Google AI Blog: Massively Scaling Reinforcement Learning with SEED RL
https://ai.googleblog.com/2020/03/massively-scaling-reinforcement.html?m=1

Coronavirus Datasets from Every Country with Confirmed Cases | Lionbridge AI
https://lionbridge.ai/datasets/coronavirus-datasets-from-every-country/

#وبینار

آشنایی بیشتر با تنسرفلو

http://class.vision/tf-dataset-callbacks/

زمان: پنج‌شنبه ۱۴ فروردین ساعت ۱۰:۰۰

⚪️چگونه با tf data سرعت آموزش را افزایش بدهیم.
⚪️استفاده از callback ها در تنسرفلو و کراس
⚪️استفاده از تنسربورد
⚪️و ...

این وبینار برای دانشجویان #رایگان است.

A neural network can help spot Covid-19 in chest x-rays
https://www.technologyreview.com/s/615399/coronavirus-neural-network-can-help-spot-covid-19-in-chest-x-ray-pneumonia/

طراحی تراشه با استفاده از Deep RL
نتیجه تحقیقات اخیر آزالیا میرحسینی، Anna Goldie و Jeff Dean در Google Brain

https://spectrum.ieee.org/tech-talk/semiconductors/design/google-invents-ai-that-learns-a-key-part-of-chip-design

لینک دانلود مقاله:
https://arxiv.org/abs/2003.08445

محققانی که بر روی درمان یا واکسن COVID19 کار می‌کنند با ثبت Proposal تحقیقشان در لینک زیر، می‌توانند به رایگان از منابعی مثل Google Cloud و AWS و همینطور مشاوره و راهنمایی محققان برتر دانشگاه ها و موسساتی مثل MIT استفاده کنند.

https://www.ibm.com/covid19/hpc-consortium

لینک مرجع:
https://www.whitehouse.gov/briefings-statements/white-house-announces-new-partnership-unleash-u-s-supercomputing-resources-fight-covid-19/

ARC: On the measure of intelligence by François Chollet

https://arxiv.org/abs/1911.01547

Code:
https://github.com/fchollet/ARC

CVPR 2020 paper achieving the state of the art results on 3d instance segmentation in ScanNet and S3DIS

https://youtu.be/ifL8yTbRFDk

"Matplotlib" cheat sheet:

PDF:
https://github.com/rougier/matplotlib-cheatsheet/blob/master/matplotlib-cheatsheet.pdf

PNG:
https://github.com/rougier/matplotlib-cheatsheet/raw/master/matplotlib-cheatsheet.png

#سورس_کد
کلی مثال با تنسرفلو2 و کراس!

TensorFlow2.0-Examples
https://github.com/YunYang1994/TensorFlow2.0-Examples

گروه بحث و تبادل نظر پیرامون Tensorflow 2 و Keras

https://xn--r1a.website/tf2keras

The machine learning test is one of six standardized tests that were developed by a team of AI and assessment experts at Workera to evaluate the skills of people working as a Machine Learning Engineer (MLE), Data Scientist (DS), Machine Learning Researcher (MLR) or Software Engineer-Machine Learning (SE-ML). It is comprised of multiple choice questions selected from a large database, so that different test takers get different questions, and takes 17 minutes to complete.

https://www.workera.ai/resources/practicing-for-the-machine-learning-test/

Plot a customizable confusion matrix in scikit-learn

Everything you need to know to use Keras & TF 2.0 for deep learning research, a Google Colab notebook by François Chollet.

https://colab.research.google.com/drive/1qKPITTI879YHTxbTgYW_MAWMHFkbOBIk#scrollTo=s7bPeUh9ittG

توضیحات تکمیلی: François Chollet طراح و توسعه دهنده Keras است که در این نوت‌بوک به پیاده سازی مدل های یادگیری ماشین از Linear Classifier تا Autoencoder با استفاده از Tensorflow 2 و API های Keras میپردازد که بسیار آموزنده است.

A tiny micro-framework for AutoGrad and Neural Networks by Andrej Karpathy.

https://github.com/karpathy/micrograd

Jupyter Notebook:
https://github.com/karpathy/randomfun/blob/master/MicroGrad.ipynb

توضیحات تکمیلی: AutoGrad معروف‌ترین پیاده‌سازی از الگوریتم AutoDiff است که در Pytorch از آن استفاده شده است. (پیاده‌سازی جدیدتر و سریعتر آن Google JAX است) از این الگوریتم به جای الگوریتم Backprop برای محاسبه گرادیان توابع چند‌متغیره استفاده می‌شود.
الگوریتم Backprop برای محاسبه گرادیان های میانی در یک Computation Graph نیاز به مرحله feed-forward و ذخیره مقادیر Tensor ها در حافظه دارد که فضای زیادی را برای گراف های بزرگ اشغال میکند. همچنین در این روش امکان محاسبه مشتقات بالاتر (مشتق دوم و ...) وجود ندارد. اما AutoDiff در واقع گراف محاسباتی تابع مشتق را به صورت ضمنی ایجاد میکند و بنابراین نیاز به ذخیره سازی مقادیر تنسور های میانی ندارد و میتوان مشتق های بالاتر را نیز برای آنها محاسبه کرد.
نوت‌بوک بالا یک پیاده سازی ساده و آموزنده از AutoDiff است که توسط Andrej Karpathy سرپرست تیم هوش مصنوعی Tesla و مدرس دوره محبوب CS231n 2016 پیاده سازی شده است.

در هنگام توسعه محصولات مرتبط با AI، بسیار پیش می‌آید که می‌خواهید میزان مشابهت (Similarity) یا فاصله (Distance) تعداد زیادی بردار (مثلا مقایسه feature map یک محصول با تمام محصولات موجود در سایت شما) را به کمک روش هایی مثل L2 Distance یا Dot-product بدست آورده و یا به جستجو برای یافتن شبیه ترین بردار ها به یک بردار بپردازید.
تفاوت ذاتی یک محیط عملیاتی حقیقی با یک محیط اکادمیک آزمایشگاهی ممکن است مشکلاتی را در این زمینه برای شما ایجاد کند. مثلا بسیار پیش می‌آید که بردار شما حتی به راحتی در حافظه RAM یک کامپیوتر جا نمی‌شود. یا به دلیل زیاد بودن تعداد بردار ها، جستجو در آنها بسیار کند اتفاق می‌افتد.
برای مقابله با این‌گونه محدودیت ها می‌توانید از کتابخانه faiss که توسط تیم مهندسی Facebook توسعه داده شده است استفاده کرده و در کسری از ثانیه به جستجوی بردار های مشابه در یک فضای برداری بزرگ بپردازید.

https://github.com/facebookresearch/faiss

اطلاعات بیشتر:
https://engineering.fb.com/data-infrastructure/faiss-a-library-for-efficient-similarity-search/

OpenAI Microscope, a collection of visualizations of every significant layer and neuron of eight vision “model organisms” which are often studied in interpretability.

https://openai.com/blog/microscope/