سلام امیدوارم حالتون روال باشه :)
بدون مقدمه چرا گلچین علم داده؟
راستش من که الان خیر سرم یه نیمچه دیتا ساینتیست محسوب میشم، قبلن (تو دوران لیسانسم) که میخواستم بیام تو این مسیر، چالشهای زیادی داشتم با این حال مهم ترینشون پیدا کردن یه roadmap درست و درمون بود مثلن اینکه پیشنیاز های ورود به این زمینه چی هستن و با چه ترتیبی باید رفت سراغشون و تو این راه چه منابعی مناسبن و ... خلاصه کلی ازم وقت گرفت مخصوصا اینکه الان به واسطه اینترنت و فضای مجازی تعدد منابع باعث سردرگمی بیشتر میشه به هر حال تصمیم گرفتم یه کانالی بزنم و تجربه هامو به مرور بزارم توش شاید به درد کسی خورد
ضمنن پست ها آپدیت میشن و از همین پیام پایینی ترتیب رو دنبال کنین
آی دی کانال :
@DataScience_Golchin
گروه:
@DataScience_Golchin_gp
کانال فایل ها:
@DataScience_Golchin_Files
آی دی خودم:
@peyman886
آپدیت: خیلی ها بکگراند دانشگاهی و کاریمو پرسیدن راستش من لیسانسمو علوم کامپیوتر شریف خوندم و خب چون میخواستم تو حوزه هوش و دیتا کار کنم سعی کردم بیشتر درسامو تو این زمینه بگذرونم بعدم ارشد علوم داده موسسه تیاس قبول شدم و یه مقدار کمی هم به عنوان دیتا ساینتیست تو صنعت کار کردم بنابراین نه تحصیلی و نه کاری اونقد بلد نیستم!!!!
بدون مقدمه چرا گلچین علم داده؟
راستش من که الان خیر سرم یه نیمچه دیتا ساینتیست محسوب میشم، قبلن (تو دوران لیسانسم) که میخواستم بیام تو این مسیر، چالشهای زیادی داشتم با این حال مهم ترینشون پیدا کردن یه roadmap درست و درمون بود مثلن اینکه پیشنیاز های ورود به این زمینه چی هستن و با چه ترتیبی باید رفت سراغشون و تو این راه چه منابعی مناسبن و ... خلاصه کلی ازم وقت گرفت مخصوصا اینکه الان به واسطه اینترنت و فضای مجازی تعدد منابع باعث سردرگمی بیشتر میشه به هر حال تصمیم گرفتم یه کانالی بزنم و تجربه هامو به مرور بزارم توش شاید به درد کسی خورد
ضمنن پست ها آپدیت میشن و از همین پیام پایینی ترتیب رو دنبال کنین
آی دی کانال :
@DataScience_Golchin
گروه:
@DataScience_Golchin_gp
کانال فایل ها:
@DataScience_Golchin_Files
آی دی خودم:
@peyman886
آپدیت: خیلی ها بکگراند دانشگاهی و کاریمو پرسیدن راستش من لیسانسمو علوم کامپیوتر شریف خوندم و خب چون میخواستم تو حوزه هوش و دیتا کار کنم سعی کردم بیشتر درسامو تو این زمینه بگذرونم بعدم ارشد علوم داده موسسه تیاس قبول شدم و یه مقدار کمی هم به عنوان دیتا ساینتیست تو صنعت کار کردم بنابراین نه تحصیلی و نه کاری اونقد بلد نیستم!!!!
👍27
#roadmap
1) Programming
2) Calculus
3) Algorithm
4) Linear Algebra
5) Probability & Statistics
6) Machine Learning
7) Deep Learning
:) Interesting Courses
ترتیب کلی که من پیشنهاد میکنم اینه و اغلب هم سعی میکنم کورس دانشگاهی به زبان فارسی معرفی کنم.
آپدیت: در مورد این ''ترتیب کلی'' یه توضیحی بدم. من صرفا گفتم اینطوری بهتره، این پیشنیازی بعضی جاها خیلی خودشو نشون میده بعضی جاها نه خیلی، مثلن لزومی نداره آمار رو حتمن بعد از جبرخطی بخونین ولی اگه بدون دانش برنامه نویسی برین سراغ الگوریتم قطعن چیزی نخواهید فهمید.
آپدیت ۲: من برای هر تیکه چندتا کورس پیشنهاد کردم اما قرار نیست شما به ترتیب درس به درس همه رو ببینین (خیلیهاشون اینطوری بوده که گفتم این هست اونم هست هر کدوم خودت راحتتری) به نظرم برای هر کدوم یه کورس ببینین که ته قسمت ۷ شما یه شهود کلی نسبت به دیتا ساینس داشته باشین بعد برگردین این دانش پایهایتون رو مرمت کنین :) مخصوصا اگه دانشجوی مهندسی هستین پیشنهاد میکنم مستقیم برین سراغ قسمت ۶و۷
آپدیت ۳: من تقریبن هرچی که لازم بوده رو گفتم. به نظرم بعد گذروندن این درسا میتونین برای شروع کار تو این پوزیشن شغلی یا حالا پژوهش تو زمینه خاصتری از دیتا ساینس اقدام کنین. به هر حال با اینا کارتون برای شروع راه میافته بقیهاش دیگه تو کار یا حوزه خاصی که میخواین کار کنین به دست میاد.
آپدیت۴: قسمت کورسای جالب اضافه شده
@DataScience_Golchin
1) Programming
2) Calculus
3) Algorithm
4) Linear Algebra
5) Probability & Statistics
6) Machine Learning
7) Deep Learning
:) Interesting Courses
ترتیب کلی که من پیشنهاد میکنم اینه و اغلب هم سعی میکنم کورس دانشگاهی به زبان فارسی معرفی کنم.
آپدیت: در مورد این ''ترتیب کلی'' یه توضیحی بدم. من صرفا گفتم اینطوری بهتره، این پیشنیازی بعضی جاها خیلی خودشو نشون میده بعضی جاها نه خیلی، مثلن لزومی نداره آمار رو حتمن بعد از جبرخطی بخونین ولی اگه بدون دانش برنامه نویسی برین سراغ الگوریتم قطعن چیزی نخواهید فهمید.
آپدیت ۲: من برای هر تیکه چندتا کورس پیشنهاد کردم اما قرار نیست شما به ترتیب درس به درس همه رو ببینین (خیلیهاشون اینطوری بوده که گفتم این هست اونم هست هر کدوم خودت راحتتری) به نظرم برای هر کدوم یه کورس ببینین که ته قسمت ۷ شما یه شهود کلی نسبت به دیتا ساینس داشته باشین بعد برگردین این دانش پایهایتون رو مرمت کنین :) مخصوصا اگه دانشجوی مهندسی هستین پیشنهاد میکنم مستقیم برین سراغ قسمت ۶و۷
آپدیت ۳: من تقریبن هرچی که لازم بوده رو گفتم. به نظرم بعد گذروندن این درسا میتونین برای شروع کار تو این پوزیشن شغلی یا حالا پژوهش تو زمینه خاصتری از دیتا ساینس اقدام کنین. به هر حال با اینا کارتون برای شروع راه میافته بقیهاش دیگه تو کار یا حوزه خاصی که میخواین کار کنین به دست میاد.
آپدیت۴: قسمت کورسای جالب اضافه شده
@DataScience_Golchin
Telegram
گلچین علم داده
#Programming
درسته برای برنامه نویسی تو حوزه هوش مصنوعی و علم داده معمولن زبان پایتون رو معرفی میکنن اما مسالهای که به نظرم مهمه اینه که شما اگه هر زبان دیگهای قبلن برنامهنویسی کرده باشید پایتون رو دو سه روزه مسلط میشین منتها چیزی که مهمتر از خود زبان…
درسته برای برنامه نویسی تو حوزه هوش مصنوعی و علم داده معمولن زبان پایتون رو معرفی میکنن اما مسالهای که به نظرم مهمه اینه که شما اگه هر زبان دیگهای قبلن برنامهنویسی کرده باشید پایتون رو دو سه روزه مسلط میشین منتها چیزی که مهمتر از خود زبان…
👍18❤1
#Programming
درسته برای برنامه نویسی تو حوزه هوش مصنوعی و علم داده معمولن زبان پایتون رو معرفی میکنن اما مسالهای که به نظرم مهمه اینه که شما اگه هر زبان دیگهای قبلن برنامهنویسی کرده باشید پایتون رو دو سه روزه مسلط میشین منتها چیزی که مهمتر از خود زبان برنامه نویسی هست اون به اصطلاح تفکر الگوریتیمه که باید بلد باشین که به نظرم با تمرین زیاد به دست میاد نه ویدیو دیدن و کلاس رفتن.
برای این اول من کورس پایتون جادی رو پیشنهاد میکنم ولی کافی نیست توصیه میکنم بعدش تو سایت کوئرا عضو شین و تمرینات دانشگاهی از آسون به سخت مرتب کنین و حل کنین تا دستتون گرم شه.
ضمنن قرار نیست اول تسلط کامل به برنامه نویسی داشته باشیم بعد بریم سراغ ریاضی عمومی. یه سری کتابخونه هستن که شما برای کار باهاشون به نظرم بهتره وقتی قرار شد ازشون استفاده کنین برین سراغ یادگیریشون مثلن نامپای رو بزارین وقتی شروع کردین به یادگیری ماشین لرنینگ برین سراغش
حالا این میزان یادگیری که میشه در حد برنامهنویسی مقدماتی کافیه تا بتونین بقیه مسیر رو ادامه بدین اما در هر صورت شما نیازتون میشه که به صورت پیشرفته هم اونو یاد بگیرین! توصیه میکنم موازی با ادامه مسیر براش وقت بذارین!
البته متریک درست حسابی واسه اینکه بگی تا اینجا مقدماتیه از اینجا به بعدش پیشرفته نداریم خیلی، منتها خب تو مسیر خودتون میبینین یه سری چیزای به اصطلاح مهندسی نرمافزاری رو باید بدونین (خودم خیلی ضعیفم توشون 😁) مثه پایگاه داده و علی الخصوص زبان sql، شبکه، سیستم عامل علی الخصوص کار با لینوکس، git و docker و kubernetes و مفاهیم mlops و ... که من دورههای عملی علی حجازی رو که رایگان شدن پیشنهاد میکنم هرچند بازم میگم اینا رو وقتی یاد بگیرین که نیازتون شد!
آپدیت ۱: اگه با سبک تدریس جادی خیلی حال نکردین یا به نظرتون خیلی مبتدیانه بود میتونین از ویدیوهای درس مبانی برنامه نویسی پایتون آقای حمیدرضا حسینخانی که تو شریف ارائه دادن هم استفاده کنین.
آپدیت ۲:حال ندارم توصیههای قبلی رو اصلاح کنم ولی خودم اگه برگردم عقب دوره پایتون علی حجازی رو میبینم خیلی کامله! (اصلاحیه؛ نه آقا مجدد رفتم بررسی کردم یه باگ جدی داره! خیلی خیلی زیاده! برنامه نویسی بیشتر از فیلم به تمرین نیاز داره)
@DataScience_Golchin
درسته برای برنامه نویسی تو حوزه هوش مصنوعی و علم داده معمولن زبان پایتون رو معرفی میکنن اما مسالهای که به نظرم مهمه اینه که شما اگه هر زبان دیگهای قبلن برنامهنویسی کرده باشید پایتون رو دو سه روزه مسلط میشین منتها چیزی که مهمتر از خود زبان برنامه نویسی هست اون به اصطلاح تفکر الگوریتیمه که باید بلد باشین که به نظرم با تمرین زیاد به دست میاد نه ویدیو دیدن و کلاس رفتن.
برای این اول من کورس پایتون جادی رو پیشنهاد میکنم ولی کافی نیست توصیه میکنم بعدش تو سایت کوئرا عضو شین و تمرینات دانشگاهی از آسون به سخت مرتب کنین و حل کنین تا دستتون گرم شه.
ضمنن قرار نیست اول تسلط کامل به برنامه نویسی داشته باشیم بعد بریم سراغ ریاضی عمومی. یه سری کتابخونه هستن که شما برای کار باهاشون به نظرم بهتره وقتی قرار شد ازشون استفاده کنین برین سراغ یادگیریشون مثلن نامپای رو بزارین وقتی شروع کردین به یادگیری ماشین لرنینگ برین سراغش
حالا این میزان یادگیری که میشه در حد برنامهنویسی مقدماتی کافیه تا بتونین بقیه مسیر رو ادامه بدین اما در هر صورت شما نیازتون میشه که به صورت پیشرفته هم اونو یاد بگیرین! توصیه میکنم موازی با ادامه مسیر براش وقت بذارین!
البته متریک درست حسابی واسه اینکه بگی تا اینجا مقدماتیه از اینجا به بعدش پیشرفته نداریم خیلی، منتها خب تو مسیر خودتون میبینین یه سری چیزای به اصطلاح مهندسی نرمافزاری رو باید بدونین (خودم خیلی ضعیفم توشون 😁) مثه پایگاه داده و علی الخصوص زبان sql، شبکه، سیستم عامل علی الخصوص کار با لینوکس، git و docker و kubernetes و مفاهیم mlops و ... که من دورههای عملی علی حجازی رو که رایگان شدن پیشنهاد میکنم هرچند بازم میگم اینا رو وقتی یاد بگیرین که نیازتون شد!
آپدیت ۱: اگه با سبک تدریس جادی خیلی حال نکردین یا به نظرتون خیلی مبتدیانه بود میتونین از ویدیوهای درس مبانی برنامه نویسی پایتون آقای حمیدرضا حسینخانی که تو شریف ارائه دادن هم استفاده کنین.
آپدیت ۲:
@DataScience_Golchin
👍9
#Calculus
این ریاضیات که شامل مباحث ریاضی عمومی ۱و ۲ و ریاضیات گسسته میشه رو اگه درساشونو تو دوره کارشناسی گذروندین همون دید کلی به نظرم کافیه نهایتن هرجا یادتون رفت برین سراغش مرور کنین اگرم بخوام کورسی براشون بگم باید برم سراغ ریاضی ۱ و ۲ شهشهانی که خیلی سنگینن اونقد عمیق نیازی به یادگیریشون نیست ولی خب اگه خواستین؛
برای ریاضی ۱ دو تا کورس از دکتر میرصادقی هست یکیشون قدیمیه و یکیشونم جدیده مطمئن نیستم کدومشون منبعش کتاب شهشهانیه هر کدوم منبعش شهشهانی بود اونو دنبال کنین برای مبحث انتگرال هم یه جزوه ای به نام "انتگرالخور" خیلی به درد من خورد سرچ کنین براتون میاد.
برای ریاضی ۲ هم خود دکتر شهشهانی یه کورس قدیمی دارن که به شدت توصیه میکنم دید خیلی خوبی هم برای جبرخطی که باید به صورت عمیق تر بعدن بخونین میده
برای ریاضیات گسسته که به نظرم پیشنیاز الگوریتم هم محسوب میشه همون دبیرستان کفایت میکنه اما خب چون معمولن ملت از این درس فراریان پیشنهاد میکنم یه کورسی براش ببینین و حتمن کلی تمرین حل کنین فاز این درس با ریاضی عمومی متفاوته خیلی آموزش مبحث نداره بیشتر باید تمرین حل کنین تقریبن کورس خوبی براش ندیدم فقط دکتر میرصادقی یه کورس براش دارن که به نظرم کافی نیست چون خیلی توش تمرین حل نمیشه یه استادی هم به اسم یوسفی هست که گویا ویدیوهایی برای کنکور ارشد مهندسی کامپیوتر میده بیرون اونم خوبه توش تمرین حل میکنه
@DataScience_Golchin
این ریاضیات که شامل مباحث ریاضی عمومی ۱و ۲ و ریاضیات گسسته میشه رو اگه درساشونو تو دوره کارشناسی گذروندین همون دید کلی به نظرم کافیه نهایتن هرجا یادتون رفت برین سراغش مرور کنین اگرم بخوام کورسی براشون بگم باید برم سراغ ریاضی ۱ و ۲ شهشهانی که خیلی سنگینن اونقد عمیق نیازی به یادگیریشون نیست ولی خب اگه خواستین؛
برای ریاضی ۱ دو تا کورس از دکتر میرصادقی هست یکیشون قدیمیه و یکیشونم جدیده مطمئن نیستم کدومشون منبعش کتاب شهشهانیه هر کدوم منبعش شهشهانی بود اونو دنبال کنین برای مبحث انتگرال هم یه جزوه ای به نام "انتگرالخور" خیلی به درد من خورد سرچ کنین براتون میاد.
برای ریاضی ۲ هم خود دکتر شهشهانی یه کورس قدیمی دارن که به شدت توصیه میکنم دید خیلی خوبی هم برای جبرخطی که باید به صورت عمیق تر بعدن بخونین میده
برای ریاضیات گسسته که به نظرم پیشنیاز الگوریتم هم محسوب میشه همون دبیرستان کفایت میکنه اما خب چون معمولن ملت از این درس فراریان پیشنهاد میکنم یه کورسی براش ببینین و حتمن کلی تمرین حل کنین فاز این درس با ریاضی عمومی متفاوته خیلی آموزش مبحث نداره بیشتر باید تمرین حل کنین تقریبن کورس خوبی براش ندیدم فقط دکتر میرصادقی یه کورس براش دارن که به نظرم کافی نیست چون خیلی توش تمرین حل نمیشه یه استادی هم به اسم یوسفی هست که گویا ویدیوهایی برای کنکور ارشد مهندسی کامپیوتر میده بیرون اونم خوبه توش تمرین حل میکنه
@DataScience_Golchin
👍12❤1
#Algorithm
تو زمینه دیتا کمتر اشاره میکنن که شما باید مهارت الگوریتمی داشته باشین در صورتیکه به نظرم اگه یه دیتا ساینتیست الگوریتم خوب بلد نباشه فارغ از اینکه تمییز کد زدن رو نمیفهمه خود الگوریتم های ماشین لرنینگ رو هم درست درک نمیکنه و به قول یکی از دوستان یه جورایی فقط تکنسین باقی میمونه و هیچوقت متخصص نمیشه. یادمه درس یادگیری عمیق رو که تو دانشکده برق میگذروندم این ضعف قشنگ تو بچههای مهندسی برق حس میشد چون درسای الگوریتمی قبلن پاس نکرده بودن واسه همین پیشنهاد میکنم اگه واقعن میخواین تو این حوزه به صورت جدی وارد شید حتمن سعی کنین درسای الگوریتمی هم بگذرونین.
پیشنهاد من درسای ساختار داده و طراحی الگوریتم دکتر شریفی هست که تو دانشکده کامپيوتر شریف ارائه شدن.
تو درس ساختار دادهاش از زبان پایتون و ژوپیتر نوتبوک استفاده میکنه که این خیلی عالیه چون هم کار با نوتبوک رو یاد میگیرین هم تو پایتون قوی میشین به نظرم بعد از یادگیری مباحث پایه برنامه نویسی و تمرین کردن تو کوئرا سعی کنین حتمن این درس رو دنبال کنین و تمرین عملی هم بزنین. یه کوچولو سخته مخصوصا زدن کد الگوریتما. ولی به نظرم حتی بیشتر از درسایی مثه برنامه نویسی پیشرفته و مهندسی نرم افزار مهارت کد زدنتون رو قوی میکنه
درس طراحی الگوریتمشم از این نظر که ++C میگه خیلی خوبه به نظرم با اینکه اکثر کدا رو پایتون هست ولی درک درستی از اینکه کدا چطور روی کامپیوتر اجرا میشه نمیده واسه همین یاد گرفتنش خالی از لطف نیست اما مباحث تئوریش خیلی خیلی مهمن حتی بیشتر از مباحث ساختار داده.
ضمنن این دو تا درس یه جورایی گسستهطورن و اگه قبلش تمرینای گسسته انجام داده باشین راحت ترین. چون تو درس باید ایده بزنین و این ایده زدن هم با تمرین حل کردن به دست میاد پس تمرین رو جدی تر بگیرین!
آپدیت : لینک تمرین ها و جزوه جدید درس ساختار داده
آپدیت ۲: دکتر صدیقین استاد دانشکده کامپیوتر شریف و موسسه تیاس یک کانال یوتیوب دارن که محتوای درسای الگوریتم و ساختار دادهشون رو اونجا میزارن به نظرم خیلی خوب بود مخصوصا اینکه توش کلی ویدیو برای حل تمرین داشتن. پیشنهاد میکنم ببینین
@DataScience_Golchin
تو زمینه دیتا کمتر اشاره میکنن که شما باید مهارت الگوریتمی داشته باشین در صورتیکه به نظرم اگه یه دیتا ساینتیست الگوریتم خوب بلد نباشه فارغ از اینکه تمییز کد زدن رو نمیفهمه خود الگوریتم های ماشین لرنینگ رو هم درست درک نمیکنه و به قول یکی از دوستان یه جورایی فقط تکنسین باقی میمونه و هیچوقت متخصص نمیشه. یادمه درس یادگیری عمیق رو که تو دانشکده برق میگذروندم این ضعف قشنگ تو بچههای مهندسی برق حس میشد چون درسای الگوریتمی قبلن پاس نکرده بودن واسه همین پیشنهاد میکنم اگه واقعن میخواین تو این حوزه به صورت جدی وارد شید حتمن سعی کنین درسای الگوریتمی هم بگذرونین.
پیشنهاد من درسای ساختار داده و طراحی الگوریتم دکتر شریفی هست که تو دانشکده کامپيوتر شریف ارائه شدن.
تو درس ساختار دادهاش از زبان پایتون و ژوپیتر نوتبوک استفاده میکنه که این خیلی عالیه چون هم کار با نوتبوک رو یاد میگیرین هم تو پایتون قوی میشین به نظرم بعد از یادگیری مباحث پایه برنامه نویسی و تمرین کردن تو کوئرا سعی کنین حتمن این درس رو دنبال کنین و تمرین عملی هم بزنین. یه کوچولو سخته مخصوصا زدن کد الگوریتما. ولی به نظرم حتی بیشتر از درسایی مثه برنامه نویسی پیشرفته و مهندسی نرم افزار مهارت کد زدنتون رو قوی میکنه
درس طراحی الگوریتمشم از این نظر که ++C میگه خیلی خوبه به نظرم با اینکه اکثر کدا رو پایتون هست ولی درک درستی از اینکه کدا چطور روی کامپیوتر اجرا میشه نمیده واسه همین یاد گرفتنش خالی از لطف نیست اما مباحث تئوریش خیلی خیلی مهمن حتی بیشتر از مباحث ساختار داده.
ضمنن این دو تا درس یه جورایی گسستهطورن و اگه قبلش تمرینای گسسته انجام داده باشین راحت ترین. چون تو درس باید ایده بزنین و این ایده زدن هم با تمرین حل کردن به دست میاد پس تمرین رو جدی تر بگیرین!
آپدیت : لینک تمرین ها و جزوه جدید درس ساختار داده
آپدیت ۲: دکتر صدیقین استاد دانشکده کامپیوتر شریف و موسسه تیاس یک کانال یوتیوب دارن که محتوای درسای الگوریتم و ساختار دادهشون رو اونجا میزارن به نظرم خیلی خوب بود مخصوصا اینکه توش کلی ویدیو برای حل تمرین داشتن. پیشنهاد میکنم ببینین
@DataScience_Golchin
مکتبخونه
آموزش درس داده ساختارها و مبانی الگوریتمها - مکتب خونه
برای مشاهده شرح دوره، به ویدئوی معرفی درس در بالا مراجعه نمایید. آموزش درس داده ساختارها و مبانی الگوریتمها - مکتب خونه
👍16
#LinearAlgebra
خب درس شیرین جبرخطی :) یادمه یه بار استاد میگفت شما SVD رو درک کنی میبینی PCA یه شوخیه تلخه! شاید بچه های مهندسی بدشون بیاد ولی راستش اگه بیسیک خوبی از ریاضیات داشته باشین میبینین که ماشین لرنینگ هیچی نداره صرفا یه سری محاسبات ریاضیه.
جبرخطی معمولن به دو شیوه آموزش داده میشه، تو دانشکده ریاضی کاملن اثباتی و تو دانشکده های مهندسی کاملن عددی، که به نظرم جفتش برای یه دیتا ساینتیست اشتباهه! شما باید شهود خوبی نسبت به این قضایا داشته باشین نه اینکه قدرت اثبات کردنتون قوی باشه یا برعکس صرفا برین ۴ تا جایگذاری کنین.
با این اوصاف تقریبن کورس به درد بخوری که بتونه اینا رو خوب توضیح بده و فوکوسشم روی ماشین لرنینگ باشه من پیدا نکردم اما تو این کورس جبر خطی دکتر تفاق خوشبختانه استاد علی رغم اینکه قضایا رو خیلی ساده اثبات میکنه شهود خیلی خوبی میده که هم دید جبری داشته باشین هم هندسی واسه همین اول اینو توصیه میکنم شده چند بار ببینینش کتابی هم که از روش درس میده رو من خیلی دوست دارم چون خیلی خلاصه و مفید و بدون حرفای اضافه اس (کتاب جبر خطی شلدون اکسلر) در وهله اول من این کورس رو پیشنهاد میدم.
بعدش یه کورس جبر خطی کاربردی داره که اونم ۱۰ جلسه اولش کل جبرخطی رو خیلی قشنگ مرور میکنه و شدیدا اون رو هم توصیه میکنم. البته من بقیه اش رو ندیدم ولی به نظر جالب میاد.
کلن به نظرم هرچی جبرخطی بخونین بازم کمه واسه همین بعدنا اگه رسیدین، سر فرصت جبرخطی دکتر شهشهانی رو هم ببینین خیلی سنگینه ولی ارزششو داره
پ.ن : متاسفانه جلسات ۲۱ و ۲۸ جبرخطی ضبط نشده (میتونین این قسمتا رو از ویدیوهای خود شلدون اکسلر ببینین)
@DataScience_Golchin
خب درس شیرین جبرخطی :) یادمه یه بار استاد میگفت شما SVD رو درک کنی میبینی PCA یه شوخیه تلخه! شاید بچه های مهندسی بدشون بیاد ولی راستش اگه بیسیک خوبی از ریاضیات داشته باشین میبینین که ماشین لرنینگ هیچی نداره صرفا یه سری محاسبات ریاضیه.
جبرخطی معمولن به دو شیوه آموزش داده میشه، تو دانشکده ریاضی کاملن اثباتی و تو دانشکده های مهندسی کاملن عددی، که به نظرم جفتش برای یه دیتا ساینتیست اشتباهه! شما باید شهود خوبی نسبت به این قضایا داشته باشین نه اینکه قدرت اثبات کردنتون قوی باشه یا برعکس صرفا برین ۴ تا جایگذاری کنین.
با این اوصاف تقریبن کورس به درد بخوری که بتونه اینا رو خوب توضیح بده و فوکوسشم روی ماشین لرنینگ باشه من پیدا نکردم اما تو این کورس جبر خطی دکتر تفاق خوشبختانه استاد علی رغم اینکه قضایا رو خیلی ساده اثبات میکنه شهود خیلی خوبی میده که هم دید جبری داشته باشین هم هندسی واسه همین اول اینو توصیه میکنم شده چند بار ببینینش کتابی هم که از روش درس میده رو من خیلی دوست دارم چون خیلی خلاصه و مفید و بدون حرفای اضافه اس (کتاب جبر خطی شلدون اکسلر) در وهله اول من این کورس رو پیشنهاد میدم.
بعدش یه کورس جبر خطی کاربردی داره که اونم ۱۰ جلسه اولش کل جبرخطی رو خیلی قشنگ مرور میکنه و شدیدا اون رو هم توصیه میکنم. البته من بقیه اش رو ندیدم ولی به نظر جالب میاد.
کلن به نظرم هرچی جبرخطی بخونین بازم کمه واسه همین بعدنا اگه رسیدین، سر فرصت جبرخطی دکتر شهشهانی رو هم ببینین خیلی سنگینه ولی ارزششو داره
پ.ن : متاسفانه جلسات ۲۱ و ۲۸ جبرخطی ضبط نشده (میتونین این قسمتا رو از ویدیوهای خود شلدون اکسلر ببینین)
@DataScience_Golchin
Telegram
فایلهای گلچین علم داده
جبر خطی 1
👍13❤1👎1
#Probabilty_Statistics
از الان بگم اول احتمال بعد آمار!!!!
متاسفانه تو دبیرستان و بدتر از اون تو نظام جدید مدارس دارن اول آمار درس میدن! آمار بدون احتمال مثه فیزیک بدون ریاضی میمونه! ضمنن شما اگه دکترای هوش مصنوعی دارین و بهترین الگوریتم های لرنینگ رو بلدین ولی احتمال بلد نیستین به خودتون نگین دیتا ساینتیست!
خب از این حرفا که بگذریم به نظرم آمار و احتمال مهندسی دکتر شریفی مناسبترین کورسی هست که دیدم. علی رغم اینکه تخصص اصلی ایشون نه آماره نه الگوریتم ولی درسایی که ارائه میدن از نظر محتوا خیلی غنیه هم تقریبن همه چیز رو کامل توضیح میدن (خداییش خوبم درس میده) هم جزوه تمام جلساتش خیلی تر و تمییز توی فایلای نوتبوک هست هم تمریناش با جوابه کلن خیلی غنیه هیچ احتیاجی به هیچ کار دیگهای ندارین صرفا کافیه ویدیو رو ببینین و شروع کنین به حل تمرینایی که جوابشونم هست برای اینکه چک کنین درسته یا نه. من همیشه مخالف سورس خوندن بودم چون خیلی جاها اضافه زیاد حرف میزنن مثلن از ۱۰۰۰ تا تمرینی که تو کل کتاب هست ۵۰ تاش مفیدن خوشبختانه تو کورس ایشون تمام این ۵۰ تای مفید هستش! خلاصه هر محتوایی که لازم داشته باشین توی گیتهاب درس هست.
فقط دوتا ایراد داره؛
۱_ با زبان R کار میکنن (البته R بد نیست و اگه میتونین حتمن یاد بگیرین برای تحلیل های آماری خیلی خوبه) منتها به نظر شخصی من این زبون آینده خیلی خوبی نداره چون نه پرفورمنسش خوبه که بگیم حالا مثلن مزیتی داره نسبت به پایتون (برخلاف زبون جدیدی مثه جولیا) نه داک درست و درمونی داره
۲_ استاد آماردان نیست و وقتشم کمه! واسه همین خیلی نمیتونه روی مفاهیم عمیق بشه و با جزئیات توضیح بده در صورتیکه شمای دیتا ساینتیست باید از آمار تحلیل رو خوب یاد بگیرین نه حالا یه انتگرال دوگانه برای گرفتن امید ریاضی!
راه حل مشکل اول؛ من پیشنهاد میکنم تمرینای عملیشو با پایتون بزنین :) خیلی ساده!
راه حل مشکل دوم؛ این دوتا درس رو باید جدا جدا یاد گرفت متاسفانه توی دانشکدههای مهندسی کلن یه ۳ واحدی آمار و احتمال میگذرونن منتها تو دانشکده های علوم پایه ( ریاضی_ آمار_علوم کامپیوتر ) یه ۴ واحدی احتمال یه ۴ واحدی آمار واسه همین من پیشنهاد میکنم ویدیوهای احتمال دکتر علیشاهی و آمار دکتر میرصادقی رو هم ببینین! البته ویدیو های دکتر علیشاهی خیلی قدیمی ان ولی خیلی خیلی شهود خوبی میدن که تو هیچ جا ندیدم منتها اگه فک کردین شلخته درس میدن میتونین احتمال دکتر میرصادقی رو هم ببینین اگرم دوست داشتین آمار دکتر علیشاهی هم موجوده:))
کلن من خودم تو آمار خیلی دنبال یه کتاب یا کورس بودم که هم شهود خوبی بده هم بیس ریاضیشو درست بگه که متأسفانه نیافتم لذا تونستین معرفی کنین هم خودم کنجکاوم شهودمو بهتر کنم هم به درد بقیه میخوره
ضمنن نگین ''آمار و احتمال'' بگین ''احتمال و آمار'' :)
آپدیت ۱: کورس آمار و احتمال دکتر بهرک هم هست شاید بعضی ها با ایشون راحتتر باشن. ایشون مفصل مطالب رو بررسی میکنه، با زبون ساده درس میدن و خیلی هم شهود میدن مخصوصا مناسب بچههای غیر مهندسیه که میخوان دیتا یاد بگیرن برای کار خودشون
آپدیت ۲: توصیه میکنم کورس استنباط آماری دکتر بهرک رو هم حتمن ببینین (تمرینها و اسلایداشم روی گیتهاب خودم قرار دادم) اثباتهای ریاضی خیلی کم داره به نظرم حتی میشه بدون پیشنیاز خاصی این کورس رو دید.
@DataScience_Golchin
از الان بگم اول احتمال بعد آمار!!!!
متاسفانه تو دبیرستان و بدتر از اون تو نظام جدید مدارس دارن اول آمار درس میدن! آمار بدون احتمال مثه فیزیک بدون ریاضی میمونه! ضمنن شما اگه دکترای هوش مصنوعی دارین و بهترین الگوریتم های لرنینگ رو بلدین ولی احتمال بلد نیستین به خودتون نگین دیتا ساینتیست!
خب از این حرفا که بگذریم به نظرم آمار و احتمال مهندسی دکتر شریفی مناسبترین کورسی هست که دیدم. علی رغم اینکه تخصص اصلی ایشون نه آماره نه الگوریتم ولی درسایی که ارائه میدن از نظر محتوا خیلی غنیه هم تقریبن همه چیز رو کامل توضیح میدن (خداییش خوبم درس میده) هم جزوه تمام جلساتش خیلی تر و تمییز توی فایلای نوتبوک هست هم تمریناش با جوابه کلن خیلی غنیه هیچ احتیاجی به هیچ کار دیگهای ندارین صرفا کافیه ویدیو رو ببینین و شروع کنین به حل تمرینایی که جوابشونم هست برای اینکه چک کنین درسته یا نه. من همیشه مخالف سورس خوندن بودم چون خیلی جاها اضافه زیاد حرف میزنن مثلن از ۱۰۰۰ تا تمرینی که تو کل کتاب هست ۵۰ تاش مفیدن خوشبختانه تو کورس ایشون تمام این ۵۰ تای مفید هستش! خلاصه هر محتوایی که لازم داشته باشین توی گیتهاب درس هست.
فقط دوتا ایراد داره؛
۱_ با زبان R کار میکنن (البته R بد نیست و اگه میتونین حتمن یاد بگیرین برای تحلیل های آماری خیلی خوبه) منتها به نظر شخصی من این زبون آینده خیلی خوبی نداره چون نه پرفورمنسش خوبه که بگیم حالا مثلن مزیتی داره نسبت به پایتون (برخلاف زبون جدیدی مثه جولیا) نه داک درست و درمونی داره
۲_ استاد آماردان نیست و وقتشم کمه! واسه همین خیلی نمیتونه روی مفاهیم عمیق بشه و با جزئیات توضیح بده در صورتیکه شمای دیتا ساینتیست باید از آمار تحلیل رو خوب یاد بگیرین نه حالا یه انتگرال دوگانه برای گرفتن امید ریاضی!
راه حل مشکل اول؛ من پیشنهاد میکنم تمرینای عملیشو با پایتون بزنین :) خیلی ساده!
راه حل مشکل دوم؛ این دوتا درس رو باید جدا جدا یاد گرفت متاسفانه توی دانشکدههای مهندسی کلن یه ۳ واحدی آمار و احتمال میگذرونن منتها تو دانشکده های علوم پایه ( ریاضی_ آمار_علوم کامپیوتر ) یه ۴ واحدی احتمال یه ۴ واحدی آمار واسه همین من پیشنهاد میکنم ویدیوهای احتمال دکتر علیشاهی و آمار دکتر میرصادقی رو هم ببینین! البته ویدیو های دکتر علیشاهی خیلی قدیمی ان ولی خیلی خیلی شهود خوبی میدن که تو هیچ جا ندیدم منتها اگه فک کردین شلخته درس میدن میتونین احتمال دکتر میرصادقی رو هم ببینین اگرم دوست داشتین آمار دکتر علیشاهی هم موجوده:))
کلن من خودم تو آمار خیلی دنبال یه کتاب یا کورس بودم که هم شهود خوبی بده هم بیس ریاضیشو درست بگه که متأسفانه نیافتم لذا تونستین معرفی کنین هم خودم کنجکاوم شهودمو بهتر کنم هم به درد بقیه میخوره
ضمنن نگین ''آمار و احتمال'' بگین ''احتمال و آمار'' :)
آپدیت ۱: کورس آمار و احتمال دکتر بهرک هم هست شاید بعضی ها با ایشون راحتتر باشن. ایشون مفصل مطالب رو بررسی میکنه، با زبون ساده درس میدن و خیلی هم شهود میدن مخصوصا مناسب بچههای غیر مهندسیه که میخوان دیتا یاد بگیرن برای کار خودشون
آپدیت ۲: توصیه میکنم کورس استنباط آماری دکتر بهرک رو هم حتمن ببینین (تمرینها و اسلایداشم روی گیتهاب خودم قرار دادم) اثباتهای ریاضی خیلی کم داره به نظرم حتی میشه بدون پیشنیاز خاصی این کورس رو دید.
@DataScience_Golchin
مکتبخونه
آمار و احتمال مهندسی - مکتب خونه
آموزش درس آمار و احتمال مهندسی، فیلم های کلاس استاد دکتر علی شریفی زارچی در دانشگاه صنعتی شریف،
👍17❤2
#Machine_Learning
#Programming
الی ماشالا کلی کورس مختلف برای این درس هست یعنی تقریبن هرکی از ننهاش قهر میکنه میره یه ماشین لرنینگ درس میده با این حال مفاهیم پایهای رو خوب و قشنگ توضیح نمیدن صرفا میگن فلان الگوریتم جدید اومده اینم کدش در صورتیکه اصلن لازم نیست شما مدل های زیادی بلد باشین یا جدیدا مد شده میگن state of the art الان فلان مدله در صورتیکه مهم اینه بیس داستان رو بدونین چیه و شهود درستی داشته باشین که اون مدل چرا خوب کار میکنه و اصلن تو چجور مسائلی باید ازش استفاده کرد هزار تا پارامتر دیگه علاوه بر دقت مدل مثل زمان اجرا مهمه نه اینکه هرچی اومد دستتون بگین شبکه عصبی میزنیم میره!
القصه با این حال به نظرم بهترین کورسی که واسه ماشین لرنینگ وجود داره کورس دکتر رهبان هست که تو دانشکده کامپیوتر شریف ارائه دادن
نیمه اول درس منطبق بر کورس دکتر یاسر ابو مصطفی است که تو دانشگاه caltech ارائه داده و نیمه دومشم جدیدترین روش های غیر شبکه عصبی مثه Ensemble learning ,XGboost, Adaboost, Reinforcement learning,Semi supervised learning رو درس میدن اسلایداشم تو کانال فایلاس
اما برای تمرین کردن بازم برخلاف تصور اولویت با تمرینای تئوریه وگرنه کد زدن تو این زمینه فقط استفاده درست از پکیج هاست تمرینای خود دکتر رهبان خوبن هم تئوری دارن هم عملی منتها خیلی سنگینن بنابراین اگه شروع کردین به حل کردنشون ناامید نشین یه چیز زیاده تمرین.
در زمینه ور رفتن با دیتا! تقریبن هیچ کورس مشخصی وجود نداره معمولن تو تمرینا و پروژهها خود فرد باید با تمرین و سرچ کارو در بیاره منتها من اخیرا یه درسی به اسم تحلیل داده کاربردی با دکتر صلواتی تو موسسه تیاس داشتم که کاملن تمرکزش رو این موضوع بود و فوق العاده خوبم درس میدن با اینکه شاید کورس جانبی به نظر بیاد ولی مهمترین چیزایی که برای دیتا ساینتیست شدن میخواین تو این کورس هست. محتوای درس مثه اسلایدا و نوتبوکها هم تو سایت درس هست ویدیوهای اون هم اینجاست. ضمنن بدونین که ۸۰ درصد کارتون دست و پنجه نرم کردن با دیتاس ۲۰ درصدش فیت کردن مدله و این هم با تجربه به دست میاد پس اینا رو دست کم نگیرین
پیشنهاد قدیمی قبل از ادیت پست: در ادامه برنامه نویسی تو این زمینه هم باید کار با چندتا پکیج رو یاد بگیرین که یادگیریشون فقط به مرور زمان و با سرچ به دست میاد البته برای شروع هر کدوم یه مقداری آموزش اولیه لازمه. پکیج هایی که لازمه یاد بگیرین اینا ( numpy و pandas و mathplotlib و seaborn و scikit-learn ) هستن و پیشنهاد من کارگاه ماشین لرنینگ دکتر رضویه + ۸ جلسه اول کورس دکتر حسینی هست که توش visualization هم درس میده من خودم این کورس رو تو دانشگاه گذروندم البته خیلی خوب درس نمیده ولی تمرینا و پروژهش خیلی خوب بودن مخصوصا همین قسمت های برنامه نویسیش. کد پروژه هم تو گیتهاب خودم هست.
خود کورس ماشین لرنینگ دکتر رضوی رو من یه نگاهی انداختم خیلی خوب بود مخصوصا اینکه خیلی ساده توضیح میدن و پیشنیاز خاصی هم نمیخواد از طرفی خیلی عملی هم کار میکنن و خب این برای قوی شدن تو برنامه نویسی پایتون کمکتون میکنه. کلن کانال خوبی دارن اگه یکی بخواد پایتونش خوب بشه مخصوصا تو حوزه ماشین لرنینگ خیلی خیلی میتونه کمک کنه اینو به بچه هایی که از رشته های غیر مرتبط و با پایه ضعیفی تو ریاضی میان سمت این حوزه، شدیدن پیشنهاد میکنم.
@DataScience_Golchin
#Programming
الی ماشالا کلی کورس مختلف برای این درس هست یعنی تقریبن هرکی از ننهاش قهر میکنه میره یه ماشین لرنینگ درس میده با این حال مفاهیم پایهای رو خوب و قشنگ توضیح نمیدن صرفا میگن فلان الگوریتم جدید اومده اینم کدش در صورتیکه اصلن لازم نیست شما مدل های زیادی بلد باشین یا جدیدا مد شده میگن state of the art الان فلان مدله در صورتیکه مهم اینه بیس داستان رو بدونین چیه و شهود درستی داشته باشین که اون مدل چرا خوب کار میکنه و اصلن تو چجور مسائلی باید ازش استفاده کرد هزار تا پارامتر دیگه علاوه بر دقت مدل مثل زمان اجرا مهمه نه اینکه هرچی اومد دستتون بگین شبکه عصبی میزنیم میره!
القصه با این حال به نظرم بهترین کورسی که واسه ماشین لرنینگ وجود داره کورس دکتر رهبان هست که تو دانشکده کامپیوتر شریف ارائه دادن
نیمه اول درس منطبق بر کورس دکتر یاسر ابو مصطفی است که تو دانشگاه caltech ارائه داده و نیمه دومشم جدیدترین روش های غیر شبکه عصبی مثه Ensemble learning ,XGboost, Adaboost, Reinforcement learning,Semi supervised learning رو درس میدن اسلایداشم تو کانال فایلاس
اما برای تمرین کردن بازم برخلاف تصور اولویت با تمرینای تئوریه وگرنه کد زدن تو این زمینه فقط استفاده درست از پکیج هاست تمرینای خود دکتر رهبان خوبن هم تئوری دارن هم عملی منتها خیلی سنگینن بنابراین اگه شروع کردین به حل کردنشون ناامید نشین یه چیز زیاده تمرین.
در زمینه ور رفتن با دیتا! تقریبن هیچ کورس مشخصی وجود نداره معمولن تو تمرینا و پروژهها خود فرد باید با تمرین و سرچ کارو در بیاره منتها من اخیرا یه درسی به اسم تحلیل داده کاربردی با دکتر صلواتی تو موسسه تیاس داشتم که کاملن تمرکزش رو این موضوع بود و فوق العاده خوبم درس میدن با اینکه شاید کورس جانبی به نظر بیاد ولی مهمترین چیزایی که برای دیتا ساینتیست شدن میخواین تو این کورس هست. محتوای درس مثه اسلایدا و نوتبوکها هم تو سایت درس هست ویدیوهای اون هم اینجاست. ضمنن بدونین که ۸۰ درصد کارتون دست و پنجه نرم کردن با دیتاس ۲۰ درصدش فیت کردن مدله و این هم با تجربه به دست میاد پس اینا رو دست کم نگیرین
پیشنهاد قدیمی قبل از ادیت پست: در ادامه برنامه نویسی تو این زمینه هم باید کار با چندتا پکیج رو یاد بگیرین که یادگیریشون فقط به مرور زمان و با سرچ به دست میاد البته برای شروع هر کدوم یه مقداری آموزش اولیه لازمه. پکیج هایی که لازمه یاد بگیرین اینا ( numpy و pandas و mathplotlib و seaborn و scikit-learn ) هستن و پیشنهاد من کارگاه ماشین لرنینگ دکتر رضویه + ۸ جلسه اول کورس دکتر حسینی هست که توش visualization هم درس میده من خودم این کورس رو تو دانشگاه گذروندم البته خیلی خوب درس نمیده ولی تمرینا و پروژهش خیلی خوب بودن مخصوصا همین قسمت های برنامه نویسیش. کد پروژه هم تو گیتهاب خودم هست.
خود کورس ماشین لرنینگ دکتر رضوی رو من یه نگاهی انداختم خیلی خوب بود مخصوصا اینکه خیلی ساده توضیح میدن و پیشنیاز خاصی هم نمیخواد از طرفی خیلی عملی هم کار میکنن و خب این برای قوی شدن تو برنامه نویسی پایتون کمکتون میکنه. کلن کانال خوبی دارن اگه یکی بخواد پایتونش خوب بشه مخصوصا تو حوزه ماشین لرنینگ خیلی خیلی میتونه کمک کنه اینو به بچه هایی که از رشته های غیر مرتبط و با پایه ضعیفی تو ریاضی میان سمت این حوزه، شدیدن پیشنهاد میکنم.
@DataScience_Golchin
آپارات - سرویس اشتراک ویدیو
درس یادگیری ماشین - جلسه ۱ - آشنایی با یادگیری
این درس در نیمسال دوم ۱۴۰۰-۱۳۹۹ در دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، گرایش هوش مصنوعی توسط محمدحسین رهبان ارایه شده است.
👍16🙏3😁1
#Deep_Learning
#programming
درس دکتر سلیمانی تو شریف (تمرینات و اسلاید ها) خیلی کامله ( حالا سر حوصله توضیح میدم چرا خوبه 😊)
پیشنهاد قدیمی؛
برای دیپ لرنینگ من خودم کورسی رو بررسی نکردم که بخوام بگم کدوما خوبن فقط درسشو تو دانشکده برق با دکتر فاطمی زاده پاس کردم. به نظرم یه چیزی که تو این موضوع شبکه های عصبی مهمه اینه که نه خیلی دید عمیق ریاضی به درد میخوره نه خیلی جزئیات ریز معماریشون چون هنوزم از نظر دقت ریاضی نمیدونیم چرا این مدلا انقد خوب کار میکنن بیشتر یه سری هیورستیک زدیم دیدیم خوب کار میکنه اما از اون ور بومم نیوفتیم فقط یه سرچ کنیم که کدوم الگوریتم خوبه و حالا بریم train کنیم و تمام! واسه همین من توصیه میکنم تو این مبحث سعی کنین شهود پیدا کنین که چرا این شبکه ها خوب کار میکنن مثلن به جای حفظ کردن فرمول backpropagation شهود داشته باشیم که در واقع این الگوریتم چیزی نیست جز همون قاعده مشتق زنجیرهای لایبنیتس. تو این درسی که من گذروندم خوشبختانه استاد خیلی شهود خوبی میدادن تمریناشم خیلی خوب بودن. تمام مطالب مربوط به درس هم اینجا هست.
فقط تو چندتا تمرین اول گفتن از تنسورفلو ۱و۲ و کراس استفاده کنین تو ویدیو های کلاس TA هم همینا رو درس دادن، من پیشنهاد میکنم به جاش از پایتورچ استفاده کنین، هم نصبش و دیباگ کردنش خیلی آسونتره هم اینکه نحوه ترین شبکههای عصبی رو بهتر متوجه میشین و الان هم اکثرا دارن از این فریمورک استفاده میکنن! برای یادگیریشم من این درس شبکه های مصنوعی و کارگاه یادگیری عمیق با پایتون دکتر رضوی رو پیشنهاد میدم.
آپدیت: من تو درسی که داشتم بعضی شبکه ها رو درست متوجه نشدم (حالا اینکه چراش به خاطر اهمال کاری من بود یا خوب درس ندادن استاد رو نمیدونم 😊) و خب دنبال یه چیزی بودم که همه شبکه ها رو کامل بگه که گیر و گوری اگه دارم برطرف شه. با این اوصاف این کورس دیپ لرنینگ دکتر بیگی که تو دانشکده کامپیوتر شریف ارائه دادن کارمو راه انداخت با اینکه نسبت به دکتر فاطمی زاده خیلی محبوب نیست اما من از درس دادنش بیشتر راضی بودم. مخصوصا به درد بچه هایی میخوره که دنبال مقاله و اینا هستن، قشنگ منبع کاملیه.
آپدیت۲: اگه قبلن با Tensorflow کار کرده باشین میدونین یه ماژول به اسم keras روی اون تعریف شده که استفاده از دیپ لرنینگ رو خیلی راحت تر کرده حالا خوشبختانه یه چیزی به اسم PyTorch Lightning اومده که همین کار کراس رو برای پایتورچ انجام میده توصیه میکنم یاد بگیرین :)
آپدیت ۳: یه درس دیپ لرنینگ رو دکتر کلهر تو دانشگاه تهران ارائه کردن و من دیدم خیلی از بچهها راضی بودن اگه خواستین میتونین از اون استفاده کنین. کلن سلیقه ایه دیگه یه درس رو ۱۰۰ نفر ارائه دادن شما اول باید ببینین محتوای اون درس کفایت میکنه؟(من همیشه کورس دانشگاهی رو ترجیح میدم چون قابل اعتمادتره از این نظر خود رایگان بودن گاهی مفیده) دوم خوب درس میده استاد؟ که این دیگه سلیقه ایه شما یکی دو جلسه از تدریس طرف رو میبینین اگه راضی باشین ادامه میدید!
آپدیت ۴: این هم برای دانشگاه علم و صنعت هست که خیلی از بچهها ازش راضی بودن خودم هنوز بررسی نکردم
@DataScience_Golchin
#programming
درس دکتر سلیمانی تو شریف (تمرینات و اسلاید ها) خیلی کامله ( حالا سر حوصله توضیح میدم چرا خوبه 😊)
پیشنهاد قدیمی؛
برای دیپ لرنینگ من خودم کورسی رو بررسی نکردم که بخوام بگم کدوما خوبن فقط درسشو تو دانشکده برق با دکتر فاطمی زاده پاس کردم. به نظرم یه چیزی که تو این موضوع شبکه های عصبی مهمه اینه که نه خیلی دید عمیق ریاضی به درد میخوره نه خیلی جزئیات ریز معماریشون چون هنوزم از نظر دقت ریاضی نمیدونیم چرا این مدلا انقد خوب کار میکنن بیشتر یه سری هیورستیک زدیم دیدیم خوب کار میکنه اما از اون ور بومم نیوفتیم فقط یه سرچ کنیم که کدوم الگوریتم خوبه و حالا بریم train کنیم و تمام! واسه همین من توصیه میکنم تو این مبحث سعی کنین شهود پیدا کنین که چرا این شبکه ها خوب کار میکنن مثلن به جای حفظ کردن فرمول backpropagation شهود داشته باشیم که در واقع این الگوریتم چیزی نیست جز همون قاعده مشتق زنجیرهای لایبنیتس. تو این درسی که من گذروندم خوشبختانه استاد خیلی شهود خوبی میدادن تمریناشم خیلی خوب بودن. تمام مطالب مربوط به درس هم اینجا هست.
فقط تو چندتا تمرین اول گفتن از تنسورفلو ۱و۲ و کراس استفاده کنین تو ویدیو های کلاس TA هم همینا رو درس دادن، من پیشنهاد میکنم به جاش از پایتورچ استفاده کنین، هم نصبش و دیباگ کردنش خیلی آسونتره هم اینکه نحوه ترین شبکههای عصبی رو بهتر متوجه میشین و الان هم اکثرا دارن از این فریمورک استفاده میکنن! برای یادگیریشم من این درس شبکه های مصنوعی و کارگاه یادگیری عمیق با پایتون دکتر رضوی رو پیشنهاد میدم.
آپدیت: من تو درسی که داشتم بعضی شبکه ها رو درست متوجه نشدم (حالا اینکه چراش به خاطر اهمال کاری من بود یا خوب درس ندادن استاد رو نمیدونم 😊) و خب دنبال یه چیزی بودم که همه شبکه ها رو کامل بگه که گیر و گوری اگه دارم برطرف شه. با این اوصاف این کورس دیپ لرنینگ دکتر بیگی که تو دانشکده کامپیوتر شریف ارائه دادن کارمو راه انداخت با اینکه نسبت به دکتر فاطمی زاده خیلی محبوب نیست اما من از درس دادنش بیشتر راضی بودم. مخصوصا به درد بچه هایی میخوره که دنبال مقاله و اینا هستن، قشنگ منبع کاملیه.
آپدیت۲: اگه قبلن با Tensorflow کار کرده باشین میدونین یه ماژول به اسم keras روی اون تعریف شده که استفاده از دیپ لرنینگ رو خیلی راحت تر کرده حالا خوشبختانه یه چیزی به اسم PyTorch Lightning اومده که همین کار کراس رو برای پایتورچ انجام میده توصیه میکنم یاد بگیرین :)
آپدیت ۳: یه درس دیپ لرنینگ رو دکتر کلهر تو دانشگاه تهران ارائه کردن و من دیدم خیلی از بچهها راضی بودن اگه خواستین میتونین از اون استفاده کنین. کلن سلیقه ایه دیگه یه درس رو ۱۰۰ نفر ارائه دادن شما اول باید ببینین محتوای اون درس کفایت میکنه؟(من همیشه کورس دانشگاهی رو ترجیح میدم چون قابل اعتمادتره از این نظر خود رایگان بودن گاهی مفیده) دوم خوب درس میده استاد؟ که این دیگه سلیقه ایه شما یکی دو جلسه از تدریس طرف رو میبینین اگه راضی باشین ادامه میدید!
آپدیت ۴: این هم برای دانشگاه علم و صنعت هست که خیلی از بچهها ازش راضی بودن خودم هنوز بررسی نکردم
@DataScience_Golchin
Telegram
یادگیری ژرف دکتر سلیمانی
کانال رسمی درس یادگیری ژرف دکتر سلیمانی،
دانشگاه شریف
دانشگاه شریف
👍9❤2🥰2😁1
گلچین علم داده
#roadmap 1) Programming 2) Calculus 3) Algorithm 4) Linear Algebra 5) Probability & Statistics 6) Machine Learning 7) Deep Learning :) Interesting Courses ترتیب کلی که من پیشنهاد میکنم اینه و اغلب هم سعی میکنم کورس دانشگاهی به زبان فارسی معرفی کنم.…
این اصلی ترین پست کاناله که هی آپدیت میشه اگه پیشنهادی داشتین تو کامنت های مربوط به این پست بگین اگرم از کورس خاصی سوالی داشتین تو قسمت کامنت مربوط به اون پست بپرسین من سر فرصت جواب میدم.
بچه ها شوق یادگیریتون برام قابل ستایشه، شرمنده این روزا حالم خیلی رو روال نیست امیدوارم جواب ندادنمو به پای بیادبی نذارید، سین نمیکنم چون نمیخوام سرسری جواب بدم.
تک تکتون برام عزیزید، به امید روزای بهتر برای وطنمون❤️🖤
تک تکتون برام عزیزید، به امید روزای بهتر برای وطنمون❤️🖤
😢13❤12🙏6👏2👎1
گلچین علم داده
#Machine_Learning #Programming الی ماشالا کلی کورس مختلف برای این درس هست یعنی تقریبن هرکی از ننهاش قهر میکنه میره یه ماشین لرنینگ درس میده با این حال مفاهیم پایهای رو خوب و قشنگ توضیح نمیدن صرفا میگن فلان الگوریتم جدید اومده اینم کدش در صورتیکه اصلن لازم…
این پست آپدیت شده و یه کورس خیلی خوب برای کد زدن به اسم تحلیل داده کاربردی اضافه شده به نظرم در هر سطحی هستین حتمن ببینین! واقعن عالیه
❤17👍4
تو این پست سعی میکنم کورسهای مناسب دیگهای که دیدم (یا بررسی کردم و قصد دارم ببینم) رو معرفی کنم. در واقع اگه تو زمینه خاصی از این حوزه کار میکنین احتمالن به دردتون بخوره. هرچند اگه ۷ تا قسمت قبلی رو دیده باشید پیدا کردن یه کورس مناسب برای زمینه خاصی از این حوزه دیگه کار سختی نیست ولی خب بعضی از این کورسا خیلی دیدتون رو عمیقتر میکنه و شهود میده به آدم!
دکتر علیشاهی؛
فرآیندهای تصادفی
یادگیری تقویتی
نظریه بازیها
بهینهسازی خطی
روشهای بیزی در آمار و یادگیری
دکتر تفاق؛
بهینهسازی محدب
جبرخطی کاربردی
دکتر رهبان؛
هوش مصنوعی
مدلهای بزرگ زبانی (سایت درس)
یادگیری تقویتی عمیق (بهار ۱۴۰۲)
یادگیری تقویتی عمیق (بهار ۱۴۰۳)
یادگیری تقویتی عمیق (بهار ۱۴۰۴) (سایت درس)
آمار در ابعاد بالا (سایت درس)
پردازش هوشمند تصاویر زیست پزشکی
سیستم ۲ در هوش مصنوعی
کانال یوتیوب دکتر رهبان
دکتر صادقی و دکتر توسلیپور؛
هوش مصنوعی تفسیرپذیر
یادگیری عمیق پیشرفته
مدلهای مولد عمیق (پاییز ۱۴۰۲)
مدلهای مولد عمیق (پاییز ۱۴۰۳)
کانال یوتیوب دکتر توسلیپور
دکتر کلهر؛
تحلیل و طراحی شبکههای عصبی
دکتر گلستانی:
یادگیری تقویتی
دکتر بهرک:
استنباط آماری
مقدمه ای بر رمزارز ها
نظریه گراف
دکتر مداحعلی:
تئوری یادگیری ماشین
دکتر فاطمی زاده:
تشخیص الگو
دکتر جعفری:
نظریه اطلاعات و کدینگ
دکتر اعرابی:
شناخت الگو
دکتر سیدصالحی:
مدلهای مولد و قابل اعتماد
ژورنال کلاب های شریف و تهران؛
ژورنال کلاب LLM (کانال یوتیوب)
ژورنال کلاب RIML ( کانال یوتیوب)
شریف MLL
تهران NLP
پ.ن : اینم یه کانال هست که یکی از بچه ها توش یه سری کورس خوب گذاشته.
پ.ن ۲: اینم یه کانال که مربوط به کورس های دانشگاه امیرکبیره
پ.ن۳: اگه کورس خوبی هم به نظرتون اومد لطفا معرفی کنین
@DataScience_Golchin
دکتر علیشاهی؛
فرآیندهای تصادفی
یادگیری تقویتی
نظریه بازیها
بهینهسازی خطی
روشهای بیزی در آمار و یادگیری
دکتر تفاق؛
بهینهسازی محدب
جبرخطی کاربردی
دکتر رهبان؛
هوش مصنوعی
مدلهای بزرگ زبانی (سایت درس)
یادگیری تقویتی عمیق (بهار ۱۴۰۲)
یادگیری تقویتی عمیق (بهار ۱۴۰۳)
یادگیری تقویتی عمیق (بهار ۱۴۰۴) (سایت درس)
آمار در ابعاد بالا (سایت درس)
پردازش هوشمند تصاویر زیست پزشکی
سیستم ۲ در هوش مصنوعی
کانال یوتیوب دکتر رهبان
دکتر صادقی و دکتر توسلیپور؛
هوش مصنوعی تفسیرپذیر
یادگیری عمیق پیشرفته
مدلهای مولد عمیق (پاییز ۱۴۰۲)
مدلهای مولد عمیق (پاییز ۱۴۰۳)
کانال یوتیوب دکتر توسلیپور
دکتر کلهر؛
تحلیل و طراحی شبکههای عصبی
دکتر گلستانی:
یادگیری تقویتی
دکتر بهرک:
استنباط آماری
مقدمه ای بر رمزارز ها
نظریه گراف
دکتر مداحعلی:
تئوری یادگیری ماشین
دکتر فاطمی زاده:
تشخیص الگو
دکتر جعفری:
نظریه اطلاعات و کدینگ
دکتر اعرابی:
شناخت الگو
دکتر سیدصالحی:
مدلهای مولد و قابل اعتماد
ژورنال کلاب های شریف و تهران؛
ژورنال کلاب LLM (کانال یوتیوب)
ژورنال کلاب RIML ( کانال یوتیوب)
شریف MLL
تهران NLP
پ.ن : اینم یه کانال هست که یکی از بچه ها توش یه سری کورس خوب گذاشته.
پ.ن ۲: اینم یه کانال که مربوط به کورس های دانشگاه امیرکبیره
پ.ن۳: اگه کورس خوبی هم به نظرتون اومد لطفا معرفی کنین
@DataScience_Golchin
❤32👍19
امیدوارم حالتون روال باشه. چند تا نکته که به نظرم لازم اومد بگم؛
۱. نوع یادگیری یه چیز سلیقهایه بعضیا با کتاب خوندن راحتترن، بعضیا با کورس و بعضیا هم حتمن باید کلاس حضوری برن اینو حواستون باشه! منتها گاهی وقتا محتوای مورد نظر فقط تو همون سبکه، گاهی وقت کم داریم، گاهی عمق یادگیریمون نیاز نیست اونقد باشه و ... سر همین در عین حال که باید سبک یادگیریتون رو بشناسین، این انعطاف رو هم باید داشته باشین.
۲. با توجه به بازخوردی که از بچه ها داشتم این roadmap بیشتر مناسب آدمایی هست که اهل ریسرچ و آکادمیک بودن. اهل کار، خیلی از ثقیل بودن محتوا ایراد میگرفتن و خب تا حدی هم حق دارن احتمالن به خاطر بکگراند منه که بیشتر آکادمیکه و یه کمم وسواس نسبت به اینکه مفاهیم باید عمیق یاد گرفته بشن. البته من یه دیدگاه یه کم اگزجره :) دارم که تو ایران شرکتا خیلی به دنبال دیتا ساینتیست به اون معنا نیستن (حداقل برداشتی که من از مصاحبههای کاری، تجربه کاری کمم و مخصوصا شنیدههام از اهل صنعت داشتم) بیشتر یه مهندس نرمافزار لازم دارن که کمی هم دیتا بدونه و خب منطقی هم هست.
۳. توصیه میکنم اگه به دنبال کار تو ایران (و حتی خارج) هستین این مسیر سایت اصلی خود Andrew NG رو دنبال کنین.
۴. اگه میخواین سمت ریسرچ برین متاسفانه تو دانشگاه (حداقل تو ایران) مسیر تحصیلی خیلی خوب چیده نشده حتی اگه هوش شریف هم بخونین ازتون انتظار دارن بیشتر اینا رو خودتون کامل مسلط باشین چون میگن دانشجوی تحصیلات تکمیلین و کار خودتونه.
۵. اگه به دنبال کارید سعی کنین دانش کلی و البته کاربردی در اکثر حوزهها داشته باشید، ولی اگه به دنبال آکادمیک هستین (یا حداقل پوزیشن های کاری که آکادمیک بیشتری لازم دارن مثل researcher scientist) سعی کنین دانش عمیقی در حوزه خودتون داشته باشید و صرفا از بقیه حوزهها یه دید کلی داشته باشین چون بعضی وقتا تو یه سری مسائل باید از دو سمت به اندازه کافی بدونین.
مثلن من شخصا RL و Interpretable AI رو دنبال میکنم منتها یه جایی تو LLM ها چیزی به اسم RLHF بود که خب من اگه NLP بلد نمیبودم خیلی درست این موضوع رو متوجه نمیشدم.
۶. خیلی درگیر این جوهای تبلیغاتی AI نشین که آره الان ChatGPT اومده دیگه بدو بدو من برم درس LLM بگذرونم. درسای پایه رو جدی بگیرین. صد البته که تو این حوزه باید خیلی خودتون رو آپدیت نگه دارین اما این برای کسیه که حداقل یکی دو سال وقت گذاشته و یاد گرفته نه برای کسی که تازه تصمیم گرفته بیاد این سمت، واسه همین عجله نکین کلی آدم میشناسم که ادعای بلد بودن تو این فیلدا رو دارن و اتفاقا نمرات خوبی هم دارن ولی صرفا تکنسین باقی میمونن مثلن میاد میگه من NLP فلان نمره رو گرفتم اما درک درستی نسبت به مفهوم Validation نداره.
۷. به طور خاص باز تاکید میکنم ماشین لرنینگ کلاسیک رو جدی بگیرین من حتی اینو تو TAهای درسا هم میبینم (البته اینکه مقطع ارشدم یه دانشگاه بیدر و پیکره هم درش بیتاثیر نیست ولی خب) نه فقط اینکه فهم پایهای مهمه، بلکه مدلهای کلاسیک مهمن! هنوزم که هنوزه پر استفادهترین مدل همون رگرسیون سادهاس!
۸. تو مسیری که هستین مهارتهای نرمافزاریتون رو قویتر کنین. اگه کلن هدفتون کاره حتی به نظرم شده با کار software شروع کنین بعد در کنارش یواش یواش دیتا هم یاد بگیرین بعد کلن سوییچ کنین به سمت دیتا، اینطوری در مجموع موفقترین چون تو این مسیر که این مهارتها رو بعدنم لازم دارین، از طرفی الانم تو ایران برای شروع، مسیر شغلی دیتا سختتره و خب به وضوح، معیار تفکیک دیتا ساینتیست خوب از بد متأسفانه software بلد بودنه (که البته طبیعی هم هست)
۹. الگوریتم یاد بگیرین!!!! نه برای اینکه مثلن بدونین برای فلان مسئله چه الگوریتمی باید بزنیم، این مدل تفکر و حل مسئله رو یاد بگیرین. همه دیگه میدونن merge sort چطوری کار میکنه ولی اینکه چطور فک کنیم که به همچین راه حلی برسیم مهمه یعنی ایده divide & conquer رو بفهمیم!
پ.ن: هر وقتم ناامید شدین این نامه راسل در مورد فرگه رو بخونین :)))
@DataScience_Golchin
۱. نوع یادگیری یه چیز سلیقهایه بعضیا با کتاب خوندن راحتترن، بعضیا با کورس و بعضیا هم حتمن باید کلاس حضوری برن اینو حواستون باشه! منتها گاهی وقتا محتوای مورد نظر فقط تو همون سبکه، گاهی وقت کم داریم، گاهی عمق یادگیریمون نیاز نیست اونقد باشه و ... سر همین در عین حال که باید سبک یادگیریتون رو بشناسین، این انعطاف رو هم باید داشته باشین.
۲. با توجه به بازخوردی که از بچه ها داشتم این roadmap بیشتر مناسب آدمایی هست که اهل ریسرچ و آکادمیک بودن. اهل کار، خیلی از ثقیل بودن محتوا ایراد میگرفتن و خب تا حدی هم حق دارن احتمالن به خاطر بکگراند منه که بیشتر آکادمیکه و یه کمم وسواس نسبت به اینکه مفاهیم باید عمیق یاد گرفته بشن. البته من یه دیدگاه یه کم اگزجره :) دارم که تو ایران شرکتا خیلی به دنبال دیتا ساینتیست به اون معنا نیستن (حداقل برداشتی که من از مصاحبههای کاری، تجربه کاری کمم و مخصوصا شنیدههام از اهل صنعت داشتم) بیشتر یه مهندس نرمافزار لازم دارن که کمی هم دیتا بدونه و خب منطقی هم هست.
۳. توصیه میکنم اگه به دنبال کار تو ایران (و حتی خارج) هستین این مسیر سایت اصلی خود Andrew NG رو دنبال کنین.
۴. اگه میخواین سمت ریسرچ برین متاسفانه تو دانشگاه (حداقل تو ایران) مسیر تحصیلی خیلی خوب چیده نشده حتی اگه هوش شریف هم بخونین ازتون انتظار دارن بیشتر اینا رو خودتون کامل مسلط باشین چون میگن دانشجوی تحصیلات تکمیلین و کار خودتونه.
۵. اگه به دنبال کارید سعی کنین دانش کلی و البته کاربردی در اکثر حوزهها داشته باشید، ولی اگه به دنبال آکادمیک هستین (یا حداقل پوزیشن های کاری که آکادمیک بیشتری لازم دارن مثل researcher scientist) سعی کنین دانش عمیقی در حوزه خودتون داشته باشید و صرفا از بقیه حوزهها یه دید کلی داشته باشین چون بعضی وقتا تو یه سری مسائل باید از دو سمت به اندازه کافی بدونین.
مثلن من شخصا RL و Interpretable AI رو دنبال میکنم منتها یه جایی تو LLM ها چیزی به اسم RLHF بود که خب من اگه NLP بلد نمیبودم خیلی درست این موضوع رو متوجه نمیشدم.
۶. خیلی درگیر این جوهای تبلیغاتی AI نشین که آره الان ChatGPT اومده دیگه بدو بدو من برم درس LLM بگذرونم. درسای پایه رو جدی بگیرین. صد البته که تو این حوزه باید خیلی خودتون رو آپدیت نگه دارین اما این برای کسیه که حداقل یکی دو سال وقت گذاشته و یاد گرفته نه برای کسی که تازه تصمیم گرفته بیاد این سمت، واسه همین عجله نکین کلی آدم میشناسم که ادعای بلد بودن تو این فیلدا رو دارن و اتفاقا نمرات خوبی هم دارن ولی صرفا تکنسین باقی میمونن مثلن میاد میگه من NLP فلان نمره رو گرفتم اما درک درستی نسبت به مفهوم Validation نداره.
۷. به طور خاص باز تاکید میکنم ماشین لرنینگ کلاسیک رو جدی بگیرین من حتی اینو تو TAهای درسا هم میبینم (البته اینکه مقطع ارشدم یه دانشگاه بیدر و پیکره هم درش بیتاثیر نیست ولی خب) نه فقط اینکه فهم پایهای مهمه، بلکه مدلهای کلاسیک مهمن! هنوزم که هنوزه پر استفادهترین مدل همون رگرسیون سادهاس!
۸. تو مسیری که هستین مهارتهای نرمافزاریتون رو قویتر کنین. اگه کلن هدفتون کاره حتی به نظرم شده با کار software شروع کنین بعد در کنارش یواش یواش دیتا هم یاد بگیرین بعد کلن سوییچ کنین به سمت دیتا، اینطوری در مجموع موفقترین چون تو این مسیر که این مهارتها رو بعدنم لازم دارین، از طرفی الانم تو ایران برای شروع، مسیر شغلی دیتا سختتره و خب به وضوح، معیار تفکیک دیتا ساینتیست خوب از بد متأسفانه software بلد بودنه (که البته طبیعی هم هست)
۹. الگوریتم یاد بگیرین!!!! نه برای اینکه مثلن بدونین برای فلان مسئله چه الگوریتمی باید بزنیم، این مدل تفکر و حل مسئله رو یاد بگیرین. همه دیگه میدونن merge sort چطوری کار میکنه ولی اینکه چطور فک کنیم که به همچین راه حلی برسیم مهمه یعنی ایده divide & conquer رو بفهمیم!
پ.ن: هر وقتم ناامید شدین این نامه راسل در مورد فرگه رو بخونین :)))
@DataScience_Golchin
👍27❤11🙏6👏2👎1💩1