Machine learning books and papers

1: introduction two machine learning 2: Regression (linear and non-linear) 3: Tensorflow introduction 4: Tensorflow computaion graph 5: Tensorflow optimizer and loss function 6: Tensorflow linear and non linear regression 7: logistic regression 8: Tensorflow regression _______ 9: introduction to traditional machine learning *10: knn and desicion tree *11: desicion tree and Naive bayes *12: desicion tree, knn, Naive bayes implementation *13: k-means *14: Guassion Mixture Model(GMM) *15: implementation K-means and GMM _____________ 16: introduction to Artificial Neural Network 17: Multi-level Neural Network 18: Introduction to Convolution Neural Network 19: Tensorflow Multi-level Neural Network 20:Tensorflow CNN 21:CNN image clasaification 22: Cnn text clasaification 23: Recurrent Neural Network(RNN) 24: implementation RNN 25: RNN image Classification 26: RNN text Classification __________ *optional class در این دوره که در ۲۶ جلسه برگزار می شود بسیاری از سرفصل های یادگیری ماشین آموزش داده می شوند تمامی الگوریتم ها بغییر از * براساس کتابخانه Tensorflow اموزش داده می شوند. از پیش نیاز های این دوره آشنایی به زبان پایتون می باشد در صورت عدم آشنایی ۵ جلسه به موارد بالا اضافه می شود. این ۵ جلسه حدودا ۱۰ ساعت کد نویسی می باشد. جلسات به صورت آنلاین و از طریق اسکایپ برگزار می شوند. در انتهای جلسات جهت یادگیری بیشتر چند مساله واقعی به همراه کدنویسی و بدون هزینه برگزار می شود. کلاس ها به صورت کاملا خصوصی می باشند. جهت رزرو وقت کلاس با ایدی تلگرام زیر در ارتباط باشین. 📱 Teleg: @Raminmousa

​​📹Artificial caricature Agents learn to draw simplified (artistic?) portraits via trial and error. Project website: https://learning-to-paint.github.io ArXiV: https://arxiv.org/abs/1910.01007 #GAN #CelebA #DL

BigBiGAN representation learning models https://arxiv.org/abs/1907.02544  TF Hub: https://tfhub.dev/s?publisher=deepmind&q=bigbigan Try them out in a Colab at: https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/bigbigan_with_tf_hub.ipynb

Title: Rebooting AI : building artificial intelligence we can trust / Gary Marcus and Ernest Davis. #book #AI @Machine_learn

😐 😐😐 😐😐😐 😐😐😐😐 😳 https://www.theregister.co.uk/AMP/2019/09/27/youtube_ai_star/

✅How to Develop a CycleGAN for Image-to-Image Translation with Keras https://machinelearningmastery.com/cyclegan-tutorial-with-keras/

​​📹Artificial caricature Agents learn to draw simplified (artistic?) portraits via trial and error. Project website: https://learning-to-paint.github.io ArXiV: https://arxiv.org/abs/1910.01007 #GAN #CelebA #DL

@Machine_learn Tensorflow 2.0 release Faster TPU support TensorFlow datasets Change log: https://medium.com/tensorflow/tensorflow-2-0-is-now-available-57d706c2a9ab #google #tensorflow #dl #tf

با سلام با عنایت به ضرورت جمع آوری دیتا جهت انجام پروزه های تحقیقاتی موجود، لازم است تعدادی توکن دسترسی (َaccess token) به توییتر تهیه گردد. هر یک از دوستان که توکن دارند و یا توانایی گرفتن توکن رو دارند در این راستا کمک های لازمه را انجام دهند. با تشکر https://developer.twitter.com/en/docs/basics/authentication/guides/access-tokens.html ارسال توکن: @Raminmousa

DeepMind Measures 7 Capabilities Every AI Should Have video: https://www.youtube.com/watch?v=zrF5_O92ELQ 📝 The paper "Behaviour Suite for Reinforcement Learning" https://arxiv.org/abs/1908.03568 code https://github.com/deepmind/bsuite

@Machine_learn Simple Deep Q Network w/Pytorch: https://youtu.be/UlJzzLYgYoE Reinforcement Learning Crash Course: https://youtu.be/sOiNMW8k4T0 Policy Gradients w/Tensorflow: https://youtu.be/UT9pQjVhcaU Deep Q Learning w/Tensorflow https://youtu.be/3Ggq_zoRGP4 Code Your Own RL Environments https://youtu.be/vmrqpHldAQ0 How to Spec a Deep Learning PC: https://youtu.be/xsnVlMWQj8o Deep Q Learning w/ Pytorch: https://youtu.be/RfNxXlO6BiA Machine Learning Freelancing https://youtu.be/6M04ZTLE_O4 Code from video: https://github.com/philtabor/Youtube-Code-Repository

Creating a Custom TFX Executor #TFX #Tensorflow #DL @Machine_learn https://medium.com/tensorflow/creating-a-custom-tfx-executor-28edaa3604f6 The ExampleGen TFX Pipeline Component: https://github.com/tensorflow/tfx/blob/master/docs/guide/examplegen.md#custom-examplegen video: https://www.youtube.com/playlist?list=PLQY2H8rRoyvxR15n04JiW0ezF5HQRs_8F

با عرض سلام جهت کمک به کودکان بی بضاعت تصمیم بر این شد که از این به بعد تمامی هزینه های فروش دوره یادگیری ماشین و پایتون صرف خرید#لوازم_تحریر شود. #تعداد_فروش و #اقلام_تهیه شده از طریق همین کانال اعلام میشود. مجموعه آموزشی #یادگیری_ماشین و پایتون به زبان فارسی برای دوستانی که می خواهند در این زمینه علمی قدم بگذارند تهیه شده است. قابل توجه است که تمامی سرفصل ها با پیاده سازی عملی توضیح داده شده اند. سرفصل ها از قرار زیر می باشند. پایتون: 1:print formatting 2:strings 3:advance strings 4:Range 5:list and list comprehension 6:list methods 7:numbers 8:comparison operations 9:chain operations 10:dictionary 11:collection module 12:Tuple 13:complex 14:advance sets 15:Basic Functions 16:sets and boolean 17:if,elif,else 18:for loop 19:while loop 20:Enumerate 21:iteration and generators 22:all and any 23:lambda expression 24:map 25:Reduce 26:filter 29:modules and packages 30:Functions 31:Decorators 32:File 33:object oriented programming جلسات ماشین: ۱:مقدمه ای بر یادگیری ماشین ۲: رگرسیون خطی ۳: مقدمه ای بر Numpy ۴:پیاده سازه رگرسیون خطی با Numpy ۵:نصب tensorflow ۶:مقدمه ای بر tensorflow ۶:پیاده سازی رگرسیون خطی با tensorflow ۷: درخت تصمیم گیری ۸:پیاده سازی درخت تصمیم با Numpy ۹:الگوریتم K-nearest neighbor ۱۰: الگوریتم K-means ۱۱: الگوریتم GMM(gaussian mixtural model) ۱۲: پیاده سازی GMM با numpy ۱۳:پیاده سازی GMM در SKlearn ۱۴:مقدمه ای بر شبکه های عصبی (perceptron) ۱۵: شبکه های عصبی Fully connected و error back propagation ۱۶: پیاده سازی Fully connected network در tensorflow ۱۷: مقدمه ای بر شبکه های کانولوشن ۱۸: پیاده سازی کانولوشن در tensorflow تمامی ویدیوها به همراه jupyter notebook و اسلایدهای مرتبط با هر فصل ضبط و تهیه شده اند. قیمت دوره ۱۰۰ هزار تومن #حمایت_از _کودکان برای تهیه این مجموعه با ایدی @RaminMousa در ارتباط باشید. مدرس جلسات رامین موسی 🎬🎬

Continuous Probability Distributions for Machine Learning @Machine_learn https://machinelearningmastery.com/continuous-probability-distributions-for-machine-learning/

🖥 @pythonl Welcome to world of Django , Python programming ,AI, Deep Learning, Machine Learning, Data Science by using Python Programming language. You will find up-to-date books📚 links🔗 and more you wanted. Join us and learn hot topics of Python and Machine Learning. 👉 Follow to improve your python skills @pythonl

Depth Hints are complementary depth suggestions which improve monocular depth estimation algorithms trained from stereo pairs code: https://github.com/nianticlabs/depth-hints paper: https://arxiv.org/abs/1909.09051 dataset : https://lmb.informatik.uni-freiburg.de/resources/datasets/SceneFlowDatasets.en.html