Deep Learning Group 
عنوان گروه یا کانال:

Deep Learning Group


توضیحات: گروه یادگیری ماشین و یادگیری ژرف پرسش سوال: http://qa.deeplearning.ir سایت: Deeplearning.ir کانال یادگیری ژرف: @irandeeplearning لینک گروه موجود در کانال
شناسه: @
تعداد اعضا: 2610
خشایار ۹۵۴۱۴

Deep Learning for Natural Language Processing http://nlp.stanford.edu/courses/NAACL2013/
ماندانا ۱۰۴۹۱۸

سلام دوستان در مورد استفاده از شبکه های عصبی کانولوشن در dpm کسی مطلبی داره در گروه بذاره؟
پیشاپیش سپاسگزارم
ثمره ۱۰۱۸۴۸

سلام دوستان در مورد استفاده از شبکه های عصبی کانولوشن در dpm کسی مطلبی داره در گروه بذاره؟
پیشاپیش سپاسگزارم
سلام
یه بحثی مطرح شده که در حقیقت DPM ها همون CNN ها هستن. مبحث خارج از حوصله این گروه میشه. به شما پیشنهاد می‌کنم این مقاله رو بخونید دقیقا همین موضوع رو بررسی کرده:
http://arxiv.org/pdf/1409.5403v2
ماندانا ۱۰۴۹۱۸

خیلی لطف کردین جناب مهندس
ثمره ۱۰۱۸۴۸

خیلی لطف کردین جناب مهندس
خواهش مىکنم
مجیدرضا ۹۹۱۷۵

سلام محسن جان
مجیدرضا ۹۹۱۷۵

ممنون میشم اگه منابع اولیه و کلی در رابطه با یادگیری ژرف قرار بدی
ثمره ۱۰۱۸۴۸

ممنون میشم اگه منابع اولیه و کلی در رابطه با یادگیری ژرف قرار بدی
سلام قبل تر یک سری دوره آموزشی رایگان یادگیری ژرف آنلاین تو گروه گذاشته بودیم دوباره بازنشرشون مىکنم
مجیدرضا ۹۹۱۷۵

مرسی 👍👍👍
ماندانا ۱۰۴۹۱۸

ثمره ۱۰۱۸۴۸

https://www.udacity.com/course/deep-learning--ud730

دوره رایگان یادیگری عمیق توسط گوگل
مجیدرضا ۹۹۱۷۵

ثمره ۱۰۱۸۴۸

http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial This tutorial will teach you the main ideas of Unsupervised Feature Learning and Deep Learning.
ثمره ۱۰۱۸۴۸

http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial This tutorial will teach you the main ideas of Unsupervised Feature Learning and Deep Learning.
این خیلی خلاصه تره و البته آموزشش بر اساس پردازش تصویره
ثمره ۱۰۱۸۴۸

Stanford University CS231n: Convolutional Neural Networks for Visual Recognition
http://cs231n.stanford.edu/syllabus.html
ثمره ۱۰۱۸۴۸

Stanford University CS231n: Convolutional Neural Networks for Visual Recognition
http://cs231n.stanford.edu/syllabus.html
و این هم تخصصی تر در مورد CNN ها برای بینایی ماشین
ماندانا ۱۰۴۹۱۸

ثمره ۱۰۱۸۴۸

#دعوت_به_گروه
دوستانی که میخوان افراد دیگری رو به گروه دعوت کنند میتونن از این لینک استفاده کنن:
https://telegram.me/joinchat/Ba_oHz3_zWOREqjtPbZSiw
ثمره ۱۰۱۸۴۸

انویدیا نسخه جدیدی از کارت گرافیکی Quadro M6000 را معرفی کرد که ۲۴ گیگابایت حافظه دارد. کارت های گرافیکی سری Quadro انویدیا در حقیقت مخصوص پردازش های موازی و از جمله پردازش های مرتبط با #یادگیری_ژرف هستند. یکی از نکات مثبت این کارت گرافیک حافظه رم ۲۴ گیگابایتیش هست که اجازه می ده شبکه های عمیقی مثل Residual Net ها اخیرا معرفی شدن به راحتی پردازش بشن
ثمره ۱۰۱۸۴۸

ثمره ۱۰۱۸۴۸

ثمره ۱۰۱۸۴۸

توضیحات بیشتر:
http://www.zoomit.ir/2016/4/3/128857/nvidia-announces-24gb-quadro-m6000/
فینوس ۱۲۹۰۰۹

Deep Learning for Natural Language Processing-2016
http://cs224d.stanford.edu/
خشایار ۹۵۴۱۴

لطفا هیچ مطلب به جز مطالب علمی در این گروه منتشر نکنید
محمد علی ۱۰۷۳۳۹

ببخشید. چشم.
محمدسمیع ۹۶۷۶۳

لطفا هیچ مطلب به جز مطالب علمی در این گروه منتشر نکنید
👍به جز مطالب علمی کاملا مرتبط با یادگیری ژرف
خشایار ۹۵۴۱۴

ببخشید. چشم.
خواهش می کنم . من از شما عذرخواهی می کنم. ممنون که درک می کنید.
خشایار ۹۵۴۱۴

Humans don’t start their thinking from scratch every second. As you read this essay, you understand each word based on your understanding of previous words. You don’t throw everything away and start thinking from scratch again. Your thoughts have persistence.

Traditional neural networks can’t do this, and it seems like a major shortcoming. For example, imagine you want to classify what kind of event is happening at every point in a movie. It’s unclear how a traditional neural network could use its reasoning about previous events in the film to inform later ones.

Recurrent neural networks address this issue. They are networks with loops in them, allowing information to persist. http://colah.github.io/posts/2015-08-Understanding-LSTMs/
ثمره ۱۰۱۸۴۸

Humans don’t start their thinking from scratch every second. As you read this essay, you understand each word based on your understanding of previous words. You don’t throw everything away and start thinking from scratch again. Your thoughts have persistence.

Traditional neural networks can’t do this, and it seems like a major shortcoming. For example, imagine you want to classify what kind of event is happening at every point in a movie. It’s unclear how a traditional neural network could use its reasoning about previous events in the film to inform later ones.

Recurrent neural networks address this issue. They are networks with loops in them, allowing information to persist. http://colah.github.io/posts/2015-08-Understanding-LSTMs/
👍
Of course a traditional neural network can inffer sequences but they can't handle the dynamic size of sequnces, also the large ones
اناهید ۷۴۶۳۶

سلام عزیزم
اناهید ۷۴۶۳۶

اناهید ۷۴۶۳۶

ثمره ۱۰۱۸۴۸

#درباره_گروه
سلام به همه دوستان.
در این گروه قراره افراد در زمینه یادگیری ماشین, یادگیری ژرف, بینایی ماشین, پردازش زبان طبیعی و حوزه های مرتبط با هم دیگه تعامل و تبادل اطلاعات داشته باشن, آخرین اخبار به اشتراک گذاشته بشه, جلسات آموزشی اطلاع رسانی بشه و در انجام پروژه های تحقیقاتی و صنعتی افراد توانمند با افراد مشتاق به همکاری آشنا بشن.
همچنین برای دعوت دوستان خود به گروه میتونید از این لینک استفاده کنید:
https://telegram.me/joinchat/Ba_oHz3_zWOREqjtPbZSiw
هاشم ۱۵۶۶۵۷

نکاتی در مورد R
http://www.datasciencecentral.com/profiles/blogs/essentials-of-r-an-nfl-example
هاشم ۱۵۶۶۵۷

چگونه تحلیل پیشرفته در خدمت سلامت می آید؟
http://www.allanalytics.com/radio.asp?doc_id=280101&cid=A2RS02_041216&_mc=A2RS02_041216&gateway_return=true
محمدموسی ۹۸۷۸۹

ketabi jame wa motabar baraye deep learning
http://www.deeplearningbook.org/
محمدموسی ۹۸۷۸۹

Listi taghriban kamel az maghale haye mohemm dar hozeye deep learning wa computer vision
https://github.com/kjw0612/awesome-deep-vision
منیر ۱۰۷۸۲۱

کتاب داده کاوی نوشته دکتر اسماعیلی
عبدالرحمن ۷۰۴۹۰

کاربرد  دیپ لرنیگ تو متلب چطوریه؟
فینوس ۱۲۹۰۰۹

شما میتونید در متلب از ابزار Caffe و MatConvNet استفاده کنبد.
عبدالرحمن ۷۰۴۹۰

https://www.cs.colorado.edu/~mozer/Teaching/syllabi/DeepLearning2015/
عبدالرحمن ۷۰۴۹۰

Deep Learning کلرادو
ثمره ۱۰۱۸۴۸

کاربرد  دیپ لرنیگ تو متلب چطوریه؟
http://caffe.berkeleyvision.org/tutorial/interfaces.html
ثمره ۱۰۱۸۴۸

کاربرد  دیپ لرنیگ تو متلب چطوریه؟
http://www.vlfeat.org/matconvnet/
عبدالرحمن ۷۰۴۹۰

ثمره ۱۰۱۸۴۸

LSTM برای متلب:
https://github.com/huashiyiqike/LSTM-MATLAB
ثمره ۱۰۱۸۴۸

LSTM برای متلب:
https://github.com/huashiyiqike/LSTM-MATLAB
امیروالا ۹۱۱۴۷

سلام
یه بحثی مطرح شده که در حقیقت DPM ها همون CNN ها هستن. مبحث خارج از حوصله این گروه میشه. به شما پیشنهاد می‌کنم این مقاله رو بخونید دقیقا همین موضوع رو بررسی کرده:
http://arxiv.org/pdf/1409.5403v2
سلام . ممنون . فایل دانلود شده باز نشد . در صورت امکان عنوان لاتین مقاله را جهت جستجوی مستقیم ارسال کنید .🙏
خشایار ۹۵۴۱۴

سلام . ممنون . فایل دانلود شده باز نشد . در صورت امکان عنوان لاتین مقاله را جهت جستجوی مستقیم ارسال کنید .🙏
http://www.cs.berkeley.edu/~rbg/papers/cvpr15/dpdpm.pdf
مهربانو ۶۴۸۶۹

سلام می خواستم کاربردهای دیپ ماینیگ رو کمی دقیق تر مطاله کنم دوستان گرامی پیشنهادی دارید؟ من به تحلیل متن و عکس علاقه ای ندام
خشایار ۹۵۴۱۴

سلام می خواستم کاربردهای دیپ ماینیگ رو کمی دقیق تر مطاله کنم دوستان گرامی پیشنهادی دارید؟ من به تحلیل متن و عکس علاقه ای ندام
من منظورتون رو از دیپ ماینینگ متوجه نشدم، اگر دوستان دیگه متوجه شدند حتما راهنمایی خواهند کرد
مهربانو ۶۴۸۶۹

مهربانو ۶۴۸۶۹

منظورم یادگیری عمیق بود (بد نوشتم)
فینوس ۱۲۹۰۰۹

مدل های عمیق در حوزه های تصویر، ویدیو ، گفتار و زبان های طبیعی بطور موفقی بکار گرفته سده اند.
فینوس ۱۲۹۰۰۹

در سایر حوزه ها هم قابل استفاده هستند. با این شرط که معماری مدل را منطبق بر مساله خودتون طراحی کنید.
ثمره ۱۰۱۸۴۸

منظورم یادگیری عمیق بود (بد نوشتم)
شما می تونید در حالت کلی کارهای مختلفی مثل:
یادگیری ویژگی به صورت بانظارت و بدون نظارت
دسته بندی
رگرسیون
و کلا مدل سازی مسایل مختلف رو انجام بدین در این حوزه
مرثا ۱۰۸۴۶۸

دوستان یه پیشنهاد کوچیک ...من زیاد درگیر کلمات نیستم ولی اگه بگیم یادگیری ژرف بد نیست ...به هر حال شما در مقالات و کتابها و کلاسها بگید بقیه هم میگن و فک کنم قشنگ باشه. موفق باشید و ممنون بابت ایده های زیبا و تلاشتون
ثمره ۱۰۱۸۴۸

دوستان یه پیشنهاد کوچیک ...من زیاد درگیر کلمات نیستم ولی اگه بگیم یادگیری ژرف بد نیست ...به هر حال شما در مقالات و کتابها و کلاسها بگید بقیه هم میگن و فک کنم قشنگ باشه. موفق باشید و ممنون بابت ایده های زیبا و تلاشتون
👍
منیر ۱۰۷۸۲۱

http://it-ebooks.info/book/6808/
منیر ۱۰۷۸۲۱

https://re-work.co/blog/deep-learning-healthcare-experts-part-two-predictions-for-next-5-years
ثمره ۱۰۱۸۴۸

جانان ۸۱۲۶۷

با سلام و سپاس از گروه خوبتان. کسی sentiment analysisرا با یادگیری ژرف انجام داده است؟
مرثا ۱۰۸۴۶۸

Google has announced plans to open its machine-learning software to developers. The multinational tech company is hoping this will attract more companies to its cloud-computing services, which already includes image identification, voice recognition and AI technology.
فینوس ۱۲۹۰۰۹

با سلام و سپاس از گروه خوبتان. کسی sentiment analysisرا با یادگیری ژرف انجام داده است؟
شما میتونید برای این کار از مدل LSTM استفاده کنید.
مرثا ۱۰۸۴۶۸

There is a guy in Chicago university who work and is expert in this area and even he put the source code which you can use and cmu has presented a good framework for this purpose...good luck
جانان ۸۱۲۶۷

جانان ۸۱۲۶۷

شما میتونید برای این کار از مدل LSTM استفاده کنید.
بله مطالعه ای در این زمینه داشتم. خواستم ببینم کسی در این حوزه جلو رفته؟
فینوس ۱۲۹۰۰۹

بله مطالعه ای در این زمینه داشتم. خواستم ببینم کسی در این حوزه جلو رفته؟
اگر سوالی دارید بفرمایید.
مرثا ۱۰۸۴۶۸

http://neurosciencenews.com/habit-basal-ganglia-3970/
مرثا ۱۰۸۴۶۸

http://futurism.com/videos/soon-may-able-upload-knowledge-brain/
ثمره ۱۰۱۸۴۸

http://neurosciencenews.com/habit-basal-ganglia-3970/
👍
مرثا ۱۰۸۴۶۸

http://www.cs.usc.edu/assets/007/98750.pdf
ثمره ۱۰۱۸۴۸

http://www.cs.usc.edu/assets/007/98750.pdf
یه توضیح مختصر بزارید ممنون
مرثا ۱۰۸۴۶۸

In the recent years, the computing power of mobile devices has in- creased tremendously, a trend that is expected to continue in the future. With high-quality onboard cameras, these devices are capa- ble of collecting large volumes of visual information. Motivated by the observation that processing this video on the mobile device can enable many new applications, we explore the feasibility of run- ning very deep Convolutional Neural Networks (CNNs) for video processing tasks on an emerging class of mobile platforms with embedded GPUs. We find that the memory available in these mo- bile GPUs is significantly less than necessary to execute very deep CNNs. We then quantify the performance of several deep CNN- specific memory management techniques, some of which leverage the observation that these CNNs have a small number of layers that require most of the memory. We find that a particularly novel ap- proach that offloads these bottleneck layers to the mobile device’s CPU and pipelines frame processing is a promising approach that does not impact the accuracy of these tasks. We conclude by argu- ing that such techniques will likely be necessary for the foreseeable future despite technological improvements.
مرثا ۱۰۸۴۶۸

http://www.deeplearningbook.org/contents/bib.html
ثمره ۱۰۱۸۴۸

In the recent years, the computing power of mobile devices has in- creased tremendously, a trend that is expected to continue in the future. With high-quality onboard cameras, these devices are capa- ble of collecting large volumes of visual information. Motivated by the observation that processing this video on the mobile device can enable many new applications, we explore the feasibility of run- ning very deep Convolutional Neural Networks (CNNs) for video processing tasks on an emerging class of mobile platforms with embedded GPUs. We find that the memory available in these mo- bile GPUs is significantly less than necessary to execute very deep CNNs. We then quantify the performance of several deep CNN- specific memory management techniques, some of which leverage the observation that these CNNs have a small number of layers that require most of the memory. We find that a particularly novel ap- proach that offloads these bottleneck layers to the mobile device’s CPU and pipelines frame processing is a promising approach that does not impact the accuracy of these tasks. We conclude by argu- ing that such techniques will likely be necessary for the foreseeable future despite technological improvements.
👍
مرثا ۱۰۸۴۶۸

نازنین ۱۲۹۳۹۲

داده کاوی و سلامت الکترونیک
https://telegram.me/joinchat/B7ZfnT4O5Y8ruusTeCYiNQ
مهر ۶۲۸۵۳

https://en.m.wikipedia.org/wiki/DeepDream
مهر ۶۲۸۵۳

https://en.m.wikipedia.org/wiki/Google_Brain
ثمره ۱۰۱۸۴۸

Deep Residual Learning
https://youtu.be/1PGLj-uKT1w
ثمره ۱۰۱۸۴۸

دیبا ۹۶۶۳۰

👍🏻👍🏻👍🏻
محمدموسی ۹۸۷۸۹

Yek Course khob baraye deep learning dar computer vision
https://computing.ece.vt.edu/~f15ece6504/
ثمره ۱۰۱۸۴۸

Yek Course khob baraye deep learning dar computer vision
https://computing.ece.vt.edu/~f15ece6504/
👍👍👍
ثمره ۱۰۱۸۴۸

اینفوگرافی مناسبی از وضعیت تحقیقاتی، سرمایه گذاری و صنعتی هوش مصنوعی (خصوصا یادگیری ژرف)
اینفوگرافی مناسبی از وضعیت تحقیقاتی، سرمایه گذاری و صنعتی هوش مصنوعی (خصوصا یادگیری ژرف)
ثمره ۱۰۱۸۴۸

چارچوب ( Framework ) نرم افزاری یادگیری ماشین و یادگیری ژرف برای C# و .NET
http://accord-framework.net/
ثمره ۱۰۱۸۴۸

ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements, no compilers, no installations, no GPUs, no sweat.
http://cs.stanford.edu/people/karpathy/convnetjs/
ثمره ۱۰۱۸۴۸

کتابخانه یادگیری ژرف برای جاوا
http://deeplearning4j.org/
مهر ۶۲۸۵۳

ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements, no compilers, no installations, no GPUs, no sweat.
http://cs.stanford.edu/people/karpathy/convnetjs/
👍👍👍👍
مرثا ۱۰۸۴۶۸

http://www.extremetech.com/extreme/226162-ibms-truenorth-artificial-brain-to-watch-learn-from-real-brains
مرثا ۱۰۸۴۶۸

http://futurism.com/microsoft-developing-new-jarvis-like-artificial-intelligence-system/
مرثا ۱۰۸۴۶۸

http://futurism.com/microsoft-developing-new-jarvis-like-artificial-intelligence-system/
ثمره ۱۰۱۸۴۸

ConvNetJS is a Javascript library for training Deep Learning models (Neural Networks) entirely in your browser. Open a tab and you're training. No software requirements, no compilers, no installations, no GPUs, no sweat.
http://cs.stanford.edu/people/karpathy/convnetjs/
یکی از جالب ترین ابزارهایی که برای یادگیری ژرف تاحالا دیدم به نظرم این باید باشه! پروژه رو Andrej Karpathy (دانشجوی دکتری استنفورد) داره پیش می بره.
خشایار ۹۵۴۱۴

ثمره ۱۰۱۸۴۸

سلام خیلی ممنون از لطف شما. امیدوارم تو این گروه همکاری های خوبی بین دوستان شکل بگیره
ثمره ۱۰۱۸۴۸

و این هم یه لیست خوب از 15 کتابخانه یادگیری ژرف در زبانهای مختلف برنامه نویسی برای دوستانی که علاقه مند به انجام پروژه های مبتنی بر یادگیری ماشین هستن:
http://www.datasciencecentral.com/profiles/blogs/here-are-15-libraries-in-various-languages-to-help-implement-your
ثمره ۱۰۱۸۴۸

Machine Learning 2015 calendar