مرکز تحقیقات هوش پارت برگزار می کند:

* دوره تابستانه مقدماتی یادگیری عمیق ( 24 تا 26 مرداد)
- مقدمه ای بر یادگیری عمیق و شبکه‌های عصبی
- شبکه های عصبی کانولوشنال و بینایی ماشین
- مدل های زبانی و تعبیه سازی کلمات
- مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی
- پردازش های سریع و کاربردهای پردازش موازی در یادگیری عمیق
- یادگیری عمیق بدون نظارت و خودرمزنگارها (Autoencoder)
- یادگیری عمیق برای داده های ساختاریافته (جدولی) و سیستم های پیشنهاددهنده
- آموزش کتابخانه یادگیری عمیق کراس
- آموزش کتابخانه یادگیری عمیق Fastai


* دوره پیشرفته یادگیری عمیق( 8 و 9 شهریور)
- تنسورفلو مقدماتی و پیشرفته
- پایتورچ مقدماتی و پیشرفته
- شبکه های مولد تخاصمی (GAN)
one-shot learning: Face Verification & Recognition -

* آخر هفته یادگیری تقویتی(نیمه دوم شهریور)

* آخر هفته صوت و تشخیص گفتار (نیمه دوم شهریور)

* آخر هفته بینایی ماشین (نیمه دوم شهریور)

* آخر هفته پردازش زبان طبیعی (نیمه اول مهرماه)



مشاهده سرفصل ها، ارائه دهندگان و ثبت نام در :

https://evand.com/events/part-dlss


https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

هم اکنون می توانید کل ویدئو های دوره یادگیری عمیق مرکز تحقیقات هوش پارت که در پائیز 1396 برگزار شد را در کانال آپارات ما ببینید:

آشنایی با شبکه های عصبی عمیق و تاریخچه آن ها-دکتر سبکرو

یادگیری بدون نظارت بوسیله شبکه های عصبی - دکتر سبکرو

دسته بندی ویدئو با کمک شبکه های عمیق- دکتر علی دیبا

تشخیص رفتار (Action Recognition) - دکتر حسین موسوی

آموزش تنسورفلو(1/2) - دکتر علی مرادی

آموزش تنسورفلو (2/2) - دکتر علی مرادی

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 1-مهندس خالویی

شبکه های GAN (شبکه های مولد تخاصمی)-قسمت 2-مهندس خالویی

بررسی معماری های معروف کانولوشنال(1/2) - مهندس حسن پور

بررسی معماری های معروف کانولوشنال(2/2) - مهندس حسن پور

آموزش پایتورچ (1/2)-مسعود پوررضا

آموزش پایتورچ (2/2)-مسعود پوررضا



اسلاید ها و نوتبوک های مورد استفاده قرار گرفته در این دوره هم در آدرس گیت هاب ما قرار داده شده اند.

https://github.com/partdpai/Part-2017-Deep-Learning-School

بررسی معماری های معروف کانولوشنال(1/2) - مهندس حسن پور

به علاوه هم اکنون می توانید در آدرس زیر در دوره تابستانه مقدماتی (24 تا 26 مرداد) و دوره تابستانه پیشرفته ( 8 و 9 شهریور) یادگیری مرکز تحقیقات هوش پارت ثبت نام کنید:
evand.com/events/part-dlss

مرکز تحقیقات هوش پارت

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

مقایسه بین فریمورک های مختلف یادگیری عمیق و درصد استفاده از آن ها در مقالات منتشرشده در وبسایت arXiv

@partdpai

طبق نمودار بالا استفاده از فریم ورک های #تنسرفلو، #پایتورچ و #کراس در مقالات یادگیری ماشین منتشر شده در سایت arXiv در طول 4 سال گذشته روند صعودی داشته ولی بقیه فری مورک ها مثل Caffe روند نزولی را تجربه کرده اند.
در دوره تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت ما نحوه کار با هر 3 فریم ورک تنسورفلو، پایتورچ و کراس را آموزش می دهیم. البته در بین این 3 فریم ورک محبوب، کراس یک فریم ورک سطح بالاست و تنسرفلو و پایتورچ هم فریم ورک های سطح پائین هستند و برای همین در دوره مقدماتی ما بر روی فریم ورک کراس ( و fastai# که یک فریمورک سطح بالای دیگر است) و در دوره پیشرفته با فریم ورک های پایتورچ و تنسرفلو تمرکز خواهیم داشت.
لینک ثبت نام در دوره تابستانه ( به همراه تخفیف گروهی برای ثبت نام) :
https://evand.com/events/part-dlss

مرکز تحقیقات هوش پارت

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

بررسی #مقاله
محققین شرکت چینی Tencent در مقاله خود با معرفی یک روش جدید توانستند که مدل های Resnet-50 و AlexNet را بر روی دیتاست ImageNet و با به دست آوردن صحت قابل قبولی به ترتیب در مدت زمان کمتر از 7 و 4 دقیقه آموزش دهند، دستاوردی که تا چند سال پیش شاید غیر ممکن به نظر می رسید.
حالا سوال پیش می آید که با توجه به افزایش توانایی پردازش و موازی سازی چرا این مسئله چالش بزرگی است. جواب این سوال این است که تا پیش از این به دو دلیل آموزش دادن سریع یک مدل بر روی مجموعه عظیمی مثل دیتاست ImageNet و به دست آوردن صحت قابل قبول کار دشواری بود. دلیل اول این بود که برای آموزش سریع باید از دسته های (mini-batch) خیلی بزرگ مثل دسته های 64 هزارتایی استفاده می کردیم که این مسئله باعث می شود قابلیت تعمیم پذیری مدل کمتر شود و در نتیجه صحت به دست آمده بر روی مجموعه تست پائین بیاید.
دلیل دوم هم این بود که برای آموزش سریع نیاز به کلاستری از پردازنده ها و GPU ها داریم که پردازش ها بر روی آن ها به صورت موازی توزیع و انجام شود و در نهایت خروجی آموزش آن نیز تجمیع گردد. ولی در این جا چالش این است که به طور خاص برای مدل هایی مثل مدل AlexNet که نرخ ارتباطات به محاسبات (communication to computation ratio) آن ها بالا است، توزیع پردازش ها و داده ها و در نهایت تجمیع آن ها ممکن است خود تبدیل به گلوگاه شود و زمان بیشتری ببرد.

متن کامل این مقاله را اینجا می توانید بخوانید:
https://arxiv.org/abs/1807.11205


مرکز تحقیقات هوش پارت

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

مرکز تحقیقات هوش پارت برگزار می کند:
دوره تابستانه مقدماتی(24 تا 26 مرداد) و پیشرفته(8 و 9 شهریور) یادگیری عمیق: بینایی ماشین، NLP، GAN، کراس، پایتورچ، تنسرفلو و fastai
ثبت نام:
yon.ir/RnotG
@partdpai

یک اینفوگرافی از 10 الگوریتم برتر GAN، یکی از جذاب ترین کاربردهای یادگیری عمیق
در دوره پیشرفته یادگیری عمیق مفصلا در خصوص GANها، نحوه آموزش و کاربرد آنها صحبت می کنیم.
ثبت نام:
yon.ir/RnotG
@partdpai

دوره تابستانه مقدماتی (24 تا 26 مرداد) و پیشرفته (8 و 9 شهریور) یادگیری عمیق
مهلت ثبت نام: تا پایان جمعه 19 مرداد

yon.ir/RnotG

امروز آخرین مهلت ثبت نام در دوره تابستانه یادگیری عمیق است.

بنابر درخواست مکرر برخی از اعضای کانال برای شرکت در دوره یادگیری عمیق، ظرفیت محدودی برای ثبت نام در دوره مقدماتی و پیشرفته مجددا تخصیص داده شده است. علاقه مندان می توانند برای ثبت نام به
https://evand.com/events/part-dlss
مراجعه کنند.

با سلام خدمت شرکت کنندگان دوره مقدماتی و پیشرفته یادگیری عمیق،
جهت یادآوری مجدد انشاالله دوره مقدماتی از ساعت 8:15 فردا آغاز خواهد شد.
آدرس محل برگزاری دوره :
تهران - خیابان طالقانی - بین خیابان ولیعصر(عج) و خیابان حافظ - شماره 341- هتل پارسیان انقلاب - طبقه 16- سالن جلسات

برای برگزاری هر چه بهتر دوره لطفا نکات زیر را هم مد نظر داشته باشید:
-در زمان ذکر شده کلاس در محل برگزاری حضور داشته باشید.
-پرینت یا فایل بلیط شرکت در دوره را به همراه داشته باشید.
-برای کسب گواهی در پایان دوره می بایست در هر 3 روز برگزاری حضور به عمل برسانید.
-نیازی به همراه داشتن لپ تاپ نیست. کد ها، اسلایدها و ویدئوها بعد از پایان در اختیار شرکت کنندگان قرار داده می شود.
- با توجه به محدودیت زمانی تنها در 15 دقیقه پایانی هر ارائه، از ارائه دهندگان سوالات خود را بپرسید.

با سپاس
مرکز تحقیقات هوش پارت

محل برگزاری طبقه 16 هتل پارسیان انقلاب

با سلام خدمت همه دوستان شرکت کننده در دوره مقدماتی، تمامی کدها و اسلایدهای مباحث مطرح شده در دوره در آدرس گیت هاب مرکز تحقیقات هوش پارت قرار گرفت.

https://github.com/partdpai/Part-2018-Deep-Learning-School



مرکز تحقیقات هوش پارت

https://t.iss.one/partdpai
https://ble.im/partdpai
sapp.ir/partdpai
https://partdp.ai/

وبسایت vast.ai حدود 100 ساعت GPU رایگان را برای استفاده در اختیار دانشجویان قرار می دهد و می توانید کدهای #پایتورچ، #تنسورفلو و fastai# را به راحتی در مرورگر اجرا کنید.
مرکز تحقیقات هوش پارت
@partdpai

تیزر دوره مقدماتی یادگیری عمیق مرکز تحقیقات هوش پارت
برای ثبت نام در دوره پیشرفته یادگیری عمیق به آدرس زیر مراجعه کنید:
https://evand.com/events/part-dlss/
@partdpai

دوره پیشرفته یادگیری عمیق مرکز تحقیقات هوش پارت در تاریخ 8 و 9 شهریور برگزار خواهد شد و در این دوره مباحث زیر را مطرح خواهیم کرد:
* one-shot learning: Face Verification & Recognition - علیرضا اخوان پور
* یادگیری عمیق تقویتی - مهندس بادنوا
* آموزش کتابخانه یادگیری عمیق پایتورچ (Pytorch)- مهندس مسعود پوررضا
* آموزش کتابخانه یادگیری عمیق تنسورفلو (TensorFlow) - مهندس مهدی زاده

برای ثبت نام و مشاهده سرفصل های این دوره به آدرس زیر مراجعه کنید:
https://evand.com/events/part-dlss/

مهلت ثبت نام تا پایان روز دوشنبه 5 شهریور خواهد بود و تمدید نخواهد شد.

مرکز تحقیقات هوش پارت
@partdpai

یکی از مهمترین حوزه های مطرح یادگیری عمیق، حوزه یادگیری عمیق تقویتی یا Deep است که شاید بتوان گفت مهمترین دستاوردهای یادگیری عمیق و هوش مصنوعی به خاطر آن رخ داده است (مانند پیروزی هوش مصنوعی بر انسان در بازی Go) و شرکت های مهمی مثل OpenAI و DeepMind هم به صورت جدی در این حوزه فعالیت می کنند. در دوره پیشرفته یادگیری عمیق هم یکی از مباحثی که توسط مهندس بادنوا ارائه خواهد شد مبحث یادگیری تقویتی است که سرفصل های آن به صورت زیر می باشد:

o Difference between RL and other machine learning methods
o Applications of RL
o Basic definitions of RL (MDP and policy function)
o Difference between model-based and model-free methods
o SARSA (an on-policy method)
o Q learning method (an off-policy method)
o A simple code and the training process
o Policy search and value estimation
o Value approximation
o Deep neural networks
o Deep Q network (DQN) a value approximation method which uses deep neural networks
o Policy estimation using deep neural networks
o A simple code using Tensorflow

ثبت نام:
https://evand.com/events/part-dlss/


مرکز تحقیقات هوش پارت
@partdpai