🚀 کلاس‌ویژن | یادگیری هوش مصنوعی از پایه تا پیشرفته

لطفا در اسرع وقت در سایت
https://www.datacamp.com/
عضو شده و همان ایمیلی که عضو شده اید را
برای خانم ولی پور (@Atefee_Vlp) در تلگرام ارسال کنید تا دعوت نامه گروه برای شما ارسال شود.
پس از دریافت دعوت نامه تمامی کورس های سایت DataCamp در طول ترم برایتان رایگان خواهد شد و میتوانید گواهی پایان دوره آن ها را نیز اخذ کنید.

لطفا تا فردا (پنج شنبه) ساعت 15 در گروه datacamp کلاس که لینکش خدمتتان ارائه شده عضو شوید.
بخشی از نمره شما به فعالیتهایی که در این سایت مشخص میشود اختصاص پیدا خواهد کرد.

دستورات مورد نیاز استفاده شده در ویدئو برای نصب در ویندوز(2)

دستورات مورد نیاز استفاده شده در ویدیو برای نصب در ویندوز(1)

✅ نصب TensorFlow روی سیستم عامل ویندوز
👤 ارائه دهنده آقای مهندس علیرضا اخوان‌پور
🎥 http://www.aparat.com/v/gU6ID

—----------------------------------------------------------------------------------
✅ نصب TensorFlow روی سیستم عامل لینوکس
👤 ارائه دهنده آقای مهندس محمد خالوئی
🎥 http://www.aparat.com/v/thUro


#نصب
#تنسورفلو
#فیلم
#TensorFlow #install
Thanks to: @BigDataWorkGroup

اسلایدهای امروز روی سایت قرار گرفت
http://class.vision/

سلام،
آقای رحیمیان لطف کردند یکسری کورس مرتبط با بینایی ماشین،
پایتون و یادگیری عمیق و پردازش تصویر دانلود کزدند،
دوستان میتونند فلش بیارند از ایشون بگیرند.

فیلمهای آموزشی مرتبط با کلاس
حجم همه شون الان13 گیگه ، بعد از اکسترکت شدن 15 گیگ میشه تقریبا

پروفسور جفری هینتون

مقاله هینتون با معرفی تابع فعالیت relu در سال 2010 یکی از دلایل اصلی تحول فیلد و ارائه اولین مدل عمیق با کارایی بسیار بالاتر مدلهای کلاسیک در سال 2012 شد.

به نظرتون تابع اشباع شونده یا saturating منظورش چیه و چرا بده؟!

فکر کنید و در کلاس فردا مطرح کنید...

#Relu
[109] Nair, V. and G. E. Hinton. 2010. “Rectified Linear Units Improve Restricted Boltzmann Machines,” Proc. 27th Int. Conf. Mach. Learn., no. 3, pp. 807–814.

چرا استفاده از تابع فعالسازی Relu به جای sigmoid در شبکه های عمیق رایج است؟ چه مزایایی دارد؟
pic: http://jmbeaujour.com/pics/posts_pics/udacity-DL/reLu_function.png
مزایا:
- تنها 50 درصد مواقع این تابع فعال می‌شود و در نتیجه از لحاظ پردازشی صرفه جویی میشود.
- جلوی انفجار گرادیان یا محو شدن آن را میگیرد. (عجب ترجمه ای!)

- با یافته های بیولوژیکی توسط نوروساینتیست ها مطابقت بیشتری دارد (علوم شناختی)

#ReLU provides some important benefits that might not be obvious at first glance:

✔️during the initialization process of a Neural Network model, weights are distributed at random for each unit. ReLU will only activate approximately 50% of the time, which actually saves some processing
power.

✔️The ReLU structure also solves the 'Vanishing Gradient' and 'Exploding Gradient' problems,both of which are well-known issues with the training process.


✔️ as a marginal benefit, this type of activation achieves 'Biological Plausibility', because it's directly relatable to the common biological model of a neuron.

کلاس شماره 101 تشکیل خواهد شد.

گیت‌هاب با نوت‌بوک

21-a Gentle Introduction to Keras - Simple neural network(mlp)

با موضوع کتابخانه keras و تعریف و آشنایی یک شبکه عصبی ساده به روز شد.

سلام،
ان شاء الله کلاس سه شنبه به جای ساعت اصلی خود درس،
در ساعت 13 الی 14:30 برگزار خواهد شد.

سایت با تمارین سری 3 به روز شد
http://class.vision/

هوش مصنوعی گوگل، با استفاده از یادگیری عمیق، بهتر از هر آدم خبره ای لب خوانی میکند:
Google’s DeepMind AI can lip-read TV shows better than a pro:
pic: https://d1o50x50snmhul.cloudfront.net/wp-content/uploads/2016/11/21090036/l4.gif

برای اینکار شبکه با 118,000 عبارت در 5000 ساعت برنامه ی ویدیویی که غالبا شامل اخبار بوده آموزش دیده است

اطلاعات بیشتر:
🔗https://www.newscientist.com/article/2113299-googles-deepmind-ai-can-lip-read-tv-shows-better-than-a-pro

مقاله مرتبط:
https://arxiv.org/pdf/1611.05358v1.pdf

احتمالا قبلا در مورد هوش مصنوعی ای که بازی شطرنج بازی میکرد و اکثر بازیکنان حرفه ای شطرنج را برده شنیده اید! اما حقیقت این است که آن هوش مصنوعی تنها قادر بود شطرنج بازی کند و در واقع فقط برای آن بازی آموزش دیده بود و توانایی هیچ کار دیگری نداشت!

محققان گوگل در مقاله ی سال 2015 نیچر با استفاده از ایده ی #یادگیری_تقویتی شبکه عصبی طراحی کردند که قادر بود که خودش بازی ها را یاد بگیرد!
این هوش مصنوعی که به عنوان ورودی صفحه RGB بازی و به عنوان پاداش امتیاز کسب شده از بازی را دریافت میکرد، با 50 بازی آتاری تست شد و نتایج اعجاب انگیزی داشت!

نکته ی جالب این بود یک ساختار شبکه، توانسته بود خودش هر یک از بازی های آتاری را بیاموزد و در بسیاری از بازی ها از بهترین بازیکن ها ی این بازی ها بهتر بازی کند.

ویدیو نتایج بازی منتشر شده توسط google deepmind:
https://youtu.be/TmPfTpjtdgg
یا
http://deepnn.ir/tensorflow-telegram-files/DQN%20Breakout.mp4


با استفاده از ایده‌ی #یادگیری_تقویتی، نیاز به داده هایی که انسان در آن دست برده کم تر شده و مدل یا ربات می‌تواند خودش از دنیای پیرامون اطلاعات کسب کند. در این نوع یادگیری در نهایت تنها پاداش به مدل داده می‌شود.

#reinforcement_learning #rl #deepmind #atari