بهترین جواب برا سوالی که از دیشب ذهنمو درگیر کرده بود😂😂😂
"So in summary, things are not as simple as swapping sigmoid/tanh with ReLU. As soon as you add ReLU, you need above changes to compensate for other effects."

Many Data Science aspirants struggle to find good projects to get a start in Data science or #MachineLearning.

Here is the list of few #DataScience projects (found on kaggle), it covers Basics of Python, Advanced Statistics, #SupervisedLearning (Regression and Classification problems)

1. Basic #python and #statistics

Pima Indians : https://www.kaggle.com/uciml/pima-indians-diabetes-database

Cardio Goodness fit : https://www.kaggle.com/saurav9786/cardiogoodfitness

Automobile : https://www.kaggle.com/toramky/automobile-dataset

2. Advanced Statistics

Game of Thrones:
https://www.kaggle.com/mylesoneill/game-of-thrones

World University Ranking:
https://www.kaggle.com/mylesoneill/world-university-rankings

IMDB Movie Dataset: https://www.kaggle.com/carolzhangdc/imdb-5000-movie-dataset

3. Supervised Learning

a) Regression Problems

How much did it rain : https://www.kaggle.com/c/how-much-did-it-rain-ii/overview

Inventory Demand: https://www.kaggle.com/c/grupo-bimbo-inventory-demand

Property Inspection predictiion:
https://www.kaggle.com/c/liberty-mutual-group-property-inspection-prediction

Restaurant Revenue prediction:
https://www.kaggle.com/c/restaurant-revenue-prediction/data

IMDB Box office Prediction:
https://www.kaggle.com/c/tmdb-box-office-prediction/overview

b) Classification problems

Employee Access challenge :
https://www.kaggle.com/c/amazon-employee-access-challenge/overview

Titanic :
https://www.kaggle.com/c/titanic
San Francisco crime:
https://www.kaggle.com/c/sf-crime

Customer satisfcation:
https://www.kaggle.com/c/santander-customer-satisfaction
Trip type classification:

https://www.kaggle.com/c/walmart-recruiting-trip-type-classification

Categorize cusine:
https://www.kaggle.com/c/whats-cooking

#پروژه #منابع #الگوریتمها #یادگیری_ماشین #هوش_مصنوعی #علم_داده #پایتون

❇️ @AI_Python

A Gentle Introduction to Dropout for Regularizing Deep Neural Networks
https://machinelearningmastery.com/dropout-for-regularizing-deep-neural-networks/

ریپازیتوری جامعی از منابع های هوش مصنوعی

1. #MachineLeaning and #DeepLearning (50 books)

2. #Python Books

3. Math Books for Machine Learning (19 books)

4. #NLP Books(11 books)

5. #ComputerVision (CV) #Book

6. #ReinforcementLearning Books

7. #SpeechProcessing

8. cheatsheets

https://github.com/loveunk/Deep-learning-books

#منابع #الگوریتمها #هوش_مصنوعی #پردازش_زبان_طبیعی #بینایی_کامپیوتر #کتاب #پردازش_گفتار #پایتون

❇️ @AI_Python

چند تا پروژه دیپ لرنینگ...

https://projects.datacamp.com/projects/555
https://projects.datacamp.com/projects/509
https://www.kaggle.com/c/cifar-10

و چند تا دیگه...

Deep Learning Course
Spring 2021 New York University
https://youtube.com/playlist?list=PLLHTzKZzVU9e6xUfG10TkTWApKSZCzuBI

معرفی چند کانال یوتیوب خوب برای یادگیری ماشین و هوش مصنوعی

https://www.youtube.com/user/sentdex/videos

https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg

https://www.youtube.com/channel/UCSHZKyawb77ixDdsGog4iWA

https://www.youtube.com/user/dataschool/videos

https://www.youtube.com/channel/UC5zx8Owijmv-bbhAK6Z9apg/playlists

https://www.youtube.com/c/DeepLearningTV/featured

#هوش_مصنوعی #یادگیری_ماشین
🆔 @Ai_Tv

جایگزین‌های colab گوگل
https://blog.paperspace.com/best-google-colab-alternatives/

در سال 2020 دانشگاه CMU یا Carnegie Mellon University کلاس هوش مصنوعی و یاد گیری ماشین به صورت مجازی داشته که متاسفانه توی سایت خود دانشگاه اجازه دسترسی تنها برای دانشجویان این کلاس است .
اما از بخت خوب ما این کلاس یک کانال یوتیوبی داشته که ویدیو های کلاس را داخل اون قرار میداده و یک حرکت بسیار قشنگ تری که کردن این بود که اسلاید ها و حتی مطالبی که داخل ویدیو مینوشتند رو هم به صورت open source قرار داده اند .
یکی از خوبی های این کلاس این سات که هم به صورت عملی است و هم به صورت علمی و تئوری است ، اصلا کلاس خسته کننده ای ندارن.
جدیدا دانشجو های کامپیوتر دارن همه چیز رو به صورت open source قرار میدن و خیلی جالبه که نسل قبلی آنها همه چیز رو انحصاری میکردن ولی نسل بعدی برعکس نسل قبلیست .

صفحه اصلی این کلاس :
https://www.cs.cmu.edu/~mgormley/courses/10601-s20/
پلی لیست :
https://www.youtube.com/playlist?list=PLpqQKYIU-snAPM89YPPwyQ9xdaiAdoouk

اسلاید ها و pdf ها :
https://www.cs.cmu.edu/~mgormley/courses/10601-s20/slides/

نوشتها و توضیحات داخل ویدیو ها :
https://onedrive.live.com/redir?resid=2A78C342EA463DA9%21881&authkey=%21ABXJKwZXCIDAwjo&page=View&wd=target%28Lecture%201A.one%7C3e610435-ea2d-e945-8078-89b646bf348f%2FCourse%20Overview%7C8566b634-6224-47cf-b5da-b82a40a339cb%2F%29

اگر میخواهید ترتیب کلاس ها و ارتباط فایل ها با ویدیو رو ببینید :
https://www.cs.cmu.edu/~mgormley/courses/10601-s20/schedule.html

مدرس این کلاس هم کلاسای بسیاری رو در این زمینه قبلا بر گزار کرده که امسال هم دو کلاس رو داره بر گزار میکنه که در لینک زیر میتونید با ایشون بیشتر آشنا شید :
https://www.cs.cmu.edu/~mgormley/

اگر دنبال یکسری ارایه و Cutting Edge در زمینه یادگیری ماشین هستید این جا تعداد انگشت شماری ویدیو هست :
https://www.youtube.com/c/mldcmu/videos

لینک کانال یادگیری عمیق یا Deep Learning دانشگاه CMU :
https://www.youtube.com/channel/UC8hYZGEkI2dDO8scT8C5UQA/playlists
کلی مطلب قرار دادن از ویدیو های کلاسهای آموزشی گرفته و پروژه های آخر ترم دانشجوها و...

https://www.youtube.com/watch?v=0Oqpax2Q2hc&list=PLp-0K3kfddPzCnS4CqKphh-zT3aDwybDe
دوستانی که میخواهند سریع برن سراغ اصل مطلب . این لینک برای سال 2020 و مقدمه ای به یادگیری عمیق

گروه DeepLearning and AI

https://t.iss.one/DeepLearningAIExperts

گروه پردازش زبان طبیعی NLP:

https://t.iss.one/NLPExperts

گروه زبانهای برنامه نویسی پایتون و لینوکس و...

https://t.iss.one/PythonLinuxExperts

کانال گروه :
❇️ @AI_Python

اگه دنبال منبع خوب برای پردازش صوت هستید، حتما حتما به کانال یوتیوب آقای Valerio Velardo رو سر بزنید. آموزش‌های بسیار خوبی داره. 👌

زلفشم که... 😁👌

https://youtube.com/c/ValerioVelardoTheSoundofAI

@pytorch_howsam

‌ارائه‌ای با موضوع «معیار هوشمندی»

مهدی‌مون فردا (چهارشنبه ۱۲ آبان) ساعت ۱۰ قراره راجع به معیار هوشمندی صحبت کنه. دید خیلی خوبی از وضعیت واقع‌گرایانه‌ی حال و آینده هوش بهتون میده. از دست ندید و لطفا دست‌به‌دست کنید.

خلاصه: به لطف یادگیری عمیق، امروز ما در بهار هوش مصنوعی هستیم. مدل‌های از پیش آموزش دیده بزرگ عملکرد خیره‌کننده را در مسائل در حوزه‌های پردازش تصویر، پردازش زبان و پردازش صوت به دست آورده‌اند و حتی در بعضی از موارد از عملکرد انسانی نیز پیشی گرفته‌اند.
نکته ناامیدکننده اما این است که مدل‌های عصبی امروزی در برابر حملات خصمانه شکننده‌اند، بسیار به داده گرسنه‌اند و از همه مهمتر قادر به انتقال یادگیری خود به محیط‌‌های نو نیستند. این نقاط تاریک این سوال را به وجود می‌آورد که آیا واقعا این شبکه‌ها هوشمند هستند؟ برای فهمیدن این مطلب ابتدا بایستی هوش را تعریف کنیم. ما برای بررسی این بحث از نظرات «فرانسوا شله» کمک می‌گیریم. در این ارائه ما پس از بررسی ویژگی‌های موردنیاز برای تعریف هوش، تعریف صوری «شله» از هوش را بحث خواهیم کرد. سپس با محک ARC که توسط «شله» برای سنجیدن هوش خلق شده است آشنا می‌شویم و به گمانه‌پردازی می‌پردازیم که چاره و راه حل این چالش به چه شکل خواهد بود. در انتهای بحث در مورد تعریف هوش احتمالا با سوالات چالش برانگیزتری مواجه خواهیم شد. آیا دیپ لرنینگ همه آن چیزی است که برای رسیدن به مقصد هوش مصنوعی نیاز داریم یا این که قربانی زمستان بعدی هوش مصنوعی خواهد بود؟

لینک اتاق برگزاری:
https://vc.sharif.edu/ch/rohban


#overfit

@nlp_stuff

امروز به یک Course خیلی باحال برخوردم که توی دانشگاه Stanford توسط Donald Knuth بر گزار شده با اسم Lectures on Mathematical Writing

توی این دوره میخوان بهمون یاد بدن که چطور بتونیم مقاله و کتابی بنویسیم که بیس اکثر مفاهیمش ریاضیاته

به شدت توصیه میکنم ببینید حتی به خودم :))) خیلی بهمون توی نوشتن مقالات کمک میکنه
https://youtube.com/playlist?list=PLOdeqCXq1tXihn5KmyB2YTOqgxaUkcNYG

توی این دوره Lecturer های مهمانی هم هستند مثل Jeffrey Ullman و Leslie Lamport

اینم Lecture Notes های این دوره

https://jmlr.csail.mit.edu/reviewing-papers/knuth_mathematical_writing.pdf

۳ تا کورس جمع و جور کراس و تنسورفلو از دیتاکمپ
https://www.datacamp.com/courses/introduction-to-deep-learning-with-keras
https://www.datacamp.com/courses/advanced-deep-learning-with-keras
https://www.datacamp.com/courses/introduction-to-tensorflow-in-python