This book offers a comprehensive introduction to the central ideas that underpin Deep Learning. It is intended both for newcomers to machine learning and for those already experienced in the field.
@BLI_Channel
@BLI_Channel
An authoritative, accessible, and up-to-date treatment of deep learning that strikes a pragmatic middle ground between theory and practice.
https://udlbook.github.io/udlbook/
@BLI_Channel
https://udlbook.github.io/udlbook/
@BLI_Channel
https://www.psychologicalscience.org/observer/machine-learning-transforming-psychological-science
@BLI_Channel
@BLI_Channel
Association for Psychological Science - APS
How Machine Learning Is Transforming Psychological Science
Artificial intelligence and machine learning are providing insights that will soon transcend scientists’ observational capabilities, potentially leading to revolutionary advances in understanding human psychology.
Interactive deep learning book with code, math, and discussions
Implemented with PyTorch, NumPy/MXNet, JAX, and TensorFlow
https://d2l.ai/
@BLI_Channel
Implemented with PyTorch, NumPy/MXNet, JAX, and TensorFlow
https://d2l.ai/
@BLI_Channel
یک ریپوزیتوری خوب برای انواع الگوریتمهای یادگیری ماشین:
https://github.com/srafay/Machine_Learning_A-Z/tree/master
@BLI_Channel
https://github.com/srafay/Machine_Learning_A-Z/tree/master
@BLI_Channel
GitHub
GitHub - srafay/Machine_Learning_A-Z: Learning to create Machine Learning Algorithms
Learning to create Machine Learning Algorithms. Contribute to srafay/Machine_Learning_A-Z development by creating an account on GitHub.
سه مجموعه آموزش خوب برای شروع کار توی حوزه علم داده:
- Machine Learning for Beginners
- Data Science for Beginners
- Artificial Intelligence for Beginners
@BLI_Channel
- Machine Learning for Beginners
- Data Science for Beginners
- Artificial Intelligence for Beginners
@BLI_Channel
microsoft.github.io
Machine Learning for Beginners
Introduction to Machine Learning for Beginners
راهنماهای کوتاه یادگیری ماشین برای کلاس CS ۲۲۹ استنفورد
به زبان فارسی:
https://github.com/afshinea/stanford-cs-229-machine-learning/tree/master/fa
به زبان انگلیسی
https://github.com/afshinea/stanford-cs-229-machine-learning/tree/master/en
محتوای کورس:
https://stanford.edu/~shervine/teaching/cs-229/
@BLI_Channel
به زبان فارسی:
https://github.com/afshinea/stanford-cs-229-machine-learning/tree/master/fa
به زبان انگلیسی
https://github.com/afshinea/stanford-cs-229-machine-learning/tree/master/en
محتوای کورس:
https://stanford.edu/~shervine/teaching/cs-229/
@BLI_Channel
GitHub
stanford-cs-229-machine-learning/fa at master · afshinea/stanford-cs-229-machine-learning
VIP cheatsheets for Stanford's CS 229 Machine Learning - afshinea/stanford-cs-229-machine-learning
Forwarded from School of AI (Hamidreza Hosseinkhani)
بوتکمپ رایگان آشنایی با ترنسفورمرها
همونطور که میدونید ترنسفورمرها قلب تپندهی مدلهای جدید هوش مصنوعی در پردازش دنبالههااند. استفاده از ترنسفورمرها در ساخت مدلهای زبانی، انقلاب سالهای اخیر رو در هوش مصنوعی رقم زد.
بنابراین واضحست که درک صحیح عملکرد ترنسفورمرها برای فعالان این حوزه بسیار کمککننده خواهد بود.
در این بوتکمپ کوتاه (۴ روزه)، سعی خواهیم کرد تا جای ممکن بدون پرداختن به برنامهنویسی و ریاضیات، بینش خوبی از عملکرد ترنسفورمرها و همینطور مدلهای کلاسیکتر مثل شبکههای عصبی بازگشتی، به مخاطب ارائه دهیم.
- جلسهی نخست (دوشنبه ۱۸ تیر): پردازش دنبالهها و شبکههای عصبی بازگشتی (RNNs)
- جلسهی دوم (سهشنبه ۱۹ تیر): حافظهی کوتاهمدت، شبکههای LSTM و GRU
- جلسهی سوم (چهارشنبه ۲۰ تیر): مکانیزم Attention و ماشین تورینگ عصبی
- جلسهی چهارم (پنجشنبه ۲۱ تیر): ترنسفورمرها و مدلهای زبانی
همهی جلسات راس ساعت ۸ شب به وقت ایران و در کلاس مجازی دانشگاه شریف برگزار خواهند شد.
شرکت در این بوتکمپ رایگان است.
پیشنیاز شرکت در این بوتکمپ، آشنایی اولیه با شبکههای عصبیست.
همونطور که میدونید ترنسفورمرها قلب تپندهی مدلهای جدید هوش مصنوعی در پردازش دنبالههااند. استفاده از ترنسفورمرها در ساخت مدلهای زبانی، انقلاب سالهای اخیر رو در هوش مصنوعی رقم زد.
بنابراین واضحست که درک صحیح عملکرد ترنسفورمرها برای فعالان این حوزه بسیار کمککننده خواهد بود.
در این بوتکمپ کوتاه (۴ روزه)، سعی خواهیم کرد تا جای ممکن بدون پرداختن به برنامهنویسی و ریاضیات، بینش خوبی از عملکرد ترنسفورمرها و همینطور مدلهای کلاسیکتر مثل شبکههای عصبی بازگشتی، به مخاطب ارائه دهیم.
- جلسهی نخست (دوشنبه ۱۸ تیر): پردازش دنبالهها و شبکههای عصبی بازگشتی (RNNs)
- جلسهی دوم (سهشنبه ۱۹ تیر): حافظهی کوتاهمدت، شبکههای LSTM و GRU
- جلسهی سوم (چهارشنبه ۲۰ تیر): مکانیزم Attention و ماشین تورینگ عصبی
- جلسهی چهارم (پنجشنبه ۲۱ تیر): ترنسفورمرها و مدلهای زبانی
همهی جلسات راس ساعت ۸ شب به وقت ایران و در کلاس مجازی دانشگاه شریف برگزار خواهند شد.
شرکت در این بوتکمپ رایگان است.
پیشنیاز شرکت در این بوتکمپ، آشنایی اولیه با شبکههای عصبیست.