Machine learning books and papers

🔝 Omnivore: A Single Model for Many Visual Modalities Github: https://github.com/facebookresearch/omnivore Code: https://github.com/facebookresearch/omnivore/blob/main/inference_tutorial.ipynb Paper: https://arxiv.org/abs/2201.08377 Dataset: https://paperswithcode.com/dataset/epic-kitchens-100 @Machine_learn

Objectron: A Large Scale Dataset of Object-Centric Videos in the Wild with Pose Annotations Github: https://github.com/bobetocalo/bobetocalo_pami20 Paper: https://arxiv.org/pdf/2202.02299v1.pdf Dataset: https://paperswithcode.com/dataset/aflw @Machine_learn

با عرض سلام دوستان اگر مقالات و يا كتاب هايي دارين كه مي خوايين براي دوستان به اشتراك بزارين لطفا فايل به فرمت زير براي ايدي بنده بفرستين @Raminmousa article.pdf Title: link: your id or email: @Machine_learn

Separating Birdsong in the Wild for Classification http://ai.googleblog.com/2022/01/separating-birdsong-in-wild-for.html @Machine_learn

📣 ششمین دوره مسابقات هوش مصنوعی امیرکبیر 📆 اسفند ۱۴۰۰، دانشگاه صنعتی امیرکبیر 💢عناوین مسابقات💢 🔹 پیش‌بینی بازار سهام 🔹 تولید گراف توصیف صفحه 🔹 ادراک صحنه خودروی خودران 🔹 پردازش هوشمند داده‌های دیوار 🔹 تشخیص هوشمند باگ‌های کد منبع 🔹 تشخیص غلط‌های رایج در روان‌خوانی قرآن کریم 🔹 پیش‌بینی میزان مصرف ماهیانه مشترکین همراه اول 🔹 تشخیص کلمات کلیدی در مکالمات مرکز تماس همراه اول ✅ جهت کسب اطلاعات بیشتر و شرکت در مسابقات به وب‌سایت زیر مراجعه کنید: 🌐 https://aaic.aut.ac.ir 🆔 @aaic_aut

با عرض سلام ما پكيج ٣٦ پروژه عملي با يادگيري عميق همراه با داكيومنت فارسي را براي دوستاني كه مي خواهند در اين حوزه به صورت عملي كار كنند تهيه كرديم سرفصل هاي اين پكيج به ترتيب زير مي باشند: 1-Deep Learning Basic -01_Introduction --01_How_TensorFlow_Works --02_Creating_and_Using_Tensors --03_Implementing_Activation_Functions -02_TensorFlow_Way --01_Operations_as_a_Computational_Graph --02_Implementing_Loss_Functions --03_Implementing_Back_Propagation --04_Working_with_Batch_and_Stochastic_Training --05_Evaluating_Models -03_Linear_Regression --linear regression --Logistic Regression -04_Neural_Networks --01_Introduction --02_Single_Hidden_Layer_Network --03_Using_Multiple_Layers -05_Convolutional_Neural_Networks --Convolution Neural Networks --Convolutional Neural Networks Tensorflow --TFRecord For Deep learning Models -06_Recurrent_Neural_Networks --Recurrent Neural Networks (RNN) 2-Classification apparel -Classification apparel double capsule -Classification apparel double cnn 3-ALZHEIMERS USING CNN(ResNet) 4-Fake News (Covid-19 dataset) -Multi-channel -3DCNN model -Base line+ Char CNN -Fake News Covid CapsuleNet 5-3DCNN Fake News 6-recommender systems -GRU+LSTM MovieLens 7-Multi-Domain Sentiment Analysis -Dranziera CapsuleNet -Dranziera CNN Multi-channel -Dranziera LSTM 8-Persian Multi-Domain SA -Bi-GRU Capsule Net -Multi-CNN 9-Recommendation system -Factorization Recommender, Ranking Factorization Recommender, Item Similarity Recommender (turicreate) -SVD, SVD++, NMF, Slope One, k-NN, Centered k-NN, k-NN Baseline, Co-Clustering(surprise) 10-NihX-Ray -optimized CNN on FullDataset Nih-Xray -MobileNet -Transfer learning -Capsule Network on FullDataset Nih-Xray هزينه اين پكيج ٥٠٠هزار مي باشد و صرفا هزينه تهيه ديتاست هاست. جهت خريد مي توانيد با ايدي بنده در ارتباط باشيد @Raminmousa

—————— ConvNeXt ——————-- Facebook propose ConvNeXt, a pure ConvNet model constructed entirely from standard ConvNet modules. ConvNeXt is accurate, efficient, scalable and very simple in design. Github: https://github.com/facebookresearch/ConvNeXt Paper: https://arxiv.org/abs/2201.03545 @Machine_learn

🛎 دوره آنلاین پروژه‌محور پردازش زبان طبیعی(NLP)؛ چت‌بات نوشتاری ➕ ۳۰ ساعت آموزش به همراه پروژه عملی ➕ معرفی نفرات برتر به پروژه ذره‌بین جهت همکاری ➕ بازگشت کامل هزینه دوره به ۵ نفر برتر 👤 دکتر سعیده ممتازی 🔸استادیار گروه هوش مصنوعی و مدیر آزمایشگاه پردازش زبان طبیعی دانشگاه امیرکبیر 🎁تخفیف ۱۰% برای ثبت‌نام تا ۲۸ دی‌ماه🎁 💢 ظرفیت محدود 💢 🌐 برای مشاهده اطلاعات بیشتر و ثبت‌نام اینجا کلیک کنید. ——————————————————-— باعضویت در کانال تلگرام، همیشه در بازه زودهنگام با تخفیف در دوره‌ها ثبت نام کنید 🆔 @hamrah_academy

امشب اخرين زمان براي ارسال مقاله هستش نفر دوم هنوز جا مونده.

🛠 Python library with Neural Networks for Image Segmentation based on Keras and TensorFlow.🛠 💻 Github: Link 📄 Paper: Link ✏️ Tasks: Link @Machine_learn

با عرض سلام نفر دوم مقاله هنوز رزرو نشده، دوستانی که نیاز دارن می تونن اقدام کنن.

Balanced Chamfer Distance as a Comprehensive Metric for Point Cloud Completion Github: https://github.com/wutong16/density_aware_chamfer_distance Paper: https://arxiv.org/abs/2111.12702 Dataset: https://paperswithcode.com/dataset/mvp @Machine_learn

NÜWA: Visual Synthesis Pre-training for Neural visUal World creAtion Github: https://github.com/microsoft/nuwa Paper: https://arxiv.org/abs/2111.12417v1 Dataset: https://paperswithcode.com/dataset/coco @Machine_learn

Brain tumor detection and segmentation from MRI images using CNN and Unet models. The CNN model is used to detect whether a tumor is there or not. After 15 epochs of training, the calculated accuracy is about 99.6%. The U-net model is used to segment tumors in MRI images of the brain. After 10 epochs of training, the calculated accuracy is about 98%. These deep neural networks are implemented with Keras functional API. Use the trained models to detect and segment tumors on brain MRI images. The result is satisfactory. You can download my U-net trained model from: "https://drive.google.com/drive/folders/1qt7l3HOGIwOguWsMKc5fuwG2NGiGOucf?usp=sharing" and CNN trained model from: "https://drive.google.com/drive/folders/1fXFzMwNG6HrbNp6-GASAgeybeSB3JWCd?usp=sharing". To access the codes, refer to my GitHub. Github: https://github.com/AryaKoureshi/Brain-tumor-detection Website: https://aryakoureshi.github.io/project/BT_detection @Machine_learn

I gladly announce my first online course on #Statistics and #Mathematics for #MachineLearning and #DeepLearning. The course will be in English, QA sessions with instructor will be in Turkish, Azerbaijani , or English. TA sessions will be in English. This is the first course of tribology courses to help attendees to capture foundations and mathematics behind ML,DL models. The courses are listed as follow: 1. Statistics Foundation for ML 2. Introduction to Statistical Learning for ML 3. Advanced Statistical Learning for DL The course starts on 15 Jan 2022, at 13:00 to 15:00 (Istanbul time): Course Fee: Free for unemployed attendees. :) 200 USD for employed candidates :). Course contents: https://lnkd.in/dcXKxUjE Course Registration: https://lnkd.in/dMpzMfMG Please kindly share with the ones who are interested.