SinGAN With SinGAN, you can train a generative model from a single natural image, and then generate random samples form the given image SinGAN can be also use to a line of image manipulation task https://arxiv.org/abs/1905.01164 @irandeeplearning

The Matrix Calculus You Need For Deep Learning This article is an attempt to explain all the matrix calculus you need in order to understand the training of deep neural networks. We assume no math knowledge beyond what you learned in calculus 1, and provide links to help you refresh the necessary math where needed. Note that you do not need to understand this material before you start learning to train and use deep learning in practice; rather, this material is for those who are already familiar with the basics of neural networks, and wish to deepen their understanding of the underlying math. https://explained.ai/matrix-calculus/index.html @irandeeplearning

انواع الگوریتم‌های یادگیری ماشین Types of Machine Learning Algorithms @GITAnet

ششمین کنگره ملی مهندسی صوتیٌات ایران

ابزارهای یادگیری ماشین @ut_deep http://dlrl.ut.ac.ir

📊 نگاهی به ابزارهای هر یک از مراحل علم داده @ut_deep http://dlrl.ut.ac.ir

🤖 کاربرد یادگیری عمیق در تشخیص آنلاین مدل اتومبیل @ut_deep http://dlrl.ut.ac.ir

مسیر فراگیری علم داده به پیشنهاد سایت analyticsvidhya @ut_deep

💡 آشنائی با پکیج‌های یادگیری ماشین در پایتون Python Tools for Machine Learning http://dlrl.ut.ac.ir @ut_deep

💡 مقایسه بین علم داده و تجزیه و تحلیل داده “Data Science vs Data Analytics” http://dlrl.ut.ac.ir @ut_deep

✳️☑️مهم‌ترین کتابخانه های علم داده در #پایتون این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است. @ut_deep

💡 مروری بر تفاوت‌های هوش مصنوعی، یادگیری ماشین و علم داده An overview of difference between data science, machine learning, and AI Source @ut_deep