🚀 کلاس‌ویژن | یادگیری هوش مصنوعی از پایه تا پیشرفته

کدی که در کلاس دیدیم از این بلاگ پست برداشته شده بود.

#آموزش #سورس_کد Building a book Recommendation System using Keras https://towardsdatascience.com/building-a-book-recommendation-system-using-keras-1fba34180699 #recommendation #keras #embeddings

#خبر فیس بوک فریم ورک pytext را برای کارهای NLP منتشر کرد #PyText, a framework built on #PyTorch to help developers more quickly & easily experiment with and deploy NLP models https://code.fb.com/ai-research/pytext-open-source-nlp-framework/ #nlp #pytext

تمرین صوت: گروه اول: خانم نفیسه داوری - خانم المیرا قربانی -آقای امیرمحمد قریشی - آقای محمد حسن ستاریان - خانم عاطفه ولی پور - خانم جی رودی کلمه: روشن شو گروه دوم: خانم مهدیان‌ و خانم دستنبوی و خانم محمدی و اقای خزایی کلمه: خاموش شو گروه سوم: آقای بردیا اسمعیلی - آقای محمد قربانی - خانم زحمت کش - آقای خوشمهر- آقای اسمعیلی ضبط کن گروه چهارم: آقای نیکی ملکی ماشین حساب گروه پنجم: خانم برادران و گروه کگل گرامافون گروه ششم سیده نرجس هاشمی کلمه: شروع کن گروه هفتم: اسفندیاری - مدنی - اشعاری کلمه: "برخیز"

نوت بوکهای زیر در گیت آپلود شدند برای کاهش حجم ریپوی گیت فایل های مورد نیاز در آدرس دیگر قرار گرفته شد و در ابتدای نوت بوک لینک شده است: http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/tree/master/50-machine-translation-with-attention http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/tree/master/51-Trigger-word-detection

مباحث کلاس نوت ⬛️این علامت یعنی انتخاب شده 🔲این علامت یعنی هنوز کسی آن را انتخاب نکرده است. ⬛️multi label classification در کراس - خانم مهدیان ⬛️batch-norm - آقای مدنی ⬛️Learning-rate Decay - آقای مدنی ⬛️find Learning rate - خانم داوری ⬛️cyclic-learning-rate and Stochastic Gradient Descent with Restarts - خانم داوری ⬛️ multi label classification در fastAi - خانم ولی پور ⬛️آموزش تنسرفلو - خانم جی رودی ⬛️Global Pooling و Adaptive pooling - خانم یوسفی ⬛️RNN - خانم برادران ⬛️LSTM & GRU خانم قربانی ⬛️word embedding - intro - خانم هاشمی ⬛️word embedding - word2vec - خانم زحمت کش ⬛️word embedding - gloVe - خانم زحمت کش ⬛️ BERT - آقای خوشمهر ⬛️ Seq2Seq - خانم محمدی ⬛️recommend system - آقای قربانیان ⬛️ music generation - خانم سلیمیان ⬛️ attention - آقای ستاریان ⬛️ image captioning - خانم دست نبوی ⬛️کد های trigger word detection - آقای اسفندیاری ⬛️ ctc loss - آقای اسمعیلی ⬛️ object detection -آقای قریشی ⬛️ GAN - آقای خزاعی ⬛️ style transfer - خانم آرزو یوسفی

نمرات کگل. در فرصت باقی مانده اگر زیر 50 بیاید نمرات به روز خواهد شد.

صعود 686 پله ای گروه E کلاس و رتبه 231 از 2181 تیم شرکت کننده تا این لحظه: https://www.kaggle.com/c/quora-insincere-questions-classification/leaderboard گروه E: خانم هاشمی آقای موسوی آقای خوش‌مهر

تمارین سری 4 برای آپلود روی سایت است، تا شنبه تاخیر نخواهد داشت، بعد از آن یک روز با تاخیر میتوانید آپلود کنید.

تبریک خیلی ویژه به تیم A کلاس. 208 رتبه صعود و رتبه 90 از 2136 گروه چالش Quora Insincere Questions Classification https://www.kaggle.com/c/quora-insincere-questions-classification/leaderboard اعضا: خانم نفیسه داوری خانم المیرا قربانی آقای امیرمحمد قریشی آقای محمد حسن ستاریان خانم عاطفه ولی پور خانم جی رودی 👏👏👏

#آموزش #معرفی_کتابخانه اگر میخواهید تو هر فریم ورکی که هستید! یا حتی فریم ورک نیستید! با نامپای کار میکنید ولی میخواهید از ابزار tensorboard تنسرفلوی گوگل استفاده کنید؛ فقط کافیه https://github.com/lanpa/tensorboardX را نصب کنید و SummaryWriter این کتابخانه را صدا بزنید. این کتابخونه با فرمت summary استاندارد تنسرفلو خروجی های مورد نیاز را در فایل ذخیره می‌کند و میتوانید با تنسربورد مشاهده کنید...

تاریخ های مهم: تحویل تمرین سری 4: جمعه 23 آذر ماه تحویل چالش طبقه بندی متن Kaggle : شنبه 24 آذر تحویل تمرین سری 5 (شناسایی صوت): آپلود 2 دی - تحویل و تست حضوری: 3 دی تحویل پروژه عملی: 25 دی ماه

هوش مصنوعی گوگل، با استفاده از یادگیری عمیق، بهتر از هر آدم خبره ای لب خوانی میکند: Google’s DeepMind AI can lip-read TV shows better than a pro: pic: https://d1o50x50snmhul.cloudfront.net/wp-content/uploads/2016/11/21090036/l4.gif برای اینکار شبکه با 118,000 عبارت در 5000 ساعت برنامه ی ویدیویی که غالبا شامل اخبار بوده آموزش دیده است اطلاعات بیشتر: 🔗https://www.newscientist.com/article/2113299-googles-deepmind-ai-can-lip-read-tv-shows-better-than-a-pro مقاله مرتبط: https://arxiv.org/pdf/1611.05358v1.pdf

تمرین سری 4: نوت بوک گوگل برای machine translation را بخوانید: https://github.com//tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/nmt_with_attention/nmt_with_attention.ipynb#scrollTo=CiwtNgENbx2g این نوت بوک 25 روز پیش توسط گوگل به روزرسانی شده است. سوال 1: آن را روی دیتاست تاریخ که در نوت بوکی که در کلاس دیدیم آموزش دهید. سوال 2: از سایت http://www.manythings.org/anki/ یک زبان دلخواه غیر زبان مثال اتخاب کنید و سعی کنید مدل را آموزش دهید. سعی کنید این کار را با زبان فارسی انجام دهید. اما دیتاست فارسی سایت محدود است و ممکن است به پاسخ دلخواه نرسید. مهلت: جمعه شب همین هفته تمرین سری 5: تشخیص یک فرمان صوتی با شبکه های RNN. در قالب یک گروه 1 تا 6 نفره trigger word فارسی خود را انتخاب کرده و اعضای گروه + کلمه انتخاب شده را تا جمعه شب ارسال کنید. این نرم افزار نباید از فایل صوتی بخواند و مستقیما بر اساس ورودی صوتی میکروفون لپ تاپ یا موبایل باید رخداد بیان کلمه را تشخیص دهد. مهلت: 2 دی ماه - ارسال در سامانه آزمونک. تست نرم افزار روی لپ تاپ سرپرست هر تیم شنبه صبح (3 دی) این تمرین در صورتی که بدون ارور کار کند تا نیم نمره مثبت (علاوه بر نمره تمرین) و اگر تمام چالش های بک گراند صوتی شلوغ و ... رفع کرده باشد تا 2 نمره مثبت اضافی خواهد داشت. برای این تمرین تمام اعضای کلاس برای جمع آوری دیتاست های دیگر گروه ها کمک خواهند داد. جمع آوری دیتاست های اضافه تر برای بهبود کارایی مدل از جمله کارهایی است که برای افزایش دقت مدل و نمره مثبت بیشتر انجام داد.

به خاطر همزمانی ارائه کگل دوم، با پروژه، لطفا دموی 2 یا 3 دقیقه ای پروژه را تا 1 دی ارسال کنید

T-SNE http://www.cs.toronto.edu/~hinton/absps/tsne.pdf (2008)

در مورد این مقایسه برای خروجی ترجمه ماشینی یا image captioning صحبت شد ولی جزئیات آن توضیح داده نشد. در صورت تمایل این ویدیو را ببینید Bleu score