کدها (نوت بوک) به همراه اسلاید ورک‌شاپ شبکه های عصبی بازگشتی (RNN) در تنسرفلو 2 و کراس که در صندوق نوآوری و شکوفایی برگزار گردید در گیت‌هاب آپلود شدند:

https://github.com/Alireza-Akhavan/rnn-notebooks

#دوره_آموزشی شبکه‌های عصبی عمیق منتشر شد

قسمت‌هایی از این دوره 32 قسمتی برای ارزیابی خریداران گرامی در آپارات بارگزاری شد:
https://www.aparat.com/v/zqbc8

لینک خرید به زودی در کانال منتشر میشود.

گیت‌هاب کلاس و کدها:
https://github.com/Alireza-Akhavan/rnn-notebooks

سرفصل های این دوره:

قسمت اول – 18 دقیقه - مقدمات شبکه های بازگشتی
قسمت دوم – 21 دقیقه - یک سلول (واحد) بازگشتی ساده و شبکه بازگشتی
قسمت سوم – 32 دقیقه - پیاده‌سازی تخمین تابع با شبکه‌های بازگشتی ساده
قسمت چهارم – 4 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۱)
قسمت پنجم – 11 دقیقه - طول دنباله متغیر در شبکه‌های بازگشتی (۲)
قسمت شـشـم – 19 دقیقه - محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی
قسمت هفتم – 26 دقیقه - شبکه‌های GRU
قسمت هشتم – 8 دقیقه - شبکه‌های LSTM
قسمت نهم – 9 دقیقه - دیاگرام شبکه‎های LSTM
قسمت دهم – 9 دقیقه - مثال‌هایی از داده‌های توالی و ترتیبی
قسمت یازدهم – 5 دقیقه - شبکه‌های بازگشتی عمیق
قسمت دوازدهم – 34 دقیقه - تخمین قیمت ارزهای دیجیتال – پیش‌پردازش داده
قسمت سیزدهم – 22 دقیقه - تخمین قیمت ارزهای دیجیتال – بالانس کردن داده‌ها و آموزش
قسمت چهاردهم – 34 دقیقه - شبکه‌های بازگشتی برای طبقه‌بندی ویدیو – مثال تشخیص جهت حرکت توپ
قسمت پانزدهم – 41 دقیقه - مثال دوم طبقه‌بندی ویدیو – بازشناسی عملکرد در ویدیو
قسمت شانزدهم – 32 دقیقه - درک بردار کلمات و بازنمایی آن‌ها
قسمت هفدهم – 11 دقیقه - ویژگی‌های بازنمایی کلمات و لایه Embedding
قسمت هجدهم – 27 دقیقه - مثال عملی آنالوژی با بردار کلمات
قسمت نوزدهم – 14 دقیقه - طبقه‌بندی متن
قسمت بـیـسـتـم – 20 دقیقه - پیاده‌سازی طبقه‌بندی متن با روش Bag-of-Embeddings
قسمت بیست و یکم – 29 دقیقه - طبقه‌بندی متن با شبکه بازگشتی
قسمت بیست و دوم – 57 دقیقه - مدل زبانی – تولید اشعاری شبیه به شاهنامه
قسمت بیست و سوم –16 دقیقه - جمع‌بندی و معرفی شبکه‌های بازگشتی دوطرفه
قسمت بیست و چهارم – 14 دقیقه - مدل‌های توالی به توالی
قسمت بیست و پنجم – 27 دقیقه - مثال عملی Seq2Seq برای فهم رشته عملیات ریاضی
قسمت بیست و شـشـم – 15 دقیقه - مقدمات ترجمه ماشینی
قسمت بیست و هفتم – 15 دقیقه - الگوریتم جست و جوی پرتو
قسمت بیست و هشـتم – 60 دقیقه - مکانیزم توجه در ترجمه ماشینی
قسمت بیست و نهم – 30 دقیقه - پیاده‌سازی ترجمه ماشینی در کراس برای تبدیل تاریخ
قسمت سـی‌ام – 15 دقیقه - روش کمک معلم
قسمت سی و یکم – 41 دقیقه - پیاده‌سازی ترجمه ماشینی با مکانیزم توجه و Teacher Forcing در تنسرفلو ۲
قسمت سی‌ و دوم – 28 دقیقه - شرح تصاویر با توجه بصری


Part 1 – 18 Minutes - Introduction to Recurrent Neural Networks
Part 2 – 21 Minutes - A Simple RNN Unit & RNN Network
Part 3 – 32 Minutes - Sinewave Prediction using RNN
Part 4 – 4 Minutes - Variable RNN sequence lengths (1)
Part 5 – 11 Minutes - Variable RNN sequence lengths (2)
Part 6 – 19 Minutes - Exploding and Vanishing Gradients in RNNs
Part 7 – 26 Minutes - Gated Recurrent Unit (GRU) Networks
Part 8 – 8 Minutes - Long Short-Term Memory (LSTM) Networks
Part 9 – 9 Minutes - LSTM in Picture
Part 10 – 9 Minutes - Examples of Sequential Data
Part 11 – 5 Minutes - Deep RNNs
Part 12 – 34 Minutes - Cryptocurrency Price Prediction – Data Pre-Processing
Part 13 – 22 Minutes - Cryptocurrency Price Prediction – Handling Imbalanced Data and Model Training
Part 14 – 34 Minutes - RNN for Image Classification – Determining the Direction of the Ball
Part 15 – 41 Minutes - Video Classification and Action Recognition using RNN
Part 16 – 32 Minutes - Understanding Word Embeddings
Part 17 – 11 Minutes - Word Analogy, Embedding Layer in Keras
Part 18 – 27 Minutes - Solving Analogies by Representing Words as Vectors
Part 19 – 14 Minutes - Text Classification
Part 20 – 20 Minutes - Bag-of-Embeddings for Text Classification
Part 21 – 29 Minutes - Text Classification with an RNN
Part 22 – 57 Minutes - Text Generation with an RNN (Language Model)
Part 23 – 16 Minutes - Review – Bidirectional RNNs
Part 24 – 14 Minutes - Seq2Seq Models
Part 25 – 27 Minutes - Practical Example of Seq2Seq for Understanding the Mathematical Operations
Part 26 – 15 Minutes - Introduction to Machine Translation
Part 27 – 15 Minutes - Beam Search
Part 28 – 60 Minutes - Attention in Neural Machine Translation
Part 29 – 30 Minutes - Neural Machine Translation for Converting Date in Keras
Part 30 – 15 Minutes - Teacher Forcing
Part 31 – 41 Minutes - Neural Machine Translation with Attention and Teacher Forcingin TF2.0
Part 32 – 28 Minutes - Image Captioning with Visual Attention

Image Captioning (RNN + CNN) + Attention
https://www.aparat.com/v/qD1Mi

این کاربرد برای توصیف فارسی تصاویر هم به راحتی قابل انجام است.
اما دیتاست فارسی هنوز منتشر نشده.
در این راستا با فعالیت از این پروژه متن باز حمایت کنید:

imagecaptioning.ir/

#آموزش #سورس_کد
#andrew_ng #python #machinelearning
بی شک یکی از بهترین آموزش هایی که رو اینترنت هست کورس یادگیری ماشین Andrew Ng است، و واقعا حس شیرین یادگیریو به آدم منتقل میکنه و گذروندن این کورس بی نظیر جزو خاطرات خوب من هست...
همان طور که میدانید متاسفانه در آن زمان به جای پایتون، متلب برای تمارین و آموزش ها استفاده شده بود.
حالا در زیر فردی پیدا شده که همه کدهای این کورس را را با پایتون بازنویسی کرده:

https://github.com/dibgerge/ml-coursera-python-assignments

#کارگاه_آموزشی

کارگاه‌های آموزشی یازدهمین کنفرانس ملی و اولین کنفرانس بین‌المللی بینایی ماشین و پردازش تصویر ایران
https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa



برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند.


🙏Thanks to: @shenasa_ai | @mvip_2020

#کارگاه_های_آموزشی_کنفرانس

✅ کارگاه آموزشی: آشنایی با کراس/ تنسورفلو

👈 برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند.

https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa

http://mvip2020.ut.ac.ir
@mvip_2020

#کارگاه_های_آموزشی_کنفرانس

✅ کارگاه آموزشی: شبکه‌های مولد تخاصمی (GAN) و پیاده‌سازی در کراس / تنسورفلو

👈 برای شرکت در این کارگاه‌ها ثبت نام در کنفرانس ضروری نیست، اما دانشجویان به خصوص دانشجویان دانشگاه‌های شهر قم و تمامی دانشجویان دانشگاه تهران می‌توانند با ثبت نام رایگان در کنفرانس، با تخفیف ویژه در این کارگاه‌ها ثبت نام و شرکت کنند.

https://mvip2020.ut.ac.ir/performa?_action=wks&lang=fa

http://mvip2020.ut.ac.ir
@mvip_2020

Multiple Object Tracker, Based on Hungarian algorithm + Kalman filter.
https://github.com/Smorodov/Multitarget-tracker

#آموزش #ویدیو #وبینار
Build TensorFlow input pipelines with tf.data

⚪️فیلم وبینار فارسی tf.data و راه‌کارهای افزایش سرعت آموزش - پنج‌شنبه مورخ ۱۴ فروردین ۱۳۹۹
⚪️سطح: پیشرفته (کد نویسی)

این وبینار به آموزش مراحل ساخت pipeline ورودی TensorFlow2 و keras با tf.data و دلایل استفاده نکردن از پیش‌پردازش‌های keras نظیر ImageDataGenerator و لزوم بهره‌گیری از tf.data پرداخته است. بعد از بررسی گام‌های مختلف ETL به عنوان مثال عملی، Transfer learning برای طبقه بندی تصویر را با tf.data انجام دادیم. در نیمه‌ی دوم وبینار بیشتر روی افزایش performance سرعت آموزش و تست بحث شد و راه‌کارهایی نظیر prefetch، Parallelize ، transformation، cache،snapshot، tf.function، XLA و همچنین mixed precision بحث شد.

اسلاید‌های وبینار
https://www.slideshare.net/Alirezaakhavanpour/build-tensorflow-input-pipelines-tfdata

فیلم وبینار در آپارات:
https://www.aparat.com/v/HGvC2

کدهای اسلایدها و مثال عملی:
https://github.com/Alireza-Akhavan/class.vision/tree/master/tf2

@cvision @irandeeplearning

#TensorFlow #keras

#آموزش
ویدیو و کدهای کارگاه Discriminative Feature Learning And Face Recognition امیرکبیر:

https://www.aparat.com/v/5Uspk

کدها
https://github.com/Alireza-Akhavan/deep-face-recognition/tree/master/aaiss2020

ارائه دهنده: علیرضا اخوان پور

#آموزش #ویدیو #grad_cam #cam #explainableAI

Grad-CAM

سلام دوستان. ما قبلا یه ورک شاپ آنلاین یا موضوع کالبک ها در تنسرفلو 2 داشتیم که تو اون مبحث کمی در مورد tf-explain و روش grad-camبه صورت سربسته توضیح دادیم. اما خب وارد جزئیات نشدیم.
در ویدیوی پایین دو مقاله ی پر رفرنس سال های 2016 و 2017 به ترتیب با نام های:
Learning deep features for discriminative localization (2016)
Grad-cam: Visual explanations from deep networks via gradient-based localization(2017)

را بررسی کردیم و یه بار بدون tf-expalin ودستی با خود کراس پیاده سازی کردیم.
این فیلم را به همراه کد از لینک زیر دانلود کنید:
Explainable AI with Grad-CAM (توضیح مقاله به همراه پیاده سازی در کراس)
https://www.aparat.com/v/kHhOB
https://github.com/Alireza-Akhavan/class.vision/blob/master/Grad-CAM.ipynb


——
https://www.tgoop.com/cvision/1871
مطالب مرتبط:

📢در صورت تمایل، کانال دیگرمان را نیز دنبال کنید
قدیمی ترین کانال هوش مصنوعی، بینایی کامپیوتر و Deep learning
با سابقه 6 ساله

Deep Learning, Tensorflow , Keras, OpenCV & ...

هوش مصنوعی،
مقالات و یافته های جدید یادگیری عمیق،
آموزشهای مرتبط با تنسرفلو و کراس،
بینایی ماشین،
برگزاری دوره های تخصصی آفلاین و آنلاین

@CVision

✳️ دوره‌های  Deep-Learning گروه آموزشی class vision

📢🎉کد تخفیف 10 درصدی cvision ویژه اعضای محترم کانال تلگرامی: cvision

اگر تا کنون دوره ها را تهیه نکرده اید توصیه میشه حتما فایل مصاحبه با شرکت کنندگان را ببینید و همچنین با قسمت های رایگان شروع کنید! کلی ویدیوی رایگان دیگر نیز در کانال آپارات وجود داره!

0️⃣ ویدیوهای رایگان آشنایی با هوش مصنوعی و پایتون

0️⃣ دوره رایگان Python(پایتون) برای هوش مصنوعی

1️⃣ دوره جامع یادگیری عمیق

2️⃣ دوره‌ی شبکه ها عصبی بازگشتی ( LSTM ,  GRU و RNN)
▫️مشاهده قسمت‌های رایگان

3️⃣ دوره شبکه عصبی گرافی (GNN و GCN)
▫️ویدیو‌ی معرفی دوره | فیلم ارائه معرفی GCN در دانشگاه شریف

4️⃣ دوره‌ی بازشناسی و تشخیص چهره
▫️ مشاهده قسمت‌های رایگان | ثبت‌نام

5️⃣بینایی کامپیوتر با OpenCV
▫️دوره منتشر شده در مکتب خونه

6️⃣وبینارهای مرتبط رایگان


🔺 اطلاعات بیشتر در کانال و یا سایت class.vision

🔻  هر گونه سوال: @classvision_support

برای خرید گروهی، یا خرید برای اعضای یک کلاس با پشتیبانی تماس بگیرید.

📢جهت اطلاع برای علاقه مندان،
سایت مکتب‌خونه روی دوره OpenCV فروش فوق العاده و تخفیف 55 درصدی گذاشته است.

🎥 آموزش شبکه های عصبی گرافی

https://class.vision/product/graph-neural-network/

سرفصلهای دوره | اسلایدها | ویدیوی معرفی | کدها | فصل اول به عنوان نمونه ویدیو | کاربرد شبکه های عصبی گرافی | فیلم ارائه و معرفی شبکه‌های عصبی گرافی در دانشگاه شریف

این آموزش در 7 فصل و  شامل مباحث  تئوری+ عملی بوده و 13 کد در فریم ورک تنسرفلو و پایتورچ جئومتریک مورد بحث قرار گرفته است.

👤مشاوره رایگان:
@classvision_support