🧠 کارگاه و سمپوزیم یادگیری عمیق و شبکه های عصبی
(Deep Learning and Neural Networks)
📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98.
📅 تاریخ برگزاری سمپوزیم: 6 الی 8 اسفند ماه 98.
🏛 محل برگزاری: تالار دانشکده مهندسی برق دانشگاه شهید بهشتی.
⭕️ برای مشاهده جزییات بیشتر و ثبت نام روی این لینک کلیک کنید.
👨🏻🏫 با حضور برجسته ترین سخنرانان یادگیری عمیق در جهان.
👨🏻💻 به همراه بخش های Hands-On با منتورهای مجرب و حرفه‌ای در کارگاه یادگیری عمیق.
📃 با اعطای گواهی معتبر از سوی پژوهشکده علوم شناختی و مغز دانشگاه شهید بهشتی و آکادمی لوپ.
✅ همرا با پذیرایی و ناهار.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
(Deep Learning and Neural Networks)
📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98.
📅 تاریخ برگزاری سمپوزیم: 6 الی 8 اسفند ماه 98.
🏛 محل برگزاری: تالار دانشکده مهندسی برق دانشگاه شهید بهشتی.
⭕️ برای مشاهده جزییات بیشتر و ثبت نام روی این لینک کلیک کنید.
👨🏻🏫 با حضور برجسته ترین سخنرانان یادگیری عمیق در جهان.
👨🏻💻 به همراه بخش های Hands-On با منتورهای مجرب و حرفه‌ای در کارگاه یادگیری عمیق.
📃 با اعطای گواهی معتبر از سوی پژوهشکده علوم شناختی و مغز دانشگاه شهید بهشتی و آکادمی لوپ.
✅ همرا با پذیرایی و ناهار.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
پرسش های متداول
#FAQ
⁉️ در کارگاه یادگیری عمیق چه مباحثی را پوشش می دهید، این دوره برای چه افرادی مناسب است؟
💭 در کارگاه یادگیری عمیق سرفصل های مقدماتی و پیشرفته شبکه های عصبی از جمله شبکه های MLP که عموما برای طبقه بندی داده ها و تحلیل داده ها استفاده می شود، شبکه های CNN که معمولا برای طبقه بندی داده های تصویری استفاده میشود و کاربرد وسیعی در بینایی ماشین دارد و همینطور شبکه های عصبی spiking که نوعی از شبکه های عصبی هستند که بیشتر شبیه مدل بیولوزیکی شبکه های عصبی هستند که به عنوان پلی میان علم یادگیری ماشین و علوم اعصاب می باشد مورد بحث قرار خواهد گرفت و سپس در بخش های Hands-on به پیاده سازی پروژه های عملی و برنامه نویسی این شبکه ها می پردازیم تا جایی که بتوانید برای حل مسئله های مختلف این شبکه ها را پیاده سازی کنید. این کارگاه می تواند برای تمامی علاقمندانی که می خواهند به این حوزه ورود پیدا کنند و افرادی که می خواهند مباحث پیشرفته را به خوبی فرا بگیرند مناسب خواهد بود. لازم به ذکر است که این مباحث به زبان فارسی ارائه خواهد شد.
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
#FAQ
⁉️ در کارگاه یادگیری عمیق چه مباحثی را پوشش می دهید، این دوره برای چه افرادی مناسب است؟
💭 در کارگاه یادگیری عمیق سرفصل های مقدماتی و پیشرفته شبکه های عصبی از جمله شبکه های MLP که عموما برای طبقه بندی داده ها و تحلیل داده ها استفاده می شود، شبکه های CNN که معمولا برای طبقه بندی داده های تصویری استفاده میشود و کاربرد وسیعی در بینایی ماشین دارد و همینطور شبکه های عصبی spiking که نوعی از شبکه های عصبی هستند که بیشتر شبیه مدل بیولوزیکی شبکه های عصبی هستند که به عنوان پلی میان علم یادگیری ماشین و علوم اعصاب می باشد مورد بحث قرار خواهد گرفت و سپس در بخش های Hands-on به پیاده سازی پروژه های عملی و برنامه نویسی این شبکه ها می پردازیم تا جایی که بتوانید برای حل مسئله های مختلف این شبکه ها را پیاده سازی کنید. این کارگاه می تواند برای تمامی علاقمندانی که می خواهند به این حوزه ورود پیدا کنند و افرادی که می خواهند مباحث پیشرفته را به خوبی فرا بگیرند مناسب خواهد بود. لازم به ذکر است که این مباحث به زبان فارسی ارائه خواهد شد.
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
پرسش های متداول
#FAQ
⁉️ در سمپوزیم یادگیری عمیق چه مباحثی را پوشش می دهید، این دوره برای چه افرادی مناسب است؟
💭 در سمپوزیم یادگیری عمیق مباحث پرکاربرد و نوینی که امروزه در علوم کامپیوتر، علوم اعصاب و علوم شناختی بسیار داغ می‌باشند مورد بحث قرار می‌گیرند. در این سمپوزیم از بهترین سخنرانان که در بهترین دانشگاه‌های دنیا هستند دعوت شده تا بتوانیم دوره‌ای سه روزه را با بالاترین کیفیت برای علاقمندان و فعالان این حوزه برگزار نماییم. هدف از برگزاری سمپوزیم معرفی مطالعات و تحقیقات جدید و همینطور رونمایی از آخرین دستاورد‌های بزرگان حوزه یادگیری عمیق برای شرکت‌کنندگان است. سمپوزیم برای تمامی علاقمندانی که می خواهند در این حوزه به پژوهش بپردازند و نیز افرادی که می خواهند از به روز ترین روش ها و الگوریتم ها برای کار تخصصی خود در حیطه های مربوطه استفاده کنند مفید خواهد بود. در واقع این سمپوزیم به عنوان دوره مکمل برای کارگاه یادگیری عمیق برنامه ریزی شده تا شرکت کنندگان کارگاه با شرکت در این سمپوزیم بتوانند بیشترین بازده را بدست آورند. همانگونه که واضح است برخی از سخنرانی‌ها که مربوط به اساتید خارجی است به زبان انگلیسی و مابقی سخنرانی‌ها به زبان فارسی خواهد بود.
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
#FAQ
⁉️ در سمپوزیم یادگیری عمیق چه مباحثی را پوشش می دهید، این دوره برای چه افرادی مناسب است؟
💭 در سمپوزیم یادگیری عمیق مباحث پرکاربرد و نوینی که امروزه در علوم کامپیوتر، علوم اعصاب و علوم شناختی بسیار داغ می‌باشند مورد بحث قرار می‌گیرند. در این سمپوزیم از بهترین سخنرانان که در بهترین دانشگاه‌های دنیا هستند دعوت شده تا بتوانیم دوره‌ای سه روزه را با بالاترین کیفیت برای علاقمندان و فعالان این حوزه برگزار نماییم. هدف از برگزاری سمپوزیم معرفی مطالعات و تحقیقات جدید و همینطور رونمایی از آخرین دستاورد‌های بزرگان حوزه یادگیری عمیق برای شرکت‌کنندگان است. سمپوزیم برای تمامی علاقمندانی که می خواهند در این حوزه به پژوهش بپردازند و نیز افرادی که می خواهند از به روز ترین روش ها و الگوریتم ها برای کار تخصصی خود در حیطه های مربوطه استفاده کنند مفید خواهد بود. در واقع این سمپوزیم به عنوان دوره مکمل برای کارگاه یادگیری عمیق برنامه ریزی شده تا شرکت کنندگان کارگاه با شرکت در این سمپوزیم بتوانند بیشترین بازده را بدست آورند. همانگونه که واضح است برخی از سخنرانی‌ها که مربوط به اساتید خارجی است به زبان انگلیسی و مابقی سخنرانی‌ها به زبان فارسی خواهد بود.
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Ali Yoonessi,
Tehran University of Medical Sciences
Title: What can visual system neural networks tell us about better agent-based deep learning models? A prospect.
Abstract: Ample amount of evidence suggests that the visual system is optimized to process the environment that we live in. Interactions of several types of neurons during development creates a sophisticated neural network. What are the properties of these biological neural cells or agents that we can use for creating new models of agent-based neural networks?
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Ali Yoonessi,
Tehran University of Medical Sciences
Title: What can visual system neural networks tell us about better agent-based deep learning models? A prospect.
Abstract: Ample amount of evidence suggests that the visual system is optimized to process the environment that we live in. Interactions of several types of neurons during development creates a sophisticated neural network. What are the properties of these biological neural cells or agents that we can use for creating new models of agent-based neural networks?
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Mir-Shahram Safari,
Shahid Beheshti University of Medical Sciences (SBMU)
Title: Neurobiology and Neurophysiology of Neural Networks
Abstract: Neural networks in brain made by different cell-types with different morphology, molecular profile and electrophysiological properties that connected together with precise targeting bias. Synaptic connection between specific cell types have specific structural and functional features that make them different. Learning mechanism in brain obey from architecture of neural microcircuits and synaptic features. Inhibitory control of interneurons on different dendritic compartments have an important role in information processing, synaptic plasticity and learning in neural microcircuits. Different organization of interneurons in neural motifs made required control for example by feedback, feedforward or lateral inhibition. How different brain microcircuits involved in processing of information and learning and memory is very important open question in neuroscience. I will review latest updates on this issue in my talk.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Mir-Shahram Safari,
Shahid Beheshti University of Medical Sciences (SBMU)
Title: Neurobiology and Neurophysiology of Neural Networks
Abstract: Neural networks in brain made by different cell-types with different morphology, molecular profile and electrophysiological properties that connected together with precise targeting bias. Synaptic connection between specific cell types have specific structural and functional features that make them different. Learning mechanism in brain obey from architecture of neural microcircuits and synaptic features. Inhibitory control of interneurons on different dendritic compartments have an important role in information processing, synaptic plasticity and learning in neural microcircuits. Different organization of interneurons in neural motifs made required control for example by feedback, feedforward or lateral inhibition. How different brain microcircuits involved in processing of information and learning and memory is very important open question in neuroscience. I will review latest updates on this issue in my talk.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Mohammad Ganjtabesh,
University of Tehran
Title: Bio-inspired Learning of Visual Features in Shallow and Deep Spiking Neural Networks
Abstract: To date, various computational models have been proposed to mimic the hierarchical processing of the ventral visual pathway in the cortex, with limited success. In this talk, we show how the association of both biologically inspired network architecture and learning rule significantly improves the models' performance in challenging invariant object recognition problems. In all experiments, we used a feedforward convolutional SNN and a temporal coding scheme where the most strongly activated neurons fire first, while less activated ones fire later, or not at all. We start with a shallow network, in which neurons in the higher trainable layer are equipped with STDP learning rule and they progressively become selective to intermediate complexity visual features appropriate for object recognition. Then, a deeper model comprising several convolutional (trainable with STDP) and pooling layers will be presented, in which, the complexity of the extracted features increased along the hierarchy, from edge detectors in the first layer to object prototypes in the last layer. Finally, we show how reinforcement learning can be used efficiently to train a deep SNN to perform object recognition in natural images without using any external classifier and the superiority of reward-modulated STDP (R-STDP) over the STDP in extracting discriminative visual features will be discussed.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Mohammad Ganjtabesh,
University of Tehran
Title: Bio-inspired Learning of Visual Features in Shallow and Deep Spiking Neural Networks
Abstract: To date, various computational models have been proposed to mimic the hierarchical processing of the ventral visual pathway in the cortex, with limited success. In this talk, we show how the association of both biologically inspired network architecture and learning rule significantly improves the models' performance in challenging invariant object recognition problems. In all experiments, we used a feedforward convolutional SNN and a temporal coding scheme where the most strongly activated neurons fire first, while less activated ones fire later, or not at all. We start with a shallow network, in which neurons in the higher trainable layer are equipped with STDP learning rule and they progressively become selective to intermediate complexity visual features appropriate for object recognition. Then, a deeper model comprising several convolutional (trainable with STDP) and pooling layers will be presented, in which, the complexity of the extracted features increased along the hierarchy, from edge detectors in the first layer to object prototypes in the last layer. Finally, we show how reinforcement learning can be used efficiently to train a deep SNN to perform object recognition in natural images without using any external classifier and the superiority of reward-modulated STDP (R-STDP) over the STDP in extracting discriminative visual features will be discussed.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
❌ ظرفیت کارگاه یادگیری عمیق و شبکه های عصبی به اتمام رسید.
⚠️ علاقمندان به شرکت در این کارگاه که متأسفانه تا کنون موفق به ثبت نام نشده‌اند می توانند به تلگرام @loop_academy پیام ارسال کنند تا در لیست انتظار احتمالی قرار گیرند.
☎️ 021 - 2591 7391
🌐 www.loopacademy.ir
⚠️ علاقمندان به شرکت در این کارگاه که متأسفانه تا کنون موفق به ثبت نام نشده‌اند می توانند به تلگرام @loop_academy پیام ارسال کنند تا در لیست انتظار احتمالی قرار گیرند.
☎️ 021 - 2591 7391
🌐 www.loopacademy.ir
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Milad Mozafari,
CerCo, CNRS, France
Title: Reconstructing Natural Scenes from fMRI Patterns using Bi-directional Generative Neural Networks
Abstract: Decoding and reconstructing images from brain imaging data is a research area of high interest. Recent progress in deep generative neural networks has introduced new opportunities to tackle this problem. Here, we employ a recently proposed large-scale bi-directional generative adversarial network, called BigBiGAN, to decode and reconstruct natural scenes from fMRI patterns. BigBiGAN converts images into a 120-dimensional latent space which encodes class and attribute information together, and can also reconstruct images based on their latent vectors. We trained a linear mapping between fMRI data, acquired over images from 150 different categories of ImageNet, and their corresponding BigBiGAN latent vectors. Then, we applied this mapping to the fMRI activity patterns obtained from 50 new test images from 50 unseen categories in order to retrieve their latent vectors, and reconstruct the corresponding images. Pairwise image decoding from the predicted latent vectors was highly accurate (84%). Moreover, qualitative and quantitative assessments revealed that the resulting image reconstructions were visually plausible, successfully captured many attributes of the original images, and had high perceptual similarity with the original content. This method establishes a new state-of-the-art for fMRI-based natural image reconstruction, and can be flexibly updated to take into account any future improvements in generative models of natural scene images.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Milad Mozafari,
CerCo, CNRS, France
Title: Reconstructing Natural Scenes from fMRI Patterns using Bi-directional Generative Neural Networks
Abstract: Decoding and reconstructing images from brain imaging data is a research area of high interest. Recent progress in deep generative neural networks has introduced new opportunities to tackle this problem. Here, we employ a recently proposed large-scale bi-directional generative adversarial network, called BigBiGAN, to decode and reconstruct natural scenes from fMRI patterns. BigBiGAN converts images into a 120-dimensional latent space which encodes class and attribute information together, and can also reconstruct images based on their latent vectors. We trained a linear mapping between fMRI data, acquired over images from 150 different categories of ImageNet, and their corresponding BigBiGAN latent vectors. Then, we applied this mapping to the fMRI activity patterns obtained from 50 new test images from 50 unseen categories in order to retrieve their latent vectors, and reconstruct the corresponding images. Pairwise image decoding from the predicted latent vectors was highly accurate (84%). Moreover, qualitative and quantitative assessments revealed that the resulting image reconstructions were visually plausible, successfully captured many attributes of the original images, and had high perceptual similarity with the original content. This method establishes a new state-of-the-art for fMRI-based natural image reconstruction, and can be flexibly updated to take into account any future improvements in generative models of natural scene images.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
Loop Academy | آکادمیِ لوپ
📣 برنامه زمانی کارگاه یادگیری عمیق و شبکه های عصبی (Deep Learning and Neural Networks) ⚙️ برگزار کنندگان: پژوهشکده علوم شناختی و مغز دانشگاه شهید بهشتی و آکادمی لوپ. 📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98. ⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی…
📣 خواهشمند است شرکت کنندگان کارگاه یادگیری عمیق و شبکه های عصبی در روزهای برگزاری کارگاه لپ تاپ به همراه داشته باشند و بسته نرم افزاری Anaconda و همینطور پکیج Tensorflow 2 را برای بخش های Hands-On نصب داشته باشند.
📢 برای کسب اطلاعات بیشتر به کانال تلگرامی مراجعه فرمایید:
@LoopAcademy
🌐 www.loopacademy.ir
📢 برای کسب اطلاعات بیشتر به کانال تلگرامی مراجعه فرمایید:
@LoopAcademy
🌐 www.loopacademy.ir
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Mohammad Rostami,
University of Pennsylvania
Title: Learning to Transfer Knowledge Through Embedding Spaces
Abstract: The unprecedented processing demand, posed by the explosion of big data, challenges researchers to design efficient and adaptive machine learning algorithms that do not require persistent retraining and avoid learning redundant information. Inspired from learning techniques of intelligent biological agents, identifying transferable knowledge across learning problems has been a significant research focus to improve machine learning algorithms. In this talk, we address the challenges of knowledge transfer through embedding spaces that capture and store hierarchical knowledge.
In the first part of the talk, we focus on the problem of cross-domain knowledge transfer. We first address zero-shot image classification, where the goal is to identify images from unseen classes using semantic descriptions of these classes. We train two coupled dictionaries which align visual and semantic domains via an intermediate embedding space. We then extend this idea by training deep networks that match data distributions of two visual domains in a shared cross-domain embedding space. Our approach addresses both semi-supervised and unsupervised domain adaptation setting.
In the second part of the talk, we investigate the problem of cross-task knowledge transfer. Here, the goal is to identify relations and similarities of multiple machine learning tasks to improve performance across the tasks. We first address the problem of zero-shot learning in a lifelong machine learning setting, where the goal is to learn tasks with no data using high-level task descriptions. Our idea is to relate high-level task descriptors to the optimal task parameters through an embedding space. We then develop a method to overcome the problem of catastrophic forgetting within continual learning setting of deep neural networks by enforcing the tasks to share the same distribution in the embedding space. We further demonstrate that our model can address the challenges of domain adaptation in the continual learning setting.
We demonstrate that despite major differences, problems within the above learning scenarios can be tackled through learning an intermediate embedding space.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Mohammad Rostami,
University of Pennsylvania
Title: Learning to Transfer Knowledge Through Embedding Spaces
Abstract: The unprecedented processing demand, posed by the explosion of big data, challenges researchers to design efficient and adaptive machine learning algorithms that do not require persistent retraining and avoid learning redundant information. Inspired from learning techniques of intelligent biological agents, identifying transferable knowledge across learning problems has been a significant research focus to improve machine learning algorithms. In this talk, we address the challenges of knowledge transfer through embedding spaces that capture and store hierarchical knowledge.
In the first part of the talk, we focus on the problem of cross-domain knowledge transfer. We first address zero-shot image classification, where the goal is to identify images from unseen classes using semantic descriptions of these classes. We train two coupled dictionaries which align visual and semantic domains via an intermediate embedding space. We then extend this idea by training deep networks that match data distributions of two visual domains in a shared cross-domain embedding space. Our approach addresses both semi-supervised and unsupervised domain adaptation setting.
In the second part of the talk, we investigate the problem of cross-task knowledge transfer. Here, the goal is to identify relations and similarities of multiple machine learning tasks to improve performance across the tasks. We first address the problem of zero-shot learning in a lifelong machine learning setting, where the goal is to learn tasks with no data using high-level task descriptions. Our idea is to relate high-level task descriptors to the optimal task parameters through an embedding space. We then develop a method to overcome the problem of catastrophic forgetting within continual learning setting of deep neural networks by enforcing the tasks to share the same distribution in the embedding space. We further demonstrate that our model can address the challenges of domain adaptation in the continual learning setting.
We demonstrate that despite major differences, problems within the above learning scenarios can be tackled through learning an intermediate embedding space.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Reza Ghaderi,
Shahid Beheshti University
Title: Solving cognitive science problems with neural networks
Abstract: This talk gives a brief history of an important part of the mathematical problem-solving techniques that are related to their representation branch and then describes it in neural networks and by introducing the different steps of problems in cognitive science, the use of neural networks in their representation will be described. This description is based on the systematic view of two main parts, namely representation, and optimization. It is hoped that this talk without going into details will enable listeners to use neural network tools in research and problem-solving.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Reza Ghaderi,
Shahid Beheshti University
Title: Solving cognitive science problems with neural networks
Abstract: This talk gives a brief history of an important part of the mathematical problem-solving techniques that are related to their representation branch and then describes it in neural networks and by introducing the different steps of problems in cognitive science, the use of neural networks in their representation will be described. This description is based on the systematic view of two main parts, namely representation, and optimization. It is hoped that this talk without going into details will enable listeners to use neural network tools in research and problem-solving.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Prof. Reza Ebrahimpour,
Shahid Rajaee University
Title: Speed accuracy tradeoff explains the neural mechanism of social decision making
Abstract: Confidence could play a vital role in group decision making. Member’s confidence has major impact on the final decision of the group. the neural mechanism of confidence formation and decision making in the isolated situation has been studied extensively in past decades. Computational models were able to successfully explain how confidence forms and how this variable is related to the other behavioral statistics such as accuracy and reaction time. Yet, these questions are still remained to be unanswered in social decision making. Using a multidisciplinary approach, we studied the speed-accuracy tradeoff regime in social decision making to address this gap. Subjects required to decide about motion direction of random dotes while they were paired with computer generated partners. Although, in social decision making, subjects showed increase in confidence and decrease in reaction time, their accuracy remained unchanged. This phenomenon is hardly explainable by computational models in the isolated decision making. Using a modified neural attractor network, we found that confidence of partner could act as a top-down current derived from Prefrontal cortex and toward the decision making area of the brain (Centro-Parietal). The model could not only explain the speed-accuracy tradeoff but could also explain the variation of confidence observed behavioral data. EEG and Eye data also support our computational model where both data suggest that confidence coding would be altered in social situations in a way that our model predict. The finding of this study could enhance our understating regarding confidence formation in the social decision making context.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Prof. Reza Ebrahimpour,
Shahid Rajaee University
Title: Speed accuracy tradeoff explains the neural mechanism of social decision making
Abstract: Confidence could play a vital role in group decision making. Member’s confidence has major impact on the final decision of the group. the neural mechanism of confidence formation and decision making in the isolated situation has been studied extensively in past decades. Computational models were able to successfully explain how confidence forms and how this variable is related to the other behavioral statistics such as accuracy and reaction time. Yet, these questions are still remained to be unanswered in social decision making. Using a multidisciplinary approach, we studied the speed-accuracy tradeoff regime in social decision making to address this gap. Subjects required to decide about motion direction of random dotes while they were paired with computer generated partners. Although, in social decision making, subjects showed increase in confidence and decrease in reaction time, their accuracy remained unchanged. This phenomenon is hardly explainable by computational models in the isolated decision making. Using a modified neural attractor network, we found that confidence of partner could act as a top-down current derived from Prefrontal cortex and toward the decision making area of the brain (Centro-Parietal). The model could not only explain the speed-accuracy tradeoff but could also explain the variation of confidence observed behavioral data. EEG and Eye data also support our computational model where both data suggest that confidence coding would be altered in social situations in a way that our model predict. The finding of this study could enhance our understating regarding confidence formation in the social decision making context.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
🎯 Deep Learning and Neural Networks Symposium and Workshop
👨🏻🎓 Speaker introduction:
Dr. Soheil Kolouri,
Research Scientist and Principal Investigator at HRL Laboratories, Malibu, California
Title: Deep Generative Modeling via Wasserstein Distances
Abstract: Deep generative models have become a cornerstone of modern machine learning. The celebrated generative adversarial networks (GANs) have notably contributed to the recent success of these models. However, GANs are also known to be notoriously difficult to optimize, and they are often not stable. Probability metrics, on the other hand, have proven themselves as a reliable alternative to adversarial networks, and provide a better geometric understanding of the problem. In this talk, I will focus on Wasserstein (GSW) distances, which emerge from the optimal transportation problem, discuss their limitations, and introduce Generalized Sliced Wasserstein distances as a remedy to alleviate some of these limitations. I will then review various applications of the GSW in deep generative modeling and transfer learning.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
👨🏻🎓 Speaker introduction:
Dr. Soheil Kolouri,
Research Scientist and Principal Investigator at HRL Laboratories, Malibu, California
Title: Deep Generative Modeling via Wasserstein Distances
Abstract: Deep generative models have become a cornerstone of modern machine learning. The celebrated generative adversarial networks (GANs) have notably contributed to the recent success of these models. However, GANs are also known to be notoriously difficult to optimize, and they are often not stable. Probability metrics, on the other hand, have proven themselves as a reliable alternative to adversarial networks, and provide a better geometric understanding of the problem. In this talk, I will focus on Wasserstein (GSW) distances, which emerge from the optimal transportation problem, discuss their limitations, and introduce Generalized Sliced Wasserstein distances as a remedy to alleviate some of these limitations. I will then review various applications of the GSW in deep generative modeling and transfer learning.
⭕️ Check our website for more information
⚙️ Organizers: Institute for Cognitive and Brain Sciences, Shahid Beheshti University and Loop Academy
📢 @LoopAcademy
📢 @CMPLab
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Telegram
attach 📎
📣 معرفی شرکت سامان سلامت پژوه
🩺 حوزه ی فعالیت: بهداشت و سلامت
👨🏻🏫 سخنران: مهندس مهیار هوربخت
🎯 از حامیان کارگاه و سمپوزیم یادگیری عمیق و شبکه های عصبی
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی سخنرانان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021 - 2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
🩺 حوزه ی فعالیت: بهداشت و سلامت
👨🏻🏫 سخنران: مهندس مهیار هوربخت
🎯 از حامیان کارگاه و سمپوزیم یادگیری عمیق و شبکه های عصبی
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی سخنرانان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021 - 2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
🧠 محل برگزاری و زمان کارگاه یادگیری عمیق و شبکه های عصبی
(Deep Learning and Neural Networks)
📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98.
🕗 ساعت پذیرش: 8 الی 8.5 صبح روز شنبه 3 اسفند ماه.
🏛 محل برگزاری: تالار دانشکده مهندسی برق دانشگاه شهید بهشتی.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
(Deep Learning and Neural Networks)
📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98.
🕗 ساعت پذیرش: 8 الی 8.5 صبح روز شنبه 3 اسفند ماه.
🏛 محل برگزاری: تالار دانشکده مهندسی برق دانشگاه شهید بهشتی.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
Loop Academy | آکادمیِ لوپ
📣 معرفی سخنرانان سمپوزیم یادگیری عمیق و شبکه های عصبی (Deep Learning and Neural Networks) ⚙️ برگزار کنندگان: پژوهشکده علوم شناختی و مغز دانشگاه شهید بهشتی و آکادمی لوپ. 📅 تاریخ برگزاری کارگاه: 3 الی 5 اسفند ماه 98. 📅 تاریخ برگزاری سمپوزیم: 6 الی 8 اسفند…
⏳ثبت نام سمپوزیم یادگیری عمیق و شبکه های عصبی تنها دو روز دیگر به علت اختلالات شبکه‌ای که در روز های گذشته رخ داده بود تمدید شد.
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
⚠️ ظرفیت این رویداد رو به اتمام است و به هیچ عنوان افزایش ظرفیت نخواهیم داشت بنابراین خواهشمند است علاقمندان به شرکت در این سمپوزیم هرچه سریعتر ثبت نام بفرمایند.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
⭕️ برای مشاهده جزئیات بیشتر و ثبت نام روی این لینک کلیک کنید.
⚠️ ظرفیت این رویداد رو به اتمام است و به هیچ عنوان افزایش ظرفیت نخواهیم داشت بنابراین خواهشمند است علاقمندان به شرکت در این سمپوزیم هرچه سریعتر ثبت نام بفرمایند.
📢 برای کسب اطلاعات بیشتر، برنامه برگزاری، معرفی مدرسان و ... به کانال های تلگرامی زیر مراجعه فرمایید:
@LoopAcademy
@CMPLab
☎️ 021-2591 7391
🌐 www.loopacademy.ir
🌐 www.cmplab.ir
برای اتصال به اینترنت مراحل ذیل را انجام دهید.
۱. به وای فای sbu با رمز 123456YHN وصل شوید.
۲. در لینک زیر شماره موبایل خودتان و گذرواژه sbu312 را وارد کنید تا یک پیامک حاوی اکانت اینترنت برای شما ارسال شود.
https://id.sbu.ac.ir/Account/Guests
۳. اکانت دریافتی را در لینک زیر وارد کنید.
www.hotspot.sbu.ac.ir
این شناسه از روز 3 ام تا 8ام اسفندماه فعال خواهد بود
مرکز فناوری اطلاعات و ارتباطات
دانشگاه شهید بهشتی
۱. به وای فای sbu با رمز 123456YHN وصل شوید.
۲. در لینک زیر شماره موبایل خودتان و گذرواژه sbu312 را وارد کنید تا یک پیامک حاوی اکانت اینترنت برای شما ارسال شود.
https://id.sbu.ac.ir/Account/Guests
۳. اکانت دریافتی را در لینک زیر وارد کنید.
www.hotspot.sbu.ac.ir
این شناسه از روز 3 ام تا 8ام اسفندماه فعال خواهد بود
مرکز فناوری اطلاعات و ارتباطات
دانشگاه شهید بهشتی
با سلام و احترام،
با توجه به اعلام وزارت بهداشت مبنی بر تعطیلی فعالیت های آموزشی دانشگاه ها به منظور جلوگیری از شیوع بیماری کرونا کارگاه و سمپوزیم یادگیری عمیق و شبکه های عصبی لغو شده و به تاریخ دیگری موکول میشود.
تاریخ برگزاری مجدد از طریق سایت و کانال های ما اطلاع رسانی خواهد شد.
@Cmplab
@LoopAcademy
https://www.cmplab.ir
https://www.loopacademy.ir
با توجه به اعلام وزارت بهداشت مبنی بر تعطیلی فعالیت های آموزشی دانشگاه ها به منظور جلوگیری از شیوع بیماری کرونا کارگاه و سمپوزیم یادگیری عمیق و شبکه های عصبی لغو شده و به تاریخ دیگری موکول میشود.
تاریخ برگزاری مجدد از طریق سایت و کانال های ما اطلاع رسانی خواهد شد.
@Cmplab
@LoopAcademy
https://www.cmplab.ir
https://www.loopacademy.ir
📬 فرا رسیدن نوروز باستانی را تبریک عرض می‌نماییم.
❗️ با توجه به شرایط موجود تصمیم بر آن شد که آکادمی لوپ یکی از دوره های محبوب را که در رأی گیری زیر بیشترین رأی را بیاورد، این بار بدون محدودیت ظرفیت به صورت رایگان برای اعضای تلگرام در غالب آموزش مجازی با شما همراهی کند ...
🦠 امید است که با همدلی و رعایت نکات لازم به از بین بردن ویروس covid-19 کمک کنیم.
#در_خانه_بمانیم
❌ منتظر خبر‌های تکمیلی باشید.
@LoopAcademy
❗️ با توجه به شرایط موجود تصمیم بر آن شد که آکادمی لوپ یکی از دوره های محبوب را که در رأی گیری زیر بیشترین رأی را بیاورد، این بار بدون محدودیت ظرفیت به صورت رایگان برای اعضای تلگرام در غالب آموزش مجازی با شما همراهی کند ...
🦠 امید است که با همدلی و رعایت نکات لازم به از بین بردن ویروس covid-19 کمک کنیم.
#در_خانه_بمانیم
❌ منتظر خبر‌های تکمیلی باشید.
@LoopAcademy