FakeCovid
دیتاست جدیدی راجب COVID-19 البته این دیتاست بصورت متن هست ( اخبار پیرامون کوید-۱۹) که درستی اونها چک شده
5182 اخبار به 40 زبان مختلف (اکثریت انگلیسی)
GitHub Link
دیتاست جدیدی راجب COVID-19 البته این دیتاست بصورت متن هست ( اخبار پیرامون کوید-۱۹) که درستی اونها چک شده
5182 اخبار به 40 زبان مختلف (اکثریت انگلیسی)
GitHub Link
FakeCovid
About Fake news on coronavirus, corona virus, Covid
#خارج_از_بحث
واردات گوشیهای بالای ۳۰۰ یورو ممنوع، پرچمدار و میان رده خداحافظ (حتی بصورت مسافری)
استفاده از اهرم رجیستری، بعد میگن به اینترنت ملی خوش بین باشیم
واردات گوشیهای بالای ۳۰۰ یورو ممنوع، پرچمدار و میان رده خداحافظ (حتی بصورت مسافری)
استفاده از اهرم رجیستری، بعد میگن به اینترنت ملی خوش بین باشیم
دستاوردهای یادگیری عمیق(InTec)
#خارج_از_بحث واردات گوشیهای بالای ۳۰۰ یورو ممنوع، پرچمدار و میان رده خداحافظ (حتی بصورت مسافری) استفاده از اهرم رجیستری، بعد میگن به اینترنت ملی خوش بین باشیم
تکمیلی
(این ممنوعیت بعد از بالا رفتن شدید قیمت تلفن همراه، لغو شد
حالا باید دید آیا قیمتها هم به قبل باز خواهد گشت؟ )
(این ممنوعیت بعد از بالا رفتن شدید قیمت تلفن همراه، لغو شد
حالا باید دید آیا قیمتها هم به قبل باز خواهد گشت؟ )
Can AI solve IQ tests !?
Paper Link
In this work, we focus on an analogical reasoning task that contains rich compositional structures, Raven's Progressive Matrices (RPM). To discover compositional structures of the data, we propose the Scattering Compositional Learner (SCL), an architecture that composes neural networks in a sequence. Our SCL achieves state-of-the-art performance on two RPM datasets, with a 48.7% relative improvement on Balanced-RAVEN and 26.4% on PGM over the previous state-of-the-art. We additionally show that our model discovers compositional representations of objects' attributes (e.g., shape color, size), and their relationships (e.g., progression, union). We also find that the compositional representation makes the SCL significantly more robust to test-time domain shifts and greatly improves zero-shot generalization to previously unseen analogies.
Paper Link
In this work, we focus on an analogical reasoning task that contains rich compositional structures, Raven's Progressive Matrices (RPM). To discover compositional structures of the data, we propose the Scattering Compositional Learner (SCL), an architecture that composes neural networks in a sequence. Our SCL achieves state-of-the-art performance on two RPM datasets, with a 48.7% relative improvement on Balanced-RAVEN and 26.4% on PGM over the previous state-of-the-art. We additionally show that our model discovers compositional representations of objects' attributes (e.g., shape color, size), and their relationships (e.g., progression, union). We also find that the compositional representation makes the SCL significantly more robust to test-time domain shifts and greatly improves zero-shot generalization to previously unseen analogies.
This media is not supported in your browser
VIEW IN TELEGRAM
شمارو نمیدونم ولی شخصاً شدیداً به همچین ابزاری نیاز داشتم
ایجاد pipeline اونم گرافیکی و داخل ژوپیتر
عالیه
GitHub Link
ایجاد pipeline اونم گرافیکی و داخل ژوپیتر
عالیه
GitHub Link
مهمترین بخش و کار یک و البته توانایی
Data Scientist
توضیح و انتقال ساده دانش استخراج شده از داده هست
همین مسئله اهمیت ابزارهایی مثل matplotlib, seaborn , ... رو مهم میکنه
PyDeck Link
یکی ازین ابزارهای بسیار مهم هست
Data Scientist
توضیح و انتقال ساده دانش استخراج شده از داده هست
همین مسئله اهمیت ابزارهایی مثل matplotlib, seaborn , ... رو مهم میکنه
PyDeck Link
یکی ازین ابزارهای بسیار مهم هست