🎴تجربه هوش‌مصنوعی در دانشگاه منچستر انگلستان
‌
🎫انتقال تجربه‌ای آکادمیک و دانشگاهی از دکتر فریده جلالی، فلوشیپ هوش‌مصنوعی در دانشگاه منچستر و دکترای علوم کامپیوتر از دانشگاه منچستر
‌
✨در این لایو درباره شرایط مهاجرت به انگلستان برای تحصیل در رشته هوش‌مصتوعی، شرایط این رشته در انگلستان و همینطور پیشرفت‌های هوش‌مصنوعی در این کشور صحبت میکنیم.
‌
⁦👁‍🗨⁩یکشنبه، ۲۸ اردیبهشت ۹۹، ساعت ۲۲، لایو در پیج اینستاگرام فیلاگر

📢به دوستان‌ خود اطلاع رسانی کنید


برای حضور در لایو، اینستاگرام فیلاگر را دنبال کنید:
Instagram.com/filoger_com

➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.
@eventai

Marvin Minsky -- one of the fathers of computer science and cofounder of the Artificial Intelligence Laboratory at MIT -- gives a revolutionary answer to the age-old question: "How does the mind work?"
Minsky brilliantly portrays the mind as a "society" of tiny components that are themselves mindless.


ماروین مینسکی - از بنیان گذاران آزمایشگاه هوش مصنوعی MIT، اظهار داشته که ذهن، محصول واحدهای کوچک پردازشی بی‌شماری است که او آنها را عامل نامیده است. هر عامل به تنهایی وظیفه‌ی بسیار محدودی دارد، ولی با همکاری بقیه عاملها ظرفیت‌های شناختی پیچیده تری را به وجود می‌آوردند.
مینسکی در این کتاب(دانلود) توضیح میدهد که چگونه عوامل گروهی می توانند پدیده های شناختی زیادی از جمله بازشناسی الگوها، استنتاج، کارکردهای حافظه و زبان را بوجود بیاورند.

@ml_nlp_cv

آموزش متن فارسی در زمینه استفاده از مدل Bert در تسک sentiment analysis

https://sci2lab.github.io/ml_tutorial/bert_farsi_sentiment/

#پردازش_زبان_طبیعی #NLP

@ml_nlp_cv

آموزش یادگیری انتقالی به زبانی ساده

What Is Transfer Learning? A Simple Guide | Built In
https://builtin.com/data-science/transfer-learning

#Transfer_Learning

@ml_nlp_cv

هایپلات کتابخانه فیسبوک برای بصری سازی است و به محققان ai کمک می کند تا همبستگی ها و الگوهای موجود در داده های با ابعاد بالا را کشف کنند. هایپلات از ترسیم های موازی و سایر روش های گرافیکی استفاده میکند تا بازنمایی واضح تری از اطلاعات ارائه دهد و همچنین به سرعت و بدون نیاز به تنظیمات خاص از طریق یک Jupyter notebook قابل اجراست. HiPlot محققان یادگیری ماشین را قادر می سازد تا با سهولت بیشتری هایپرپارامترهای خود مانند نرخ یادگیری و غیره را ارزیابی کنند. این ابزار همچنین توسط محققان سایر رشته ها نیز قابل استفاده است تا بتوانند همبستگی های موجود در داده های مربوط به کار خود را مشاهده و تحلیل کنند.

Link

#FacebookAI

@ml_nlp_cv

۱۸ منبع مهم برای جستجوی دیتای پژوهشی

#دیتاست
#dataset

@ml_nlp_cv

فصل دوم آموزش کاربردی پایتون
به صورت پروژه محور

مدرس : ناصر رضوی

➖➖➖➖
#پایتون

🆔 @Max_Academy

OpenAI Unveils 175 Billion Parameter GPT-3 Language Model
https://medium.com/@Synced/openai-unveils-175-billion-parameter-gpt-3-language-model-3d3f453124cd

#NLP #GPT-3

@ml_nlp_cv

آموزش دریافت حجم گوگل درایو نامحدود برای استفاده در گوگل کولب

وارد این لینک بشید

http://td.fastio.me

اینجا جیمیل خودتون وارد کنید نیازی به وارد کردن پسورد نیس بعد اسم چنتا دانشگاه رو میبنید شما این گزینه رو انتخاب کنید

(3P)G Suite Education 🌐 (gdriveunlimited.net)’

👇

نکته دیگری در مورد مدل GPT3 OpenAI:

قدرت مدل در درک common sense از بهترین مدل های آموزش داده شده قبلی بسیار بهتر است. Common sense یکی از دشوار ترین مسایل در هوش مصنوعی (یا شاید دشوار ترین مساله هوش مصنوعی) باشد و فهم روزمره ما از جهان است به طور مثال اگر یک تخم مرغ روی زمین بیفتد میشکند یا اگر نان در آب خیس شود دیگر قابل خوردن نیست یا اینکه اگر به کسی سیلی بزنید درد احساس می کند و ممکن است گریه کند! چنین چیزهایی را ما به کودک آموزش نمی دهیم بلکه خود کودک در تعامل با جهان اطرافش درک میکند. پژوهشگران هوش مصنوعی از چندین دهه پیش و در اوایل متوجه شدند برای آنکه یک سیستم هوشمند داشته باشیم باید بتوانیم چنین نوع دانشی (که در کتاب ها و ویکی پدیا و غیره پیدا نمی شود) را به سیستم ها یاد بدهیم. اگرچه شاید سخت بنظر نرسد اما در عمل مشخص شد چنین دانشی بسیار بسیار بزرگتر از دانش های مکتوب معمول است! امروزه دیتاست هایی برای سنجش common sense ساخته شده اند که هر کدام به یک جنبه ان می پردازند. GPT3 توانسته به بالا ترین دقت یک سیستم در آن برسد (هرچند هنوز از انسان بسیار عقب است)

تنها علت موفقیت این مدل بزرگ بودن آن است! هیچ تغییر ساختاری یا معماری در آن انجام نشده است. همین باعث شده سوال های مهمی در مورد آینده هوش مصنوعی مطرح شود. آیا برای رسیدن به هوش انسانی صرفا کافی ست مدلها را بزرگتر و بزرگتر کنیم؟ یا اینکه نیاز داریم متدهای جدیدی را بررسی کنیم. اگر بزرگ کردن مدل تنها راه حل است چنین چیزی برای بسیاری از پژوهشگران غیر قابل دسترس است. یک تخمین نشان داده است هزینه آموزش GPT3 به اضافه هزینه حقوق افراد دخیل در پروژه حداقل ۱۸ میلیون دلار بوده است!! ( ۱۲ میلیون دلار آموزش بر روی سرور های مایکروسافت و ۶ میلیون دلار حقوق و بقیه هزینه ها) چنین عددی با بودجه یک فیلم هالیوودی متوسط برابری میکند!

#nlp #common_sense

@ml_nlp_cv

این هنرمند نقاش فرانسوی با کمک واقعیت مجازی، ۳بعدی نقاشی می کند.


#virtual_reality

@ml_nlp_cv

First intuitive quantum programming language - Swiss Quantum Hub
http://www.swissquantumhub.com/first-intuitive-programming-language-for-quantum-computers/

#Quantum_Computing #SILQ

@ml_nlp_cv

Large Scale Holistic Video Understanding Tutorial - #CVPR2020

Today at 9 am PT | 6 pm CET | 8:30 pm IRST

Youtube live broadcast:
https://youtu.be/IRYKpz6txeY
Live Q&A on youtube live chat

#LHVU #CVPR

Need volumetric capture at home? Check out our PIFuHD (#CVPR2020 Oral) on github, enabling high-res 3D human capture from a single picture!! We also provide Google Colab demo, where you can upload your own photo and play with PIFuHD on the cloud!! #pifuhd

https://t.co/w3yOwXe45U

@ml_nlp_cv

کتابخانه tf.explain ابزاری است برای درک بهتر رفتار شبکه عصبی که امکان تحلیل گرادیان ها و ترسیم المان های مصور سازی نظیر heatmap ها را میدهد.
همچنین قابل ترکیب با tensorboard و قابل استفاده از طریق tf.keras API هم میباشد.

The library is adapted to the Tensorflow 2.0 workflow, using tf.keras API as possible. It provides:
- Heatmaps Visualizations & Gradients Analysis
- Both off-training and tf.keras.Callback Usages
- Tensorboard Integration

tf-explain respects the new TF2.0 API, and is primarily based on tf.keras when possible. It benefits from the @tf.function decorator which helps to keep support for both eager and graph mode. This allows keeping most algorithms computation time negligible compared to full training.

Algorithms implemented in tf-explain:
- Activations Visualizations
- Grad CAM
- Occlusion Sensitivity
- SmoothGrad

Documentation: https://tf-explain.readthedocs.io/en/latest/
Github: https://github.com/sicara/tf-explain

#tensorflow

@ml_nlp_cv

Grad-CAM is a class-discriminative localization technique for making any convolutional neural network model more transparent by producing visual explanations (Selvaraju et. al., Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization, ICCV2017).

https://towardsdatascience.com/demystifying-convolutional-neural-networks-using-gradcam-554a85dd4e48


#Grad_Cam #CNN

@ml_nlp_cv

🇩🇰 موقعیت پستداک در زمینه پردازش زبان طبیعی در سوئیس

شرایط مورد نیاز:
▫️مدرک دکترای علوم کامپیوتر یا رشته های مرتبط
▫️سابقه قابل اثبات در زمینه پردازش زبان طبیعی (مقالات در کنفرانس ها و ...)
▫️علاقه به کار بر روی پروژه های تحقیقاتی کاربردی مشترک بین دانشگاه و صنعت
▫️مهارت در زبان انگلیسی

اطلاعات بیشتر در :
https://academicpositions.com/ad/eth-zurich/2020/postdoctoral-researcher-in-natural-language-processing/144760

⏰ ددلاین: مشخص نشده

#پست_داک #پردازش_زبان_طبیعی #یادگیری_ماشین

GitHub - facebookresearch/mmf: A modular framework for vision & language multimodal research from Facebook AI Research (FAIR)
https://github.com/facebookresearch/mmf

#VQA #NLP #mmf
#Computer_Vision
#Pythia

@ml_nlp_cv

Persian clip to learn How to prepare for interviewing for big companies like google and facebook
ویدیوهای سه‌گانه بردیا دوستی در مورد اینکه چجوری برای مصاحبه برنامه‌نویسی مخصوصا برای شرکت‌های بزرگ آماده بشیم

#farsi #interview #preparation #leetcode
@pythony

https://youtu.be/vfSOo7vtcYU

یک سایت عالی برای پروژه های بینایی کامپیوتر:

https://www.pyimagesearch.com/category/keras-and-tensorflow/

ضمنا بنظر میاد یکی از پروژه های ملی(تشخیص کرونا از روی سینه...) از این سایت کپی شده باشه😕😐

@ml_nlp_cv