Standardizing on Keras: Guidance on High-level APIs in TensorFlow 2.0.
https://medium.com/tensorflow/standardizing-on-keras-guidance-on-high-level-apis-in-tensorflow-2-0-bad2b04c819a?linkId=60669680
https://medium.com/tensorflow/standardizing-on-keras-guidance-on-high-level-apis-in-tensorflow-2-0-bad2b04c819a?linkId=60669680
Medium
Standardizing on Keras: Guidance on High-level APIs in TensorFlow 2.0
Posted by Sandeep Gupta, Josh Gordon, and Karmel Allison on behalf of the TensorFlow team
AlphaZero: A single system that taught itself from scratch how to master the games of chess, shogi (Japanese chess), and Go
https://deepmind.com/blog/alphazero-shedding-new-light-grand-games-chess-shogi-and-go/
https://deepmind.com/blog/alphazero-shedding-new-light-grand-games-chess-shogi-and-go/
The AI Transformation Playbook: how you can manage an AI Project
https://landing.ai/ai-transformation-playbook/?utm_source=MLYList&utm_medium=ButtonLink&utm_campaign=Playbook
https://landing.ai/ai-transformation-playbook/?utm_source=MLYList&utm_medium=ButtonLink&utm_campaign=Playbook
LandingAI
AI Transformation Playbook: How to lead your company into the AI era
Explore the AI Transformation Playbook by Landing AI to navigate the AI era successfully. Gain insights and strategies for artificial intelligence adoption.
Crazy how technology in the field of AI changes so fast, interesring read for sure:
https://www.technologyreview.com/s/612561/a-radical-new-neural-network-design-could-overcome-big-challenges-in-ai/
https://www.technologyreview.com/s/612561/a-radical-new-neural-network-design-could-overcome-big-challenges-in-ai/
MIT Technology Review
A radical new neural network design could overcome big challenges in AI
David Duvenaud was collaborating on a project involving medical data when he ran up against a major shortcoming in AI. An AI researcher at the University of Toronto, he wanted to build a deep-learning model that would predict a patient’s health over time.…
Forwarded from مرکز تحقیقات هوش مصنوعی پارت
تقریبا هر 25 دقیقه یک مقاله مرتبط با یادگیری ماشین منتشر می شود و این یعنی در حین خواندن یک مقاله حداقل یک مقاله دیگر منتشر شده است. طبیعی است که برای مواجه با این حجم منکوب کننده از مقالات منتشرشده باید هوشمندانه تر عمل کنیم. برای همین ما استفاده از چندین منبع زیر را پیشنهاد می کنیم تا به صورت بهتری مقالات منتشر شده یادگیری ماشین را تحت نظر داشته باشیم:
وبسایت papers with code:
این وبسایت لیستی از مخازن کد مقالات هوش مصنوعی که کد آن ها توسط نویسنده ها ( یا بقیه محققین) منتشر شده است را در اختیار می گذارد و آن ها را بر اساس تعداد star های مخزن کد در گیت هاب و یا فریمورک نوشته شده مرتب می کند.
https://www.paperswithcode.com
وبسایت Short Science
این وبسایت معادل وبسایت stackoverflow است اما مختص محققین و پژوهشگران حوزه هوش مصنوعی طراحی شده است و در آن می توانید آخرین مقالات و دستاوردهای عمدتا مربوط به یادگیری ماشین را به صورت خلاصه شده بخوانید. این خلاصه سازی ها به صورت داوطلبانه توسط اعضای سایت انجام می شود و هر فردی می تواند خلاصه مقالاتی که خوانده است را نیز بر روی این وبسایت قرار بدهد.
https://www.shortscience.org
وبسایت Arxiv Sanity
این وبسایت توسط محقق معروف هوش مصنوعی آقای Andrej Karpathy ساخته شده است و هدف آن این است که با کمترین دردسر ممکنی مقالات مرتبطی که در وبسایت arxiv.org ( که وبسایت خیلی کاربرپسندی هم نیست!) به دنبال آن ها هستیم را پیدا کنیم. به طور مثال، در Arxiv Sanity می توانیم مجموعه مقالاتی که بیشترین شباهت با یک مقاله مدنظر ما را دارند به ترتیب شباهت پیدا کنیم ( این کار به وسیله یک الگوریتم tf-idf که بر روی متن کل مقالات arxiv آموزش داده شده است انجام می شود.) علاوه بر این وبسایت لیست محبوب ترین و داغ ترین مقالات منتشر شده در حوزه های مختلف هوش مصنوعی را هم در اختیار ما قرار می دهد و حتی فراتر از آن از یک سیستم پیشنهاددهنده ساده اما قدرتمند برای پیشنهاد کردن مقالات مرتبط به ما استفاده می کند.
https://www.arxiv-sanity.com
اسکریپت sotawhat
اسکریپت sotawhat یک اسکریپت نوشته شده با پایتون است که با استفاده از کلمات کلیدی که به آن می دهیم کل مخزن Arxiv را جستجو می کند و لیست مقالات مرتبط به آن کلیدواژه ها به همراه خلاصه آن ها را به ما بر می گرداند. یکی از کاربردهای این اسکریپت این هست که می توانیم پروسه جستجوی مقالات مرتبط با یک موضوع را به صورت خودکار در بیاوریم و مثلا به این اسکریپت بگوییم که عنوان و خلاصه تمامی مقالات با موضوع explainable AI را در یک فایل متنی به صورت مداوم جستجو و ذخیره کند
https://github.com/chiphuyen/sotawhat
مرکز تحقیقات هوش پارت
@partdpai
وبسایت papers with code:
این وبسایت لیستی از مخازن کد مقالات هوش مصنوعی که کد آن ها توسط نویسنده ها ( یا بقیه محققین) منتشر شده است را در اختیار می گذارد و آن ها را بر اساس تعداد star های مخزن کد در گیت هاب و یا فریمورک نوشته شده مرتب می کند.
https://www.paperswithcode.com
وبسایت Short Science
این وبسایت معادل وبسایت stackoverflow است اما مختص محققین و پژوهشگران حوزه هوش مصنوعی طراحی شده است و در آن می توانید آخرین مقالات و دستاوردهای عمدتا مربوط به یادگیری ماشین را به صورت خلاصه شده بخوانید. این خلاصه سازی ها به صورت داوطلبانه توسط اعضای سایت انجام می شود و هر فردی می تواند خلاصه مقالاتی که خوانده است را نیز بر روی این وبسایت قرار بدهد.
https://www.shortscience.org
وبسایت Arxiv Sanity
این وبسایت توسط محقق معروف هوش مصنوعی آقای Andrej Karpathy ساخته شده است و هدف آن این است که با کمترین دردسر ممکنی مقالات مرتبطی که در وبسایت arxiv.org ( که وبسایت خیلی کاربرپسندی هم نیست!) به دنبال آن ها هستیم را پیدا کنیم. به طور مثال، در Arxiv Sanity می توانیم مجموعه مقالاتی که بیشترین شباهت با یک مقاله مدنظر ما را دارند به ترتیب شباهت پیدا کنیم ( این کار به وسیله یک الگوریتم tf-idf که بر روی متن کل مقالات arxiv آموزش داده شده است انجام می شود.) علاوه بر این وبسایت لیست محبوب ترین و داغ ترین مقالات منتشر شده در حوزه های مختلف هوش مصنوعی را هم در اختیار ما قرار می دهد و حتی فراتر از آن از یک سیستم پیشنهاددهنده ساده اما قدرتمند برای پیشنهاد کردن مقالات مرتبط به ما استفاده می کند.
https://www.arxiv-sanity.com
اسکریپت sotawhat
اسکریپت sotawhat یک اسکریپت نوشته شده با پایتون است که با استفاده از کلمات کلیدی که به آن می دهیم کل مخزن Arxiv را جستجو می کند و لیست مقالات مرتبط به آن کلیدواژه ها به همراه خلاصه آن ها را به ما بر می گرداند. یکی از کاربردهای این اسکریپت این هست که می توانیم پروسه جستجوی مقالات مرتبط با یک موضوع را به صورت خودکار در بیاوریم و مثلا به این اسکریپت بگوییم که عنوان و خلاصه تمامی مقالات با موضوع explainable AI را در یک فایل متنی به صورت مداوم جستجو و ذخیره کند
https://github.com/chiphuyen/sotawhat
مرکز تحقیقات هوش پارت
@partdpai
huggingface.co
Trending Papers - Hugging Face
Your daily dose of AI research from AK
Introduction To Probability.pdf
294 KB
A Good Summary of Probabilty Theory
https://github.com/ajaymache/machine-learning-yearning
If you want to do machine learning projects, This is the right book for you
If you want to do machine learning projects, This is the right book for you
GitHub
GitHub - ajaymache/machine-learning-yearning: Machine Learning Yearning book by 🅰️𝓷𝓭𝓻𝓮𝔀 🆖
Machine Learning Yearning book by 🅰️𝓷𝓭𝓻𝓮𝔀 🆖. Contribute to ajaymache/machine-learning-yearning development by creating an account on GitHub.
Edward_Frenkel_Love_and_Math__The.pdf
27.4 MB
A great book about beauty of Math
Deep Learning Cheat Sheet.pdf
7.7 MB
Complete Cheat Sheets for AI, Neural Networks, Machine Learning, Deep Learning & Big Data
Math Topics needed for Machine Learning:
https://www.quora.com/What-math-is-needed-for-artificial-intelligence-machine-learning-research-Is-it-necessary-to-learn-everything-or-can-you-learn-just-the-specifics-such-as-matrix-multiplication
https://www.quora.com/What-math-is-needed-for-artificial-intelligence-machine-learning-research-Is-it-necessary-to-learn-everything-or-can-you-learn-just-the-specifics-such-as-matrix-multiplication
Quora
What math is needed for artificial intelligence/machine learning research? Is it necessary to learn everything, or can you learn…
Answer (1 of 13): See the concept map for this answer:
The most important math topics in machine learning are:
Linear Algebra
Calculus
Probability
Optimization
* Heuristics
* Iterative Methods
This is further broken down, as I show below, by the following…
The most important math topics in machine learning are:
Linear Algebra
Calculus
Probability
Optimization
* Heuristics
* Iterative Methods
This is further broken down, as I show below, by the following…