🔸آشنایی اولیه با پارک علم و فناوری دانشگاه تهران
▪️از پارک علم و فناوری چه می‌دانیم؟
▪️خدمات پارک
▪️شناسنامه پارک
📆 چهارشنبه پانزدهم دی ماه ساعت ۱۰ صبح
📍جهت ثبت نام به اینجا پیام دهید!
❗️ظرفیت محدود می‌باشد!
🆔 @ECETrends | http://instagram.com/ece_trends
▪️از پارک علم و فناوری چه می‌دانیم؟
▪️خدمات پارک
▪️شناسنامه پارک
📆 چهارشنبه پانزدهم دی ماه ساعت ۱۰ صبح
📍جهت ثبت نام به اینجا پیام دهید!
❗️ظرفیت محدود می‌باشد!
🆔 @ECETrends | http://instagram.com/ece_trends
#Trends_pic
🔸آشنایی اولیه با پارک علم و فناوری دانشگاه تهران
👨💻 ارائه مهندس علی صمیمی از استارتاپ مکتب خونه در خصوص تعیین مسیر زندگی و اهداف، اهمیت مطالعه، کسب تجربه و توجه به ترندهای روز
🗣به همراه معرفی مهندس محسن ملک لی، کارشناس مرکز نوآوری و کارآفرینی پارک علم و فناوری دانشگاه تهران از برنامه های این مرکز و بیان اطلاعات جامعی از برنامه های بذر، جوانه، رویش، شکوفایی و جهش
🆔 @ECETrends | http://instagram.com/ece_trends
🔸آشنایی اولیه با پارک علم و فناوری دانشگاه تهران
👨💻 ارائه مهندس علی صمیمی از استارتاپ مکتب خونه در خصوص تعیین مسیر زندگی و اهداف، اهمیت مطالعه، کسب تجربه و توجه به ترندهای روز
🗣به همراه معرفی مهندس محسن ملک لی، کارشناس مرکز نوآوری و کارآفرینی پارک علم و فناوری دانشگاه تهران از برنامه های این مرکز و بیان اطلاعات جامعی از برنامه های بذر، جوانه، رویش، شکوفایی و جهش
🆔 @ECETrends | http://instagram.com/ece_trends
🔷دیپ لرنینگ چیست؟
دیپ لرنینگ که یکی از زیر شاخه‌های ماشین لرنینگ به حساب میاد، میشه گفت یجور حوزه فناوری مبتنی بر یادگیری و بهبود خود‌به‌خودی هست.
اگر بخوایم یه تعریف ملموس‌تری از دیپ لرنینگ داشته باشیم باید گفت روشی هست که با تقلید از لایه‌های نورونی در مغز انسان🧠، از رایانه‌های قوی، مجموعه داده‌های انبوه، شبکه‌های عصبیِ تحت نظارت و آموزش‌دیده و همچنین الگوریتم backprop (پس‌انتشار) قدرت واقعی دنیا کامپیوترها رو نمایان میکنه.🦾
در یادگیری عمیق، شبکه‌هایی وجود داره که به تقلید از تفکر و یادگیری انسان طراحی شدند. پیشرفت در تجزیه و تحلیل بیگ دیتا باعث شده که شبکه‌های عصبی، بزرگ‌تر و پیچیده‌تر بشن و به کامپیوترها اجازه مشاهده، یادگیری و واکنش سریع‌تر از انسان‌ها رو بدند. یادگیری عمیق کاربرد زیادی در طبقه‌بندی تصاویر، ترجمه زبان و تشخیص گفتار داشته. همچنین میتونه برای حل هرگونه مشکل، الگو شناسایی کنه و بدون دخالت انسان کارها رو انجام بده.
✍🏻 م.ع. کیانی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
دیپ لرنینگ که یکی از زیر شاخه‌های ماشین لرنینگ به حساب میاد، میشه گفت یجور حوزه فناوری مبتنی بر یادگیری و بهبود خود‌به‌خودی هست.
اگر بخوایم یه تعریف ملموس‌تری از دیپ لرنینگ داشته باشیم باید گفت روشی هست که با تقلید از لایه‌های نورونی در مغز انسان🧠، از رایانه‌های قوی، مجموعه داده‌های انبوه، شبکه‌های عصبیِ تحت نظارت و آموزش‌دیده و همچنین الگوریتم backprop (پس‌انتشار) قدرت واقعی دنیا کامپیوترها رو نمایان میکنه.🦾
در یادگیری عمیق، شبکه‌هایی وجود داره که به تقلید از تفکر و یادگیری انسان طراحی شدند. پیشرفت در تجزیه و تحلیل بیگ دیتا باعث شده که شبکه‌های عصبی، بزرگ‌تر و پیچیده‌تر بشن و به کامپیوترها اجازه مشاهده، یادگیری و واکنش سریع‌تر از انسان‌ها رو بدند. یادگیری عمیق کاربرد زیادی در طبقه‌بندی تصاویر، ترجمه زبان و تشخیص گفتار داشته. همچنین میتونه برای حل هرگونه مشکل، الگو شناسایی کنه و بدون دخالت انسان کارها رو انجام بده.
✍🏻 م.ع. کیانی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
🔹تفاوت های machine learning و deep learning
1️⃣ پارت اول
▫️در ماشین لرنینگ به الگوریتم تعدادی داده تحویل داده میشود و این الگوریتم با تحلیل داده، دست به تصمیم گیری و پیش بینی میزند. وجه تمایز اصلی ماشین لرنینگ آن است که هنوز هم به راهنمایی متخصص و هوش انسانی نیاز دارد.
▪️اما دیپ لرنینگ تقلیدی از ساختار مغز انسان است که با استفاده از شبکه‌هایی از نورون‌های مصنوعی و ارتباط بین آن‌ها، ماشین را قادر به تصمیم‌گیری بدون کمک هوش بشری کند.
🔰اما تفاوت های اساسی:
1- نحوه یادگیری📝
▫️ماشین لرنینگ: اکثر قابلیت ها توسط متخصص شناسایی و کدهای داده شده، به سیستم ارائه میشوند.
▪️دیپ لرنینگ: سیستم به صورت اتوماتیک، از میان داده ها آموزش میبیند و وظیفه نهایی را انجام میدهد.
2- نحوه عملکرد با میزان داده ها 📈
▫️ماشین لرنینگ: نیاز به حجم بالایی از داده ها ندارد.
▪️دیپ لرنینگ: برعکس ماشین لرنینگ، نیاز به حجم عظیمی از داده دارد تا بتواند ارتباط دقیقی بین آن ها برقرار و برای مسائل پیچیده تر راه حلی ارائه دهد .
3- سیستم های مورد استفاده ⚙️
▫️ماشین لرنینگ: در سیستم های ضعیف هم مورد استفاده قرار میگیرد .
▪️دیپ لرنینگ: در ماشین های پیشرفته به کار می‌رود و همواره نیاز به یک GPU قوی دارد.
✍🏻 عرفان دارایی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
1️⃣ پارت اول
▫️در ماشین لرنینگ به الگوریتم تعدادی داده تحویل داده میشود و این الگوریتم با تحلیل داده، دست به تصمیم گیری و پیش بینی میزند. وجه تمایز اصلی ماشین لرنینگ آن است که هنوز هم به راهنمایی متخصص و هوش انسانی نیاز دارد.
▪️اما دیپ لرنینگ تقلیدی از ساختار مغز انسان است که با استفاده از شبکه‌هایی از نورون‌های مصنوعی و ارتباط بین آن‌ها، ماشین را قادر به تصمیم‌گیری بدون کمک هوش بشری کند.
🔰اما تفاوت های اساسی:
1- نحوه یادگیری📝
▫️ماشین لرنینگ: اکثر قابلیت ها توسط متخصص شناسایی و کدهای داده شده، به سیستم ارائه میشوند.
▪️دیپ لرنینگ: سیستم به صورت اتوماتیک، از میان داده ها آموزش میبیند و وظیفه نهایی را انجام میدهد.
2- نحوه عملکرد با میزان داده ها 📈
▫️ماشین لرنینگ: نیاز به حجم بالایی از داده ها ندارد.
▪️دیپ لرنینگ: برعکس ماشین لرنینگ، نیاز به حجم عظیمی از داده دارد تا بتواند ارتباط دقیقی بین آن ها برقرار و برای مسائل پیچیده تر راه حلی ارائه دهد .
3- سیستم های مورد استفاده ⚙️
▫️ماشین لرنینگ: در سیستم های ضعیف هم مورد استفاده قرار میگیرد .
▪️دیپ لرنینگ: در ماشین های پیشرفته به کار می‌رود و همواره نیاز به یک GPU قوی دارد.
✍🏻 عرفان دارایی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
❤2
🔹تفاوت های machine learning و deep learning
2⃣ پارت دوم
4- نحوه حل مسئله
▫️ماشین لرنینگ : ابتدا مسئله را به چند لایه مختلف تقسیم کرده و هر لایه به صورت جداگانه به سیستم ارائه و نتایج نهایی با هم تلفیق و ارائه میشوند.
▪️دیپ لرنینگ : تمام فرایند بدون دخالت متخصص انسانی و بدون گسستگی که در ماشین لرنینگ اتفاق می‌افتد، انجام و نتیجه ارائه میشود.
5- زمان اجرایی
▫️ماشین لرنینگ : زمان کمتری را اختصاص میدهد چون نیاز به ارتباط یابی کامل بین داده‌ها ندارد و بخشی ازین ارتباط از قبل فراهم شده است.
▪️دیپ لرنینگ : زمان بیشتری نیاز دارد. چون یادگیری الگوریتم ها زمان زیادی می‌خواهد. علت آن است که پارامتر های زیادی باید بررسی و ارتباط‌یابی بشوند.
یک مثال ساده : تشخیص مثلث🔺 و مربع ◽️ در اشکال
▫️ماشین لرنینگ : سیستم بر اساس داده های نمونه قبلی تشخیص میدهد که مربع چهار نقطه و مثلث سه نقطه دارد و تمایز را تشخیص میدهد.
▪️دیپ لرنینگ : سیستم به جای استفاده از اطلاعات قبلی از الگوریتمی که ساختار های کلی مثل تعداد خطوط عمود، مستقیم و متصل به هم شکل را تشخیص میدهد کمک میگیرد و تشخیص نهایی را انجام میدهد.
✍🏻 عرفان دارایی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
2⃣ پارت دوم
4- نحوه حل مسئله
▫️ماشین لرنینگ : ابتدا مسئله را به چند لایه مختلف تقسیم کرده و هر لایه به صورت جداگانه به سیستم ارائه و نتایج نهایی با هم تلفیق و ارائه میشوند.
▪️دیپ لرنینگ : تمام فرایند بدون دخالت متخصص انسانی و بدون گسستگی که در ماشین لرنینگ اتفاق می‌افتد، انجام و نتیجه ارائه میشود.
5- زمان اجرایی
▫️ماشین لرنینگ : زمان کمتری را اختصاص میدهد چون نیاز به ارتباط یابی کامل بین داده‌ها ندارد و بخشی ازین ارتباط از قبل فراهم شده است.
▪️دیپ لرنینگ : زمان بیشتری نیاز دارد. چون یادگیری الگوریتم ها زمان زیادی می‌خواهد. علت آن است که پارامتر های زیادی باید بررسی و ارتباط‌یابی بشوند.
یک مثال ساده : تشخیص مثلث🔺 و مربع ◽️ در اشکال
▫️ماشین لرنینگ : سیستم بر اساس داده های نمونه قبلی تشخیص میدهد که مربع چهار نقطه و مثلث سه نقطه دارد و تمایز را تشخیص میدهد.
▪️دیپ لرنینگ : سیستم به جای استفاده از اطلاعات قبلی از الگوریتمی که ساختار های کلی مثل تعداد خطوط عمود، مستقیم و متصل به هم شکل را تشخیص میدهد کمک میگیرد و تشخیص نهایی را انجام میدهد.
✍🏻 عرفان دارایی
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
🔹یادگیری تقویتی
1️⃣ پارت اول
تو بخشای قبلی یه ذهنیت کلی از ماشین لرنینگ پیدا کردیم و مشخص شد هدف اینه که به جای نوشتن الگوریتم های واضح و مشخص، کامپیوتر یه چیزی که از قبل براش تعریف کردیم رو یادبگیره.🤓
یکی از جالب ترین شاخه‌های یادگیری ماشین reinforcement learning یا یادگیری تقویتیه. 💪
یاد گیری تقویتی در روانشاسی به اسم رفتار گرایی استفاده میشه. تو روانشناسی رفتار گرا حرف حساب اینه که هر چی در تفکر یک موجود میگذره در رفتارش مشخص میشه پس ما فقط نیاز داریم رفتار رو بررسی کنیم تا اون چیز رو بشناسیم و نیازی نیست عملکردهای درون ذهنشو بفهمیم.🥸🧐
حالا چه ربطی داشت؟ 🤪 الان میگم...
مهندسا کلا هدفشون توی هوش مصنوعی نوشتن برنامه های پویا هست که فقط چهار چوب کلی از فضا بگیره و خودش بپره وسط میدون و مشکلات رو حل کنه. در حالت کلی میشه روش کار رو مثل الگورتیم تقسیم و حل ریاضی دید (همون جایی که با استفاده از حل زیر مسئله‌های آسون، مسئله اصلی رو حل می‌کردیم).
اما توی یادگیری تقویتی، ماشین با آزمون و خطاهای زیاد، از اون محیطی که توش قراره کاری انجام بده، چیز هایی رو یاد میگیره و خودش هر دفعه روش کارش رو بهینه میکنه.
🔜برای این کار یه سری چیزا لازمه که تو پست بعد میگم ...😶🌫️
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
1️⃣ پارت اول
تو بخشای قبلی یه ذهنیت کلی از ماشین لرنینگ پیدا کردیم و مشخص شد هدف اینه که به جای نوشتن الگوریتم های واضح و مشخص، کامپیوتر یه چیزی که از قبل براش تعریف کردیم رو یادبگیره.🤓
یکی از جالب ترین شاخه‌های یادگیری ماشین reinforcement learning یا یادگیری تقویتیه. 💪
یاد گیری تقویتی در روانشاسی به اسم رفتار گرایی استفاده میشه. تو روانشناسی رفتار گرا حرف حساب اینه که هر چی در تفکر یک موجود میگذره در رفتارش مشخص میشه پس ما فقط نیاز داریم رفتار رو بررسی کنیم تا اون چیز رو بشناسیم و نیازی نیست عملکردهای درون ذهنشو بفهمیم.🥸🧐
حالا چه ربطی داشت؟ 🤪 الان میگم...
مهندسا کلا هدفشون توی هوش مصنوعی نوشتن برنامه های پویا هست که فقط چهار چوب کلی از فضا بگیره و خودش بپره وسط میدون و مشکلات رو حل کنه. در حالت کلی میشه روش کار رو مثل الگورتیم تقسیم و حل ریاضی دید (همون جایی که با استفاده از حل زیر مسئله‌های آسون، مسئله اصلی رو حل می‌کردیم).
اما توی یادگیری تقویتی، ماشین با آزمون و خطاهای زیاد، از اون محیطی که توش قراره کاری انجام بده، چیز هایی رو یاد میگیره و خودش هر دفعه روش کارش رو بهینه میکنه.
🔜برای این کار یه سری چیزا لازمه که تو پست بعد میگم ...😶🌫️
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
👍4
🔹یادگیری تقویتی
2️⃣ پارت دوم
مواد لازم: 👨🍳
1.مجموعه حالات مسئله
2.مجموعه تصمیمات قابل اتخاذ🤔
3.قوانین گذار از حالات به همدیگه
4.قوانین پاداش برای گذار از حالت ها💲
5.قوانین توصیفی چیزهایی که ماشین میتونه مشاهده کنه👀
برنامه ما توی بازه زمانی t تعداد n داده دریافت میکنه و a واکنش نسبت به اونا میده. سازنده برنامه یه امتیاز برای ماشین تعریف میکنن که هر وقت یک تصمیم درست گرفته بشه امتیاز بالاتر بره و از اینجا ماشین میفهمه که این روش خوب بوده و ذخیرش میکنه توی حافظه خودش و اگر به ازای واکنشی امتیاز منفی دریافت کرد دیگر اونو تکرار نکنه.
روش نوشتن برنامه های اینجوری خیلی پیچیده است و حتی در قسمت‌هایی از نورون‌های مغز توش الهام گرفته شده.
بذارید یه مثال بزنم که قشنگ‌تر درک کنید:
فرض کنید یه بازی پینگ پونگ دوبعدی از بالا رو داریم نگاه میکنیم.🏓 عملا دو تا خط میبینیم و یه توپ که اگه توپ از این خط ها رد بشه امتیاز به نفع حریفه.
ما میتونیم برای برنامه نویسی این بازی حرکات یک بازیکن حرفه ای رو آنالیز کنیم ولی اینجوری ماشین هیچوقت بهتر از اون بازی نخواهد کرد. حتی ممکنه بدتر هم بشه!😕
ولی اگر به جاش از یادگیری تقویتی استفاده می کردیم، طبعا توی حرکات اول چون کاملا رندوم داره بازی رخ میده کامپیوتر هزاران بار میبازه و هر دفعه یک داده جدید رو ثبت میکنه ولی ممکنه چند باری هم خوش شانسی بیاره و خب همین خوش شانسی ها شروع خوبیه برای کار ما!
الگورتیم ها بنظر ساده شد مگه نه؟😎
خب اشتباه می کنید:)😊
چرا؟
با ما همراه باشید...😅
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
2️⃣ پارت دوم
مواد لازم: 👨🍳
1.مجموعه حالات مسئله
2.مجموعه تصمیمات قابل اتخاذ🤔
3.قوانین گذار از حالات به همدیگه
4.قوانین پاداش برای گذار از حالت ها💲
5.قوانین توصیفی چیزهایی که ماشین میتونه مشاهده کنه👀
برنامه ما توی بازه زمانی t تعداد n داده دریافت میکنه و a واکنش نسبت به اونا میده. سازنده برنامه یه امتیاز برای ماشین تعریف میکنن که هر وقت یک تصمیم درست گرفته بشه امتیاز بالاتر بره و از اینجا ماشین میفهمه که این روش خوب بوده و ذخیرش میکنه توی حافظه خودش و اگر به ازای واکنشی امتیاز منفی دریافت کرد دیگر اونو تکرار نکنه.
روش نوشتن برنامه های اینجوری خیلی پیچیده است و حتی در قسمت‌هایی از نورون‌های مغز توش الهام گرفته شده.
بذارید یه مثال بزنم که قشنگ‌تر درک کنید:
فرض کنید یه بازی پینگ پونگ دوبعدی از بالا رو داریم نگاه میکنیم.🏓 عملا دو تا خط میبینیم و یه توپ که اگه توپ از این خط ها رد بشه امتیاز به نفع حریفه.
ما میتونیم برای برنامه نویسی این بازی حرکات یک بازیکن حرفه ای رو آنالیز کنیم ولی اینجوری ماشین هیچوقت بهتر از اون بازی نخواهد کرد. حتی ممکنه بدتر هم بشه!😕
ولی اگر به جاش از یادگیری تقویتی استفاده می کردیم، طبعا توی حرکات اول چون کاملا رندوم داره بازی رخ میده کامپیوتر هزاران بار میبازه و هر دفعه یک داده جدید رو ثبت میکنه ولی ممکنه چند باری هم خوش شانسی بیاره و خب همین خوش شانسی ها شروع خوبیه برای کار ما!
الگورتیم ها بنظر ساده شد مگه نه؟😎
خب اشتباه می کنید:)😊
چرا؟
با ما همراه باشید...😅
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
👍4❤1
🔹یادگیری تقویتی
3️⃣ پارت آخر
فرض کنید ما امتیازی که برای ماشین تعریف میکنیم (توی این بازی ساده ای که گفتم)برابر توپ هایی باشه که از حریف رد شده.
حالا بعد هزاران شبیه سازی کامپیوتر ما دستش گرم شده که یکدفعه وسط یه بازی خوب و حرفه ای امتیاز از دست میده. به کامپیوتر گفته شده فقط وقتی امتیاز گرفتی کارت درست بوده؛ پس حالا میاد همه اون دیتا های بازی رو نادیده میگیره و این خودش باعث تخریب الگورتیم های خوب قبلیش میشه! 🙄😑
یا مثلا رباتی رو فرض کنید که میخواد یه شئ رو از زمین برداره. توی میلیون‌ها حالت مختلفی که بازوهای این ربات دارن ممکنه سال‌ها طول بکشه و خوش شانسی حاصل نشه که بخواد ثبتش کنه!🥵
برای حل این مشکل میشه روش های امتیاز دهی رو تغییر داد که بعضی وقتا جواب میده ولی جالبه که بدونید کامپیوتر ها روش های خلاقانه عجیبی خواهند ساخت که امتیاز شمارو بگیرن ولی کاری که میخواید رو نکنن🥲
مثلا در مورد رباتی که قراره پشتک( back flip) بزنه یکی از روش های امتیاز دهی این خواهد بود که پاهای ربات در یک بازه زمانی باید رو به بالا باشه. حالا اگه کد این مورد رو بزنید و توی شبیه ساز کامپیوتری اجرا کنیدش بعد چندین مرحله اجرا می‌بینید سیستم پاهای آواتار رو بلند کرده! یا اواتاری خواهید داشت که رو دستاش راه میره :))
خلاصه کلام اینه که حتی با داشتن هدف کلی مشخص. ساخت مقیاس دقیق امتیاز دهی خیلی کار تخصصی و پیچیده اییه چون مغز ما همیشه توی معادلات خودش متغیر هایی رو در نظر میگیره که در نگاه اول قابل مشاهده نیستن.
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
3️⃣ پارت آخر
فرض کنید ما امتیازی که برای ماشین تعریف میکنیم (توی این بازی ساده ای که گفتم)برابر توپ هایی باشه که از حریف رد شده.
حالا بعد هزاران شبیه سازی کامپیوتر ما دستش گرم شده که یکدفعه وسط یه بازی خوب و حرفه ای امتیاز از دست میده. به کامپیوتر گفته شده فقط وقتی امتیاز گرفتی کارت درست بوده؛ پس حالا میاد همه اون دیتا های بازی رو نادیده میگیره و این خودش باعث تخریب الگورتیم های خوب قبلیش میشه! 🙄😑
یا مثلا رباتی رو فرض کنید که میخواد یه شئ رو از زمین برداره. توی میلیون‌ها حالت مختلفی که بازوهای این ربات دارن ممکنه سال‌ها طول بکشه و خوش شانسی حاصل نشه که بخواد ثبتش کنه!🥵
برای حل این مشکل میشه روش های امتیاز دهی رو تغییر داد که بعضی وقتا جواب میده ولی جالبه که بدونید کامپیوتر ها روش های خلاقانه عجیبی خواهند ساخت که امتیاز شمارو بگیرن ولی کاری که میخواید رو نکنن🥲
مثلا در مورد رباتی که قراره پشتک( back flip) بزنه یکی از روش های امتیاز دهی این خواهد بود که پاهای ربات در یک بازه زمانی باید رو به بالا باشه. حالا اگه کد این مورد رو بزنید و توی شبیه ساز کامپیوتری اجرا کنیدش بعد چندین مرحله اجرا می‌بینید سیستم پاهای آواتار رو بلند کرده! یا اواتاری خواهید داشت که رو دستاش راه میره :))
خلاصه کلام اینه که حتی با داشتن هدف کلی مشخص. ساخت مقیاس دقیق امتیاز دهی خیلی کار تخصصی و پیچیده اییه چون مغز ما همیشه توی معادلات خودش متغیر هایی رو در نظر میگیره که در نگاه اول قابل مشاهده نیستن.
✍🏻 Ho33ein
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
👍4
Forwarded from صراط
🔰 رویداد بزرگ #چیستا
🔹جایی برای آن‌هایی که می‌خواهند خلاف جهت جریان آب حرکت کنند
🗓 مهلت ثبت نام اولیه ۲۱ تا ۲۸ بهمن‌ماه
📌 شروع مرحله‌ی حضوری: ۲ اسفندماه
🎗جوایز نفرات برتر:
1️⃣ گروه اول ۶ میلیون تومان
2️⃣ گروه دوم ۴ میلیون تومان
3️⃣ گروه سوم ۲ میلیون تومان
✅ برای دریافت لینک ثبتنام و کسب اطلاعات بیشتر به آیدی زیر پیام دهید:
🆔 @Serat_ut
🌐 @Utserat
🔹جایی برای آن‌هایی که می‌خواهند خلاف جهت جریان آب حرکت کنند
🗓 مهلت ثبت نام اولیه ۲۱ تا ۲۸ بهمن‌ماه
📌 شروع مرحله‌ی حضوری: ۲ اسفندماه
🎗جوایز نفرات برتر:
1️⃣ گروه اول ۶ میلیون تومان
2️⃣ گروه دوم ۴ میلیون تومان
3️⃣ گروه سوم ۲ میلیون تومان
✅ برای دریافت لینک ثبتنام و کسب اطلاعات بیشتر به آیدی زیر پیام دهید:
🆔 @Serat_ut
🌐 @Utserat
Forwarded from صراط
This media is not supported in your browser
VIEW IN TELEGRAM
❓ داستان چیستا چگونه شروع شد؟
🗓 مهلت ثبت نام اولیه: ۲۱ تا ۲۸ بهمن‌ماه
📅 شروع مرحله‌ی حضوری: ۲ اسفندماه
🎗جوایز نفرات برتر:
1️⃣ گروه اول ۶ میلیون تومان
2️⃣ گروه دوم ۴ میلیون تومان
3️⃣ گروه سوم ۲ میلیون تومان
✅ همین الان تلفنت رو بردار، تیمت رو جمع کن و برای حضور در رویداد آماده شو!
📌 همیشه یادت باشه:
«تماشاچی زیاده، تو میتونی یه بازیگر باشی!»
🔖 برای ثبتنام در رویداد بزرگ #چیستا در این لینک ثبتنام کنید.
▫️ادمین صراط پاسخگوی سوالات شماست.
🌐 @utserat
ما را در اینستاگرام دنبال کنید.
🗓 مهلت ثبت نام اولیه: ۲۱ تا ۲۸ بهمن‌ماه
📅 شروع مرحله‌ی حضوری: ۲ اسفندماه
🎗جوایز نفرات برتر:
1️⃣ گروه اول ۶ میلیون تومان
2️⃣ گروه دوم ۴ میلیون تومان
3️⃣ گروه سوم ۲ میلیون تومان
✅ همین الان تلفنت رو بردار، تیمت رو جمع کن و برای حضور در رویداد آماده شو!
📌 همیشه یادت باشه:
▫️ادمین صراط پاسخگوی سوالات شماست.
🌐 @utserat
ما را در اینستاگرام دنبال کنید.
Media is too big
VIEW IN TELEGRAM
▫️"در دهه گذشته (حجم) اقتصاد این صنعت ۶.۵ برابر میانگین اقتصاد جهانی بوده است."
▫️"در دنیا سه صنعت اقتداری داریم؛ هسته‌ای، موشکی و #این_صنعت."
▫️"وقتی میگویند این فناوری بعنوان اولویت الف و در میان اولویت‌های الف به عنوان شماره یک قرار میگیرد یعنی یک جایگاه بسیار رفیع دارد."
❗️این داستان ادامه دارد... منتظر خبرهای بیشتری باشید!
🆔 @ECETrends | http://instagram.com/ece_trends
▫️"در دنیا سه صنعت اقتداری داریم؛ هسته‌ای، موشکی و #این_صنعت."
▫️"وقتی میگویند این فناوری بعنوان اولویت الف و در میان اولویت‌های الف به عنوان شماره یک قرار میگیرد یعنی یک جایگاه بسیار رفیع دارد."
❗️این داستان ادامه دارد... منتظر خبرهای بیشتری باشید!
🆔 @ECETrends | http://instagram.com/ece_trends
👍5❤1
پلاک01 - ویژه نامه فضایی.pdf
3.1 MB
📰 نشریه پلاک ۰۱
📍 شماره سوم از سال یازدهم
📔پی‌دی‌اف تعاملی نشریه پلاک ۰۱
🛰 یک داستان فضایی!
ویژه نامه کارگروه صنعت فضایی
⭕️چرا فضا ⬅️ بررسی علل اهمیت سرمایه گذاری در حوزه فضایی
⭕️یک داستان فضایی ⬅️ سرگذشت صنعت فضایی ایران از شکل گیری تا کنون
⭕️یک صنعت، یکصد چالش ⬅️ مروری بر اصلیترین چالشها و راهکارهای پیش روی ایران در صنعت فضایی
⭕️دانش آموزان فضانورد ⬅️ نگاهی به اقدامات کشورهای مختلف در ترویج فرهنگ فضا
⭕️امید یا امید ⬅️ نقدی بر شیوه بیان دستاوردها در ایران با تمرکز بر صنعت فضایی
#صنعت_فضایی
🆔 @ECETrends | http://instagram.com/ece_trends
📍 شماره سوم از سال یازدهم
📔پی‌دی‌اف تعاملی نشریه پلاک ۰۱
🛰 یک داستان فضایی!
ویژه نامه کارگروه صنعت فضایی
⭕️چرا فضا ⬅️ بررسی علل اهمیت سرمایه گذاری در حوزه فضایی
⭕️یک داستان فضایی ⬅️ سرگذشت صنعت فضایی ایران از شکل گیری تا کنون
⭕️یک صنعت، یکصد چالش ⬅️ مروری بر اصلیترین چالشها و راهکارهای پیش روی ایران در صنعت فضایی
⭕️دانش آموزان فضانورد ⬅️ نگاهی به اقدامات کشورهای مختلف در ترویج فرهنگ فضا
⭕️امید یا امید ⬅️ نقدی بر شیوه بیان دستاوردها در ایران با تمرکز بر صنعت فضایی
#صنعت_فضایی
🆔 @ECETrends | http://instagram.com/ece_trends
❤7👍1🔥1
🔴Trends.doc🔴
🔰سلسله جلسات بررسی مستند
🔻جلسه سوم:
بررسی مستند AlphaGo
📌به همراه بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین
❗️ظرفیت بازدید محدود است!
🗓 5شنبه - 12 اسفند
🕠ساعت 15:00
جهت ثبتنام برای بازدید به آیدی @Trends_doc پیام دهید
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
🔰سلسله جلسات بررسی مستند
🔻جلسه سوم:
بررسی مستند AlphaGo
📌به همراه بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین
❗️ظرفیت بازدید محدود است!
🗓 5شنبه - 12 اسفند
🕠ساعت 15:00
جهت ثبتنام برای بازدید به آیدی @Trends_doc پیام دهید
#Machine_Learning
🆔 @ECETrends | http://instagram.com/ece_trends
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 پیاده‌سازی بازی پیچیده‌ی GO که از چین باستان به ما رسیده، مدت‌ها به عنوان چالشی بزرگ در حوزه‌ی هوش مصنوعی درنظر گرفته می‌شد؛ چرا که گفته میشود حالات مختلف چینش صفحه و بازی کردنش از تعداد اتم‌های موجود در کل جهان بیشتر است!
تا اینکه در ۹ مارس ۲۰۱۶ میلیون‌ها نفر از سراسر جهان، طرفداران و معتادان(!) بازی GO در کنار توسعه‌دهندگان حوزه‌ی هوش مصنوعی، به تماشا نشستند تا رقابت ساخته‌ی تیم DeepMind گوگل -آلفاگو- و بزرگترین استاد افسانه‌ای این بازی در جهان -لی‌سدول کره‌ای- را تماشا کنند.
و اما نتیجه؟! هوش مصنوعی‌ای که با آزمون و خطا مدام در حال یادگیری ست یا استاد شناخته‌شده با ۹ دان در این بازی؟
با مستند AlphaGo همراه باشید.
📍روز پنجشنبه 12 اسفند در سومین جلسه از Trends.doc، علاوه بر بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین، این مستند همزمان به صورت حضوری پخش میشود و در ادامه به بررسی و تحلیل این مستند خواهیم پرداخت.
🆔 @ECETrends | http://instagram.com/ece_trends
تا اینکه در ۹ مارس ۲۰۱۶ میلیون‌ها نفر از سراسر جهان، طرفداران و معتادان(!) بازی GO در کنار توسعه‌دهندگان حوزه‌ی هوش مصنوعی، به تماشا نشستند تا رقابت ساخته‌ی تیم DeepMind گوگل -آلفاگو- و بزرگترین استاد افسانه‌ای این بازی در جهان -لی‌سدول کره‌ای- را تماشا کنند.
و اما نتیجه؟! هوش مصنوعی‌ای که با آزمون و خطا مدام در حال یادگیری ست یا استاد شناخته‌شده با ۹ دان در این بازی؟
با مستند AlphaGo همراه باشید.
📍روز پنجشنبه 12 اسفند در سومین جلسه از Trends.doc، علاوه بر بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین، این مستند همزمان به صورت حضوری پخش میشود و در ادامه به بررسی و تحلیل این مستند خواهیم پرداخت.
🆔 @ECETrends | http://instagram.com/ece_trends
🔥4👍1
#Trends_pic !
📽 پخش مستند AlphaGo
🎙به همراه نشست تحلیل و بررسی
🔗و بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین
🆔 @ECETrends | http://instagram.com/ece_trends
📽 پخش مستند AlphaGo
🎙به همراه نشست تحلیل و بررسی
🔗و بازدید از آزمایشگاه مدلسازی محاسباتی و یادگیری ماشین
🆔 @ECETrends | http://instagram.com/ece_trends
Audio
🎥 سلسله جلسات بررسی مستند
3⃣ جلسه سوم: بررسی مستند AlphaGo
#Machine_Learning
#AI
🆔 @ECETrends | http://instagram.com/ece_trends
3⃣ جلسه سوم: بررسی مستند AlphaGo
#Machine_Learning
#AI
🆔 @ECETrends | http://instagram.com/ece_trends
❤1
🗞 پیشخوان نشریه پلاک ۰۱
🔁 بازنشر به مناسبت سالگرد حکم تشکیل شورایعالی فضای مجازی
🌍 گرد جهان می‌گردیم
آنچه خواهید دید:
🔹 شما!
🔹 پرونده ویژه: در هزارتوی وزارت!
🔹 شما در کشورهای پیشرفته
🔹 نظام‌نامه پیوست فرهنگی
🔹 توییت موثر یا تاثیر توییتر
#کارگروه_شبکه‌ملی‌اطلاعات
🆔 @ECETrends | http://instagram.com/ece_trends
🔁 بازنشر به مناسبت سالگرد حکم تشکیل شورایعالی فضای مجازی
🌍 گرد جهان می‌گردیم
آنچه خواهید دید:
🔹 شما!
🔹 پرونده ویژه: در هزارتوی وزارت!
🔹 شما در کشورهای پیشرفته
🔹 نظام‌نامه پیوست فرهنگی
🔹 توییت موثر یا تاثیر توییتر
#کارگروه_شبکه‌ملی‌اطلاعات
🆔 @ECETrends | http://instagram.com/ece_trends
❤2
Pelak01_Shoma#1.pdf
2.7 MB
📰 نشریه پلاک ۰۱
🔁 بازنشر به مناسبت سالگرد حکم تشکیل شورایعالی فضای مجازی
📔پی‌دی‌اف تعاملی نشریه پلاک ۰۱
🌍 گرد جهان می‌گردیم
⭕️ شما! ⬅️ ضرورت و معرفی کلان پروژه ملی شبکه ملی اطلاعات
⭕️ پرونده ویژه: در هزارتوی وزارت! ⬅️ گزارش جلسه دانشجویی با وزارت ارتباطات(سابق)
⭕️ شما در کشورهای پیشرفته ⬅️ بررسی پیاده‌سازی شبکه ملی اطلاعات در کشورهای توسعه یافته
⭕️ نظام‌نامه پیوست فرهنگی ⬅️ پرداخت به لزوم پیوست فرهنگی برای کلان مسائل کشور
⭕️ توییت موثر یا تاثیر توییتر ⬅️ نقش شبکه‌های اجتماعی در جریان‌های اجتماعی
#کارگروه_شبکه‌ملی‌اطلاعات
🆔 @ECETrends | http://instagram.com/ece_trends
🔁 بازنشر به مناسبت سالگرد حکم تشکیل شورایعالی فضای مجازی
📔پی‌دی‌اف تعاملی نشریه پلاک ۰۱
🌍 گرد جهان می‌گردیم
⭕️ شما! ⬅️ ضرورت و معرفی کلان پروژه ملی شبکه ملی اطلاعات
⭕️ پرونده ویژه: در هزارتوی وزارت! ⬅️ گزارش جلسه دانشجویی با وزارت ارتباطات(سابق)
⭕️ شما در کشورهای پیشرفته ⬅️ بررسی پیاده‌سازی شبکه ملی اطلاعات در کشورهای توسعه یافته
⭕️ نظام‌نامه پیوست فرهنگی ⬅️ پرداخت به لزوم پیوست فرهنگی برای کلان مسائل کشور
⭕️ توییت موثر یا تاثیر توییتر ⬅️ نقش شبکه‌های اجتماعی در جریان‌های اجتماعی
#کارگروه_شبکه‌ملی‌اطلاعات
🆔 @ECETrends | http://instagram.com/ece_trends
👍4
📍به مناسب نیمه شعبان و فرارسیدن سال نو، ECE Trends برگزار میکند:
🔰مسابقه نبات!
نوروزی برای آشنایی با ترندهای تکنولوژی
💠مسابقه در دو بخش کتابخوانی📚 و تماشای مستند 🎞 برگزار میشه که هر بخش 100 امتیاز رو به خودش اختصاص میده. شما میتونید با شرکت در یک آزمون ساده که تازه سه روز هم مهلت داره - از دهم تا سیزدهم فروردین - برنده جایزه بشید.
🎁 جوایز نفرات برتر:
🥇نفر اول 500 هزار تومان
🥈نفر دوم 300 هزار تومان
🥉نفر سوم 200 هزار تومان
💲هزینه شرکت در مسابقه: رایگان!
📝 مهلت ثبت نام: 27 ام اسفند تا پایان قرن چهاردهم!
- لینک ثبت نام -
❓سوالات خود را اینجا با ما در میان بگذارید.
⏳منتظر اخبار بعدی باشید...
🆔 @ECETrends | http://instagram.com/ece_trends
🔰مسابقه نبات!
نوروزی برای آشنایی با ترندهای تکنولوژی
💠مسابقه در دو بخش کتابخوانی📚 و تماشای مستند 🎞 برگزار میشه که هر بخش 100 امتیاز رو به خودش اختصاص میده. شما میتونید با شرکت در یک آزمون ساده که تازه سه روز هم مهلت داره - از دهم تا سیزدهم فروردین - برنده جایزه بشید.
🎁 جوایز نفرات برتر:
🥇نفر اول 500 هزار تومان
🥈نفر دوم 300 هزار تومان
🥉نفر سوم 200 هزار تومان
💲هزینه شرکت در مسابقه: رایگان!
📝 مهلت ثبت نام: 27 ام اسفند تا پایان قرن چهاردهم!
- لینک ثبت نام -
❓سوالات خود را اینجا با ما در میان بگذارید.
⏳منتظر اخبار بعدی باشید...
🆔 @ECETrends | http://instagram.com/ece_trends
❤5