Adversarial Examples in Deep Learning
https://blog.djsarkar.ai/adversarial-learning-attacks-1/
Github: https://github.com/dipanjanS/adversarial-learning-robustness
@ml_nlp_cv
https://blog.djsarkar.ai/adversarial-learning-attacks-1/
Github: https://github.com/dipanjanS/adversarial-learning-robustness
@ml_nlp_cv
Forwarded from Ai Events️ (Hamid Mahmoodabadi)
اولین رویداد بازی با داده‌های واقعی
زمان برگزاری: ۱۱ دی‌ماه ۱۳۹۹ ساعت ۱۶ الی ۱۹
برگزار کننده: دانشگاه بوعلی‌سینا (با حمایت موسسه بین اللمی آمار (ISI) و تیم تحلیل علمی داده‌ها (سدا) )
اطلاعات بیشتر و ثبت‌نام:
https://sdat.ir/playdata
@Ai_Events
زمان برگزاری: ۱۱ دی‌ماه ۱۳۹۹ ساعت ۱۶ الی ۱۹
برگزار کننده: دانشگاه بوعلی‌سینا (با حمایت موسسه بین اللمی آمار (ISI) و تیم تحلیل علمی داده‌ها (سدا) )
اطلاعات بیشتر و ثبت‌نام:
https://sdat.ir/playdata
@Ai_Events
Forwarded from Ali N
با سلام خدمت همه دوستان و متخصصین عزیز
تیم هوش مصنوعی پرسپتای (perceptai) از متخصصین عزیز در حوزه پردازش زبان طبیعی (NLP) دعوت به همکاری می نماید.این پروژه در زمینه طراحی و برنامه نویسی یک چت بات به منظور پرسش و پاسخ اتوماتیک برای هوشمند کردن سمینارهای دانشگاهی میباشید. Q&A به این صورت که ربات مورد بحث از مجموعه سوال و جواب های موجود در دیتابیس یا اسکریپت های سمینارها باید با دقت خوبی سوال متناظر را پیدا و پاسخش رو به عنوان جواب برگرداند. لینک زیر حاوی اطلاعات جزئی از پروژه مورد نظر می باشد:
https://drive.google.com/file/d/1D-abk_S7HteQ9PkZIJEH7n8OYs-K-wD2/view?usp=sharing
لطفا رزومه خود را به آدرس [email protected] ایمیل فرمایید.
لطفا موارد زیر را در ارسال ایمیل رعایت نمایید:
1- عنوان ایمیل را NLP_job قرار دهید
2- سوابق کاری خود در زمینه NLP را مختصرا شرح دهید
3- میزان ساعت در هفته را که می توانید روی این پروژه صرف کنید حتما قید شود
4- حداقل میزان پرداختی خود را مشخص فرمایید
سپاس فراوان و به امید دیدار شما
تیم هوش مصنوعی پرسپتای (perceptai) از متخصصین عزیز در حوزه پردازش زبان طبیعی (NLP) دعوت به همکاری می نماید.این پروژه در زمینه طراحی و برنامه نویسی یک چت بات به منظور پرسش و پاسخ اتوماتیک برای هوشمند کردن سمینارهای دانشگاهی میباشید. Q&A به این صورت که ربات مورد بحث از مجموعه سوال و جواب های موجود در دیتابیس یا اسکریپت های سمینارها باید با دقت خوبی سوال متناظر را پیدا و پاسخش رو به عنوان جواب برگرداند. لینک زیر حاوی اطلاعات جزئی از پروژه مورد نظر می باشد:
https://drive.google.com/file/d/1D-abk_S7HteQ9PkZIJEH7n8OYs-K-wD2/view?usp=sharing
لطفا رزومه خود را به آدرس [email protected] ایمیل فرمایید.
لطفا موارد زیر را در ارسال ایمیل رعایت نمایید:
1- عنوان ایمیل را NLP_job قرار دهید
2- سوابق کاری خود در زمینه NLP را مختصرا شرح دهید
3- میزان ساعت در هفته را که می توانید روی این پروژه صرف کنید حتما قید شود
4- حداقل میزان پرداختی خود را مشخص فرمایید
سپاس فراوان و به امید دیدار شما
Google Drive
NLP job ad.mp4
#خبر
✴️ به جای هارد دیسک، از باکتری برای حفظ اطلاعات استفاده کنید!
🔍 به تازگی فناوری جدیدی توسعه داده شده که در آن محققان از باکتری و DNA برای ذخیره‌سازی اطلاعات استفاده می‌شود.
https://nbic.isti.ir/news/69214
✴️ به جای هارد دیسک، از باکتری برای حفظ اطلاعات استفاده کنید!
🔍 به تازگی فناوری جدیدی توسعه داده شده که در آن محققان از باکتری و DNA برای ذخیره‌سازی اطلاعات استفاده می‌شود.
https://nbic.isti.ir/news/69214
nbic.isti.ir
مرکز راهبردی فناوری های همگرا (NBIC) | اخبار | به جای هارد دیسک، از باکتری برای حفظ اطلاعات استفاده کنید!
به تازگی فناوری جدیدی توسعه داده شده که در آن محققان از باکتری و DNA برای ذخیره‌سازی اطلاعات استفاده می‌شود.
Paper Explained: Principal Neighbourhood Aggregation for Graph Nets
A nice explanation by Andrei Margeloiu about #NeurIPS2020 paper on how to "fix" GNN's expressivity for continuous node features.
@ml_nlp_cv
A nice explanation by Andrei Margeloiu about #NeurIPS2020 paper on how to "fix" GNN's expressivity for continuous node features.
@ml_nlp_cv
YouTube
Principal Neighbourhood Aggregation for Graph Nets (Paper Explained)
*Overview*: Graph Neural Networks (GNNs) can't fully exploit the expressivity of graph-structured data because the current aggregation methods don't meaningfully extract the statistics of the neighbourhood messages. They propose a new general-purpose aggregator…
Forwarded from آرمان بهنام (Mohammadali Milanisadr)
به عنوان یک #متخصص_داده، ممکن است شما حجم بالایی از داده‌های دارای نویز یا با نوشتار متفاوت و به اصطلاح کثیف را دریافت کنید.
برای مثال)
شماره موبایل افراد مختلف در یک ستون آورده شده است، تعدادی از شماره‌ها به شکل +98 و تعداد دیگری با 0 درج شده‌اند.
قبل از شروع به کدزنی، داده‌های شما نیاز به تمیز شدن دارد. نرم افزار OpenRefine یک نرم افزار رایگان و open-source است که در مرورگر شما اجرا خواهد شد. دقت کنید که اجرا شدن در مرورگر به معنای لزوم اتصال اینترنت نیست و کلیه فرایندها خصوصی انجام خواهد شد.
لینک سایت جهت دانلود:
openrefine.org
👌برای دوستانتون که برای تمیز کردن داده ها نیاز به ابزار مناسب دارند بفرستید.
________
📚 @BigDataServe
برای مثال)
شماره موبایل افراد مختلف در یک ستون آورده شده است، تعدادی از شماره‌ها به شکل +98 و تعداد دیگری با 0 درج شده‌اند.
قبل از شروع به کدزنی، داده‌های شما نیاز به تمیز شدن دارد. نرم افزار OpenRefine یک نرم افزار رایگان و open-source است که در مرورگر شما اجرا خواهد شد. دقت کنید که اجرا شدن در مرورگر به معنای لزوم اتصال اینترنت نیست و کلیه فرایندها خصوصی انجام خواهد شد.
لینک سایت جهت دانلود:
openrefine.org
👌برای دوستانتون که برای تمیز کردن داده ها نیاز به ابزار مناسب دارند بفرستید.
________
📚 @BigDataServe
🎓 Post-Doctoral Researcher in Distributed and Decentralized Systems (W/M) - 100%, EPFL École polytechnique fédérale de Lausanne, Switzerland
📚 Fields: #CyberSecurity #InformationSystemsBusinessInformatics
⏳ Deadline: 2021-03-21
🔗 Link to the position
📚 Fields: #CyberSecurity #InformationSystemsBusinessInformatics
⏳ Deadline: 2021-03-21
🔗 Link to the position
Academicpositions
Academic, research and science jobs - Academic Positions
Find academic, research and science jobs. Search and apply for job opportunities or sign up for job alerts today!
Forwarded from FaraDars_Course
✳️ مجموعه آموزش‌های «شبکه عصبی مصنوعی» در فرادرس
💢آموزش کاربردی شبکه‌های عصبی مصنوعی:
🔗 fdrs/start-course1
💢آموزش سیستم‌های فازی در متلب:
🔗 fdrs/start-course2
💢آموزش شبکه‌های عصبی مصنوعی در متلب:
🔗 fdrs/start-course3
💢آموزش طراحی سیستم فازی عصبی (ANFIS) با الگوریتم فرا ابتکاری و تکاملی:
🔗 fdrs/start-course4
💢آموزش شبکه عصبی GMDH - پیاده‌سازی در متلب:
🔗 fdrs/start-course5
📚 لیست کامل آموزش‌های شبکه عصبی مصنوعی:
🔗 fdrs.ir/u87f
@FaraDars - فرادرس
💢آموزش کاربردی شبکه‌های عصبی مصنوعی:
🔗 fdrs/start-course1
💢آموزش سیستم‌های فازی در متلب:
🔗 fdrs/start-course2
💢آموزش شبکه‌های عصبی مصنوعی در متلب:
🔗 fdrs/start-course3
💢آموزش طراحی سیستم فازی عصبی (ANFIS) با الگوریتم فرا ابتکاری و تکاملی:
🔗 fdrs/start-course4
💢آموزش شبکه عصبی GMDH - پیاده‌سازی در متلب:
🔗 fdrs/start-course5
📚 لیست کامل آموزش‌های شبکه عصبی مصنوعی:
🔗 fdrs.ir/u87f
@FaraDars - فرادرس
Forwarded from MatlabTips (Rohola Zandie)
🔵تخیل ماشینی!🔵
We should give up on the idea of magic because the science itself is the most magical phenomena in the world!
یکی از قابلیت های منحصر بفرد انسان قدرت تخیل است! مثلا من می توانم بگویم در ذهنت این را تصور کن:
«یک مانکن زن که یک کت چرمی سیاه و یک دامن کوتاه چین دار طلایی به تن دارد»
« یک ساعت سبز پنج گوشه»
ما تصویری ذهنی از چنین چیزهایی میسازیم حتی اگر کسی تا به حال چنین چیزی به ذهنش نرسیده باشد! اما این کار دیگر محدود به بشر نیست!
امروز (۵ ژانویه ۲۰۲۱) کمپانی OpenAI نوع جدیدی از پژوهش مولتی مودال (Multimodal) به نام DALL.E را منتشر کرد که با گرفتن ورودی متنی تصویر متناظرش را میسازد (یا تخیل می کند!!). با اینکه این ایده جدید نیست اما کیفیت و دقت خروجی های OpenAI واقعا خیره کننده است. معماری این روش همانطور که ممکن است حدس زده باشید GPT3 و بر اساس ترنسفورمر ها است.
این سیستم ورودی های متن و تصویر را یکجا در یک استریم داده که متشکل از ۱۲۸۰ توکن است میگیرد و با استفاده از maximum likelihood به دنبال یافتن توکن بعدی است.
اما این مدل فراتر هم می رود و می تواند چیزهایی را تصور کند که بسیار به هم بی ربط هستند و قبلا به نظر می رسید که تنها ذهن انسان قادر به انجام آن باشد. مثلا: یک پنگوئن که از بادمجان درست شده است! و مدل قادر به بازنمایی آن است.
علاوه بر این ها مدل قادر به بازنمایی جملاتی است که نیاز به دانش دارند: مثلا غذای چینی یا پل گلدن بریج. جملاتی که نیاز به درک زمان دارند: یک تلفن در دهه بیست میلادی. و جملاتی که نیاز به استدلال تصویری دارند: کشیدن همان تصویر در یک زاویه دیگر یا تصور کردنش با رنگ و نوشته دیگر.
پست اصلی
We should give up on the idea of magic because the science itself is the most magical phenomena in the world!
یکی از قابلیت های منحصر بفرد انسان قدرت تخیل است! مثلا من می توانم بگویم در ذهنت این را تصور کن:
«یک مانکن زن که یک کت چرمی سیاه و یک دامن کوتاه چین دار طلایی به تن دارد»
« یک ساعت سبز پنج گوشه»
ما تصویری ذهنی از چنین چیزهایی میسازیم حتی اگر کسی تا به حال چنین چیزی به ذهنش نرسیده باشد! اما این کار دیگر محدود به بشر نیست!
امروز (۵ ژانویه ۲۰۲۱) کمپانی OpenAI نوع جدیدی از پژوهش مولتی مودال (Multimodal) به نام DALL.E را منتشر کرد که با گرفتن ورودی متنی تصویر متناظرش را میسازد (یا تخیل می کند!!). با اینکه این ایده جدید نیست اما کیفیت و دقت خروجی های OpenAI واقعا خیره کننده است. معماری این روش همانطور که ممکن است حدس زده باشید GPT3 و بر اساس ترنسفورمر ها است.
این سیستم ورودی های متن و تصویر را یکجا در یک استریم داده که متشکل از ۱۲۸۰ توکن است میگیرد و با استفاده از maximum likelihood به دنبال یافتن توکن بعدی است.
اما این مدل فراتر هم می رود و می تواند چیزهایی را تصور کند که بسیار به هم بی ربط هستند و قبلا به نظر می رسید که تنها ذهن انسان قادر به انجام آن باشد. مثلا: یک پنگوئن که از بادمجان درست شده است! و مدل قادر به بازنمایی آن است.
علاوه بر این ها مدل قادر به بازنمایی جملاتی است که نیاز به دانش دارند: مثلا غذای چینی یا پل گلدن بریج. جملاتی که نیاز به درک زمان دارند: یک تلفن در دهه بیست میلادی. و جملاتی که نیاز به استدلال تصویری دارند: کشیدن همان تصویر در یک زاویه دیگر یا تصور کردنش با رنگ و نوشته دیگر.
پست اصلی
Openai
DALL·E: Creating images from text
We’ve trained a neural network called DALL·E that creates images from text captions for a wide range of concepts expressible in natural language.
500 AI, Machine learning, Deep learning, Computer vision & NLP Projects with code
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@ml_nlp_cv
https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
@ml_nlp_cv
GitHub
GitHub - ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code: 500 AI Machine learning Deep…
500 AI Machine learning Deep learning Computer vision NLP Projects with code - ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code
انواع داوران همتا!
در این تصویر ۹ نوع داور همتا معرفی شده‌اند!
شما با کدام نوع تا به حال برخورد داشته‌اید؟
1. Pedant
“Be sure to include the counterion with every pH buffer, Tris-HCl, PIPES-NaOH etc…”
2. Stream-of-consciousness
“I was a bit surprised at what the authors we’re claiming here.”
3. Broad brushstrokes/Big thinker
“The implications of this work are potentially transformative for the field.”
4. Hijacker
“In order to properly demonstrate what the authors claim, they will need to…”
5. Assassin
“I feel this story needs more work in order to be acceptable.”
6. Sycophant
“The data are of the quality that’s always associated with this group.”
7. Bitter lemon
“The images shown here are embarrassingly poor. And again no quantitation.”
8. Last-minuter
“I only have a few points to raise.”
9. Unicorn
“I have a few suggestions that the authors may wish to implement.”
https://www.editage.com/insights/9-types-of-peer-reviewers
@ml_nlp_cv
در این تصویر ۹ نوع داور همتا معرفی شده‌اند!
شما با کدام نوع تا به حال برخورد داشته‌اید؟
1. Pedant
“Be sure to include the counterion with every pH buffer, Tris-HCl, PIPES-NaOH etc…”
2. Stream-of-consciousness
“I was a bit surprised at what the authors we’re claiming here.”
3. Broad brushstrokes/Big thinker
“The implications of this work are potentially transformative for the field.”
4. Hijacker
“In order to properly demonstrate what the authors claim, they will need to…”
5. Assassin
“I feel this story needs more work in order to be acceptable.”
6. Sycophant
“The data are of the quality that’s always associated with this group.”
7. Bitter lemon
“The images shown here are embarrassingly poor. And again no quantitation.”
8. Last-minuter
“I only have a few points to raise.”
9. Unicorn
“I have a few suggestions that the authors may wish to implement.”
https://www.editage.com/insights/9-types-of-peer-reviewers
@ml_nlp_cv
Data-efficient image Transformers:
A promising new technique for image classification
https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification
@ml_nlp_cv
A promising new technique for image classification
https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification
@ml_nlp_cv
Facebook
Data-efficient image Transformers: A promising new technique for image classification
We’re training computer vision models that leverage Transformers, a breakthrough deep neural network architecture. Data-efficient image Transformers (DeiT) use less data and computing resources to produce high-performance image classification AI models, and…
موقعیت Postdoc در استونی
در زمینه کاری یادگیری ماشین
مهلت اپلای: چهارم فوریه ۲۰۲۱
اطلاعات بیشتر :https://www.cs.ut.ee/en/jobs
@ml_nlp_cv
در زمینه کاری یادگیری ماشین
مهلت اپلای: چهارم فوریه ۲۰۲۱
اطلاعات بیشتر :https://www.cs.ut.ee/en/jobs
@ml_nlp_cv
www.cs.ut.ee
Job Offers
4 key reasons to work at the Institute of Computer Science Rapidly evolving organization – You will be joining a rapidly growing department with an ambitious strategic agenda. International and welcoming community – You will broaden your horizon and work…
مترجم هوشمند و اپن سورس فیسبوک برای تبدیل کدهای نوشته شده با یک زبان برنامه نویسی به کدهایی به زبان دلخواه با استفاده یادگیری عمیق و ترجمه ماشینی (زبان های برنامه نویسی قدیمی مثل کوبول رو هم پوشش میده)
https://ai.facebook.com/blog/deep-learning-to-translate-between-programming-languages/
@ml_nlp_cv
https://ai.facebook.com/blog/deep-learning-to-translate-between-programming-languages/
@ml_nlp_cv
Meta
Deep learning to translate between programming languages
TransCoder is the first self-supervised neural transcompiler system for migrating code between programming languages. It can translate code from Python to C++, for example, and it outperforms rule-based translation programs.
Forwarded from مجله هوش مصنوعی
📝 جهشی بزرگ برای بشریت: تئوری هوش مصنوعی ذهن
🔸 تئوری هوش مصنوعی ذهن ( Mind AI ) : رایانه های مجهز به این نوع هوش مصنوعی قادر به درک احساسات خواهند بود و آن ها قادر خواهند بود بین احساسات مختلف افراد مختلف تفاوت قائل شوند. آن ها عملکرد خود را متناسب با احساسات افراد تنظیم می کنند. این نوع هوش مصنوعی در حال پیشرفت است.
➕ مشاهده ادامه مطلب
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
🔸 تئوری هوش مصنوعی ذهن ( Mind AI ) : رایانه های مجهز به این نوع هوش مصنوعی قادر به درک احساسات خواهند بود و آن ها قادر خواهند بود بین احساسات مختلف افراد مختلف تفاوت قائل شوند. آن ها عملکرد خود را متناسب با احساسات افراد تنظیم می کنند. این نوع هوش مصنوعی در حال پیشرفت است.
➕ مشاهده ادامه مطلب
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
Forwarded from Meteor journal ☄ (Maryam)
Media is too big
VIEW IN TELEGRAM
💻 معرفی سایت kaggle و بررسی قسمت های:
Compete
Datasets
Notebooks
Communities
Courses
🔺فیلم به زبان انگلیسی با زیرنویس انگلیسی
#گلل #علم_داده
🙋🏻♀@meteorjournal
Compete
Datasets
Notebooks
Communities
Courses
🔺فیلم به زبان انگلیسی با زیرنویس انگلیسی
#گلل #علم_داده
🙋🏻♀@meteorjournal
گوگل یک مدل زبانی با یک تریلیون پارامتر آموزش داد.
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/
مقاله مربوطه: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
@ml_nlp_cv
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/
مقاله مربوطه: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
@ml_nlp_cv
VentureBeat
Google trained a trillion-parameter AI language model
Researchers at Google claim to have trained a natural language model containing over a trillion parameters.
Forwarded from آخرین خبر (M.Z)
This media is not supported in your browser
VIEW IN TELEGRAM