#وبینار #یادگیری_عمیق #کلاس
دوره ی آنلاین شبکه های مولد عمیق

🔖زمان برگزاری: 19 تا 28 بهمن
🕐مدت دوره: 15 ساعت
✔️سطح دوره: پیشرفته - عملی
✔️نوع فریم ورک: کراس و TF2

https://class.vision/product/generative-autoencoder-gan-tf2/

🔊🔔کد مخصوص 10 درصدی اعضای کانال:
cvision

به درخواست متعدد دوستان، برای مدت محدود (تا انتهای دی ماه) تنها برای 15 نفر کد تخفیف 25 درصدی ثبت نام زودهنگام ساخته شد:

earlyregister2

* کسانی که بین این کد و کد ثبت نام زودهنگام قبلی ثبت نام کردند اختلاف وجه آن ها تا فردا ظهر بازگردانده خواهد شد.

کد تخفیف ۲۰ درصدی دوره ی ماد، برای ۵ نفر:
cvision

#استخدام برنامه نویس Full Stack در شرکت دانش بنیان داده پویان آلما (شناسا)

✔️مسلط به PHP و OOP
✔️مسلط یه یکی از فریم ورک های مطرح PHP نظیر Zend، Symfony و ...
✔️مسلط به یکی از دیتابیس های رابطه ای MySQL یا PgSQL
✔️آشنا به GIT
✔️آشنا به زبان های برنامه نویسی Client Side
✔️حداقل 2 سال تجربه کاری

🌟ویژگی های فردی
- خلاق، با انگیزه، مسئولیت پذیر و منظم
- دارای روحیه و اخلاق کار تیمی

در تیم امکان پیشرفت برای تمام اعضا فراهم است و هرکس مسئولیت بخشی از مجموعه را عهده دارد.
اگر به دنبال جایی برای رشد و پیشرفت در کنار تمام روابط صمیمی و دوستانه هستید، ما منتظرتان هستیم.

ایمیل: info[@]almaatech.ir

دوستان عزیز، به دلیل بالا نگه داشتن کیفیت تعاملی کلاس، کلاس GAN افزایش ظرفیت پیدا نمیکند. لطفا در این رابطه از پشتیبانی دوره سوال نپرسید، اما به زودی دوره ی جدیدی برای ثبت نام باز میگردد که در روزهای آتی اطلاع رسانی خواهد شد.

با توجه به استقبال خوب دوستان، دوره ی جدید GAN از تاریخ 9 الی 19 اسفند ماه با سرفصل های کاملتر و سه مدرس به زودی تا قبل از هفته ی آینده اطلاع رسانی خواهد شد.
سرفصل های درنظر گرفته شده برای دوره ی جدید:
مباحث اصلی به شرح زیر است:

functional API در کراس
Gradient tape
Model sub-classing
Autoencoder
Convolutional Variational Autoencoder
U-net و سگمنت تصاویر
GAN
DCGAN
Pix2Pix
Cycle-GAN
ProGAN
StyleGAN
Neural style transfer
Deep Dream
Adversarial attack & FGSM

اطلاعات به زودی در کانال منتشر خواهد شد.

تسهیلاتی برای شرکت مجدد افراد دوره ی اول در دوره ی دوم یا دسترسی به فیلم ها قرار داده خواهد شد.

#وبینار #یادگیری_عمیق #کلاس
دومین دوره ی آنلاین شبکه های مولد در تنسرفلو2 و کراس

🔖زمان برگزاری: 9 تا 19 اسفندماه 99
🕐مدت دوره: 20 ساعت
✔️سطح دوره: پیشرفته - عملی
✔️نوع فریم ورک: کراس و TF2
https://class.vision/product/deep-generative-tf2/

پشتیبانی اختصاصی این دوره در تلگرام: @cvision_support

https://class.vision/product/deep-generative-tf2/

این دوره (اسفندماه) به دلیل اعمال محدودیت تعداد شرکت کننده در دوره ی قبلی (بهمن ماه) بوده. کسانی که دوره ی قبل را ثبت نام کردند نیازی به ثبت نام در این
دوره ندارند، و آن دوره پیش نیاز این دوره نیست.
این دوره مباحث بیشتری نسبت به دوره نخست (بهمن ماه) دارد که به رایگان در اختیار شرکت کنندگان بهمن ماه گذاشته خواهد شد.

#وبینار #یادگیری_عمیق #کلاس
دومین دوره ی آنلاین شبکه های مولد در تنسرفلو2 و کراس

🔖زمان برگزاری: 9 تا 19 اسفندماه 99
🕐مدت دوره: 20 ساعت
✔️سطح دوره: پیشرفته - عملی
✔️نوع فریم ورک: کراس و TF2
https://class.vision/product/deep-generative-tf2/

پشتیبانی اختصاصی این دوره در تلگرام: @cvision_support

📢کد تخفیف 10 درصدی مخصوص اعضای کانال:
cvision

برای ثبت نام زودهنگام، 10 کد تخفیف جدید 25 درصدی در نظر گرفته شد:

early25

دموی دوره ی تخصصی rnn ها در آپارات قرار گرفت:
https://www.aparat.com/v/teHmF

به مناسبت میلاد با سعادت حضرت فاطمه و روز مادر کد تخفیف 40 درصدی mother تا انتهای هفته فعال شد.

mother


هم اکنون از یکی از دو لینک زیر این دوره ی آفلاین را تهیه بفرمایید:

http:/deeprnn.shop
https://class.vision/deeplearning2/

#rnn #tensorflow #lstm #gru #keras

آغاز ثبت نام کد ۸ دوره جامع علم داده دانشگاه تهران

هشتمین کد جامع ترین دوره علم داده کشور با بیش از ۳۵۰ ساعت آموزش تخصصی هم اکنون در حال ثبت‌نام برای علاقه‌مندان می باشد. این دوره کاملا مطابق با نیازسنجی‌ها و منطبق بر بازار کار داخلی و بین‌المللی طرح‌ریزی گردیده است.

شرکت‌کنندگان در پایان دوره توانایی این را خواهند داشت تا علاوه بر تحلیل کسب‌وکار، به ‌توصیف و پیش‌بینی‌های ‌داده‌محور با استفاده از فنون و روش‌های نوین بپردازند.

🔰 برخی از مزایای دوره:

🔸 اعطای مدرک معتبر دوزبانه از دانشگاه تهران

🔸 بهره‌گیری از اساتید برجسته آکادمیک و صنعت در حوزه علم داده

🔸 آموزش تخصصی بیش از ۱۰ ابزار تخصصی علم‌داده

🔸 پروژه محوری

🔸 ارائه پروژه‌پایانی توسط دانش‌پذیران به همراه تحلیل اساتید

🔸 امکان پرداخت نقد و اقساط

🔸برگزاری به صورت آنلاین

✅ ثبت نام و اطلاعات بیشتر:
https://utperm.com/course/ds-code8/

⁉️ پشتیبانی آنلاین:
@bperm_admin

📞 شماره تماس:
02182084160
09377516759

⛔️ ظرفیت محدود
🆔 @BPERM_UT
📚 Instagram: https://bit.ly/3gfYl5f

High-Performance Large-Scale Image Recognition Without Normalization

Paper: https://arxiv.org/abs/2102.06171
Code: https://github.com/deepmind/deepmind-research/tree/master/nfnets

دوره یادگیری عمیق

اسفند ماه ۱۳۹۹ - به مدت ۲۴ ساعت

استاد درس: مهندس علیرضا اخوان

از سری درس های دوره ۳۵۰ ساعته جامع علم داده دانشگاه تهران

توضیحات تکمیلی و ثبت نام:
https://utperm.com/course/ds-code8/

⁉️ پشتیبانی آنلاین تلگرام:
👤 @bperm_admin

📞 شماره تماس:
▫️ 02182084160
▫️ 09377516759

🆔 @BPERM_UT
📚 Instagram: https://bit.ly/3gfYl5f

یک روش train شبکه های عمیق که باعث میشود با استفاده از بعضی از GPU ها سرعت اجرای بیشتر داشته باشیم و از memory کم تری استفاده شود. این روش هم زمان از نرخ دقت float32 و float16 بهره می برد.


Mixed precision is the use of both 16-bit and 32-bit floating-point types in a model during training to make it run faster and use less memory. By keeping certain parts of the model in the 32-bit types for numeric stability, the model will have a lower step time and train equally as well in terms of the evaluation metrics such as accuracy.

https://www.tensorflow.org/guide/mixed_precision

🙏 Thanks to : @Saeed_khanehgir

TransGAN: Two Transformers Can Make One Strong GAN
Submitted on 14 Feb 2021

The recent explosive interest on transformers has suggested their potential to become powerful "universal" models for computer vision tasks, such as classification, detection, and segmentation. However, how further transformers can go - are they ready to take some more notoriously difficult vision tasks, e.g., generative adversarial networks (GANs)? Driven by that curiosity, we conduct the first pilot study in building a GAN completely free of convolutions, using only pure transformer-based architectures. Our vanilla GAN architecture, dubbed TransGAN, consists of a memory-friendly transformer-based generator that progressively increases feature resolution while decreasing embedding dimension, and a patch-level discriminator that is also transformer-based. We then demonstrate TransGAN to notably benefit from data augmentations (more than standard GANs), a multi-task co-training strategy for the generator, and a locally initialized self-attention that emphasizes the neighborhood smoothness of natural images. Equipped with those findings, TransGAN can effectively scale up with bigger models and high-resolution image datasets. Specifically, our best architecture achieves highly competitive performance compared to current state-of-the-art GANs based on convolutional backbones. Specifically, TransGAN sets new state-of-the-art IS score of 10.10 and FID score of 25.32 on STL-10. It also reaches competitive 8.64 IS score and 11.89 FID score on Cifar-10, and 12.23 FID score on CelebA 64×64, respectively. We also conclude with a discussion of the current limitations and future potential of TransGAN.

Paper: https://arxiv.org/abs/2102.07074
Code: https://github.com/VITA-Group/TransGAN