در این راستا اعضای محترم تیم سلف داریوینگ کانال رو به دیدن و ایده گرفتن از ویدیوهایی دعوت می کنم که در ادامه اینجا به اشتراک خواهم گذاشت. با تشکر.

MIT Deep Learning Basics: Introduction and Overview
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

OUTLINE:
0:00 - Introduction
0:53 - Deep learning in one slide
4:55 - History of ideas and tools
9:43 - Simple example in TensorFlow
11:36 - TensorFlow in one slide
13:32 - Deep learning is representation learning
16:02 - Why deep learning (and why not)
22:00 - Challenges for supervised learning
38:27 - Key low-level concepts
46:15 - Higher-level methods
1:06:00 - Toward artificial general intelligence

#اپلای
https://www.linkedin.com/feed/update/urn:li:activity:6520041547877224448

کانال هم😉
@machinelearning_kartal

دوستان سلام وقت بخیر
اگر کسی triplets loss function
رو برای ریترین
Resnet50 or Mobilwnet
یا هر شبکه پریترین روی imagenet
پیاده کرده و بعد ترین ازش استخراج ویژگی کرده
لطفا به من پیام بده با پرداخت هزینه به کمک شما نیازمندم.
با تشکر
@Kartal_jnkh

سلام.
دوستان من براي يه پروژه آكادميك (Recommender Systems) نياز دارم مجموعه اي از امتيازات چندتا فيلم رو داشته باشم. ممنون ميشم اگر وقت داشتيد لطف كنيد تو اين صفحه به فيلم ها امتياز بديد.
* هيچ اطلاعاتي ازشما دخيره نمي شه و احتمالا كمتر از ١ دقيقه زمان مي بره.
(به خصوص اگر با كامپيوتر ببينيد كه صفحه اش بزرگتره).
.
.
خيلي ممنون از همگي 🙏🏻
http://rabin.freehost.io
.

یدلوژی که من برای استخراج اطلاعات از یک مقاله در اوردم این هست.

در هنگام مطالعه یک مقاله اگر به سوالات زیر جواب یابیم یعنی مقاله رو خوب خوانده ایم.


۱- هدف کلی مقاله (کلا مسله چیه)
۲- چه معزلی از مسله رو بررسی می کنه.
۳- علت بررسی چیه چرا به این فکر افتادن که این مسئله رو بررسی کنند؟
۴- روش پیشنهادی چی دادن؟ آیا روش جدید دادن یا از روش های قبلی استفاده کردن؟
۵- سناریو کار چیه؟ یعنی روال کاری که در نظر گرفتن چطوریه؟ (ورودی چیه خروجی چیه )
۶- داده ها چطوری ساخته شدن. چی آن.
۷- با چه معیاری بررسی کرده؟
۸ - نتایج به دست امده چیست ؟
۹- نظر شخصی خودتون. آیا می شه ازش ایده گرفت یا نه به درد نمی خوره کارشون؟

جلیل نورمحمدی خیارک

با کانال

https://xn--r1a.website/Machinelearning_Kartal/1690
همراه باشید.

در ادامه روند تحقیق ویدیو Deep Learning State of the Art (2019) - MIT
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

OUTLINE:
0:00 - Introduction
2:00 - BERT and Natural Language Processing
14:00 - Tesla Autopilot Hardware v2+: Neural Networks at Scale
16:25 - AdaNet: AutoML with Ensembles
18:32 - AutoAugment: Deep RL Data Augmentation
22:53 - Training Deep Networks with Synthetic Data
24:37 - Segmentation Annotation with Polygon-RNN++
26:39 - DAWNBench: Training Fast and Cheap
29:06 - BigGAN: State of the Art in Image Synthesis
30:14 - Video-to-Video Synthesis
32:12 - Semantic Segmentation
36:03 - AlphaZero & OpenAI Five
43:34 - Deep Learning Frameworks
44:40 - 2019 and beyond

در ادامه روند تحقیق ویدیو MIT 6.S091: Introduction to Deep Reinforcement Learning (Deep RL)
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

OUTLINE:
0:00 - Introduction
2:14 - Types of learning
6:35 - Reinforcement learning in humans
8:22 - What can be learned from data?
12:15 - Reinforcement learning framework
14:06 - Challenge for RL in real-world applications
15:40 - Component of an RL agent
17:42 - Example: robot in a room
23:05 - AI safety and unintended consequences
26:21 - Examples of RL systems
29:52 - Takeaways for real-world impact
31:25 - 3 types of RL: model-based, value-based, policy-based
35:28 - Q-learning
38:40 - Deep Q-Networks (DQN)
48:00 - Policy Gradient (PG)
50:36 - Advantage Actor-Critic (A2C & A3C)
52:52 - Deep Deterministic Policy Gradient (DDPG)
54:12 - Policy Optimization (TRPO and PPO)
56:03 - AlphaZero
1:00:50 - Deep RL in real-world applications
1:03:09 - Closing the RL simulation gap
1:04:44 - Next step in Deep RL

در ادامه روند تحقیق ویدیو MIT Self-Driving Cars: State of the Art (2019)
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

OUTLINE:
0:00 - Introduction
1:53 - 2018 in review
4:49 - Fatalities
8:29 - Taxi services
10:54 - Predictions
16:55 - Human-centered autonomy
19:42 - Levels of autonomy and proliferation strategies
24:48 - Out-of-the-box ideas
27:28 - Who will be first?
29:26 - Historical context
31:05 - Underlying beliefs of the industry and public
32:32 - Driving is hard
35:32 - Humans are amazing
37:10 - Humans and automation don't mix well?
41:55 - Two approaches: Lidar vs Vision
49:54 - In the meantime… data
52:49 - The road ahead

فردا هم وقت کنم در مورد شبیه ساز و دیتاست ویدیو مربوطه می خواهم گذاشت.

در ادامه روند تحقیق ویدیو WSDC 4: Karol Majek - Datasets and how to create one?
)
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

ایشون یکی از راهنمای تیمی هست که برای خودران بین اعضای کانال تشکیل دادیم. و ویدیو و اطلاعاتشون برای تیم دیتاست خیلی مفید خواهد بود لطفا تماشا کنید بهش.

در ادامه روند تحقیق فایل پی دی اف ویدیو ... WSDC 4: Karol Majek - Datasets and how to create one?
)
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

در ادامه روند تحقیق ویدیو Simulating self-driving trucks: lessons learned - Adam Dąbrowski, ROBOCAR Technologies
به اشتراگ گذاشته می شود با تشکر.MIT D
@Machinelearning_Kartal
امیدوارم برای اعضای تیم و اعضای کانال مفید باشد

اینم برای اعضایی که قرار هست دنبال شبیه ساز باشند. منتظر گزارشاتون هستم. 😍😍😍