شنبه ها با یادگیری کوانتومی ماشین 👇
#quant_comp_inf_ml
#quantum
#quant_ml_comp_algo

https://youtu.be/M0R12fcTUvs
منظور از محاسبه کوانتومی چیست؟، توسط Seth Lloyd از دانشگاه MIT

https://youtu.be/SSIww8LBQCs
"الگوریتمهای کوانتومی" توسط Peter Hoyer از دانشگاه کلگری، کانادا

https://youtu.be/KTVtMKo3g80
الگوریتمهای کوانتومی برای "دسته بندی" و یادگیری ماشین. ارائه توسط Lordanis Kerenidis از دانشگاه Paris Diderot، فرانسه

سلام...اگر اهل شنیدن #پادکست هستین و علاوه بر یادگیری ماشین از #عکاسی هم خوشتون میاد یا از دوربین موبایل استفاده میکنین این یه گفتگوی خیلی خیلی عمومی درباره تاثیر هوش مصنوعی بر عکاسی هست.
#podcast_ml
https://overcast.fm/+IlguKviKY

#Machinelearning for beginner s
#page count=128
#Year=2017
#book
@Machine_learn

#job_opportunity_ml
#statistical_physics
#machine_learning
#computational_biology

Dear colleague,

We are looking for a post-doc candidate at the crossroad of statistical
physics, machine learning, and computational biology, interested in the
theoretical and applied aspect of data-driven modeling.

Thanks to recent progress in machine learning, machine learning can be used to establish models of complex systems, which remain out of reach with standard first-principle methods. The goal of the post doctoral project will be two-fold:

(1) develop unsupervised machine learning tools and apply statistical
physics methods and concepts to better understand how these methods operate and learn from data. Different unsupervised architectures will be studied and compared, including Boltzmann Machines, Restricted Boltzmann Machines, and (Variational) Autoencoders.

(2) apply these methods to model proteins from sequence data, with special emphasis on the prediction of mutational effects and mutational paths in the trypsin enzyme, in connection with high-throughput experiments by C. Nizak and O. Rivoire at College de France.

The post-doc will be located in the Department of Physics at the Ecole
Normale Superieure in Paris, under the supervision of S. Cocco and R.
Monasson. The duration of the position is of two years. Post-doc
candidates are expected to have solid knowledge in statistical physics,
inference methods and data analysis, and both analytical and computer
programming skills. Moreover he/she should have a deep interest and
possibly a previous experience in computational biology and/or
bioinformatics.

Applications should be sent by email to [email protected] or
[email protected] by January 15, 2018.
Please help us distribute this announcement.

best regards,
Simona Cocco and Rémi Monasson

‍‍ ‍‍ 🔴 گروه هایی که میتوانید سوالات تان در زمینه هوش مصنوعی، یادگیری ماشین، کلان داده، هوش تجاری، پایتون، لینوکس و فیزیک را آنجا بپرسید:


❇️ گروه تلگرام یادگیری ماشین در علم
🌎 https://t.iss.one/joinchat/BHATxw-5bxGLzC7N2l1YuQ

————————————

❇️ گروه لینکداین "Ai & BigData"
🌎 https://www.linkedin.com/groups/8721739/

————————————

❇️ دیسکاشن فروم درس "یادگیری ماشین" با اندرو ان جی: برای هر یک از ۱۱ هفته یک قسمت مجزا وجود دارد.
🌎 https://www.coursera.org/learn/machine-learning/discussions

————————————

❇️گروه تلگرام مرجع هوش تجاری ايران باحضور مدیران ارشدسازمانها،متخصصین و اساتید بنام دانشگاههای معتبر
🌎 https://telegram.me/joinchat/BLcX0k7agG82_XJ_x32Haw

————————————

❇️گروه تلگرام سوال و جواب های عمومی یادگیری ماشین
🌎 https://t.iss.one/joinchat/BHATxwnvte-BhOzLsIDa8w

————————————

❇️ وبسایت کورا:‌سوال و جواب درباره شبکه های عصبی مصنوعی
🌎 https://www.quora.com/topic/Artificial-Neural-Networks

————————————

❇️ گروه تلگرام لینوکس , هوش مصنوعی و پایتون
🌎 https://t.iss.one/joinchat/ClyM2j9QzOiYfJkHkgrMxQ

————————————

❇️ گروه تلگرام پردازش زبان طبیعی
🌎 https://t.iss.one/joinchat/ClyM2lM9sguMoBTT7rVJzw

————————————

❇️ گروه تلگرام یادگیری عمیق و یادگیری ماشین
🌎 https://t.iss.one/joinchat/ClyM2kZKfp0_jRXWpiQDkw

————————————
❇️ گروه تلگرام Deep Py R Experts !

🌎 https://t.iss.one/joinchat/BOL3TkvZeIldQgmOBymRyw

————————————
❇️ گروه تلگرام کارگروه کلان‌داده- دانشگاه صنعتی شریف
🌎 https://t.iss.one/joinchat/CCKuWj8wntjZW5yYYcLN3g

————————————

❇️ گروه تلگرام پرسش پاسخ کانال یادگیری ماشین و یادگیری ژرف
🌎 https://qa.deeplearning.ir

————————————

❇️ گروه تلگرام تبادل ایده‌ها، خبرها و همکاری بین فارِغ‌التحصیلان و دانشجویان فیزیک، اپتیک و لیزر، اپتیک کوانتومی؛ اطلاعات و محاسبات کوانتومی، نانو، ژنتیک، هسته ای، بایوفیزیک و دیگر علاقه مندان
🌎 https://t.iss.one/joinchat/BpAs4kEngMWLShMgfmxCUA

🔆 بیگ دیتا و حوزه سلامت 🔆

#BigData

@Nemoudar ✅

‍‍ ‍‍ 💠 ۱۰ تکنولوژی استراتژیک فراگیر برای ۲۰۱۹ به انتخاب Gartner

💠 Gartner Top 10 Strategic Technology Trends for 2019


❇️ Blockchain, quantum computing, augmented analytics and artificial intelligence will drive disruption and new business models.


🌎 https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019/

https://deepmind.com/blog/alphafold/
هیراکو کیتانو دانشمند ژاپنی مدیر آزمایشگاههای کامپیوتر سونی و دانشمند سیستم بیولوژی در سال 2016 یک چالش برای هوش مصنوعی تعریف کرد به عنوان سیستمی که بتونه کشفی کنه که ارزش جایزه نوبل داشته باشه . امروز دیپ مایند سیستم آلفا فولد رو برای پیش بینی ساختار پروتئین ها (از قدیمی ترین مسایل زیست شناسی) معرفی کرد که گویا دقیق ترین پیش بینی رو تا الان کرده .

‍‍ ‍‍ 💠 There is still time to register for the live virtual recap of re:Invent


♦️ When? Tomorrow - Tuesday, December 4th
♦️ What time? 9am London / 10am Berlin / 11am Kiev
♦️Where? Online
♦️Price to attend? Free

🔵 AWS Innovate, re:Invent Recap Edition 2018 takes place tomorrow! Don't miss this chance to hear the latest from AWS re:Invent including keynotes, launch announcements, and dive deep into any of the 450+ business and technical sessions delivered by AWS experts.

https://aws.amazon.com/events/aws-innovate/reinvent-recap/?sc_channel=em&sc_campaign=EMEA_GC_WEBINAR_innovate_reInvent_recap_emea_20181203&sc_medium=em_128245&sc_content=REG_reinvent_field&sc_geo=mult&sc_country=global&sc_outcome=reg&trkCampaign=aws-innovate-reinvent-recap&trk=em_aws-innovate-reinvent-recap-emea-2&mkt_tok=eyJpIjoiTURZNE9ESXhaamc1Wm1VdyIsInQiOiJHbWViREtkNGxVSVhZSTZ4S2I1ellseTF0emNLVldpRjJkUzQ0ZGZ4bWtIVWRNOWFcL0RkSVc2SGRRQXJQV3RxV1lcLzFVanRxRlVUN3hlR2VwbXVDWjd1R3hnak5pcXdyT2JnUEx2Y3F5TmpnT0ZLT2dvTU41bnJ6QTY3MmxST0JxdVNCSkxURnh2K0luWlM5Wm9sMXB3UT09In0%3D

‍‍ ‍‍ #step_by_step_code
#neural_networks

💠 چگونه شبکه عصبی متعلق به خودمان را با پایتون از صفر بسازیم

💠 How to build your own Neural Network from scratch in Python
🔵 A beginner’s guide to understanding the inner workings of Deep Learning

https://towardsdatascience.com/how-to-build-your-own-neural-network-from-scratch-in-python-68998a08e4f6

@ml_in_science

📒 کتاب " علوم داده با پایتون برای مبتدیان"
Python for Data Science For Dummies
زبان: انگلیسی
تعداد صفحه : 435
سال انتشار: 2015
#کتاب #علوم_داده #علم_داده
#Book #Data_Science #DataScience
@PythonForever

https://www.techrepublic.com/google-amp/article/julia-vs-python-which-programming-language-will-rule-machine-learning-in-2019/
کدامیک از زبانهای برنامه نویسی Python و Julia زبان برنامه نویسی برتر برای یادگیری ماشین در سال 2019 خواهد بود؟
#python
#julia

#اخبار

🔹 چگونه QGAN را آموزش دهیم (یادگیری ماشین کوانتومی با PENNYLANE)

🆔 @Quantek

🖊 یادگیری ماشین اغلب به عنوان یکی از برنامه های بسیار مهم کامپیوترهای کوانتومی ارائه می شود. بر خلاف رایانه های رایج دیجیتال معمولی که از بیت های کلاسیک استفاده می کنند، کامپیوترهای کوانتومی از سیستم های فیزیکی در سطح پایه ای خود بهره می برند و ساختار بسیار قدرتمندتری را برای محاسبه ایجاد می کنند. رایانه های کوانتومی اطلاعات کوانتومی را پردازش می کنند که به بردارها در فضاهای با ابعاد بسیار بالا مربوط می شود.

با این وضعیت به طور واضح کامپیوترهای کوانتومی برای مسائل یادگیری ماشین می توانند بسیار مناسب باشند. در واقع، کامپیوترهای کوانتومی که به اندازه کافی بزرگ هستند، به سرعت برای محاسبه جبر خطی که در بسیاری از الگوریتم های یادگیری ماشین وجود دارد، بهبود سرعت دارند.

نسل اول سخت افزار کوانتومی اکنون اجرایی شده است که خوشبختانه در دسترس هم می باشد ( اغلب به صورت رایگان به صورت سرویس ابری). این پیشرفت در سخت افزار کوانتومی در حال ظهور الهام کارشناسان محاسبات کوانتومی است تا ذهن قبلی خود را بازنگری کنند. به جای طراحی الگوریتم برای دستگاه های کامل در مقیاس بزرگ، ما شروع به کشف چیزهای کرده ایم که می توانند با دستگاه هایی که در حال حاضر داریم اجرا شوند.

این باعث ایجاد الگوریتم­های جدیدی شده است: الگوریتم های بهینه سازی تقریبی کوانتومی (QAOA)، واکنش های کوانتومی (VQE)، طبقه بندی کوانتومی، شبکه های تولیدی رقابتی کوانتومی (QGANs)، شبکه های عصبی کوانتومی (QNN) و – به طور کلی – مفهوم مدل های کوانتومی کلاسیک هیبریدی. این ایده های به روز بسیار هیجان انگیز هستند، اما هنوز هم پتانسیل آنها تا حد زیادی کشف نشده است. یادگیری ماشین کوانتومی و بهینه سازی کوانتومی به تازگی با ارائه کارهای جدید بسیار داغ شده است و در چند سال اخیر فعالیت های زیادی در این زمینه انجام شده است.

📃 برای مشاهده متن کامل دانشنامه به لینک زیر مراجعه فرمائید:
🌐 https://quantek.ir/1292/how-to-train-your-qgan

Reading Minds with Deep Learning
https://blog.floydhub.com/reading-minds-with-deep-learning/

📚 https://t.iss.one/machine_learning_world