💡 خب قبلن هم گفتیم یه عده دنبال پادکست خوب بودن و هستن، من خودم عاشقم مصاحبه و Talk show هستم..

🎤🎧 این لینک مصاحبه خانم "میرا مُراتی"، CTO شرکت OpenAI، یا همون شرکتی که ChatGPT رو درست کردن با CTO شرکت Microsoft هست...

👩‍💻 35 سال سن داره
👩‍🏫مهندسی مکانیک خونده
🚗 برای تسلا کار میکرده

اما در شکل گیری یکی از بزرگترین محصولات هوش مصنوعی اخیر، نقش اساسی داشته!



https://youtu.be/5PGBn1t5CLQ🔥

🤓👨‍💼👩‍🏫 دانشگاه استفورد، دوره ی هوش مصنوعی مربوط به شناخت و درک زبان رو به شکل رایگان در یوتیوب و گیت هاب گذاشتن تا همه استفاده کنن..

🔥جالبه هزینه ی این دوره 1750 دلار آمریکاس که رایگانش کردن..

💡مدرک طبیعتا بتون نمیده ولی آنچه باید رو یادتون میده..

🔗👩‍💻 لینک کدهای درس:
https://github.com/cgpotts/cs224u/

🎥 لینک ویدیوهای درس در یوتیوب:
https://www.youtube.com/playlist?list=PLoROMvodv4rOwvldxftJTmoR3kRcWkJBp

🙌🤗 موفق باشید

تکامل هوش مصنوعی در پرتره‌ای از مصاحبه گیتس و اسکات 🤖🔬🚀

📝چه مهارت هایی را تقویت کنیم؟

۱. بازگشت ابررایانه‌ها: شاهد بازگشایی بهینه‌سازی موازی و معماری‌های عملکرد بالا در پشت پیشرفت هوش مصنوعی باشید. 💡

۲. ریاضیات و برنامه‌نویسی: گیتس به ارتباط ریاضی-برنامه‌نویسی اشاره می‌کند؛ برنامه‌نویسان هوش مصنوعی امروزی باید اصول ریاضی را درک کنند تا مسلط به معادلات شوند. 📐🖥️

۳. بهینه سازی منابع: گیتس به موضوع بهینه سازی منابع چه در مدل های محاسباتی مانند پارامترها یا ساده سازی معادلات، چه در مبحث تامین برق دیتاسنترها و چه در مدیریت دیتابیس ها اشاره میکند. ⚙️🔌


لینک کامل مصاحبه برای علاقه مندان در زیر: 🌟🤝

https://youtu.be/bHb_eG46v2c

💚🙌 اشتراک گذاری مطالب این کانال، منجر به افزایش دانش جامعه ی اطراف ما، انگیزه ی ما و قطعا تلاش برای تولید محتوای بهتر میشه! :)

👩‍💻📈🤓آیا شما یک دانشمند علوم داده هستید؟ آیا به افزایش کارآیی انرژی‌های تجدیدپذیر جهت کمک به تسریع در انتقال انرژی علاقه دارید؟

💡اگر شما دانشجو، شرکت نوپا، فرد علاقه‌مند به داده‌های انرژی یا حتی علاقه‌مندان به انرژی هستید، تمرین کنید و آماده بشید تا در مسابقه IEEE (انجمن مهندسین برق و الکترونیک) در زمینه انرژی تجدیدپذیر هیبریدی و پیش‌بینی شرکت کنید! 🏆

💵 در این مسابقه مجموعاً 20,000 دلار جایزه در انتظار شماست 💰

🌏🌋سوابق گرمای جهانی این تابستان نشان داده که تهدید تغییرات آب و هوا از هر زمان دیگری بیشتر اهمیت دارد. ما به ذهنیت‌ها قوی نیاز داریم تا به همین چالش عظیم پاسخ دهند!

🔗لینک ثبت نام:
https://glasgow.us21.list-manage.com/subscribe?u=a42b044d56565ab2a5a6bbb9b&id=336217f7a7

الان فقط میتونید ایمیلتون رو بذارید بعد بتون ایمیل میدن که چطوری باید برای شرکت کردن در مسابقه و تیم ساختن شرکت کنید.. 🙌🔥💵💵💵💵

سهم من یادتون نره! 😂

توضیح در پست بعدی 👇📝

👨‍💻مهندس نرم‌افزار: مهندس نرم‌افزار حرفه‌ای است که اصول مهندسی نرم‌افزار را برای طراحی، توسعه، نگهداری، آزمایش و ارزیابی نرم‌افزارهای کامپیوتری به کار می‌برد.

👩‍💻 مهندس DevOps : مهندس DevOps یک متخصص IT است که با توسعه‌دهندگان نرم‌افزار، اپراتورهای سیستم و دیگر کارکنان تولید IT همکاری می‌کند تا عملیات انتشار کد را نظارت کند. آنها از دانش خود در زمینه برنامه‌نویسی و کدنویسی، طراحی زیرساخت، مدیریت سیستم و امنیت شبکه برای ساخت و استقرار نرم‌افزار، سیستم‌های پایگاه داده امن و شبکه‌های داخلی استفاده می‌کنند.

☁️مهندس Cloud: مهندس Cloud یک متخصص IT است که مهارت‌ها و دانش خود را در زمینه توسعه نرم‌افزار، زیرساخت شبکه و محاسبات Cloud ترکیب کرده و سیستم‌های محاسبات Cloud را طراحی، ادغام و نظارت می‌کند. آنها زیرساخت ابری را برای مصرف کننده و شرکت ها ایجاد می‌کنند، از جمله برنامه‌های تلفن همراه، بازی‌ها و سیستم‌های پایگاه داده آنلاین و ...

👨‍🏫مهندس MLOps: مهندس MLOps مهندس نرم‌افزاری است که در جنبه‌های انتشار و تولید فرآیند علم داده تخصص لازم را دارد. هدفMLOps ، استقرار و نگهداری قابل اعتماد و کارآمد سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.

👩‍🏫مهندس پلتفرم داده : مهندس پلتفرم داده مسئول طراحی، ساخت و نگهداری پلتفرم داده است که تصمیم‌گیری مبتنی بر داده سازمان را تغذیه می‌کند.

👨‍💻📊 دانشمند علوم داده (Data Scientist): دانشمند علوم داده، متخصصی است که با اسثتناد به روش‌های ریاضی، الگوریتم‌ها و سیستم‌های علمی به استخراج دانش از داده‌ها استفاده می کند که منجر به تحلیل و تصمیم گیری های بهتر چه برای شرکت ها و چه برای مصرف کننده می شود.

👩‍💻مهندسML: مهندس ML مسئول طراحی، ساخت، استقرار و نگهداری سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.

امیدوارم این اطلاعات به شما کمک کند!💚

😍😍🔥 یه سری کد آماده کردم هم یادتون میده با مثال که چطوری QR کد بسازید توی Python و هم اگر نه اصن حالشو ندارید، بش یه لینک با یه لوگو یا عکس بدین و اون براتون QR کد میسازه...

😍همین شکل بالا رو ببینید، آموزش ساخت هر 5 تاش رو گذاشتم ..

👨‍💻به نظرتون چطوری میتونیم بهترش کنیم؟ دیزاینش رو بهتر کنیم؟ یا مثلا ربات Telegram براش بسازیم؟

👩‍🏫دوست داشتین، درست کنید و Pull request بفرستید توی Github با بقیه به اشتراک بذاریم...

🔗 لینک:
https://github.com/SaM-92/QR-code-Python

😍 شگفت‌انگیز 🤯

🎤صداهای هوش مصنوعی دیگر هرگز همانند قبل نخواهند بود! به نظر می‌آید PlayHT2.0 قادر است یک گفت‌وگو را تا حدی مشابه انسان انجام دهد، از کلمات پر کننده استفاده کند و احساسات را در طی گفت‌وگو به شکل همزمان بیان کند!!

🎥 حتما کلیپ را ببینید!

🔥😈ترسناک و جذاب!

🔗لینک محصول:
https://play.ht/

👨‍🏫😍 ببینید چطوری هوش مصنوعی به یک خانم که دچار فلج مغزی شده بودن، صداش رو برگردوند...

🎤این ایمپلنت برای افرادی که دچار فلج مغزی شدن افکار رو به متن و صدا تبدیل می کنه!

💡صدای بیمار قبل از حادثه رو کلون کردن و تو هر دقیقه می تونه 80 کلمه با صدای خودش تولید کنه. تو مرحله ی بعد قراره این تکنولوژی بی سیم بشه.

🎥 لینک ویدیوی کامل:

https://youtu.be/iTZ2N-HJbwA

🔗 لینک کامل خبر:
https://www.ucsf.edu/news/2023/08/425986/how-artificial-intelligence-gave-paralyzed-woman-her-voice-back

📝لینک مقاله ی Nature درباره ی این پژوهش:

https://www.nature.com/articles/s41586-023-06443-4



🙏اطلاعات رو از صابر عزیز گرفتم. آیدی توییترش:sabber_dev

🔥 📝 پایتون برای علم داده، کتابی جدید از آرتور تورل است که بر تطبیق‌های اصلی علم داده با استفاده از پایتون تمرکز دارد. این کتاب الهام گرفته شده از کتاب R برای علم داده نوشته هدلی ویکهام و گرت گرولموند است و ساختار مشابهی دنبال می‌کند. این کتاب مباحثی از قبیل:
✅ تنظیم و تبدیل داده
✅ رسم داده
✅ کار با spreadsheet، پایگاه‌های داده، web scraping و API
✅ مباحث برنامه‌نویسی مانند توابع و iteration

این کتاب به صورت آزاد و آنلاین در دسترس است…

🔗 https://aeturrell.github.io/python4DS/welcome.html

📊📈👨‍🏫بریم سراغ یک سری منبع برای یادگیری داستان سرایی و رسم نمودار با داده. یکی از مهم ترین مهارت های یک آنالیست داده، این هست که بتونه داده ها را بعد از بررسی، به زبان ساده تر برای افراد توضیح بده.
🔥🎥 ✏️این زیر میتونید یه سری منبع رو معرفی کردم. اما، لینک کتاب ها رو به نسخه ی اصلیشون گذاشتم چون به دلیل قوانین حق کپی رایت من اجازه ی به اشتراک گذاری نسخه ی رایگانشون رو ندارم. ولی اگر بگردید مطمئنم پیدا میکنید نسخه های رایگانش رو..

💻 تماشا کنید - Data Analyst Portfolio Project | Tableau Visualization
لینک:
https://youtu.be/QILNlRvJlfQ?si=NMIBi01ZIIeQnTI6

💻 تماشا کنید – How To Create a Dashboard - Tableau Tutorial P.9
لینک:
https://youtu.be/7Sdzs3fF5kw?si=MVDJgeL4YdwIjnVs

📖 بخوانید - Storytelling with Data
لینک:
https://www.amazon.co.uk/Storytelling-Data-Visualization-Business-Professionals/dp/1119002257
📖 بخوانید – The Big Book of Dashboards
لینک:
https://onlinelibrary.wiley.com/doi/book/10.1002/9781119283089

🔥📝📈🔥یه نگاهی دوباره هم به این شکل بندازیم که نشون میده برای چه داده هایی از چه نمودارهایی بهتره استفاده کنیم...

📊برای داده هام از چه نموداری استفاده کنم بهتره؟

💡 کدوم کمک میکنه که رفتار داده م رو بهتر بفهمم؟

🎯🔍 فرقی نمیکنه از چه ابزاری استفاده میکنی، این شکل بت ایده میده چه نموداری مناسب تره!

- تشویق به مشارکت فعال از سوی دو جامعه علوم کامپیوتر و تحقیقات باتری 🤝🔬
- دسترسی آسان به مجموعه‌ای گسترده از داده‌های عمومی باتری 📊💾
- تسهیل فرآیند آماده‌سازی مجموعه داده برای یادگیری ماشین 🧹📈
- تنظیم BatteryML برای نیازهای تحقیقاتی خود با رابط‌های قابل تنظیم 🛠️🔍


لینک:
https://github.com/microsoft/BatteryML/tree/main

📝✏️بایاس و واریانس مفاهیم اساسی در مدل‌های یادگیری ماشین هستند. بایاس نمایانگر خطاست که در اثر تقریب یک مسئله واقعی، که ممکن است پیچیده باشد، با یک مدل ساده‌تر ایجاد می‌شود. بایاس بالا می‌تواند به آندر-فیتینگ منجر شود، جایی که مدل بیش از حد ساده است و نمی‌تواند الگوهای اساسی در داده‌ها را پیدا کند. از طرف دیگر، واریانس نمایانگر حساسیت مدل به نوسانات کوچک در داده‌های آموزش است. واریانس بالا می‌تواند به اور-فیتینگ منجر شود، جایی که مدل به داده‌های آموزش بیش از حد متمایل می‌شود و نمی‌تواند به درستی به داده‌های جدید اعمال شود. این مشکلات زمانی پیش می‌آیند که تعادل نادرستی بین بایاس و واریانس در مدل وجود داشته باشد؛ آندر-فیتینگ از بایاس بیش از حد ناشی می‌شود (یک مدل بیش از حد ساده)، در حالی که اور-فیتینگ از واریانس بیش از حد ناشی می‌شود (یک مدل بیش از حد پیچیده). دستیابی به تعادل مناسب برای ساخت مدل‌های یادگیری ماشین قوی و دقیق بسیار حائز اهمیت است.

👇 اطلاعات بیشتر👇

👨‍🏫 👩‍💻اگر در درک مفهوم آندر-فیتینگ و او-فیتینگ مشکل دارید :

آندر-فیتینگ یعنی وقتی مدل یادگیری ماشین خیلی ساده و ابتدایی باشد و نتواند الگوهای داده‌ها را بیابد، مثلاً یک مدل خطی برای پیش‌بینی قیمت خودروها که همه مشخصات را نادیده بگیرد و همه را به یک ارزش ثابت تخمین بزند.
اور-فیتینگ وقتی رخ می‌دهد که مدل به داده‌های آموزش بیش از حد منطبق شود و جزئیات کوچک را نیز در بر بگیرد، مثلاً یک مدل پیچیده‌تر که برای پیش‌بینی قیمت خودروها همه جزئیات ممکن را در نظر بگیرد، اما نتواند به درستی به سایر خودروها خارج از داده‌های آموزش پاسخ دهد.


محض اطلاع چون فینگیلیش نوشتم بالا:
Underfitting = آندر-فیتینگ
Overfitting = اورفیتینگ
Variance= واریانس
Bias= بایاس

📝 دوره ی ماشین لرنینگ دانشگاه هاروارد:

1-مبانی ماشین لرنینگ
2- آموزش روش cross-validation
3- کار با تعدادی از الگوریتم های محبوب ماشین لرنینگ
4- آموزش ساخت سیستم توصیه کننده (Recommendation system)
5-تنظیم مدل (رگولاریزیشن) چیست و چرا از آن استفاده می‌شود

👨‍🏫 مدرس:
پروفسور رافائل ایریزاری (Rafael Irizarry)، استاد و محقق برجسته در زمینه آمار و علوم داده است. او در حال حاضر به عنوان استاد آمار و بیوانفورماتیک در دانشکده علوم عصبی و پزشکی هاروارد (Harvard T.H. Chan School of Public Health) فعالیت می‌کند.

💡توضیحات:
دوره رایگان هست ولی اگر دنبال مدرک هستید باید مبلغ 101 یورو پرداخت کنید.
دیدم نوشته که برای ایرانی ها امکان ثبت نام و ... وجود نداره (به دلیل تحریم ها) اما، توصیه ی ما این هست که با استفاده از VPN و آدرس های خارج از ایران ثبت نام را انجام بدین... متاسفم که برای یادگیری علم هم باید هم داخل را دور بزنیم و هم خارج را... اما همین را بهانه کنید که بیشتر یاد بگیرید، برای یادگیری نباید دیواری باشد.. چه در داخل و چه در خارج💚🙏

لینک دوره:
https://shorturl.at/mMW38

📝بیاین نظر بدین ببینم چند نفر موضوع بایاس و واریانسِ پست دیروز رو فهمیدن :)

👇این پایین گزینه ها رو میذارم انتخاب کنید، بعد فردا پاسخ رو با توضیح میذارم 🤗

پاسخ رو 67 درصد درست گفتن.. آفرین واقعا ..

در درخت‌های تصمیم، عمق درخت واریانس را مشخص می‌کند. یک مدل پیچیده (به عنوان مثال عمیق) دارای بایاس پایین و واریانس بالا است. افزایش بایاس، واریانس را کاهش می‌دهد و افزایش واریانس، بایاس را کاهش می‌دهد.

پس وقتی عمق درخت را از 10 به 5 کاهش می دهیم، یعنی عمق را کم کردیم، به عبارتی واریانس را کم و بایاس زیاد میشود..

👩‍🏫ربات معلم که به شما پایتون، آنالیز داده، ماشین لرنینگ، دیپ لرنینگ و ... یاد میده

📝 بیش از 125 هزار منبع رایگان برای یادگیری


🤭 رباط نه اقا، ربات😅


🔗 لینک:
https://aigents.co/learn