🚀 کلاس‌ویژن | یادگیری هوش مصنوعی از پایه تا پیشرفته

#آموزش #ویدیو #وبینار Build TensorFlow input pipelines with tf.data ⚪️فیلم وبینار فارسی tf.data و راه‌کارهای افزایش سرعت آموزش - پنج‌شنبه مورخ ۱۴ فروردین ۱۳۹۹ ⚪️سطح: پیشرفته (کد نویسی) این وبینار به آموزش مراحل ساخت pipeline ورودی TensorFlow2 و keras با tf.data و دلایل استفاده نکردن از پیش‌پردازش‌های keras نظیر ImageDataGenerator و لزوم بهره‌گیری از tf.data پرداخته است. بعد از بررسی گام‌های مختلف ETL به عنوان مثال عملی، Transfer learning برای طبقه بندی تصویر را با tf.data انجام دادیم. در نیمه‌ی دوم وبینار بیشتر روی افزایش performance سرعت آموزش و تست بحث شد و راه‌کارهایی نظیر prefetch، Parallelize ، transformation، cache،snapshot، tf.function، XLA و همچنین mixed precision بحث شد. اسلاید‌های وبینار https://www.slideshare.net/Alirezaakhavanpour/build-tensorflow-input-pipelines-tfdata فیلم وبینار در آپارات: https://www.aparat.com/v/HGvC2 کدهای اسلایدها و مثال عملی: https://github.com/Alireza-Akhavan/class.vision/tree/master/tf2 @cvision @irandeeplearning #TensorFlow #keras

به خانم‌ها مهدیان و داوری برای پذیرفته شدن مقاله منتج از پایان نامه کارشناسی ایشان در 28 —امین کنفرانس برق با موضوع Persian Document Classification Using Deep Learning Methods تبریک عرض میکنم👏 http://icee2020.tabrizu.ac.ir/

Multiple Object Tracker, Based on Hungarian algorithm + Kalman filter. https://github.com/Smorodov/Multitarget-tracker

#کارگاه_های_آموزشی_کنفرانس ✅ کارگاه آموزشی: شبکه‌های مولد تخاصمی (GAN) و پیاده‌سازی در کراس / تنسورفلو 👈 برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند. https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa http://mvip2020.ut.ac.ir @mvip_2020

#کارگاه_های_آموزشی_کنفرانس ✅ کارگاه آموزشی: آشنایی با کراس/ تنسورفلو 👈 برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند. https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa http://mvip2020.ut.ac.ir @mvip_2020

#کارگاه_آموزشی کارگاه‌های آموزشی یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند. 🙏Thanks to: @shenasa_ai | @mvip_2020

#آموزش #سورس_کد #andrew_ng #python #machinelearning بی شک یکی از بهترین آموزش هایی که رو اینترنت هست کورس یادگیری ماشین Andrew Ng است، و واقعا حس شیرین یادگیریو به آدم منتقل میکنه و گذروندن این کورس بی نظیر جزو خاطرات خوب من هست... همان طور که میدانید متاسفانه در آن زمان به جای پایتون، متلب برای تمارین و آموزش ها استفاده شده بود. حالا در زیر فردی پیدا شده که همه کدهای این کورس را را با پایتون بازنویسی کرده: https://github.com/dibgerge/ml-coursera-python-assignments

#خبر گوگل کولب pro چیست؟ اگر قبلا با گوگل کولب کار کرده باشید شاهد محدودیت هایش هم بوده اید. از مهمترین این محدودیت ها اینه که کانکشنتون بعد یه مدت قطع میشه، محدودیت رم داره، دسترسی SSH ندارید و نوت بوک باید باز باشه و ... اما طبق تجربه این کاربر در توئیتر با پرداخت ماهی 10 دلار میتوانید عضو نسخه با محدودیت کمتر این ابر پردازشی شوید: https://colab.research.google.com/signup از مزیت های اصلی آن : * Execlusive excess to faster GPUs and TPUs * Duration for connection is 24 hrs * Larger memory ~ 27 GB * ssh access to the notebook * terminal interface inside colab * larger hard drive

Image Captioning (RNN + CNN) + Attention https://www.aparat.com/v/qD1Mi این کاربرد برای توصیف فارسی تصاویر هم به راحتی قابل انجام است. اما دیتاست فارسی هنوز منتشر نشده. در این راستا با فعالیت از این پروژه متن باز حمایت کنید: imagecaptioning.ir/

سرفصل های این دوره: قسمت اول – 18 دقیقه - مقدمات شبکه های بازگشتی قسمت دوم – 21 دقیقه - یک سلول (واحد) بازگشتی ساده و شبکه بازگشتی قسمت سوم – 32 دقیقه - پیاده‌سازی تخمین تابع با شبکه‌های بازگشتی ساده قسمت چهارم – 4 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۱) قسمت پنجم – 11 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۲) قسمت شـشـم – 19 دقیقه - محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی قسمت هفتم – 26 دقیقه - شبکه‌های GRU قسمت هشتم – 8 دقیقه - شبکه‌های LSTM قسمت نهم – 9 دقیقه - دیاگرام شبکه‎های LSTM قسمت دهم – 9 دقیقه - مثال‌هایی از داده‌های توالی و ترتیبی قسمت یازدهم – 5 دقیقه - شبکه‌های بازگشتی عمیق قسمت دوازدهم – 34 دقیقه - تخمین قیمت ارزهای دیجیتال – پیش‌پردازش داده قسمت سیزدهم – 22 دقیقه - تخمین قیمت ارزهای دیجیتال – بالانس کردن داده‌ها و آموزش قسمت چهاردهم – 34 دقیقه - شبکه‌های بازگشتی برای طبقه‌بندی ویدیو – مثال تشخیص جهت حرکت توپ قسمت پانزدهم – 41 دقیقه - مثال دوم طبقه‌بندی ویدیو – بازشناسی عملکرد در ویدیو قسمت شانزدهم – 32 دقیقه - درک بردار کلمات و بازنمایی آن‌ها قسمت هفدهم – 11 دقیقه - ویژگی‌های بازنمایی کلمات و لایه Embedding قسمت هجدهم – 27 دقیقه - مثال عملی آنالوژی با بردار کلمات قسمت نوزدهم – 14 دقیقه - طبقه‌بندی متن قسمت بـیـسـتـم – 20 دقیقه - پیاده‌سازی طبقه‌بندی متن با روش Bag-of-Embeddings قسمت بیست و یکم – 29 دقیقه - طبقه‌بندی متن با شبکه بازگشتی قسمت بیست و دوم – 57 دقیقه - مدل زبانی – تولید اشعاری شبیه به شاهنامه قسمت بیست و سوم –16 دقیقه - جمع‌بندی و معرفی شبکه‌های بازگشتی دوطرفه قسمت بیست و چهارم – 14 دقیقه - مدل‌های توالی به توالی قسمت بیست و پنجم – 27 دقیقه - مثال عملی Seq2Seq برای فهم رشته عملیات ریاضی قسمت بیست و شـشـم – 15 دقیقه - مقدمات ترجمه ماشینی قسمت بیست و هفتم – 15 دقیقه - الگوریتم جست و جوی پرتو قسمت بیست و هشـتم – 60 دقیقه - مکانیزم توجه در ترجمه ماشینی قسمت بیست و نهم – 30 دقیقه - پیاده‌سازی ترجمه ماشینی در کراس برای تبدیل تاریخ قسمت سـی‌ام – 15 دقیقه - روش کمک معلم قسمت سی و یکم – 41 دقیقه - پیاده‌سازی ترجمه ماشینی با مکانیزم توجه و Teacher Forcing در تنسرفلو ۲ قسمت سی‌ و دوم – 28 دقیقه - شرح تصاویر با توجه بصری Part 1 – 18 Minutes - Introduction to Recurrent Neural Networks Part 2 – 21 Minutes - A Simple RNN Unit & RNN Network Part 3 – 32 Minutes - Sinewave Prediction using RNN Part 4 – 4 Minutes - Variable RNN sequence lengths (1) Part 5 – 11 Minutes - Variable RNN sequence lengths (2) Part 6 – 19 Minutes - Exploding and Vanishing Gradients in RNNs Part 7 – 26 Minutes - Gated Recurrent Unit (GRU) Networks Part 8 – 8 Minutes - Long Short-Term Memory (LSTM) Networks Part 9 – 9 Minutes - LSTM in Picture Part 10 – 9 Minutes - Examples of Sequential Data Part 11 – 5 Minutes - Deep RNNs Part 12 – 34 Minutes - Cryptocurrency Price Prediction – Data Pre-Processing Part 13 – 22 Minutes - Cryptocurrency Price Prediction – Handling Imbalanced Data and Model Training Part 14 – 34 Minutes - RNN for Image Classification – Determining the Direction of the Ball Part 15 – 41 Minutes - Video Classification and Action Recognition using RNN Part 16 – 32 Minutes - Understanding Word Embeddings Part 17 – 11 Minutes - Word Analogy, Embedding Layer in Keras Part 18 – 27 Minutes - Solving Analogies by Representing Words as Vectors Part 19 – 14 Minutes - Text Classification Part 20 – 20 Minutes - Bag-of-Embeddings for Text Classification Part 21 – 29 Minutes - Text Classification with an RNN Part 22 – 57 Minutes - Text Generation with an RNN (Language Model) Part 23 – 16 Minutes - Review – Bidirectional RNNs Part 24 – 14 Minutes - Seq2Seq Models Part 25 – 27 Minutes - Practical Example of Seq2Seq for Understanding the Mathematical Operations Part 26 – 15 Minutes - Introduction to Machine Translation Part 27 – 15 Minutes - Beam Search Part 28 – 60 Minutes - Attention in Neural Machine Translation Part 29 – 30 Minutes - Neural Machine Translation for Converting Date in Keras Part 30 – 15 Minutes - Teacher Forcing Part 31 – 41 Minutes - Neural Machine Translation with Attention and Teacher Forcingin TF2.0 Part 32 – 28 Minutes - Image Captioning with Visual Attention

#دوره_آموزشی شبکه‌های عصبی عمیق منتشر شد قسمت‌هایی از این دوره 32 قسمتی برای ارزیابی خریداران گرامی در آپارات بارگزاری شد: https://www.aparat.com/v/zqbc8 لینک خرید به زودی در کانال منتشر میشود. گیت‌هاب کلاس و کدها: https://github.com/Alireza-Akhavan/rnn-notebooks

پذیرفته شدن fully funded مهندس وحید رضا خزاعی در دانشگاه وسترن کانادا را تبریک عرض میکنم به امید موفقیت های روز افزون ایشان و دوستان کلاس👏

به آقایان وحیدرضا خزاعی، بردیا اسمعیلی و امیرمحمد قریشی بابت پذیرفته شدن مقالاتشون در یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران (mvip2020) را تبریک عرض می‌کنم. کارهای قبول شده ادامه کار پروژه کارشناسی این دوستان بوده است. همچنین مجموعا 109 کار پذیرفته شده، و از این بین 75 کار برای Oral Presentation پذیرفته شدند که این سه گروه همگی از نوع Oral Presentation پذیرفته شدند.👏 که لیست پذیرفته شدگان مشخصت است: https://mvip2020.ut.ac.ir/paper?accept_type=24&search=Go چکیده ها هم از اینجا میتوان دید: An Ensemble Model For Human Posture Recognition https://mvip2020.ut.ac.ir/paper?manu=39160 Occluded Visual Object Recognition Using Deep Conditional Generative Adversarial Nets and Feedforward Convolutional Neural Networks https://mvip2020.ut.ac.ir/paper?manu=39091 Simultaneous Vehicle Detection and Classification Model based on Deep YOLO Networks https://mvip2020.ut.ac.ir/paper?manu=39187

حضور وزیر ارتباطات در مراسم اهدای جوایز چالش پلاک مخدوش که تیم دوستان کلاس حائز رتبه شده بودند.

به آقایان محمد قربانی و امیرمحمد قریشی بابت کسب مقام سوم (مسابقه اول و دوم نداشته!) در مسابقات تشخیص پلاک مخدوش امیرکبیر تبریک عرض میکنم👏

کدها (نوت بوک) به همراه اسلاید ورک‌شاپ شبکه های عصبی بازگشتی (RNN) در تنسرفلو 2 و کراس که در صندوق نوآوری و شکوفایی برگزار گردید در گیت‌هاب آپلود شدند: https://github.com/Alireza-Akhavan/rnn-notebooks

یک برنامه که خطوط و شکل های اضافی اطراف متون را حذف میکند و تشخیص متن در تصویر (OCR) و حل کردن کپچاهای ساده را راحت تر میکند. https://github.com/yikeqicn/DeepErase 🙏Thanks to: @techinsider_channel

چالش Question Answering کگل که جایزه ی ویژه ای برای پاسخ ها با تنسرفلو 2 گذاشته! TensorFlow 2.0 Question Answering https://www.kaggle.com/c/tensorflow2-question-answering/notebooks