مقایسه فریمورک های یادگیری بر اساس حجم فعالیت های گیت هابی

https://bit.ly/2QOkvPS

@partdpai

و در نهایت امتیاز و اهمیت کلی هر کدام از فریمورک ها و پیشتازی قابل توجه تنسورفلو

https://bit.ly/2QOkvPS

@partdpai

#معرفی شبکه های مولد تخاصمی

https://vrgl.ir/niu3D

@partdpai

#paper #cvpr2018 #anomaly_detection
در این مقاله تشخیص آنومالی با استفاده از دوربین های نظارتی شهری مورد توجه قرار گرفته است. بخش استخراج ویژگی در این مقاله توسط شبکه کانولوشنی سه بعدی (c3d) صورت گرفته.
برای جلوگیری از برچسب گذاری فریم به فریم ویدیوها و حل مساله به صورت بدون نظارت، ویدیوها به بخش های مختلف تقسیم بندی شده اند و در نهایت پس از استخراج ویژگی با مقایسه ی دسته های گوناگون برچسب درست تکه ویدیوهای مختلف معین می شوند.
در این مقاله مجموعه داده ی جدیدی برای تشخیص آنومالی به نام ucf-crime معرفی شده است. این مجموعه داده شامل ویدیوهایی از دعوا، دزدی، خرابکاری و ... است که توسط دوربین های مداربسته ضبط شده اند.
https://openaccess.thecvf.com/content_cvpr_2018/html/Sultani_Real-World_Anomaly_Detection_CVPR_2018_paper.html

@partdpai

گوگل از موتور جستجوی دیتاست خود رونمایی کرد.

https://twitter.com/GoogleAI/status/1037448030193049600?s=19

@partdpai

مدل 2080 Ti بهترین عملکرد در مقایسه با قیمت را در میان GPU های مختلف دارد. ( V100 با وجود سریع تر بودن اما 5 برابر گران تر از 2080 Ti است)
بررسی مفصل تر:
https://bit.ly/2yy34e0

@partdpai

موتور جستجو دیتاست گوگل چگونه کار می کند و چگونه می‌توان دیتاست خود را به نتایج اضافه کرد ؟

https://ai.googleblog.com/2018/09/building-google-dataset-search-and.html

@partdpai

#خبر
بالاخره نسخه پایدار #پایتورچ 1 منتشر شد. حالا علاوه بر لینوکس می توانید پایتورچ 1 را بر روی ویندوز هم نصب کنید!
https://pytorch.org

@partdpai

نمودار بالا مقایسه بین صحت و سرعت بعضی از معروف ترین شبکه های عصبی کانولشنال را به ما نشان می دهد. محور افقی تعداد عملیات های انجام شده برای آموزش مدل، محور عمودی تعداد صحت مدل و اندازه هر کدام از دایره ها هم نشان دهنده تعداد پارامترهای هر شبکه است.

منبع :
https://bit.ly/2uBNUTT
https://bit.ly/2L9fm2o


@partdpai

مقایسه بین نسبت صحت معماری های مختلف شبکه عصبی کانولوشنال به تعداد پارامترهای شبکه

@partdpai

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

مقاله منتشر شده در IST2018 توسط محققان مرکز تحقیقات هوش پارت.
برای این عزیزان در فعالیت های آتی پژوهشیشان آرزوی موفقیت داریم.
مرکز تحقیقات هوش پارت
@partdpai

آموزش پیکربندی و راه اندازی یک سیستم قدرتمند مقرون به صرفه مناسب برای پروژه های یادگیری عمیق و بازی های گرافیکی
ثبت نام برای عموم آزاد است

educenter.aut.ac.ir/authpc

#فرصت‌شغلی: برنامه نویس Backend
مسلط به جاوااسکریپت،
آشنا با Node.js
آشنا با Restful API
دارای سابقه کار یا پروژه تجاری
ارسال رزومه از طریق:
https://goo.gl/forms/kHvKAXuebyOjJKOG2

فرصت شغلی: Front-End Developer
مسلط به جاوااسکریپت
آشنا به SPA
آشنا به React یا Angular یا Vue.js
دارای سابقه کار یا پروژه تجاری،
ارسال رزومه از طریق:
https://goo.gl/forms/kHvKAXuebyOjJKOG2

#فرصت‌شغلی: DB Admin
مسلط به مفاهیم پایگاه داده،
آشنا با PostgreSQL
آشنا با خط فرمان لینوکس
سابقه کاری مرتبط
ارسال رزومه از طریق:
https://goo.gl/forms/kHvKAXuebyOjJKOG2

سایت coursera به تازگی در صدد آن است تا دوره‌ای برای معرفی کاربرد های هوش مصنوعی در صنایع مختلف برگزار کند. این دوره با هدف معرفی کاربردهای هوش مصنوعی برای سرمایه‌گذاران و مدیران شرکت ها ایجاد شده است. برای اطلاعات بیشتر می‌توانید به آدرس های زیر مراجعه کنید.
https://medium.com/@andrewng/announcing-ai-for-everyone-a-new-course-from-deeplearning-ai-44b609c042f

https://www.coursera.org/learn/ai-for-everyone

@partdpai

تیزر دوره مقدماتی تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت

@partdpai

تیزر دوره پیشرفته تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت

@partdpai