DLeX: AI Python

✳️ دسترسی به هزاران ساعت آموزش ویدئویی و رایگان از طریق اپلیکیشن فرادرس 📱 ۲۰ هزار ساعت آموزش تو موبایل کنار دستته👇 💠 برنامه‌نویسی و طراحی سایت، مهارت‌های توسعه فردی، مهارت‌های کامپیوتری، طراحی و گرافیک، زبان‌های خارجی، کسب و کار، دروس و نرم‌افزارهای دانشگاهی 🚀 با اپلیکیشن فرادرس تو هر شرایط زمانی و مکانی‌، می‌تونید مهارت‌ها و دانشتون رو ارتقا بدید و ویدئوهای آموزشی رو تو موبایلتون مشاهده کنید. نصب سریع و راحت از گوگل‌پلی👇 ✅ دریافت اپلیکیشن فرادرس از Google Play - [کلیک کنید] 🔗 فهرست آموزش‌های رایگان در فرادرس - [شروع یادگیری] @FaraDars‌ — ‌‌فرادرس

ده ایده برتر در آمار که به انقلابی در هوش مصنوعی منجر شد https://news.columbia.edu/news/top-10-ideas-statistics-ai

چرا برنامه نویسی؟ * حتما ببینید و به دیگران نشان بدهید که چرا برنامه نویس هستید. باتشکر از:@DaysGone ❇️ @ai_python

10 سایت برتر برای یافتن شغل در سال 2022: (Top 10 sites for your career in 2022) 1) Linkedin 2) Indeed 3) Naukri 4) Monster 5) JobBait 6) Careercloud 7) Dice 8) CareerBuilder 9) Jibberjobber 10) Glassdoor 10 مهارت فنی مورد تقاضا در سال 2022: (Top 10 Teach skills in demand in 2022) 1) Machine Learning 2) Mobile Development 3) SEO/SEM Marketing 4) Data Visualization 5) Data Engineering 6) UI/UX Design 7) Cyber Security 8) Cloud Computing/AWS 9) Blockchain 10) IOT 10 سایت برای آموزش آنلاین رایگان در سال 2022: (Top 10 sites for free online education in 2022) 1) Coursera 2) edX 3) Khan Academy 4) Udemy 5) iTunesU Free Courses 6) MIT OpenCourseWare 7) Stanford Online 8) Codecademy 9) ict iitr 10) ict iitk 10 سایت برای بررسی رایگان رزومه در سال 2022: (Top 10 sites to review your resume for free in 2022) 1) Zety Resume Builder 2) Resumonk 3) Resume dot com 4) VisualCV 5) Cvmaker 6) ResumUP 7) Resume Genius 8) Resume builder 9) Resume Baking 10) Enhance 10 سایت برای آماده سازی مصاحبه در سال 2022: (Top 10 sites for interview Preparation in 2022) 1) Ambitionbox 2) AceThelnterview 3) Geeksforgeeks 4) Leetcode 5) Gainlo 6) Careercup 7) Codercareer 8) InterviewUp 9) InterviewBest 10) Indiabix @BIMining

پیشبینی هوش مصنوعی از اخرین عکس سلفی بر روی کره زمین https://www.google.com/amp/s/www.91mobiles.com/hub/ai-last-selfie-earth-humans-chaos/amp/

پیش‌بینی هوش مصنوعی از سلفی‌های آخرالزمانی! از هوش مصنوعی خواسته شده است که "آخرین سلفی‌هایی" که روی زمین گرفته خواهد شد را به تصویر بکشد که به تولید تصاویر کابوس‌واری منجر شده است. انسان‌هایی که با پوست در حال ذوب شدن، چهره‌های آغشته به خون و بدن‌های جهش‌یافته از خود عکس می‌گیرند، در حالی که در مقابل جهانی در حال سوختن ایستاده‌اند، چیزی است که هوش مصنوعی "دال-ای"(DALL-E) معتقد است آخرین سلفی‌های اینفلوئنسرها در آخرالزمان خواهد بود. ‌‌‌‌‌‌@Aalijnab

Deep Deformable 3D Caricature with Learned Shape Control (DD3C) Github: https://github.com/ycjungsubhuman/deepdeformable3dcaricatures Paper: https://arxiv.org/abs/2207.14593v1 Project: https://ycjungsubhuman.github.io/DeepDeformable3DCaricatures Dataset: https://paperswithcode.com/dataset/facewarehouse Video: https://youtu.be/WLMPEaK6E4M

‌ 🎉 فرصتو از دست نده — هر آموزش و مهارتی رو که دوست داری با ۴۵ درصد تخفیف، یاد بگیر!   بیش از ۲۰ هزار ساعت آموزش ویدئویی در طرح تخفیف «تابستان آموزشی» فرادرس با تخفیف ویژه در دسترس شماست.👇   🔹 کتابخانه Matplotlib - ترسیم و بصری‌ سازی داده‌ در پایتون   🔹 پایتون – ساخت سیستم ATM به صورت Command-line   🔹 شبکه عصبی پرسپترون + پیاده سازی در متلب   🔹 ساختمان داده‌ ها با پایتون   🔹 الگوریتم بهینه سازی سیاه چاله BH   🎁 سایر آموزش‌ها و جزئیات جشنواره — [کلیک کنید]   @FaraDars - فرادرس

Learning Protein Representations via Complete 3D Graph Networks DIG: Dive into Graphs is a turnkey library for graph deep learning research. Github: https://github.com/divelab/DIG Paper: https://arxiv.org/abs/2207.12600v1 Tutorials: https://diveintographs.readthedocs.io/en/latest/tutorials/graphdf.html Documentation: https://diveintographs.readthedocs.io/ Benchmarks: https://github.com/divelab/DIG/tree/dig-stable/benchmarks Dataset: https://paperswithcode.com/dataset/atom3d

ویدئو جذاب از جلسه مصاحبه و نوع نگاه مصاحبه گر به مصاحبه کننده #متفرقه 🔰 @AI_Python

بهترین منابع ابزارهای هوش مصنوعی The best Stanford, CMU, and MIT courses to build a career in AI 📚 Stanford University 🔹 CS229 - Machine Learning by Andrew Ng: 🔹 CS230 - Deep Learning by Andrew Ng 🔹 CS231n - Convolutional Neural Networks for Visual Recognition by Fei-Fei Li and Andrej Karpathy 🔹 CS224n - Natural Language Processing with Deep Learning by Christopher Manning 🔹 CS25 - Transformers United 📚 Massachusetts Institute of Technology 🔹 6.S191 - Introduction to Deep Learning by Alexander Amini and Ava Soleimany 🔹 6.S094 - Deep Learning by Lex Fridman 🔹 6.S192 - Deep Learning for Art, Aesthetics, and Creativity by Ali Jahanian 📚 Carnegie Mellon University 🔹 CS/LTI 11-777 Multimodal Machine Learning by Louis-Philippe Morency: 📚 University College London 🔹 COMP M050 Reinforcement Learning by David Silver #فیلم #منابع #الگوریتمها #هوش_مصنوعی #پردازش_زبان_طبیعی #یادگیری_ماشین #یادگیری_عمیق #یادگیری_تقویتی ❇️ @AI_Python

کاریکاتور میثم عسگری عزیز😂🌸 فانیکاتور، سرویس تولید کاریکاتور با هوش مصنوعی هست😎 همین الآن امتحانش کنین👌😍 🔥لینک فانیکاتور: https://funnycature.ali110co.ir @ai_python @ali110co_ir @OpenCV_olc

Very interesting idea on how to move 'common sense' in AI forward. It is always great to explore different ideas and directions and have different perspectives to increase chances of success and advancement. https://www.technologyreview.com/2022/06/24/1054817/yann-lecun-bold-new-vision-future-ai-deep-learning-meta/ #ai #ml #dl #artificialintelligence #machinelearning #deeplearning

In conventional neural networks, the amount of computation used is proportional to the size of the inputs, instead of the complexity of the content of the data being processed. However, the time needed to process input data is a function of more than just the size of the inputs. Common input data for neural architectures also have an inherent complexity that is independent of the input size. Conventional neural architectures do not adjust their computational budget based on the complexity of the data they are processing, or arguably, such adaptation is done manually by the machine learning practitioner. In this work, we, therefore, introduce a differentiable parameter-free Adaptive Token Sampler (ATS) module, which can be plugged into any existing vision transformer architecture. ATS empowers vision transformers by scoring and adaptively sampling significant tokens. As a result, the number of tokens is not constant anymore and varies for each input image. By integrating ATS as an additional layer within the current transformer blocks, we can convert them into much more efficient vision transformers with an adaptive number of tokens. Since ATS is a parameter-free module, it can be added to the off the-shelf pre-trained vision transformers as a plug-and-play module, thus reducing their GFLOPs without any additional training. Moreover, due to its differentiable design, one can also train a vision transformer equipped with ATS. We evaluate the efficiency of our module in both image and video classification tasks by adding it to multiple SOTA vision transformers. Our proposed module improves the SOTA by reducing their computational costs (GFLOPs) by 2X.

#فان

#فان

✨انجمن علمی دانشجویی اقتصاد دانشگاه تهران غرب و دپارتمان مالی مرکز آموزش های کوتاه مدت تهران غرب برگزار می‌کند: 🟢دوره جامع آموزش ایویوز مقدماتی مدرس: دکتر عفتی 🟩زمان و تاریخ برگزاری: ۲۲_۲۴_۲۶_۲۹_۳۱مرداد ماه روز های زوج ⏰ساعت ۱۶ ⏳دوره ۱۰ ساعته مهلت ثبت نام: 🔸۸ مرداد 💰هزینه دوره: ۲۰۰ هزار تومان ❌ظرفیت محدود ✅مناسب برای دانشجویان اقتصاد حسابداری، رشته های مهندسی و تمامی رشته های مدیریت و علاقمندان حوزه و پژوهشگران مالی ●تمامی رشته ها لینک ثبت نام و پرداخت : https://wtb.iau.ir/free-education-center/fa/form/1070 راه ارتباطی و اطلاعات بیشتر: https://chat.whatsapp.com/CtOUqrHN3hiFCNnqJFhNrv شماره تماس:09350903536