Machine learning books and papers

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

Paper: https://arxiv.org/pdf/2106.02034.pdf Github: https://github.com/raoyongming/DynamicViT Project page: https://dynamicvit.ivg-research.xyz/ @Machine_learn

GIRAFFE: A Closer Look at the Code for CVPR 2021’s Best Paper [Paper] http://www.cvlibs.net/publications/Niemeyer2021CVPR.pdf [Source] https://github.com/autonomousvision/giraffe [Blog] https://autonomousvision.github.io/giraffe/ [Interactive slides] https://m-niemeyer.github.io/slides/#/4 [Collected] https://m-niemeyer.github.io/project-pages/giraffe/index.html @Machine_learn

SMURF: Self-Teaching Multi-Frame Unsupervised RAFT with Full-Image Warping Paper: https://arxiv.org/pdf/2105.07014.pdf Video: https://www.youtube.com/watch?v=W7NCbfZp6QE Code: https://github.com/google-research/google-research/tree/master/smurf @Machine_learn

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

Self-Supervised Learning with Swin Transformers Github: https://github.com/SwinTransformer/Transformer-SSL Paper: https://arxiv.org/abs/2105.04553v2 @Machine_learn

R and Python for oceanographers ⬇️ Book @Machine_learn

Breast Cancer Wisconsin (Diagnostic) Data Set Predict whether the cancer is benign or malignant Here is link of dataset: Link 🔷 Number of instances: 569 🔷 Number of attributes: 32 (ID, diagnosis, 30 real-valued input features) 🔷 Ten real-valued features are computed for each cell nucleus: a) radius (mean of distances from center to points on the perimeter) b) texture (standard deviation of gray-scale values) c) perimeter d) area e) smoothness (local variation in radius lengths) f) compactness (perimeter^2 / area - 1.0) g) concavity (severity of concave portions of the contour) h) concave points (number of concave portions of the contour) i) symmetry j) fractal dimension ("coastline approximation" - 1) #dataset @Machine_learn

Amazon, Berkeley release dataset of product images and metadata. Dataset includes multiple images of 147,702 products, including 360° rotations and 3-D models for thousands of them. https://www.amazon.science/blog/amazon-berkeley-release-dataset-of-product-images-and-metadata @Machine_learn

🔸لیستی از برترین کانال‌های آموزشی در زمینه های هوش‌مصنوعی, پایتون و یادگیری ماشین ‏❯ هوش مصنوعی: 1️⃣ @Ai_Tv 2️⃣ @AI_PYTHON 3️⃣ @HomeAI ‏❯ یادگیری ماشین و یادگیری عمیق : 1️⃣ @Machine_learn 2⃣ @cvision 3⃣ @Programming4all_0to100 ‏❯ آموزش پایتون : 1️⃣ @pythony 2️⃣ @pythonchallenge 3️⃣ @raspberry_python 4️⃣ @python4finance

🔹 برنامه کارگاه‌های تابستانه هوش مصنوعی و علوم داده آکادمی لوپ 🔸 با توجه به درخواست‌های زیاد، رضایتمندی بالا و استقبال شما عزیزان از 3 کارگاه زیر همانطور که قول داده بودیم این کارگاه‌ها در تاریخ‌های ذکر شده به ترتیب برگزار می‌شوند: 1️⃣ کارگاه یادگیری ماشین کاربردی (Machine Learning Algorithms: A Practical Perspective) 2️⃣ کارگاه یادگیری تقویتی (Reinforcement Learning) 3️⃣ دوره جامع کلان داده (Big Data: Zero to Mastery) 🔖 فرصت تخفیف ثبت‌نام زودهنگام کارگاه‌ها را از دست ندهید! ➖➖➖➖➖➖➖➖ 📢 برای کسب اطلاعات بیشتر به کانال تلگرامی زیر مراجعه فرمایید: @LoopAcademy ☎️ 021-2591 7391 🌐 www.loopacademy.io

Facebook's Reverse engineering generative models from a single deepfake image Github: https://github.com/vishal3477/Reverse_Engineering_GMs Paper: https://arxiv.org/abs/2106.07873 Facebook's blog: https://ai.facebook.com/blog/reverse-engineering-generative-model-from-a-single-deepfake-image/ Dataset: https://drive.google.com/drive/folders/1ZKQ3t7_Hip9DO6uwljZL4rYAn5viSRhu?usp=sharing @Machine_learn

Fresh picks from ArXiv This week on ArXiv: 1000-layer GNN, solutions to OGB challenge, and theory behind GNN explanations 🤔 If I forgot to mention your paper, please shoot me a message and I will update the post. Deep GNNs * Training Graph Neural Networks with 1000 Layers ICML 2021 * Very Deep Graph Neural Networks Via Noise Regularisation with Petar Veličković, Peter Battaglia Heterophily * Improving Robustness of Graph Neural Networks with Heterophily-Inspired Designs with Danai Koutra Knowledge graphs * Query Embedding on Hyper-relational Knowledge Graphs with Mikhail Galkin OGB-challenge * Fast Quantum Property Prediction via Deeper 2D and 3D Graph Networks * First Place Solution of KDD Cup 2021 & OGB Large-Scale Challenge Graph Prediction Track Theory * Towards a Rigorous Theoretical Analysis and Evaluation of GNN Explanations with Marinka Zitnik * A unifying point of view on expressive power of GNNs GNNs * Stability of Graph Convolutional Neural Networks to Stochastic Perturbations with Alejandro Ribeiro * TD-GEN: Graph Generation With Tree Decomposition * Unsupervised Resource Allocation with Graph Neural Networks * Equivariance-bridged SO(2)-Invariant Representation Learning using Graph Convolutional Network * GemNet: Universal Directional Graph Neural Networks for Molecules with Stephan Günnemann * Optimizing Graph Transformer Networks with Graph-based Techniques Survey * Systematic comparison of graph embedding methods in practical tasks * Evaluating Modules in Graph Contrastive Learning * A Survey on Mining and Analysis of Uncertain Graphs @Machine_learn

A Tool Of Choice for Bootstrapping High Quality Python Packages https://morioh.com/p/65db96717d00 The Demo/Documentation: https://pyscaffold.org/ Download Link: https://github.com/pyscaffold/pyscaffold/archive/refs/heads/master.zip Official Website: https://github.com/pyscaffold/pyscaffold @Machine_learn

آکادمی همراه با همکاری دانشگاه صنعتی امیرکبیر برگزار می‌کند: 🛎 رویداد آنلاین+پرسش و پاسخ زنده مقدمه‌ای بر پردازش زبان طبیعی (NLP) 🔻 هوش مصنوعی و پردازش زبان 🔻 سیستم‌ها و تکنیک‌های پردازش زبان 🔻 چالش‌های دانش زبان‌شناسی 🔻 یادگیری عمیق در پردازش زبان 🔻 چت‌بات‌ها نمونه‌ای از کاربرد پردازش زبان 🎤 دکتر سعیده ممتازی 🔸 استادیار گروه هوش مصنوعی و رباتیک دانشگاه صنعتی امیرکبیر 🔸مدیر آزمایشگاه پردازش زبان طبیعی دانشگاه صنعتی امیرکبیر ⌛️ پنجشنبه ۳ تیر، ساعت ۱۶:۰۰ تا ۱۹:۰۰ 🎁 هزینه ثبت‌نام: رایگان 🎁 تخفیف ویژه شرکت در دوره اصلی درصورت پاسخ به چالش انتهای رویداد 🎁 🌐 برای مشاهده اطلاعات بیشتر و ثبت‌نام اینجا کلیک کنید. 🆔 @hamrah_academy

Implementing original #UNet paper using #PyTorch Video tutorial on how to code your own neural network from scratch. Link: https://www.youtube.com/watch?v=u1loyDCoGbE&t=1s Paper: https://arxiv.org/abs/1505.04597 @Machine_learn

A Browsable Petascale Reconstruction of the Human Cortex http://ai.googleblog.com/2021/06/a-browsable-petascale-reconstruction-of.html @Machine_learn

با عرض سلام دوستانی که نیاز به تهیه کتاب های زبان اصلی دارند می توانند با ارسال نام کتاب و ناشر آن به ایدی بنده ثبت سفارش کنند. تمامی کتاب ها با 50% تخفیف دلاری برای تمامی رشته ها قابل دسترس می باشد. @Raminmousa