مقدمه ای بر شبکه های عصبی - علیرضا اخوان پور 2
•اکوسیستم پایتون برای یادگیری عمیق و پیاده سازی شبکه های عصبی با کراس
•معرفی پایتون و کتابخانه های علمی و یادگیری ماشین پایتون
•آموزش مقدماتی کتابخانه یادگیری ماشین scikit-learn
•معرفی و آموزش کتابخانه یادگیری عمیق Keras
•بررسی عملی تفاوت روش های سطحی یادگیری ماشین و یادگیری ماشین با پیاده سازی
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/fU9ie

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

فرصت شغلی: متخصص هوش مصنوعی
مرکز تحقیقات هوش پارت در راستای تکمیل کادر فنی خود در حوزه هوش مصنوعی و یادگیری ماشین، اقدام به جذب متخصصان با توانایی های زیر می کند:

مسلط به مبانی یادگیری ماشین
اشنایی با اصول پردازش تصاویر و بینایی ماشین
تسلط به زبان python و c
اشنا با ابزارهای پردازش تصویر مانند opencv
اشنا بامبانی یادگیری عمیق و فریم ورک های مرتبط مانند تنسورفلو و پایتورچ
دارای سابقه کاری مرتبط
دارای روحیه کار تیمی و علاقمند به یادگیری حوزه های جدید

علاقه مندان می توانند رزومه خود را با عنوان "پردازش تصویر" به ایمیل it.job.tehran@gmail.com ارسال کنند

مقدمه ای بر شبکه های عصبی کانولوشنال -علیرضا اخوان پور- بخش اول
• معرفی و آشنایی با رویکرد آموزش کرنل یا فیلترهای کانولوشنال به جای طراحی فیلتر
• مروری بر کانولوشن Same و Valid
• مشکلات کانولوشن valid در طراحی شبکه‌های کانولوشنالی و فرمول اندازه خروجی پس از کانولوشن
• فرمول محاسبه مقدار padding برای کانولوشن same
• معرفی strided convolution
• کانولوشن روی کانال‌های تصویر (کانولوشن سه بعدی)
• چند فیلتر در کانولوشن و خروجی چند کاناله
• محاسبه تعداد پارامترها در هر لایه کانولوشن
• معرفی واحدهای pooling و ادغام بیشینه
• بررسی چندین معماری معروف کانولوشنالی
• انتقال یادگیری (Transfer Learning)
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/SFwJD

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

- روش OCR فارسی مبتنی بر زیرکلمات با استفاده از ویژگی‏ های استخراج شده از خود رمزکننده خودکار و دسته‏ بندی آبشاری
برای خواندن لینک اصلی به آدرس زیر مراجعه نمایید:

http://yon.ir/EyWWO

@partdpai

⚠️ مبنی بر تکمیل شدن ظرفیت مدرسه زمستانه بینایی و یادگیری ماشین پژوهشگاه دانش های بنیادی IPM برای 11 و 12 بهمن و پیروی درخواست های واصله، گروه جدیدی برای تاریخ های "پنجشنبه و جمعه 18 و 19 بهمن" ایجاد شده است که در صورت به حد نصاب رسیدن تشکیل خواهد شد. لطفا به دوستان خود اطلاع دهید و در صورت تمایل به شرکت در این رویداد سریعتر اقدام فرمایید تا با تکمیل ظرفیت روبرو نشوید.

https://xn--r1a.website/convent/3527
http://evand.com/events/mvl
http://braineng.ipm.ac.ir
http://scs.ipm.ac.ir

مقدمه شبکه های عصبی کانولوشنال علیرضا اخوان پور بخش2
•پیاده سازی شبکه عصبی کانولوشنالی در کتابخانه کراس و آشنایی با لایه‌های Conv2D و MaxPooling2D
•آشنایی با متد Flatten برای لایه ماقبل Dense
•بررسی ابعاد activation هر لایه: حساب دستی و آشنایی با متد ()summary
•بررسی Sigmoid و Soft max برای لایه آخر

برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/9GJg7

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

- معرفی بر الگوریتم های تقویتی(RL)
در حالت کلی در حوزه یادگیری ماشین سه دسته الگوریتم وجود دارند که عبارت هستند از الگوریتم های supervised یا یادگیری با نظارت، الگوریتم های unsupervised یا یادگیری بدون نظارت و الگوریتم های Reinforcement learning یا یادگیری تقویتی
برای خواندن متن مقاله به آدرس زیر مراجعه نمایید :
http://yon.ir/iVE99

یادگیری عمیق بدون نظارت و خودرمزنگارها (Autoencoder)-مسعود پوررضا
• استخراج ویژگی (روش های دستی و یادگیری عمیق)
• ویژگی خوب چه ویژگی ای است؟
• اتوانکدر چیست؟
• اتوانکدر در شاخه های مختلف (متن،تصویر،صوت و ...)
• معرفی و بررسی انواع اتوانکدرها شامل (Variational،Sparse، Denoising، Convolutional و Stacked)
• پیاده سازی اتوانکدرها با کتابخانه کراس
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/iInNb

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

#خبر

معرفی نسخه جدید کتابخانه پایتون پردازش زبان طبیعی Stanford با قابلیت پشتیبانی از زبان فارسی

دانشگاه استنفورد به تازگی با بروزسانی کتابخانه پردازش زبان طبیعی خود، علاوه بر بهبود هسته پردازشی خود، قابلیت پشتیبانی از ۵۳ زبان مختلف را اضافه کرده است. نکته قابل توجه اضافه شدن پشتیبانی از زبان فارسی می باشد که برای پژوهش‌گران پردازش زبان طبیعی می‌تواند بسیار ارزشمند باشد.
لیست همه زبان هایی که این کتابخانه مورد پشتیبانی قرار داده را با جزئیات بیشتر می‌توانید در لینک زیر ملاحظه کنید:
https://stanfordnlp.github.io/stanfordnlp/installation_download.html#human-languages-supported-by-stanfordnlp
امکانات دیگر این کتابخانه و نحوه نصب و راه اندازی آن را می‌توانید از این لینک بررسی نمایید:
https://stanfordnlp.github.io/stanfordnlp/index.html

@partdpai

مدل های زبانی و تعبیه سازی کلمات-سعید بی باک
• مدل زبانی چیست؟ و کاربردهای آن چه هستند؟
• معرفی کتابخانه های پردازش زبان طبیعی در پایتون SpaCy، FastText، Gensim و ....
• بررسی مفهوم بردار کلمات
• معرفی بردار کلمات Word2Vec
• پیاده سازی عملی بردار کلمات Word2Vec
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/QouO2

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی-ابوالفضل مهدی زاده
• Introduction to Sequences and Time Series
• (Introduction to Recurrent Neural Networks (RNNs
• What is LSTMs
• Introduction to Deep NLP
• به همراهی پیاده سازی مثال هایی از شبکه های RNN، LSTM در کتابخانه کراس برای پیشبینی سری های زمانی، تولید متن، ترجمه ماشینی و ...
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/upcf8

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی-ابوالفضل مهدی زاده-بخش دوم
• Introduction to Sequences and Time Series
• (Introduction to Recurrent Neural Networks (RNNs
• What is LSTMs
• Introduction to Deep NLP
• به همراهی پیاده سازی مثال هایی از شبکه های RNN، LSTM در کتابخانه کراس برای پیشبینی سری های زمانی، تولید متن، ترجمه ماشینی و ...
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/uEb8l

آموزش کتابخانه fastai - محمد چناریان نخعی
•مقایسه ای بین فریمورک های یادگیری عمیق مانند تنسورفلو و پایتورچ
•معرفی کتابخانه fastai
• روش های انتخاب بهینه نرخ یادگیری و بهبود دقت مدل
•مثالی عملی برای دسته بندی تصاویر
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/khcf8


برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

یادگیری عمیق برای داده های ساختاریافته (جدولی) و سیستم های پیشنهاددهنده-نخعی
•تفاوت داده های ساختار یافته و بدون ساختار
•روش های سنتی یادگیری ماشین برای کار با داده های جدولی
•معرفی روش Entity Embedding برای کار با متغیرهای دسته ای Categorical
•پیاده سازی Entity Embedding با استفاده از کتابخانه fastai
•کاربرد یادگیری عمیق برای سیستم های پیشنهاددهنده و Collaborative Filtering
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/v8Muf

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

تشخیص چهره- بخش اول- علیرضا اخوان پور-1

•one-shot learning: Face Verification & Recognition
•Siamese network
•facenet triplet loss

برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/xdC7r

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

تشخیص چهره - علیرضا اخوان پور - بخش دوم
• one-shot learning: Face Verification & Recognition
• Discriminative Feature
• Center loss
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/qmo3u

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

تنسورفلو - ابوالفضل مهدی زاده
• اصول ابتدایی تنسورفلو
• سطوح مختلف API ها در تنسورفلو
• سطح پائین
• سطح میانه
• سطح بالا
• ساختار شبکه های عصبی در تنسورفلو
• مثالی عملی از پیاده سازی برای مسائل رگرسیون
• مثالی عملی از پیاده سازی برای مسائل طبقه بندی
• شبکه های پیشرفته تر
• CNN
• RNN
• SAE
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/KNbTc


برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

یادگیری عمیق تقویتی - مهندس بادنوا
• Difference between RL and other machine learning methods
• Applications
• Basic definitions of RL (MDP and policy function)
• Difference between model-based and model-free methods
• SARSA (an on-policy method)
• Q learning method (an off-policy method)
• A simple code and the training process
• Policy search and value estimation
• Value approximation
• Deep neural networks
• Deep Q network (DQN) a value approximation method which uses deep neural
• networks
• Policy estimation using deep neural networks
• A simple code using Tensorflow
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/8rs4g

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

نگاهی گذرا به فعالیت های مرکز تحقیقات هوش پارت در سایت ویرگول در سالی که گذشت ...

https://virgool.io/@partdpai

پایتورچ - بخش اول - مسعود پوررضا
مفهوم تنسور
مفهوم گراف محاسباتی
تفاوت تنسورفلو و پایتورچ
تفاوت پایتورچ نسخه 0.4 با نسخه های قبلی
ساختار داده ها و عملگرها در پایتورچ
کار با GPU در پایتورچ
خواندن دیتا با استفاده از DataLoader و Dataset در پایتورچ
دسته بندی با استفاده از شبکه های کانولوشنالی در پایتورچ
پردازش زبان طبیعی با پایتورچ
پیاده سازی شبکه های عریض در پایتورچ
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/SYH7l

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai

پایتورچ - بخش دوم - مسعود پوررضا
مفهوم تنسور
مفهوم گراف محاسباتی
تفاوت تنسورفلو و پایتورچ
تفاوت پایتورچ نسخه 0.4 با نسخه های قبلی
ساختار داده ها و عملگرها در پایتورچ
کار با GPU در پایتورچ
خواندن دیتا با استفاده از DataLoader و Dataset در پایتورچ
دسته بندی با استفاده از شبکه های کانولوشنالی در پایتورچ
پردازش زبان طبیعی با پایتورچ
پیاده سازی شبکه های عریض در پایتورچ
برای مشاهده این ویدئو به آدرس زیر مراجعه نمایید :
https://www.aparat.com/v/SYH7l

برای آگاهی از انتشار ویدئو های بعدی به کانال ما مراجعه نمایید:
@partdpai