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

با سلام، مهلت ثبت نام در دوره پیشرفته تا پایان امروز و ظرفیت باقی مانده ثبت نامی برای شرکت در دوره 3 نفر است.

https://virgool.io/@partdpai/ai-hype-nxlh4jprvcj5

مرکز تحقیقات هوش پارت
@partdpai

یک منبع آموزشی خوب و رایگان برای یادگرفتن علم داده ها با استفاده از پایتون کتاب آنلاین Computational and Inferential Thinking است که به عنوان منبع اصلی کورس Foundations of Data Science در دانشگاه برکلی مورد استفاده قرار می گیرد.
آدرس این کتاب آنلاین:
https://www.inferentialthinking.com/

آدرس گیت هاب این کتاب و شامل نوتبوک های پایتون:
https://github.com/data-8/textbook


مرکز تحقیقات هوش پارت

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

با سلام خدمت شرکت کنندگان دوره مقدماتی و پیشرفته یادگیری عمیق،
جهت یادآوری مجدد انشاالله دوره پیشرفته از ساعت 8:30 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 2 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 شرکت کنندگان در دوره پیشرفته، منابع مورد استفاده در دوره شامل کدها و اسلایدها در مخزن گیت مرکز تحقیقات هوش پارت قرار گرفت:
روز اول - آموزش تک صحنه و تشخیص و تایید چهره -علیرضا اخوان پور
روز اول - آموزش تنسورفلو -ابوالفضل مهدی زاده
روز دوم -یادگیری عمیق تقویتی - بابک بادنوا
روز دوم - آموزش پایتورچ - مهندس مسعود پوررضا

https://github.com/partdpai/part_2018_advanced_deep_learning

مرکز تحقیقات هوش پارت

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

#معرفی_مقاله
مقاله who let the dogs out
هدف در این مقاله مطالعه نحوه تصمیم گیری و برنامه ریزی یک سگ بر مبنای چیزی است که دیده است.
این مقاله در قالب های ‌represent learning دسته بندی می شود.
شبکه از دو قسمت encoder و decoder شکل گرفته است.
در عمل شبکه ترکیبی از CNNو LSTM است. به این صورت که در ابتدا توسط encoder و توسط شبکه های CNN از تصاویر ویدیویی ویژگی استخراج می شود این ویژگی ها چون تقدم و تاخر زمانی دارند وارد سلول های LSTM می شوند و سپس در قسمت decoder و از طریق یک شبکه بازگشتی واکنش سگ استخراح می شود.
آدرس مقاله :
https://openaccess.thecvf.com/content_cvpr_2018/papers/Ehsani_Who_Let_the_CVPR_2018_paper.pdf


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

#معرفی_مقاله
مقالهSeGAN
این مقاله چالش برانگیز و جذاب که در مقالات cvpr2018 دیده میشود شبکه gan ای می باشد که اقدام به بازیابی قسمت های دیده نشده اشیا موجود در تصویر میکند.
شبکه این مقاله که با استفاده از شبکه های gan پیاده سازی شده است از دوقسمت شکل گرفته است. قسمت اول آن اقدام به segment کردن تصویر میکند. از این قسمت segment شده در قسمت دوم شبکه(که یک gan می باشد) برای بازسازی قسمت مخفی شده استفاده میشود.
مقاله کامل از طریق لینک زیر قابل دریافت است.

https://openaccess.thecvf.com/content_cvpr_2018/html/Ehsani_SeGAN_Segmenting_and_CVPR_2018_paper.html

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

یک سایت بسیار جالب و تعاملی که توسط تیم هوش مصنوعی گوگل و با tensotflow.js توسعه داده شده و با آن می تونید در مرورگر GAN ها را یاد بگیرید.
poloclub.github.io/ganlab
مرکز تحقیقات هوش پارت
@partdpai

#paper #cvpr2018
در این مقاله به بررسی نقش "ویژگی های زمانی" در تحلیل ویدیو پرداخته شده است.
از نوآوری های مقاله می توان به طراحی یک ساختار برای تولید ویژگی های زمانی مستقل از کلاس ویدیوی ورودی اشاره کرد. به نحوی که کافی است تنها مجموعه ای از تصاویر را به عنوان ورودی به شبکه طراحی شده بدهیم و به عنوان خروجی ویژگی های زمانی را تحویل بگیریم.
مقاله ی فوق بر روی مجموعه داده های ucf101 و kinetics مورد آزمایش قرار گرفته است.
اگر به پردازش ویدیو و شبکه های کانولوشنی ۳ بعدی علاقه مندید خواندن این مقاله می تواند برای شما مفید باشد.

https://openaccess.thecvf.com/content_cvpr_2018/html/Huang_What_Makes_a_CVPR_2018_paper.html

@partdpai

معرفی یادگیری دوگان (Dual learning) و کاربرد آن در ترجمه ماشینی

#ویرگول #مرکز_تحقیقات_هوش_پارت

https://vrgl.ir/yi4DJ

@partdpai