ویدیوهای دوره Deep Learning Specialization دکتر Andrew Ng که در سایت کورسرا به آدرس

https://www.coursera.org/specializations/deep-learning

ارائه شده است، در آپارات به آدرس های زیر آپلود شده است:

—---------—

COURSE 1 Neural Networks and Deep Learning
https://www.aparat.com/v/D0rEj?playlist=314376


COURSE 2 Improving Deep Neural Networks Hyperparameter tuning, Regularization and Optimization
https://www.aparat.com/v/oqNPW?playlist=325585


COURSE 3 Structuring Machine Learning Projects
https://www.aparat.com/v/VpvJj?playlist=326843


COURSE 4 Convolutional Neural Networks
https://www.aparat.com/v/NsEPK?playlist=328518


COURSE 5 Sequence Models
https://www.aparat.com/v/qolOb?playlist=328814

#منبع #کورس #آموزش

#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.

NVVL Accelerates Machine Learning on Video Datasets

https://devblogs.nvidia.com/accelerate-machine-learning-nvvl/

#آموزش #ویدیو #وبینار
Build TensorFlow input pipelines with tf.data

⚪️فیلم وبینار فارسی tf.data و راه‌کارهای افزایش سرعت آموزش - پنج‌شنبه مورخ ۱۴ فروردین ۱۳۹۹
⚪️سطح: پیشرفته (کد نویسی)

این وبینار به آموزش مراحل ساخت pipeline ورودی TensorFlow2 و keras با tf.data و دلایل استفاده نکردن از پیش‌پردازش‌های keras نظیر ImageDataGenerator و لزوم بهره‌گیری از tf.data پرداخته است. بعد از بررسی گام‌های مختلف ETL به عنوان مثال عملی، Transfer learning برای طبقه بندی تصویر را با tf.data انجام دادیم. در نیمه‌ی دوم وبینار بیشتر روی افزایش performance سرعت آموزش و تست بحث شد و راه‌کارهایی نظیر prefetch، Parallelize ، transformation، cache،snapshot، tf.function، XLA و همچنین mixed precision بحث شد.

اسلاید‌های وبینار
https://www.slideshare.net/Alirezaakhavanpour/build-tensorflow-input-pipelines-tfdata

فیلم وبینار در آپارات:
https://www.aparat.com/v/HGvC2

کدهای اسلایدها و مثال عملی:
https://github.com/Alireza-Akhavan/class.vision/tree/master/tf2

@cvision @irandeeplearning

#TensorFlow #keras

لینک جدید گروه:
https://t.me/joinchat/BhIXCD3_zWP798S2NxOncQ

runx helps to automate common tasks while doing research:

* hyperparameter sweeps
* logging, tensorboard, checkpoint management
* per-run unique directory creation
* experiment summarization
* code checkpointing
* easy integration

https://github.com/NVIDIA/runx

"Secrets of the Surface" a very nice documentary about the life of Maryam Mirzakhani
Trailer:
https://vimeo.com/380123288

Full (registration required):
https://may12.womeninmaths.org/screening-secrets

An interactive visualization system designed to help non-experts learn about Convolutional Neural Networks (CNNs). It runs a pre-tained CNN in the browser and lets you explore the layers and operations.

https://github.com/Machine-Learning-Tokyo/Interactive_Tools

💡 فرصتی نو برای حضور نخبگان در تصمیم سازی

با حمایت ستاد توسعه علوم شناختی
✅ فراخوان ملی شناخت و تحلیل گفتمان و رفتار جامعه ایرانی در بحران کرونا

💠 دراین فراخوان سنگ بنای مدلی تازه­ از مشارکت نخبگان در ترسیم وضعیت، گفتمان، رفتار و ذهنیت جامعه ایرانی جهت اثرگذاری بر تصمیم­‌گیری‌های مهم کشور گذاشته می‌شود و در این مدل، تیم­های پژوهشگر و خبره کشور به صورت توزیع شده و گسترده نتیجه تحلیل‌های علمی خود را که متکی بر پردازش میان ­‌رشته‌­ای دادهای عمومی و بزرگ است، برای تصمیم ‌­سازی ارائه می‌دهند.

🌐 رسیدن به تحلیل جامع و دقیق از گفتمان و ذهنیت جامعه نیازمند پردازش داده ­‌های چند بعدی است، لیکن، در فاز اول این فراخوان تمرکز برروی دادگان و اخبار عمومی شبکه­‌های اجتماعی و سایت­‌ها است.

🔗 اطلاعات بیشتر
http://covidchallenge.cogc.ir/


@bigdataworkgroup
@irandeeplearning

DeepMind x UCL | Deep Learning Lectures
https://www.youtube.com/watch?v=7R52wiUgxZI&list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF

LARGE SCALE HOLISTIC VIDEO UNDERSTANDING TUTORIAL
In Conjunction with CVPR 2020

https://holistic-video-understanding.github.io/tutorials/cvpr2020.html

In the last years, we have seen a tremendous progress in the capabilities of computer systems to classify video clips taken from the Internet or to analyze human actions in videos. There are lots of works in video recognition field focusing on specific video understanding tasks, such as, action recognition, scene understanding, etc. There have been great achievements in such tasks, however, there has not been enough attention toward the holistic video understanding task as a problem to be tackled. Current systems are expert in some specific fields of the general video understanding problem. However, for real world applications, such as, analyzing multiple concepts of a video for video search engines and media monitoring systems or providing an appropriate definition of the surrounding environment of an humanoid robot, a combination of current state-of-the-art methods should be used. Therefore in this tutorial, we intend to put effort into introducing the holistic video understanding as a new challenge in the computer vision field. This challenge focuses on the recognition of scenes, objects, actions, attributes, and events in the real world and user-generated videos. We also aim to cover the most important aspects of video recognition and understanding in the tutorial course work.

Speakers: Cordelia Schmid (Google AI), Ivan Laptev (Inria), Andreas Geiger (MPI), Juergen Gall (Bonn), Cees Snoek (UVA), Raquel Urtasun (UoT), Christoph Feichtenhofer (FAIR), Carl Vondrick (Colombia U.), David Ross (Google AI)

Organizers: Mohsen Fayyaz, Ali Diba, Vivek Sharma, Luc Van Gool, Juergen Gall, Rainer Stiefelhagen, Manohar Paluri

Holistic Video Understanding is a joint project of the KU Lueven, University of Bonn, KIT, ETH, and the HVU team.