🚀 کلاس‌ویژن | یادگیری هوش مصنوعی از پایه تا پیشرفته

تشخیص چهره- بخش اول- علیرضا اخوان پور-1 •one-shot learning: Face Verification & Recognition •Siamese network •facenet triplet loss برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید : https://www.aparat.com/v/xdC7r برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید: @partdpai

#سورس_کد #آموزش 57 نوت بوک یادگیری عمیق و بینایی ماشین مباحث ویژه ی 1و 2 مقطع کارشناسی دانشگاه شهید رجایی با موضوع مقدمت بینایی کاپیوتر و یادگیری ژرف مقدماتی و پیشرفته بود و در ترم بهمن 96 و مهر 97 برگزار شد. با تشکر از آقای ستاریان @MH_Sattarian که لینک های اسلایدهای مرتبط و فیلمهای مرتبط هر نوت بوک را فعلا برای مباحث مباحث ویژه 1 در گیت هاب طبقه بندی کردند. به زودی این لیست تکمیل می‌شود. https://github.com/Alireza-Akhavan/class.vision #opencv #keras #tensorflow #deep_learning

تبریک به آقای خالوئی https://www.linkedin.com/in/khalooei/

#آموزش #منبع #کورس #ویدیو اسلایدها و ویدیوهای کورس بینایی ماشین و یادگیری عمیق و شبکه های کانولوشنالی دانشگاه MIT Intro to DeepLearning lecture on Deep Computer Vision and Convolutional Neural Networks MIT course schedule and slides: http://introtodeeplearning.com Lecture Video: https://www.youtube.com/watch?v=H-HVZJ7kGI0&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI&t=0s&index=15 #MIT #slides

خروجی خشن مدل #gpt2 همین الان با جمله The first thing the powerful AI do تستش کردم، و این مدل زبانی خروجی که در تصویر مشاهده میکنید را تولید کرد! در مورد این مدل بیشتر بدانید: https://t.me/cvision/1026 خودتان هم تست کنید: https://t.me/cvision/1035 #gpt2 #nlp

من به صورت اتفاقی به کدهای مباحث ویژه، بازشناسی اشیاء با وبکم دانشجوها نگاه کردم، رایج ترین اشتباه این بوده که تصویر فریم خوانده شده با opencv از وبکم برای داده شدن به یک شبکه pretrained ترتیب کانالهاش اشتباه بوده. در opencv تصویر bgr لود میشود و pill که تو خود کراس استفاده نیکنیم rgb

توصیه میکنم یکی با دیتاستی که برای کامندا جمع کردید، با این کد هم تست کنه. لطفا اگر کسی بررسی کرد به بنده هم اطلاع بده.

#آموزش #صوت Audio Classification using FastAI and On-the-Fly Frequency Transforms https://towardsdatascience.com/audio-classification-using-fastai-and-on-the-fly-frequency-transforms-4dbe1b540f89

بر اساس تعریف اینجا: https://t.me/class_vision/564 ای مدل را symbolic نوشتم یا با روش Imperative ؟ چرا؟

#آموزش from keras.utils import plot_model برای رسم گرافیکی گراف مدلتان در #keras در ویندوز علاوه بر نصب پکیج مورد تیاز با conda install pydot graphviz نیاز دارید مسیر نصب هم در PATH ویندوز اضافه کنید. بمسیر فایل اجرایی در جایی مثل زیر خواهد شد: C:\Anaconda3\pkgs\graphviz-2.38-hfd603c8_2\Library\bin\graphviz

#مقاله تفسیر پذیری شبکه ی #BagNet اطلاعات بیشتر : https://t.me/cvision/985

#مقاله یک ایده خاص! شبیه ایده ی bag of vectors یا bag of words اما در تصویر! این مقاله از ویژگی های محلی استفاده کرده و به ارتباط مکانی ویژگی ها کاری ندارد. با این وجود تنها با patchهای ۱۷ در ۱۷ به دقت معادل شبکه الکس نت رسیده است. در این شبکه هر کلاس یک heatmap خواهد داشت که در نهایت روی میانگین روی هر heatmap تنها تابع فعالیت softmax اعمال میشود. از مهمترین ویژگی های این شبکه تفسیر پذیری بالای آن است. "Approximating CNNs with Bag-of-local-Features models works surprisingly well on ImageNet" A "bag of words" of nets on tiny 17x17 patches suffice to reach AlexNet-level performance on ImageNet. A lot of the information is very local. https://t.me/cvision/984

#سوال 1 فرض کنید روی میلیون ها داده ی ساختار یافته ی یک فروشگاه یک مدل شبکه عصبی برای یک تسک خاص آموزش دادیم. حال با همان ویژگی ها میخواهیم مدل دیگری برای پیش بینی دیگری در آن فروشگاه آموزش بدیم. اما این داده ها و لیبل های متناظر در حد چند صد تا هستند فقط. شما برای ورودی دادن ویژگی های categorical به مدل جدید چه کار میکنید؟ آیا از مساله ای که روی میلیون ها داده آموزش داده بودیم کمک خاصی میتونیم بگیریم؟ راهکارتان را به خصوصی اینجانب ارسال کنید.

مدل جدید seq2seq که دو ورز پیش منتشر شده با اینکه 2 برابر سریعتر است افت کارایی نداشته!

#مقاله The Evolved Transformer The Evolved Transformer: They perform architecture search on Transformer's stackable cells for seq2seq tasks. “A much smaller, mobile-friendly, Evolved Transformer with only ~7M parameters outperforms the original Transformer by 0.7 BLEU on WMT14 EN-DE.” https://arxiv.org/abs/1901.11117 The Evolved Transformer is twice as efficient as the Transformer in FLOPS without loss in quality. #seq2seq

در ترمی که داشتیم بردار ویژگی کلمات و متون را دیدیم. همچنین captioning تصاویر را در دو جلسه متفاوت بررسی کردیم. ترکیب این دو به صورت هنرمندانه برای پیدا کردن تصاویر مشابه توسط فیس بوک.

استفاده از image captioning برای پیدا کردن تصاویر مشابه در فضای بردار ویژگی fastText Facebook BISON: An Alternative Evaluation Task for Visual-Grounding Systems https://medium.com/syncedreview/facebook-bison-an-alternative-evaluation-task-for-visual-grounding-systems-857bb5366487

در صورت تمایل میتوانید در گروه اینجانب عضو شوید.

📈📊 آمار اعضای گروه در سوال تحصیلات گروه بین یک ششم تا یک پنجم اعضای گروه شرکت نمودند. بر اساس نتایج بیش از 70 درصد اعضا تحصیلات تکمیلی هستند. و حدود 65 درصد اکنون دانشجو هستند. حدود 30 درصد گروه دانشجو یا فارغ التحصیلان کارشناسی حدود 50 درصد دانشجو یا فارغ التحصیلات کارشناسی ارشد. و حدود 20 درصد را دانشجویان یا فارغ التحصیلان دکتری و بالاتر تشکیل داده اند. https://t.me/cvision با تشکر از همراهی شما🙏

GAN — CycleGAN (Playing magic with pictures) https://medium.com/@jonathan_hui/gan-cyclegan-6a50e7600d7