‍‍ ‍‍ 💠 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

خواندن ذهن با استفاده از یادگیری عمیق
#machine_learning
#deep_learning
#mind

Some of you may have heard that Dr. Shoucheng Zhang (Stanford) passed away a few days ago.  

He was trained in Berlin in the early '80s and made significant contributions to Modern Physics. 

Just want to share his latest talk at Google in memory of his accomplishment:

https://www.youtube.com/watch?v=MozDSajpLTY&feature=youtu.be  
#quant_comp_inf_ml

Python for Data Science:
Season 01: Python
Episode 04
⭐️توابع، توابع یک خطی، نگاشت و کاهش، فرمت دهی رشته ها
⌚️زمان: 44 دقیقه
👤مدرس: میثم عسگری
@sep_python
@ai_python
@cominsys_channel

کانال "یادگیری ماشین در علم"
💎 @ml_in_science

♦️ما جمعی از فارغ التحصیلان دکتری رشته های فیزیک، ریاضی و علوم کامپیوتر آی پی ام، کارنگی ملون آمریکا، صنعتی شریف و تهران هستیم که یک گروه و کانال تلگرام به نام "یادگیری ماشین در علم" راه انداخته ایم.
♦️فعالیت های گروه و کانال شامل آموزش یادگیری ماشین، به اشتراک گذاشتن کتب، مقالات، منابع کد، اطلاع رسانی فرصت های شغلی و پوشش آخرین اخبار حوزه یادگیری ماشین، هوش مصنوعی و علم داده می باشد.
♦️علاوه بر فعالیت های مذکور، هدف ما ایجاد پل جدیدی بین رشته های فیزیک، ریاضی، علوم کامپیوتر و رشته های زیست شناسی، شیمی، فنی-مهندسی، اقتصاد و پزشکی در بستر یادگیری ماشین یا به عبارت دقیق تر یادگیری عمیق شبکه های عصبی مصنوعی نیز می باشد که به یاری خداوند منجر به نسل جدیدی از مقالات و پایان نامه های بین رشته ای خواهد شد.


🔴 گروه این کانال با بیش از ۱۸۰۰ نفر عضو :

🔴 https://t.iss.one/joinchat/BHATxw-5bxGLzC7N2l1YuQ

------------------------------------------------

💠 گروه لینکداین مرتبط با این کانال که اعضای آن اساتید و دانشجویان دانشگاه های سراسر دنیا مخصوصا مرکز سرن اروپا هستند:

“Ai & BigData"
💠 https://www.linkedin.com/groups/8721739/

------------------------------------------------

❇️ گیت هاب این کانال:

❇️ https://github.com/Machine-Learning-in-Science/pedagogical

Webinar: Bringing Data + Machine Learning Together for Repeatable Success at ShopRunner.
Thursday, December 13, 2018 @ 10 AM PST

✅ منابع و آموزش های گام به گام الگوریتمهای

#یادگیری_ماشین #بینایی_ماشین #یادگیری_نظارتی #انتقال_یادگیری #هوش_مصنوعی #آموزش #فیلم #مقاله #منابع #طبقه_بندی_تصاویر #تشخیص_صدا #سخنرانی #شناسایی_اشیا #طبقه_بندی_فیلم #رباتیک #دیتا #dataset #کتاب #book

🔸 Adversarial Machine Learning

🔸 Deep Vision

🔸 Self-Supervised Learning

🔸 Transfer Learning

🔸 Artificial Intelligence (AI)


✅«با یک بار دیدن قضاوت نکنید با هشتگ مورد نظر مطلب خودتون را پیدا کنید»✅

❇️ @AI_Python
✴️ @AI_Python_EN

💠 Announcing rLandsat, an R Package for Landsat 8 Data

🌎 https://blog.socialcops.com/technology/data-science/announcing-rlandsat-landsat-8-data/?utm_campaign=tbc_comm_dist_nov18_w3&utm_source=reddit&utm_medium=social&utm_content=blog_data_science

13-minute oral presentation at NeurIPS2018 summarizing our world models paper.

article → https://lnkd.in/fa36JNH
paper → https://lnkd.in/gPjH_NJ

https://dms.licdn.com/playback/C5605AQH1wSoAItiiNQ/6e1a5188320c425e8f5724f3e16ab77c/feedshare-mp4_3300-captions-thumbnails/1507940147251-drlcss?e=1544882400&v=beta&t=vwf3o-slNZ46-HdhETHl6NOhPSNsOSU7vvVgtzvJ7xE

—————

Our Ai & BigData Linkedin Group:
🌎 https://www.linkedin.com/groups/8721739/

We are delighted to introduce a new event to the DataFest family, DataTech.

https://www.datafest.global/data-tech

The Future of Work and Mining
by Slava at Produvia
18 Dec 2018

https://www.eventbrite.ca/e/the-future-of-work-and-mining-tickets-52227323330?aff=erelexpmlt

🗂 در کنار آرشیو کامل محتوای درسی واحدهای "یادگیری ماشین" و بسته "تخصص یادگیری عمیق" شامل ۵ درس از وبسایت کورسرا، آرشیو ویدیوهای درس درس "آشنایی با هوش مصنوعی" با "پیتر نورویگ" و "سباستین ثرون" از وبسایت "یوداسیتی" تا درس هشتم نیز بر روی گیت هاب قرار داده شده است.

❇️ آرشیو را میتوانید اینجا ببینید و در صورت نیاز دانلود (کلون) کنید:
#github

https://github.com/Machine-Learning-in-Science/pedagogical/tree/master/courses/