✅ آشنایی با تعدادی از روش‌های ارزیابی در یادگیری ماشین

https://www.aparat.com/v/ZPlHM

✅ مدرس: مهندس اشرفی

@howsam_org

✅ اطلاعات کامل درباره دوره‌های #یادگیری_عمیق و #پردازش_تصویر هوسم:

🔴 یادگیری عمیق:
https://howsam.org/downloads/آموزش-مجازی-یادگیری-عمیق/

🔴 پردازش تصویر:
https://howsam.org/downloads/آموزش-مجازی-پردازش-تصویر/

ارتباط با ادمین:
@rzabd
@e_pilva

به خانواده بزرگ علوم شناختی بپیوندید و از تازه ها و اخبار علوم شناختی کشور باخبر باشید!

@Cogscience

بخشی از #جلسه_اول کلاس #پردازش_تصویر

✅ آشنایی با نمونه‌برداری و کوانتیزاسیون در تصاویر دیجیتال
https://www.aparat.com/v/RYtaO

✅ مدرس: مهندس اشرفی

@howsam_org

✅ مثال ساده و عددی از فرآیند آموزش شبکه‌های عصبی MLP

✅ لینک مشاهده در کانال آپارات هوسم
https://www.aparat.com/v/Ffjbm

@howsam_org

✅ با kite سریع‌تر و راحت‌تر کدنویسی کنید...
https://kite.com/

✅ تعدادی از قابلیت‌های افزونه kite:
🔴 هوشمند با بهره‌گیری از یادگیری ماشین
🔴 قابلیت نصب در ویندوز
🔴 قابلیت اضافه شدن به نرم‌افزارهای مختلف مانند PyCharm، Sublime و غیره

@howsam_org

✅ تنسورفلو درحال دگرگونی بزرگ

🔴 از تغییر لوگو و قالب سایت تا تنسورفلو نسخه 2.0

🔴 آموزش تنسورفلو 2.0 در سایت یوداسیتی
https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187

@howsam_org

✅ پایگاه داده باز ایران
شامل حدود 500 مجموعه داده در حوزه‌های مختلف
new.iranopendata.org

@howsam_org

✅ پروژه Sentiment Classification در داده‌های نظرات کاربران دیجی‌کالا
https://github.com/rajabzz/digikala-sentiment-lstm

@howsam_org

#هضم
کتابخانه پردازش زبان فارسی در پایتون

http://www.sobhe.ir/hazm/

@howsam_org

آموزش مباحث مقدماتی در پایتورچ

@howsam_org

✅ بسته آموزشی پایتورچ (PyTorch)

✅ فراگیری پایتورچ در تعطیلات عید

✅ 16 ساعت آموزش پایتورچ از صفر تا کدنویسی شبکه‌های MLP، CNN، LSTM

✅ آشنایی با کیفیت بسته آموزشی در آپارات
https://www.aparat.com/v/nzlGH

✅ هزینه: 50 هزار تومان

✅ پیام به ادمین برای اطلاعات بیشتر
@rzabd

#مقاله شماره 1

✅ عنوان
Fixup Initialization: Residual Learning Without Normalization

✅ مشخصات
چاپ شده در ICLR 2019

✅ خلاصه
لایه‌های نرمالیزاسیون (Normalization)، عناصری اساسی در شبکه‌های عصبی عمیق هستند. این لایه‌ها با ویژگی‌هایی همچون ایجاد پایداری، امکان اعمال نرخ یادگیری بزرگتر، همگرایی سریع‌تر و تعمیم‌پذیری بهتر شناخته می‌شوند. در این مطالعه، مزیت‌های ذکر شده در بالا به چالش کشیده شده و نشان داده شده است که این مزایا تنها مختص لایه‌های نرمالیزاسیون نیست. به‌طور مشخص، fixed-update initialization یا fixup پیشنهاد شده که تکنیکی برای حل مساله محو و انفجار گرادیان در ابتدای فرآیند آموزش است. در این مطالعه نشان داده شده که آموزش شبکه‌های residual با fixup به همان اندازه آموزش شبکه با لایه‌های نرمالیزاسیون پایدار است (حتی در شبکه‌های با 10.000 لایه). علاوه‌براین، با رگولاریزه مناسب، شبکه‌های residual با fixup و بدون لایه‌های نرمالیزاسیون به عملکرد قابل ملاحظه‌ای در ترجمه ماشینی و دسته‌بندی تصاویر می‌رسند.

✅ لینک مقاله
https://openreview.net/forum?id=H1gsz30cKX

✅ کد
https://github.com/valilenk/fixup

@howsam_org

#یادگیری_عمیق #شبکه_عصبی_MLP

✅ #جلسه_اول کلاس آنلاین یادگیری عمیق هوسم به‌صورت کامل در آپارت منتشر شد.

https://www.aparat.com/v/A4ID6

✅ مهلت ثبت‌نام در کلاس یادگیری عمیق، 1 اردیبهشت خواهد بود.

✅ ارتباط با ادمین جهت ثبت نام
@rzabd

🔴 کلاس به‌صورت مجازی و آنلاین برگزار می‌شود. برای آشنایی با محیط کلاس‌های مجازی، ویدئوی جلسه اول را مشاهده کنید.
.

#متالرنینگ

✅ تعریف ساده‌ای از متالرنینگ:
Meta-learning, also known as “learning to learn”, intends to design models that can learn new skills or adapt to new environments rapidly with a few training examples.

✅ در لینک‌های زیر، توضیحات خوبی درباره متالرنینگ و مقاله‌های بروز آن ارائه شده است:
https://lilianweng.github.io/lil-log/2018/11/30/meta-learning.html

https://medium.com/huggingface/from-zero-to-research-an-introduction-to-meta-learning-8e16e677f78a

@howsam_org

#دوره_سوم #یادگیری_عمیق هوسم از تاریخ 5 بهمن 97 آغاز شد و در تاریخ 8 فروردين 98 خاتمه یافت.

✅ این دوره شامل 8 جلسه مباحث تئوری و کدنویسی بود که جزئیات آن به شرح زیر است :
🔴 20 ساعت تئوری در 8 جلسه
🔴 16 ساعت کدنویسی پایتورچ در 8 جلسه
🔴 7 ساعت مباحث پیش‌نیاز یادگیری ماشین و کدنویسی پایتون
🔴 مجموع 43 ساعت آموزش

✅ تعدادی از ویدئوهای این دوره در کانال آپارات هوسم قرار داده شده است:
🔴 جلسه اول: MLP
https://www.aparat.com/v/A4ID6

🔴 جلسه صفر: انواع روش‌های ارزیابی در یادگیری ماشین
https://www.aparat.com/v/ZPlHM

🔴 جلسه صفر: دسته‌بندی روش‌های یادگیری ماشین
https://www.aparat.com/v/GVlDI

🔴 جلسه صفر: آشنایی با توابع کاربردی در پایتورچ
https://www.aparat.com/v/8Q2T4

🔴 جلسه صفر: آشنایی با نرم‌افزار پایچارم
https://www.aparat.com/v/YtxPD

✅ ثبت‌نام #چهارمین_دوره #یادگیری_عمیق هوسم آغاز شده و تا 1 اردیبهشت ادامه خواهد داشت.

✅ کانال هوش مصنوعی هوسم
@howsam_org

✅ ارتباط با ادمین جهت اطلاعات بیشتر
@rzabd

#مقاله شماره 2

✅ عنوان مقاله
Bag of Tricks for Image Classification with Convolutional Neural Networks

✅ مشخصات مقاله
این مقاله در سال 2018 توسط محققان وب‌سرویس آمازون منتشر شده و تاکنون 5 ارجاع داشته است.

✅ خلاصه مقاله
تکنیک‌های بهبود فرآیند آموزش مانند داده‌سازی‌ها، روش‌های بهینه‌سازی، نرمالیزاسیون و غیره اهمیت زیادی در فرآیند آموزش شبکه‌ها دارند. اما، در مقالات مختلف درباره نحوه اعمال این تکنیک‌های بهبود، کمتر توضیح داده شده و در سورس کدها باید اطلاعاتی درباره آنها پیدا کرد. در این مقاله، مجموعه‌ای از اینگونه تکنیک‌های بهبود، آزمایش و بررسی شده‌اند. با ترکیب این تکنیک‌های بهبود و اعمال آنها به شبکه‌های CNN، بهبودهای قابل توجهی در کارآیی شبکه‌های دسته‌بندی تصویر (Image Classification) حاصل شده است. به عنوان نمونه، با اعمال تکنیک‌های بهبود، دقت ارزیابی شبکه ResNet-50 از 75.3% به 79.9% ارتقا یافته که نسبت به DenseNet-201 با دقت 77.42% (بدون تکنیک‌های بهبود) بهتر است.

✅ لینک مقاله
https://arxiv.org/abs/1812.01187

✅ کدها
https://github.com/dmlc/gluon-cv

https://github.com/Tony607/Keras_Bag_of_Tricks

@howsam_org

#meta_learning

Learning is never-ending process
Tasks come and go, but learning is forever

✅ منابعی در حوزه متالرنینگ:
https://www.automl.org/events/

@howsam_org

🔔 کیتی بومن چگونه به چهره اصلی پروژه سیاه چاله تبدیل شد؟
📎 http://bit.ly/2Pd2wCs

@howsam_org