🌿🌿🌿💭💭💭🌹🌹🌹
❇️استفاده گوگل از یادگیری عمیق برای تحلیل میزان بازدید از فروشگاه‌ها

✍🏻گوگل از سال ٢٠١٤ تاکنون برای بررسی تعداد بازدیدهای فروشگاه‌های مختلف که از طریق تبلیغات آنلاین معرفی می‌شدند، از اطلاعات مکان‌های نامعلوم و داده‌های متنی استفاده می‌کرد. اما آن‌ها در حال گسترش مدل‌های کنونی‌شان هستند و می‌خواهند با استفاده از یادگیری عمیق، دیدی وسیع‌تر به تعداد بیشتری از مشتریان بدهند.

روش‌های فروش یکپارچه از طریق کانال‌های مختلف (از جمله خرید حضوری، خرید از طریق اینترنت، خرید از طریق تلفن همراه و ...) از زمان معرفی‌، در دنیای فروش و بازاریابی حرف اول را می‌زنند؛ اما مسئله چالش‌برانگیز برای متخصصان بازاریابی و فروش، جمع‌آوری داده‌ها از دنیای واقعی و فروشگاه‌های فیزیکی و سپس تحلیل و بررسی آن‌ها در کنار اطلاعاتی است که از فروشگاه‌های اینترنتی به دست می‌آید. درنهایت تحلیل و بررسی این داده‌ها مبنای تصمیم‌گیری‌های کلیدی درباره تجارت مورد نظر خواهد بود.

گوگل به کمک سیگنال وای‌فای و قابلیت مکان‌یابی دستگاه‌‌های الکترونیکی و با استفاده از تحلیل و بررسی داده‌های حاصل، می‌تواند میزان بازدید از فروشگاه‌ها را تخمین بزند. اما در شهرهای پرتراکم و پاساژهای بزرگ با تعداد فروشگاه‌های زیاد، با مشکلات بسیاری مواجه است. به همین دلیل این شرکت تصمیم گرفته از روش‌های سنتی فاصله بگیرد و هوش مصنوعی را وارد بازی کند

گوگل امیدوار است با استفاده از آموزش عمیق یک شبکه عصبی به کمک تعداد بسیار زیاد و متنوعی از داده‌های ورودی، به مدلی دقیق و قابل اطمینان برای تجارت‌های مختلف دست پیدا کند.

در کنار یوتیوب، گوگل کل فرایند مدیریت فروش یک فروشگاه را نیز به گوشی‌های هوشمند فروشندگان آورده است. بررسی هم‌زمان داده‌های فروش و سیستم تبلیغاتی AdWords به فروشندگان کمک می‌کند تا یک بازدید جدید را از یک بازدید تکراری (مثلا برای تعویض کالا) تشخیص دهند.

#Deep_Learning
#Company_AI

❇️گروه آموزشی و پژوهشی
@Bilgiaction

#آموزش #منابع #دانلود_کورس

دانلود دوره یادگیری عمیق – شبکه های عصبی Andrew Ng
http://muniversity.ir/neural-networks-deep-learning/

دانلود دوره دوم یادگیری عمیق پروفسور Andrew Ng ( تنظیم پارامترهای شبکه عصبی)
http://muniversity.ir/deep-neural-network/

دانلود دوره شبکه های عصبی برای یادگیری ماشینی پروفسور هینتون-دانشگاه تورنتو

http://muniversity.ir/neural-networks-2/

#deep_learning

#آموزش #منابع #دانلود_کورس

دانلود دوره یادگیری عمیق – شبکه های عصبی Andrew Ng
http://muniversity.ir/neural-networks-deep-learning/

دانلود دوره دوم یادگیری عمیق پروفسور Andrew Ng ( تنظیم پارامترهای شبکه عصبی)
http://muniversity.ir/deep-neural-network/

دانلود دوره سوم یادگیری عمیق پروفسور Andrew ng- انجام پروژه های یادگیری ماشین

http://muniversity.ir/machine-learning-projects/

دانلود دوره شبکه های عصبی برای یادگیری ماشینی پروفسور هینتون-دانشگاه تورنتو

http://muniversity.ir/neural-networks-2/

#deep_learning

تبدیل صوت شما به صوت فرد دیگر با یادگیری عمیق!

Voice Style Transfer using Deep Learning


It takes a snippet of speech and then translates the snippet of speech using the voice style of another person.

🔗 https://medium.com/intuitionmachine/voice-style-transfer-using-deep-learning-d173f1608af5
🔗 https://avdnoord.github.io/homepage/vqvae/



#virtual_talking #Style_Transfer
#deep_learning #Voice

بازشناسی احساسات از روی صدا با شبکه عصبی عمیق VGG16

Researchers teach computer to recognize emotions in speech!

...trained a neural network to recognize eight different emotions: neutral, calm, happy, sad, angry, scared, disgusted, and surprised. In 70% of cases the computer identified the emotion correctly, say the researchers. ...

https://www.eurekalert.org/pub_releases/2017-11/nruh-rtc110817.php

Related paper:
🔗 Emotion Recognition in Sound:
https://link.springer.com/chapter/10.1007/978-3-319-66604-4_18

#deep_learning #emotion #sound

معرفی #کورس ، #آموزش

Accelerating Deep Learning with GPU (Beta)

https://cognitiveclass.ai/courses/accelerating-deep-learning-gpu/

#deep_learning #GPU

پروفسور جفری هینتون و سارا صبور، دانشجوی ایرانی ایشان و نویسنده ی اول مقاله شبکه های کپسولی.
#CapsNet #Hinton #deep_learning
https://arxiv.org/abs/1710.09829

صحبت های اخیر خانم Fei-Fei Li ‏در TED با ترجمه فارسی.
دکتر Fei-Fei Li سرپرست آزمایشگاه های هوش مصنوعی و بینایی دانشگاه استنفورد است.

فهماندن تصاویر به رایانه ها

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

توئیت های جالب اخیر پروفسور Fei-Fei Li:
https://alisterta.github.io/2017-12-24/صحبت-های-خانم-Fei-Fei-Li-در-مورد-هوش-مصنوعی-در-سال-2017/

🙏Thanks to: @cyberbully_gng

#deep_learning #vision #fei_fei_li #ted

#آموزش #منابع #دانلود_کورس

همان طور که میدانید پروفسور Andrew Ng پنج کورس یادگیری عمیق در سایت coursera تحت عنوان deep learning specialization ارائه کرده اند.
https://www.coursera.org/specializations/deep-learning
در صورتی که تمایلی ندارید دراین دوره ها عضو شوید, میتوانید فیلم ها و محتوای آموزشی این دوره ها را یکجا دانلود کنید.
—---------—

دانلود دوره اول – شبکه های عصبی Andrew Ng
http://muniversity.ir/neural-networks-deep-learning/

دانلود دوره دوم - ( تنظیم پارامترهای شبکه عصبی)
http://muniversity.ir/deep-neural-network/

دانلود دوره سوم - انجام پروژه های یادگیری ماشین

http://muniversity.ir/machine-learning-projects/

دانلود دوره چهارم - «شبکه های عصبی کانولوشنال»
http://muniversity.ir/convolutional-neural-networks/

—---------
محتوای آموزشی شامل کوییز ها- اسلایدها و نوت بوکهای این کورسها
https://xn--r1a.website/cvision/438


#deep_learning #andrew_ng

#آموزش
Multi-task learning
فرض کنید در هر تصویر ورودی چندین شئ ظاهر میشود و میخواهیم وجود یا عدم وجود هر 4 شئ را اعلام کنیم.
روش اولی که به ذهن میرسد آموزش 4 طبقه بند مجزا برای هر یک از کلاس ها و اعمال این 4 طبقه بند بر روی هر تصویر ورودی است.
روش بهتری که وجود دارد آموزش یک شبکه عصبی واحد برای هر چهار کلاس است. برای این مثال در لایه ی آخر چهار نوران خواهیم داشت و به جای softmax باید از logistic loss استفاده کنیم که هر نوران احتمال حضور و عدم حضور شی مربوطه را اعلام کند. در این حالت طبیعتا دیگر جمع نوران ها 1 نخواهد بود و امکان 1 شدن همزمان هر 4 نوران وجود دارد (هر 4 شی در تصویر با احتمال 100 درصد تشخیص داده شوند.)

جدا از بحث بهبود سرعت پردازش این روش کارایی بیشتر و در نتیجه خطای کمتری برای هر 4 تسک به ما میدهد، چرا که لایه های ابتدایی شبکه عصبی ما ویژگی های مشترکی از تصاویر استخراج میگند و با این روش دیتاست ما تعداد تصویر بیشتری خواهد داشت.

توصیه میکنم این ویدیوی Andrew Ng در رابطه با Multi task learning را ببینید:
http://bit.ly/2mJpG6r

🤔When multi-task learning makes sense❓

✔️Training on a set of tasks that could benefit from having shared lower-level features.
✔️Usually: Amount of data you have for each task is quite similar.
✔️Can train a big enough neural network to do well on all the tasks.

#multitask_learning #deep_learning

#مقاله
در برخی از ویژگی های مربوط به چهره، دیتاست بزرگ برای آموزش کامل شبکه های عمیق در دسترس نیست، با توجه به شباهت ویژگیها در تسکهای مرتبط با چهره، این مقاله یک شبکه واحد برای آموزش تمام این تسکها در نظر گرفته و در نتیجه با افزایش داده حاصل از ترکیب دیتاست های مختلف در این حوزه شبکه در بسیاری از موارد به کارایی بالاتر از مدلهای مشابه شبکه تک کاربرده دست یافته است. بدین صورت لایه های پایینتر شبکه به خوبی برای استخراج ویژگیهای چهره آموزش میبینند.
[مرتبط با: https://xn--r1a.website/cvision/446]


An All-In-One Convolutional Neural Network for Face Analysis
http://ieeexplore.ieee.org/abstract/document/7961718/

در این مقاله تسک های مرتبط با چهره انسان را به دو دسته‌ی مستقل از سوژه و مرتبط با سوژه تقسیم کرده است.

1) وظایف مستقل، شامل تشخیص چهره، نقطه های کلیدی چهره، محلی سازی، پیش بینی لبخند،
2) وظایف وابسته، شامل برآورد سن، پیش بینی جنسیت و بازشناسی چهره.
در این شبکه وظایف مستقل از سوژه از لایه های پایین تر این شبکه کانولوشنال ورودی گرفته و وظایف وابسته به سوژه از آخرین لایه شبکه ورودی خود را برای محاسبه خروجی و تابع هزینه هر تسک استفاده کرده اند.

#multitask_learning #face #convolutional_neutral_network #deep_learning
منبع
کانال تنسور فلو