از داده خام تا فهم عمیق در این شکل، Data با مجموعه‌ای از نقاط تصادفی نشان داده می‌شوند که می‌توانند پتانسیل داشتن معنا را داشته باشند. در ادامه information، جایی که معنا یا رابطه به داده‌های خام تبدیل می‌شود. این موضوع با اعمال رنگ‌های مختلف بر روی نقاط نشان داده می‌شود. knowledge زمانی به‌دست می‌آید که بتوانیم اطلاعات (information) را به خاطر بسپاریم، برای مثال جدول‌های ضرب استاندارد یا زمان طلوع و غروب خورشید در یک ماه معین یک حالت استاندار دارند. همان‌طور که دانش (Knowledge) به دست می‌آوریم، شروع به درک چیزهای جدید می‌کنیم و بین قطعات مختلف اطلاعات ارتباط برقرار می‌کنیم. با این حال، در سطح Insight است که داده‌ها به طور جدی مفید می‌شوند. این قسمت توانایی ترکیب دانش به‌منظور دستیابی به درک عمیق از یک مسئله است. با بینش (insight)، چشم‌انداز wisdom (خرد) به وجود می‌آید که توانایی استفاده از بینش برای تسهیل تصمیم‌گیری آگاهانه است. 🔗 https://t.me/silicon_brain/878 #information #data #knowledge #wisdom 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

آموزش استفاده از گیت‌هاب برای ساخت پروژه و مشارکت در پروژه‌های گیت دیگران 🔗 https://t.me/Ai_Tv/3362 #tutorial #github 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

مدل تشخیص احساسات به صورت Real-Time و نمایش روی هیت مپ 🔗 https://t.me/silicon_brain/877 #sentiment_analysis #heatmap 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

فراخوان مقالات ویژه مجله بین‌المللی ارتباطات و فناوری اطلاعات 🔗 https://t.me/IEEEIranSection/2549 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

نظر ایلان ماسک در مورد «همزیستی کامل با هوش مصنوعی»: «اگر نمی توانید آنها را شکست دهید به آنها بپیوندید» آیا قرار است ما انسان بمانیم؟ یا قرار است از آن فراتر برویم … آیا این منجر به جهنم شدن زمین خواهد شد؟ یا ملکوت آسمان؟ جهان بینی شما پاسخ شما را تعیین خواهد کرد.» 🔗 https://t.me/truthsgram/3093 #transhumanism #robohuman 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

#معرفی_کتاب Unsupervised Deep Learning 👤 (Lazy Programmer Series) 🔹 The LazyProgrammer 🔸 2019 🔗 http://lazyprogrammer.me #book #unsupervised #deep_learning 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

یک کتاب خوب و جامع در مورد پیاده‌سازی یادگیری عمیق بدون نظارت در پایتون 💯 محتوای این کتاب: - Principal Components Analysis - t-SNE - Autoencoders and Stacked Denoising Autoencoders - Restricted Boltzmann Machines and Deep Belief Networks - Feature Visualization - Tricking a Neural Network #شبکه_عصبی #یادگیری_عمیق #پایتون 🔗 https://t.me/GITAnet #book #unsupervised #deep_learning 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

#اینفوگرافی هفت گام پروژه‌های علم داده 🔗 https://t.me/DataPlusScience/1439 #tutorial #infographics #data_science 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

✍🏻 کتاب هوش مصنوعی با حمایت شرکت آدونیس منتشر شد انتشارات راه پرداخت با حمایت شرکت توسعه خدمات الکترونیکی آدونیس کتاب «هوش مصنوعی؛ چگونه یادگیری ماشین دهه آینده را شکل خواهد داد» را منتشر کرد. ناشر اصلی کتاب مذکور انتشارات وایرد است که در سال ۲۰۲۱ این کتاب را با عنوان «Artificial Intelligence: How Machine Learning Will Shape the Next Decade» منتشر کرده و کمیل علی‌تقوی زحمت ترجمه این کتاب را بر عهده داشته است. انتشارات راه پرداخت پیش از این کتاب کریپتوکارنسی را هم از این انتشارات به چاپ رسانده بود. کتاب هوش مصنوعی بیست‌وهشتمین کتابی است که انتشارات راه پرداخت در سال ۱۴۰۰ منتشر می‌کند و در کمتر از دو هفته باقی‌مانده تا پایان سال نیز حداقل دو کتاب دیگر به این فهرست اضافه خواهد شد. درباره دلیل اهمیت کتاب هوش مصنوعی باید گفت وایرد به‌عنوان ناشر نسخه اصلی این کتاب همواره مدنظر گروه رسانه‌ای راه پرداخت قرار داشته است. وایرد نشریه‌ مهمی است که درباره موضوعات فناوری از زاویه دید متفاوتی صحبت می‌کند و تأثیر فناوری بر حوزه‌های غیرفناوری را خیلی خوب بررسی و تحلیل می‌کند. 📖 مجله هوش مصنوعی 🔗 https://t.me/HomeAI/9627 #book #artificial_intelligence 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

Image Data Augmentation for Deep Learning: A Survey by: Suorong Yang , et al. Nanjing University [04/19/2022] Abstract: Deep learning has achieved remarkable results in many computer vision tasks. Deep neural networks typically rely on large amounts of training data to avoid overfitting. However, labeled data for real-world applications may be limited. By improving the quantity and diversity of training data, data augmentation has become an inevitable part of deep learning model training with image data. As an effective way to improve the sufficiency and diversity of training data, data augmentation has become a necessary part of successful application of deep learning models on image data. In this paper, we systematically review different image data augmentation methods. We propose a taxonomy of reviewed methods and present the strengths and limitations of these methods. We also conduct extensive experiments with various data augmentation methods on three typical computer vision tasks, including semantic segmentation, image classification and object detection. Finally, we discuss current challenges faced by data augmentation and future research directions to put forward some useful research guidance. 🔗 https://deepai.org/publication/image-data-augmentation-for-deep-learning-a-survey #deep_learning #data_augmentation 🌐 http://dlrl.ut.ac.ir 🆔 @ut_deep

گزارش مرکز نمایه هوش مصنوعی دانشگاه استنفورد از وضعیت هوش مصنوعی در سال ۲۰۲۲ این گزارش به بررسی وضعیت هوش مصنوعی در پنج فصل می‌پردازد: فصل ۱: پژوهش و توسعه فصل ۲: کارآیی تکنیکی فصل ۳: اخلاقیات هوش مصنوعی تکنیکی فصل ۴: اقتصاد و آموزش فصل ۵: سیاست و حکمرانی هوش مصنوعی 🔗 https://aiindex.stanford.edu/report/ 🌐 http://cysp.ut.ac.ir 🆔 @ut_cyber