Unsupervised learning with python,2019
#book
@Machine_learn

@Machine_learn
Rank-consistent Ordinal Regression for Neural Networks

Article: https://arxiv.org/abs/1901.07884

PyTorch: https://github.com/Raschka-research-group/coral-cnn

@Machine_leaen
ai ,machine learning
#code #datasets #paper
• 1146 leaderboards
• 1223 tasks
• 1105 datasets
• 14779 papers with code


https://paperswithcode.com/sota

@Machine_learn
Memory-Efficient Adaptive Optimization

Source: https://arxiv.org/abs/1901.11150

Code: https://github.com/google-research/google-research/tree/master/sm3

@Machine_learn
🚀 Introducing TF-GAN: A lightweight GAN library for TensorFlow 2.0

Tensorflow blog: https://medium.com/tensorflow/introducing-tf-gan-a-lightweight-gan-library-for-tensorflow-2-0-36d767e1abae

Code: https://github.com/tensorflow/gan

Free course: https://developers.google.com/machine-learning/gan/

Paper: https://arxiv.org/abs/1805.08318

@Machine_learn
DeepMind's OpenSpiel is a collection of environments and algorithms for research in general reinforcement learning and search/planning in games.

code: https://github.com/deepmind/open_spiel

article: https://arxiv.org/abs/1908.09453

Deep Learning with Python
The ultimate beginners guide to Learn Deep Learning with Python Step by Step
#book #DL #python
@Machine_learn

Deep Learning with Python
The ultimate beginners guide to Learn Deep Learning with Python Step by Step
#book #DL #python
@Machine_learn

@Machine_learn
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

How normalization applied to layers helps to reach faster convergence.

ArXiV: https://arxiv.org/abs/1502.03167

#NeuralNetwork #nn #normalization #DL

@Machine_learn
The largest publicly available language model: CTRL has 1.6B parameters and can be guided by control codes for style, content, and task-specific behavior.


code: https://github.com/salesforce/ctrl

article: https://einstein.ai/presentations/ctrl.pdf
C-write:ai_machinelearning_big_data
https://blog.einstein.ai/introducing-a-conditional-transformer-language-model-for-controllable-generation/

@Machine_learn
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

How normalization applied to layers helps to reach faster convergence.

ArXiV: https://arxiv.org/abs/1502.03167

#NeuralNetwork #nn #normalization #DL

discriminative :
1:#Regression
2:#Logistic regression
3:#decision tree(Hunt)
4:#neural network(traditional network, deep network)
5:#Support Vector Machine(SVM)
Generative:
1:#Hidden Markov model
2:#Naive bayes
3:#K-nearest neighbor(KNN)
4:#Generative adversarial networks(GANs)
Deep learning:
1:CNN
R_CNN
Fast-RCNN
Mask-RCNN
2:RNN
3:LSTM
4:CapsuleNet
5:Siamese:
siamese cnn
siamese lstm
siamese bi-lstm
siamese CapsuleNet
6:time series data
SVR
DT(cart)
Random Forest linear
Bagging
Boosting

جهت درخواست و راهنمایی در رابطه با پیاده سازی مقالات و پایان نامه ها در رابطه با مباحث deep learning و machine learning با ایدی زیر در ارتباط باشید
@Raminmousa

#Deep Set Prediction Networks
#paper #DL
@Machine_learn

#Deep Set Prediction Networks
#paper #DL
@Machine_learn

#Deep Set Prediction Networks
#paper #DL
@Machine_learn

A Survey on semi-supervised feature selection methods
#paper #survey
@Machine_learn

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

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

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 🎬🎬