مهندس یادگیری ماشین می تواند با این شش درس کار خود را در این زمینه شروع کند....
MACHINE LEARNING ENGINEER PREREQUISITE • 6 COURSES
Course 1: Algorithmic Toolbox(37 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 2: Data Structures(36 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 3: Algorithms on Graphs(21 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 4: Algorithms on Strings(23 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 5: Advanced Algorithms and Complexity(43 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 6: Genome Assembly Programming Challenge(19 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
MACHINE LEARNING ENGINEER PREREQUISITE • 6 COURSES
Course 1: Algorithmic Toolbox(37 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 2: Data Structures(36 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 3: Algorithms on Graphs(21 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 4: Algorithms on Strings(23 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 5: Advanced Algorithms and Complexity(43 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
Course 6: Genome Assembly Programming Challenge(19 hours total)
Part of Data Structures and Algorithms Specialization • University of California, San Diego, Higher School of Economics
اخبار اخرین تکنولوژی یادگیری ماشین بخصوص یادگیری عمیق
Stanford researchers create deep learning algorithm that could boost drug development
Combining computer science and chemistry, researchers show how an advanced form of machine learning that works off small amounts of data can be used to solve problems in drug discovery.
اطلاعات بیشتر 👇🏻👇🏻👇🏻
http://news.stanford.edu/2017/04/03/deep-learning-algorithm-aid-drug-development/
Stanford researchers create deep learning algorithm that could boost drug development
Combining computer science and chemistry, researchers show how an advanced form of machine learning that works off small amounts of data can be used to solve problems in drug discovery.
اطلاعات بیشتر 👇🏻👇🏻👇🏻
http://news.stanford.edu/2017/04/03/deep-learning-algorithm-aid-drug-development/
Stanford News
Deep learning algorithm could aid drug development | Stanford News
An advanced form of machine learning that works off small amounts of data can be used to solve problems in drug discovery.
استفاده از ماشین لرنینگ جهت مراقبت ها از بیماری در MIT
Using machine learning to improve patient care
New CSAIL research employs many types of medical data, including electronic health records, to predict outcomes in hospitals.
Rachel Gordon | CSAIL
August 21, 2017
ادامه در سایت ...
http://news.mit.edu/2017/using-machine-learning-improve-patient-care-0821
Using machine learning to improve patient care
New CSAIL research employs many types of medical data, including electronic health records, to predict outcomes in hospitals.
Rachel Gordon | CSAIL
August 21, 2017
ادامه در سایت ...
http://news.mit.edu/2017/using-machine-learning-improve-patient-care-0821
MIT News
Using machine learning to improve patient care
Researchers from MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) are exploring ways for computers to help doctors make better medical decisions.
هوش مصنوعی بازی رایانه ای ساخت!
در سال های اخیر شاهد رشد استفاده از فناوری هوش مصنوعی در حوزه های مختلف علمی هستیم، اما استفاده از این ابزار برای خلق بازی های رایانه ای تحولی چشمگیر محسوب می شود.
به گزارش دیجیتال ترندز، اگر چه فناوری هوش مصنوعی برای اجرای بازی های ویدئویی به کار گرفته شده، اما محققان موسسه Interactive Computing در جرجیای آمریکا روشی را برای آموزش دادن هوش مصنوعی به منظور طراحی بازی ابداع کرده اند.
در این روش هوش مصنوعی تنها با مشاهده روند اجرای یک بازی و بدون نیاز به دسترسی به کدنویسی و جزییات فنی آن می تواند موتور بازی مدنظر خود را طراحی کند.
محققان برای عملیاتی کردن این روش از بازی مشهور سوپرماریو استفاده کردند. پیش از این دسترسی به کدنویسی این بازی به هوش مصنوعی امکان داده بود مرحله تازه ای برای بازی مذکور طراحی کند.
اما این بار به هوش مصنوعی امکان دسترسی به کدهای بازی داده نشد و لذا درک محتوای بازی تنها با تماشای مراحل مختلف آن انجام شد. هوش مصنوعی، ویدئوهای دریافتی این بازی را در سه مرحله شامل اسکن تک تک اشیا، تهیه الگوریتم مربوط به تغییرات هر یک از آنها و نتیجه گیری نهایی تحلیل کرد و در نهایت توانست بازی مذکور را از ابتدا طراحی و اجرا کند.
البته هوش مصنوعی فعلا در این زمینه بسیار ابتدایی عمل کرده و قادر به طراحی مراحل مختلف یا اجرای درست مرگ شخصیت های بازی نیست، ولی انتظار می رود در آینده با پیشرفت هوش مصنوعی بازیها این مشکلات هم برطرف شود.
منبع: خبرگزاری مهر
در سال های اخیر شاهد رشد استفاده از فناوری هوش مصنوعی در حوزه های مختلف علمی هستیم، اما استفاده از این ابزار برای خلق بازی های رایانه ای تحولی چشمگیر محسوب می شود.
به گزارش دیجیتال ترندز، اگر چه فناوری هوش مصنوعی برای اجرای بازی های ویدئویی به کار گرفته شده، اما محققان موسسه Interactive Computing در جرجیای آمریکا روشی را برای آموزش دادن هوش مصنوعی به منظور طراحی بازی ابداع کرده اند.
در این روش هوش مصنوعی تنها با مشاهده روند اجرای یک بازی و بدون نیاز به دسترسی به کدنویسی و جزییات فنی آن می تواند موتور بازی مدنظر خود را طراحی کند.
محققان برای عملیاتی کردن این روش از بازی مشهور سوپرماریو استفاده کردند. پیش از این دسترسی به کدنویسی این بازی به هوش مصنوعی امکان داده بود مرحله تازه ای برای بازی مذکور طراحی کند.
اما این بار به هوش مصنوعی امکان دسترسی به کدهای بازی داده نشد و لذا درک محتوای بازی تنها با تماشای مراحل مختلف آن انجام شد. هوش مصنوعی، ویدئوهای دریافتی این بازی را در سه مرحله شامل اسکن تک تک اشیا، تهیه الگوریتم مربوط به تغییرات هر یک از آنها و نتیجه گیری نهایی تحلیل کرد و در نهایت توانست بازی مذکور را از ابتدا طراحی و اجرا کند.
البته هوش مصنوعی فعلا در این زمینه بسیار ابتدایی عمل کرده و قادر به طراحی مراحل مختلف یا اجرای درست مرگ شخصیت های بازی نیست، ولی انتظار می رود در آینده با پیشرفت هوش مصنوعی بازیها این مشکلات هم برطرف شود.
منبع: خبرگزاری مهر
Real Time Data Mining 2.pdf
3.8 MB
کتاب مفید در زمینه داده کاوی به صورت بلادرنگ
06952497.pdf
974.6 KB
Presentation attack detection algorithm for face and iris biometrics معرفی مقاله
Forwarded from Computer Research
انواع مقاله و تفاوت آنها.pdf
418.8 KB
👇👇👇👇
🎯ساده،مختصر و کاربردی بیاموزید👌
✅ انواع مقالات علمی و تفاوت آنها در محتوا
🎯ساده،مختصر و کاربردی بیاموزید👌
✅ انواع مقالات علمی و تفاوت آنها در محتوا
🔻 به گزارش نشریه «نیو ساینتیست» محققان و پژوهشگران مختلفی به دنبال ساخت راههایی تازه برای کشف بیماری #آلزایمر در سریعترین زمان ممکن هستند؛ چون کشف زودتر این بیماری میتواند این فرصت را برای افراد به وجود بیاورد تا سراغ درمان آن را بگیرند و سرعت پیشرفت آن را کاهش دهند. برخی از محققان روی آزمایشهای خون و مغزی و نخاعی متمرکز شدهاند و گروههای دیگری هم مشغول ساخت گجتهایی هستند که میتوانند علائم آلزایمر را تشخیص دهند. به تازگی مخققان دانشگاه باری در ایتالیا دست به ساخت روشی تازه برای کشف آلزایمر زدهاند.
https://news.1rj.ru/str/joinchat/AAAAAD6rPIFB1jcVNz2_iA
پژوهشگران دانشگاه باری در #ایتالیا به #هوش_مصنوعی روی آوردهاند. آنها الگوریتمی طراحی کردهاند که میتواند تغییرات ساختاری و بسیار کوچک مغز را که به دلیل آلزایمر به وجود آمده را کشف کند؛ آن هم یک دهه قبل از اینکه حتی اولین علائم آلزایمر به وجود بیایند.آنها برای تمرین دادن هوش مصنوعی خود ۶۷ اسکن MRI را به آن نشان دادهاند. از این تعداد اسکن، ۳۸ اسکن متعلق به بیمارانی بودند که از آلزایمر رنج میبردند و ۲۹ اسکن هم مغز افراد سالم را نشان میدادند.
https://news.1rj.ru/str/joinchat/AAAAAD6rPIFB1jcVNz2_iA
🔻 محققان اسکنها را به بخشهای کوچکتر تقسیم کردند و از هوش مصنوعی خود خواستند تا اتصال عصبی بین این بخشها را بررسی کند. پس از تمرین دادن هوش مصنوعی آنها الگوریتم تولید شده را روی ۱۴۸ مغز آزمایش کردند. از این تعداد، ۴۸ مغز از آلزایمر رنج میبردند، ۴۸ مغز هم مربوط به کسانی بودند که اختلالات مغزی داشتند که این اختلالات نهایتا به آلزایمر کامل تبدیل شدند.
🔻 هوش مصنوعی ساخته شده توانسته در تستها، ۸۶ درصد نتیجهی مورد نظر را درست تشخیص دهد. این هوش مصنوعی همچنین ۸۴ درصد مشکلات خفیف مغزی که ممکن است منجر به آلزایمر شود را تشخیص داده؛ طوری که میتوان به عنوان یک ابزار تشخیص زودرس بیماری از هوش مصنوعی ساخته شده استفاده کرد. باید هوش مصنوعی ساخته شده فعلا با تستها بیشتر تمرین و همچنین توسعه داده شود تا بتوان دقت آن را برای استفاده نهایی از آن بالا برد. ترجمه: دیجیکالا مگ
منبع:
https://www.newscientist.com/article/2147472-ai-spots-alzheimers-brain-changes-years-before-symptoms-emerge
https://news.1rj.ru/str/AiCenter_ir/84
https://news.1rj.ru/str/joinchat/AAAAAD6rPIFB1jcVNz2_iA
پژوهشگران دانشگاه باری در #ایتالیا به #هوش_مصنوعی روی آوردهاند. آنها الگوریتمی طراحی کردهاند که میتواند تغییرات ساختاری و بسیار کوچک مغز را که به دلیل آلزایمر به وجود آمده را کشف کند؛ آن هم یک دهه قبل از اینکه حتی اولین علائم آلزایمر به وجود بیایند.آنها برای تمرین دادن هوش مصنوعی خود ۶۷ اسکن MRI را به آن نشان دادهاند. از این تعداد اسکن، ۳۸ اسکن متعلق به بیمارانی بودند که از آلزایمر رنج میبردند و ۲۹ اسکن هم مغز افراد سالم را نشان میدادند.
https://news.1rj.ru/str/joinchat/AAAAAD6rPIFB1jcVNz2_iA
🔻 محققان اسکنها را به بخشهای کوچکتر تقسیم کردند و از هوش مصنوعی خود خواستند تا اتصال عصبی بین این بخشها را بررسی کند. پس از تمرین دادن هوش مصنوعی آنها الگوریتم تولید شده را روی ۱۴۸ مغز آزمایش کردند. از این تعداد، ۴۸ مغز از آلزایمر رنج میبردند، ۴۸ مغز هم مربوط به کسانی بودند که اختلالات مغزی داشتند که این اختلالات نهایتا به آلزایمر کامل تبدیل شدند.
🔻 هوش مصنوعی ساخته شده توانسته در تستها، ۸۶ درصد نتیجهی مورد نظر را درست تشخیص دهد. این هوش مصنوعی همچنین ۸۴ درصد مشکلات خفیف مغزی که ممکن است منجر به آلزایمر شود را تشخیص داده؛ طوری که میتوان به عنوان یک ابزار تشخیص زودرس بیماری از هوش مصنوعی ساخته شده استفاده کرد. باید هوش مصنوعی ساخته شده فعلا با تستها بیشتر تمرین و همچنین توسعه داده شود تا بتوان دقت آن را برای استفاده نهایی از آن بالا برد. ترجمه: دیجیکالا مگ
منبع:
https://www.newscientist.com/article/2147472-ai-spots-alzheimers-brain-changes-years-before-symptoms-emerge
https://news.1rj.ru/str/AiCenter_ir/84
Selective Search for Object Detection (C++/Python)
This is Satya Mallick from LearnOpenCV.com
Before we go into to this week's post I want to share a video with you. Last week, I was interviewed by fellow data geek Ben Sullins about autonomous driving and the one advantage Tesla has in this race. Here is the interview
https://youtu.be/cEuJPJNQuGs
Selective Search
If you have read about object detection using traditional computer vision techniques like HOG + SVM or HAAR Cascades, you probably know that the search for the object is performed at all locations and all scales in an image using a Sliding Window approach. It is computationally expensive.
Fortunately, an exhaustive search using a sliding window is not the only approach. A relatively new and efficient alternative is called Selective Search. Instead of exhaustively searching all locations and scales, it identifies the best places to look. In addition, it also handles multiple aspect ratios. In the post below, we share the intuition and the details of the algorithm
http://www.learnopencv.com/selective-search-for-object-detection-cpp-python/
Want to try it out yourself? Sure, here is the code in C++ and Python.
https://github.com/spmallick/learnopencv/tree/master/SelectiveSearch
I hope you find this useful. If you have a friend who is interested in Computer Vision and Machine Learning, please share this post with them.
Satya
LearnOpenCV.com
This is Satya Mallick from LearnOpenCV.com
Before we go into to this week's post I want to share a video with you. Last week, I was interviewed by fellow data geek Ben Sullins about autonomous driving and the one advantage Tesla has in this race. Here is the interview
https://youtu.be/cEuJPJNQuGs
Selective Search
If you have read about object detection using traditional computer vision techniques like HOG + SVM or HAAR Cascades, you probably know that the search for the object is performed at all locations and all scales in an image using a Sliding Window approach. It is computationally expensive.
Fortunately, an exhaustive search using a sliding window is not the only approach. A relatively new and efficient alternative is called Selective Search. Instead of exhaustively searching all locations and scales, it identifies the best places to look. In addition, it also handles multiple aspect ratios. In the post below, we share the intuition and the details of the algorithm
http://www.learnopencv.com/selective-search-for-object-detection-cpp-python/
Want to try it out yourself? Sure, here is the code in C++ and Python.
https://github.com/spmallick/learnopencv/tree/master/SelectiveSearch
I hope you find this useful. If you have a friend who is interested in Computer Vision and Machine Learning, please share this post with them.
Satya
LearnOpenCV.com
YouTube
The Secret Why Tesla Will Win The Self Driving Car Race
Tesla has a unique advantage when it comes to making a self-driving car, but it might not be what you think it is. // Get $1K Off + Free Supercharging on a n...
Object Detection vs. Object Recognition
🌹🌹🌹💭💭💭🌿🌿🌿
An object recognition algorithm identifies which objects are present in an image. It takes the entire image as an input and outputs class labels and class probabilities of objects present in that image. For example, a class label could be “dog” and the associated class probability could be 97%.
On the other hand, an object detection algorithm not only tells you which objects are present in the image, it also outputs bounding boxes (x, y, width, height) to indicate the location of the objects inside the image.
At the heart of all object detection algorithms is an object recognition algorithm. Suppose we trained an object recognition model which identifies dogs in image patches. This model will tell whether an image has a dog in it or not. It does not tell where the object is located.
🌹🌹🌹💭💭💭🌿🌿🌿
An object recognition algorithm identifies which objects are present in an image. It takes the entire image as an input and outputs class labels and class probabilities of objects present in that image. For example, a class label could be “dog” and the associated class probability could be 97%.
On the other hand, an object detection algorithm not only tells you which objects are present in the image, it also outputs bounding boxes (x, y, width, height) to indicate the location of the objects inside the image.
At the heart of all object detection algorithms is an object recognition algorithm. Suppose we trained an object recognition model which identifies dogs in image patches. This model will tell whether an image has a dog in it or not. It does not tell where the object is located.
#آموزش
پست مناسبی در مورد نحوه کار lstm با توضیحات بسیار روان
Understanding LSTM and its diagrams
https://medium.com/@shiyan/understanding-lstm-and-its-diagrams-37e2f46f1714
پست مناسبی در مورد نحوه کار lstm با توضیحات بسیار روان
Understanding LSTM and its diagrams
https://medium.com/@shiyan/understanding-lstm-and-its-diagrams-37e2f46f1714
Medium
Understanding LSTM and its diagrams
I just want to reiterate what’s said here:
4_962592227907862646.pdf
493.9 KB
نحوه تشخیص ISI بودن مجله
🌹🌹🌹🌿🌿🌿💭💭💭
🌹🌹🌹🌿🌿🌿💭💭💭
معرفی دوره آموزشی Applied Data Science with Python:
https://goo.gl/a4NoKA
این دوره آموزشی توسط دانشگاه میشیگان آمریکا در حوزه علمداده و زبان پایتون به صورت آنلاین و در سطح مقدماتی و متوسط تدریس میگردد. این دوره آموزشی شامل 5 درس با عناوین زیر میباشد.
1-Introduction to Data Science in Python
2- Applied Plotting, Charting & Data Representation
3- Applied Machine Learning in Python
4- Applied Text Mining in Python
5- Applied Social Network Analysis in Python
لینک دوره:
https://www.coursera.org/specializations/data-science-python#courses
پینوشت:
جهت ثبتنام پس از مراجعه به صفحه اصلی درس با انتخاب دوره مدنظر و رفتن به صفحه درس گزینه Enroll و سپس گزینه Audit را فعال نمایید. گفتنی است جهت ثبتنام به دلیل تحریم بودن کشور ایران نیاز به فیلترشکن خواهید داشت.
https://goo.gl/a4NoKA
این دوره آموزشی توسط دانشگاه میشیگان آمریکا در حوزه علمداده و زبان پایتون به صورت آنلاین و در سطح مقدماتی و متوسط تدریس میگردد. این دوره آموزشی شامل 5 درس با عناوین زیر میباشد.
1-Introduction to Data Science in Python
2- Applied Plotting, Charting & Data Representation
3- Applied Machine Learning in Python
4- Applied Text Mining in Python
5- Applied Social Network Analysis in Python
لینک دوره:
https://www.coursera.org/specializations/data-science-python#courses
پینوشت:
جهت ثبتنام پس از مراجعه به صفحه اصلی درس با انتخاب دوره مدنظر و رفتن به صفحه درس گزینه Enroll و سپس گزینه Audit را فعال نمایید. گفتنی است جهت ثبتنام به دلیل تحریم بودن کشور ایران نیاز به فیلترشکن خواهید داشت.
Forwarded from Deleted Account
Media is too big
VIEW IN TELEGRAM
جدیدترین کارتون کوتاه والت دیسنی
زندگی فقط کار نیست و همش نباید به سمت عقل و منطق رفت ،نیاز است که به سمت خواسته های دل و تفریح نیز اهمیت بدهید.
زندگی فقط کار نیست و همش نباید به سمت عقل و منطق رفت ،نیاز است که به سمت خواسته های دل و تفریح نیز اهمیت بدهید.
Forwarded from Deleted Account
This media is not supported in your browser
VIEW IN TELEGRAM
🎬بازوی رباتیک بسیار سریع با قابلیت گرفتن اشیاء پرتاپی به سمت آن
Forwarded from Deleted Account
This media is not supported in your browser
VIEW IN TELEGRAM
🎬 کلیپ خاموش کردن آتش بوسیله ارتعاش امواج صوتی.
کسانی که بهترین توصیهها را میکنند
معمولاً آنهایی هستند که
بدترین شرایط زندگی را
تجربه کردهاند؛
اگر با شکست خوردهترین افراد
روبرو شدی بدون تفکر
از کنار توصیههای آنها عبور مکن.
🌲.🌴
معمولاً آنهایی هستند که
بدترین شرایط زندگی را
تجربه کردهاند؛
اگر با شکست خوردهترین افراد
روبرو شدی بدون تفکر
از کنار توصیههای آنها عبور مکن.
🌲.🌴
گوگل امروز وبسایت جدیدی را راه اندازی کرده که تمام اطلاعات و ابزارهای موردنیاز بنیان گذاران استارتاپ ها را به منظور دسترسی راحت تر در اختیار آنان قرار می دهد.
https://startup.google.com
https://startup.google.com
Google for Startups
Start, build, grow: Tools, resources and support programs for startups - Google for Startups
Google for Startups connects founders with the right people, Google products, and best practices to help startups grow.
#Phrase
📋 فهرستی از #واژههایی(قسمت۲) که در تیم اپلای و تحصیلات تکمیلی با آنها تاکنون مواجه شده، یا در ادامه خواهید شد:
📝 1- Scholarship, Fund, Grant, Bursary:
🔎بورسیهی تحصیلی یا همان کمک هزینهی تحصیلی (خواه مبلغی که کل هزینههای شما را پوشش میدهد، و خواه بخشی از آن را).
📝 2- Fully-Funded Scholarship:
🔎 بورسیهی تحصیلیای که کل هزینهی شما را پوشش میدهد.
📝 3- Partially-Funded Scholarship:
🔎 بورسیهی تحصیلیای که بخشی از هزینهها را پوشش میدهد.
📝 4- Tuition fee:
🔎 شهریهی دانشگاه.
که لزوما همهی دانشگاهها شهریه ندارند. برای مثال عموماً دانشگاههای آلمان تقریبا بدون شهریه هستند. در حالیکه اکثریت دانشگاههای انگلستان شهریه دارند.
📝 5- Costs of living:
🔎هزینههای زندگی.
📝 6- Tuition fee waiver award:
🔎 اشاره به بورسیهای تحصیلیای دارد که جهت پرداخت بابت کل یا بخشی از شهریه میباشد. که معمولا مستقیم به حساب دانشگاه واریز میشود نه به حساب دانشجو.
📝 7- Stipend:
🔎 حقوق. مقرری.
📝 8- Position:
🔎 منظور یک موقعیت تحصیلی است. به عنوان مثال:
PhD position
اشاره به یک موقعیت تحصیلی در مقطع دکتری دارد. یا
Faculty position
اشاره به جایگاه هیئت علمی دارد.
📝 9- Open PhD position:
🔎 منظور این است که استاد، آزمایشگاه، دپارتمان (دانشکده)، یا دانشگاه مورد نظر جایگاههایی دارند برای استخدام دانشجویان دکتری.
📝 10- Inquiry:
🔎 پرس و جو کردن.
به عنوان مثال وقتی شما به استادی ایمیل میزنید و از او جویا میشوید که آیا میتواند برای ترم آتی دانشجو بگیرد یا خیر؟؛ شما دارید از او پرس و جو میکنید.
📝 11- Recruit:
🔎 استخدام کردن.
به عنوان مثال، استاد یا دانشگاهی شما را برای مقطع دکتری استخدام میکند.
📝 12- Admission:
🔎 گروه مدیریتی یک دانشکده (یا دانشگاه)، مثلا گروه دانشکده برق: کسانی که مدارک شما را بررسی میکنند تا در صورت مناسب بودن به شما پاسخ مثبت دهند.
📝 13- Application:
🔎 منظور درخواست شما و مجموعه مدارکی است که شما برای استاد، آزمایشگاه، دپارتمان یا ادمیشن ارسال میکنید تا بررسی شوند و به شما پاسخی دهند.
📝 14- Offer:
🔎 پیشنهاد دادن.
وقتی دانشگاهی اپلیکیشن شما را مثبت ارزیابی کرد، به شما آفر یا اصطلاحا ادمیشن میدهد.
📝 15- BA, BS or Undergraduate
🔎دورهی لیسانس
📝 16- MA, MS or Graduate
🔎 دورهی فوقلیسانس
📝 17- PhD or Graduate
🔎 دورهی دکتری
📝 18- Postdoc
🔎 دورهی پسادکتری
📝 19- Funded
🔎 نشان میدهد که پوزیشن مورد نظر همراه با فاند است. خواه فاند کامل خواه ناکامل.
البته تمامی پوزیشنهای معرفی شده در کانال با فاند همراه هستند.
منبع: کانال دانشیار
📋 فهرستی از #واژههایی(قسمت۲) که در تیم اپلای و تحصیلات تکمیلی با آنها تاکنون مواجه شده، یا در ادامه خواهید شد:
📝 1- Scholarship, Fund, Grant, Bursary:
🔎بورسیهی تحصیلی یا همان کمک هزینهی تحصیلی (خواه مبلغی که کل هزینههای شما را پوشش میدهد، و خواه بخشی از آن را).
📝 2- Fully-Funded Scholarship:
🔎 بورسیهی تحصیلیای که کل هزینهی شما را پوشش میدهد.
📝 3- Partially-Funded Scholarship:
🔎 بورسیهی تحصیلیای که بخشی از هزینهها را پوشش میدهد.
📝 4- Tuition fee:
🔎 شهریهی دانشگاه.
که لزوما همهی دانشگاهها شهریه ندارند. برای مثال عموماً دانشگاههای آلمان تقریبا بدون شهریه هستند. در حالیکه اکثریت دانشگاههای انگلستان شهریه دارند.
📝 5- Costs of living:
🔎هزینههای زندگی.
📝 6- Tuition fee waiver award:
🔎 اشاره به بورسیهای تحصیلیای دارد که جهت پرداخت بابت کل یا بخشی از شهریه میباشد. که معمولا مستقیم به حساب دانشگاه واریز میشود نه به حساب دانشجو.
📝 7- Stipend:
🔎 حقوق. مقرری.
📝 8- Position:
🔎 منظور یک موقعیت تحصیلی است. به عنوان مثال:
PhD position
اشاره به یک موقعیت تحصیلی در مقطع دکتری دارد. یا
Faculty position
اشاره به جایگاه هیئت علمی دارد.
📝 9- Open PhD position:
🔎 منظور این است که استاد، آزمایشگاه، دپارتمان (دانشکده)، یا دانشگاه مورد نظر جایگاههایی دارند برای استخدام دانشجویان دکتری.
📝 10- Inquiry:
🔎 پرس و جو کردن.
به عنوان مثال وقتی شما به استادی ایمیل میزنید و از او جویا میشوید که آیا میتواند برای ترم آتی دانشجو بگیرد یا خیر؟؛ شما دارید از او پرس و جو میکنید.
📝 11- Recruit:
🔎 استخدام کردن.
به عنوان مثال، استاد یا دانشگاهی شما را برای مقطع دکتری استخدام میکند.
📝 12- Admission:
🔎 گروه مدیریتی یک دانشکده (یا دانشگاه)، مثلا گروه دانشکده برق: کسانی که مدارک شما را بررسی میکنند تا در صورت مناسب بودن به شما پاسخ مثبت دهند.
📝 13- Application:
🔎 منظور درخواست شما و مجموعه مدارکی است که شما برای استاد، آزمایشگاه، دپارتمان یا ادمیشن ارسال میکنید تا بررسی شوند و به شما پاسخی دهند.
📝 14- Offer:
🔎 پیشنهاد دادن.
وقتی دانشگاهی اپلیکیشن شما را مثبت ارزیابی کرد، به شما آفر یا اصطلاحا ادمیشن میدهد.
📝 15- BA, BS or Undergraduate
🔎دورهی لیسانس
📝 16- MA, MS or Graduate
🔎 دورهی فوقلیسانس
📝 17- PhD or Graduate
🔎 دورهی دکتری
📝 18- Postdoc
🔎 دورهی پسادکتری
📝 19- Funded
🔎 نشان میدهد که پوزیشن مورد نظر همراه با فاند است. خواه فاند کامل خواه ناکامل.
البته تمامی پوزیشنهای معرفی شده در کانال با فاند همراه هستند.
منبع: کانال دانشیار
چند منبع مفید برای پایتون و علم داده ها
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
https://www.researchgate.net/publication/317313022_MATLAB_Cheat_Sheet_for_Data_Science_-_London_School_of_Economics
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
https://www.researchgate.net/publication/317313022_MATLAB_Cheat_Sheet_for_Data_Science_-_London_School_of_Economics
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
#انتخاب_ژورنال_معتبر
برای انتخاب یک ژورنال معتبر جهت ارسال مقاله چند پارامتر لازم است بررسی شوند :
ای اس ای بودن.
ایمپکت فاکتور ژورنال .
ناشر معتبر و شناخته شده .
اچ ایندکس ژورنال .
کشور محل چاپ .
✔ ای اس ای بودن : برای بررسی isi بودن یک ژورنال بهترین و ساده ترین روش استفاده از سایت تامسون رویترز می باشد . برای این کار :
Google : thomson reuters/ journal master list
در پایین قسمت journal master list گزینه ISSN رو انتخاب کنید و ISSN ژورنال مورد نظر رو از سایت اصلی ژورنال داخل محل قرار بدین در صورتیکه اسم و مشخصات ژورنال مشاهده شود isi محسوب می شود.
✔ ایمپکت فاکتور : این پارامتر در سایت خود ژورنال موجود بوده و به راحتی قابل دیدن است.
✔ ناشر معتبر : منظور ناشرهای شناخته شده در هر رشته هستند. به عنوان مثال Elsevier و Springer از ناشران معروف می باشند. ممکن است در هر رشته ایی ناشر های تخصصی آن رشته هم که معتبر هستند وجود داشته باشند. مثلا در رشته های برق و کامپیوتر مقالاتی که توسط IEEE ( انجمن برق و الکترونیک آمریکا ) منتشر می شوند بسیار معتبر هستند.
✔ کشور محل چاپ : کشور محل چاپ ژورنال ترجیحا آمریکا و کشورهای اروپای غربی باشند.
✔ اچ ایندکس : شاخصی که نشان دهنده ارجاعات به مقالات ژورنال مورد نظر بوده که هر چه این شاخص بالاتر باشد بهتر است.
برای بررسی ناشر . کشور محل چاپ و اچ ایندکس بهتر است از سایت www.scimagojr.com استفاده شود. ساده ترین راه برای این کار آن است که در موتور جستجوی گوگل ابتدا نام ژورنال و سپس کلمه scimago نوشته شود :
Google : Journal name scimago
برای انتخاب یک ژورنال معتبر جهت ارسال مقاله چند پارامتر لازم است بررسی شوند :
ای اس ای بودن.
ایمپکت فاکتور ژورنال .
ناشر معتبر و شناخته شده .
اچ ایندکس ژورنال .
کشور محل چاپ .
✔ ای اس ای بودن : برای بررسی isi بودن یک ژورنال بهترین و ساده ترین روش استفاده از سایت تامسون رویترز می باشد . برای این کار :
Google : thomson reuters/ journal master list
در پایین قسمت journal master list گزینه ISSN رو انتخاب کنید و ISSN ژورنال مورد نظر رو از سایت اصلی ژورنال داخل محل قرار بدین در صورتیکه اسم و مشخصات ژورنال مشاهده شود isi محسوب می شود.
✔ ایمپکت فاکتور : این پارامتر در سایت خود ژورنال موجود بوده و به راحتی قابل دیدن است.
✔ ناشر معتبر : منظور ناشرهای شناخته شده در هر رشته هستند. به عنوان مثال Elsevier و Springer از ناشران معروف می باشند. ممکن است در هر رشته ایی ناشر های تخصصی آن رشته هم که معتبر هستند وجود داشته باشند. مثلا در رشته های برق و کامپیوتر مقالاتی که توسط IEEE ( انجمن برق و الکترونیک آمریکا ) منتشر می شوند بسیار معتبر هستند.
✔ کشور محل چاپ : کشور محل چاپ ژورنال ترجیحا آمریکا و کشورهای اروپای غربی باشند.
✔ اچ ایندکس : شاخصی که نشان دهنده ارجاعات به مقالات ژورنال مورد نظر بوده که هر چه این شاخص بالاتر باشد بهتر است.
برای بررسی ناشر . کشور محل چاپ و اچ ایندکس بهتر است از سایت www.scimagojr.com استفاده شود. ساده ترین راه برای این کار آن است که در موتور جستجوی گوگل ابتدا نام ژورنال و سپس کلمه scimago نوشته شود :
Google : Journal name scimago