:
https://arxiv.org/pdf/1612.04402

🔗Project Page:
https://www.cs.cmu.edu/~peiyunh/tiny/

🔗codes:
⚙️#Matlab / #matconvnet implementation :
https://github.com/peiyunh/tiny
⚙️#Python / #Tensorflow implementation :
https://github.com/cydonia999/Tiny_Faces_in_Tensorflow


مرتبط با مقاله mtcnn
https://yangx.top/cvision/249

#face #face_detection
#deep_learning #cnn #convolutional_neutral_network

#کورس #ویدیو

معرفی کورس جبرخطی عددی برای برنامه نویسان

Computational Linear Algebra for Coders

این کورس در سال ۲۰۱۷ در دانشگاه San Francisco توسط Rachel Thomas تدریس شد.

Rachel Thomas
دکترای ریاضی دارند و به همراه jeremy howard ,
Fast.ai
رو ایجاد کردند.


course review:
https://machinelearningmastery.com/computational-linear-algebra-coders-review/

کتاب آنلاین:
https://github.com/fastai/numerical-linear-algebra/blob/master/README.md

ویدیوها:
https://www.youtube.com/playlist?list=PLtmWHNX-gukIc92m1K0P6bIOnZb-mg0hY

The course uses #Python with examples using #NumPy, #scikit_learn, #numba, #pytorch, and more.

Course Contests

0. Course Logistics
1. Why are we here?
2. Topic Modeling with NMF and SVD
3. Background Removal with Robust PCA
4. Compressed Sensing with Robust Regression
5. Predicting Health Outcomes with Linear Regressions
6. How to Implement Linear Regression
7. PageRank with Eigen Decompositions
8. Implementing QR Factorization

#FLANN is a library for performing fast approximate nearest neighbor
searches in high dimensional spaces. It contains a collection of algorithms we found to work best for #nearest_neighbor search and a system for automatically choosing the best algorithm and optimum parameters depending on the dataset. FLANN is written in C++ and contains bindings for the following languages: C, MATLAB, #Python, and Ruby

code: https://github.com/mariusmuja/flann
project page: http://www.cs.ubc.ca/research/flann/
paper: https://github.com/mariusmuja/flann (2009)