🔊ثبت نام دوره


ستارگانMachine Learning

آغاز شد

کتاب "Data Science for Business"

توسط دو نویسنده به نام‌های Foster Provost و Tom Fawcett نوشته شده است.

هدف اصلی این کتاب، توضیح اصول و مفاهیم پایه‌ای علم داده و یادگیری ماشین برای کسانی است که در کسب‌وکارها با داده کار می‌کنند.

این کتاب را برای افرادی که در اولین فروش ویژه ستارگان Machine Learning ثبت نام می کنند به زبان فارسی ترجمه می کنیم.


فقط تا پایان روز چهارشنبه می توانید در فروش ویژه ستارگان Machine Learning ثبت نام کنید و هدایای ويژه اي دریافت کنید.


اطلاعات بیشتر در مورد کتاب:

https://bugeto.net/blog/review-data-science-for-business

در این مقاله با نحوه استفاده کتابخانه HtmlAgilityPack آشنا میشویم یک کتابخانه قدرتمند .NET است که به برنامه‌نویسان سی‌شارپ امکان تجزیه، پیمایش، جستجو و تغییر سند HTML را می‌دهد. این کتابخانه رابط برنامه‌نویسی را ساده می‌کند و اجازه می‌دهد که با اسناد HTML به‌راحتی کار کنید، مانند یک سند XML. 

فراگیری XPath: ابزار قدرتمند برای جمع آوری داده در یادگیری ماشین

همه ما با استفاده از نقشه برای پیداکردن مسیر در شهر یا جستجو برای یک‌خانه خاص، آشنایی داریم. XPath، مانند یک نقشه دیجیتال برای داده‌هاست. این ابزار قدرتمند به ما اجازه می‌دهد تا با ساختار یک سند XML یا HTML، آشنا شویم و مسیر ما را به اطلاعاتی که نیاز داریم، پیدا کنیم. اما چرا XPath برای یادگیری ماشین اهمیت دارد؟ این مقاله تلاش می‌کند تا پاسخ به این سؤال را به شکلی ساده و قابل‌فهم ارائه دهد

ما در یادگیری ماشین به داده‌ها نیاز داریم، ولی این داده‌ها در فرمت‌های مختلفی هستند. بعضی از آن‌ها ساختاریافته هستند، مانند جداول SQL، و بعضی دیگر ساختار نیافته، مانند متون طبیعی. XML و HTML از این فرمت‌های ساختاریافته هستند که برای نگهداری و انتقال داده‌ها بسیار مفید هستند. XPath به ما کمک می‌کند تا در این فضای داده‌ها "بگردیم" و اطلاعات موردنظرمان را پیدا کنیم

♦️ تزریق وابستگی (Dependency Injection) یکی از مهمترین مفاهیم در برنامه‌نویسی شی‌گرا است و برای طراحی برنامه‌هایی که Modular و تست پذیری بالا دارند، بسیار مهم است.

در ادامه به برخی از دلایل استفاده از تزریق وابستگی اشاره می‌شود:



1️⃣ کاهش وابستگی: با استفاده از تزریق وابستگی، وابستگی‌های ماژول‌ها و کلاس‌های برنامه شما کاهش می‌یابد و از این رو، Modularity بیشتری را به برنامه‌ی شما اضافه می‌شود.



2⃣ افزایش قابلیت تست: با استفاده از تزریق وابستگی، می‌توانید UnitTest های برنامه‌ی خود را به صورت جداگانه از سایر واحدهای برنامه بررسی کنید. این کار مزیت‌هایی از جمله پایداری بیشتر برنامه و تشخیص اشکالات آن را برای شما به ارمغان می‌آورد.



3⃣ کاهش تکرار کد: با استفاده از تزریق وابستگی، می‌توانید کدهای مشابه را در چندین قسمت از برنامه‌ی خود به کار برده و در نتیجه، از تکرار کد کمتری رنج ببرید.



4⃣ افزایش قابلیت نگهداری: با استفاده از تزریق وابستگی، امکان انجام تغییرات در وابستگی‌های برنامه را به راحتی فراهم می‌کند و از این رو، قابلیت نگهداری برنامه را افزایش می‌دهد.

اگر شما کسی هستید که در برنامه‌نویسی با #C تجربه دارد، پس احتمالا با قدرت زبان‌های برنامه‌نویسی در استخراج و تحلیل اطلاعات آشنایی دارید. پس بیایید در این مطلب، راجع به داده‌کاوی صحبت کنیم و ببینیم چطور می‌توانیم از این روش در فضای شبکه‌های اجتماعی بهره ببریم.
داده‌کاوی، به ما کمک می‌کند تا داده‌های بزرگ و پیچیده را بررسی کنیم و اطلاعات مخفی درون آن‌ها را پیدا کنیم. مثل یک گنجینه پر از ارزش‌هایی که منتظرند تا کشف شوند. برای یک برنامه‌نویس، هر داده می‌تواند یک گنج باشد که با استفاده از داده‌کاوی، می‌توانیم به آن دست پیدا کنیم.
حالا به جایی می‌رویم که داده‌ها وجود دارند، شبکه‌های اجتماعی. این شبکه‌ها هر روز داده‌های بسیار زیادی را تولید می‌کنند، از توییت‌ها و ایمیل‌ها تا پست‌های اینستاگرام و ویدیوهای یوتیوب. همه‌ی این داده‌ها می‌توانند حاوی اطلاعات مفید باشند. داده‌کاوی در شبکه‌های اجتماعی می‌تواند به ما کمک کند تا این اطلاعات را استخراج کنیم.

سلام برنامه نویسان عزیز! 🖐️


آیا می‌دانید که یادگیری ماشین چیست؟ 🤔
یادگیری ماشین یکی از شاخه‌های هوش مصنوعی است که به ما امکان می‌دهد تا برنامه‌ها و سیستم‌هایی را بسازیم که بتوانند از تجربیات یاد بگیرند و عملکرد خود را بهبود بخشند. این یعنی این سیستم‌ها می‌توانند خودشان را با مرور زمان و با داده‌های بیشتر، بهتر کنند! 🚀

یادگیری ماشین روشی است که به ما اجازه می‌دهد تا سیستم‌هایی ایجاد کنیم که می‌توانند بدون برنامه‌ریزی مشخص، مشکلاتی را حل کنند و از داده‌ها یاد بگیرند. 👨‍💻👩‍💻

در این سری از مطالب، ما برای شما بهترین و جذاب‌ترین مباحث یادگیری ماشین را آماده کرده‌ایم.

همراه ما باشید تا دنیای جذاب یادگیری ماشین را کشف کنیم و ببینید چگونه می‌توانید از آن برای ساختن برنامه‌های قدرتمند و هوشمندتر استفاده کنید

https://news.1rj.ru/str/bugeto

آیا می‌دانید یادگیری ماشین به سه بخش اصلی تقسیم می‌شود؟

این بخش‌ها عبارتند از: یادگیری نظارتی، یادگیری بدون نظارت و یادگیری تقویتی. هر کدام از این روش‌ها کاربردها و ویژگی‌های خاص خود را دارند. 🧠🚀

1️⃣ یادگیری نظارتی: در این روش، از مجموعه داده‌ای استفاده می‌کنیم که شامل ورودی‌ها و خروجی‌های مرتبط با آن‌ها است. مدل ما با استفاده از این مجموعه داده، یاد می‌گیرد چگونه برای یک ورودی جدید، خروجی مناسب را ایجاد کند. 🎯

2️⃣ یادگیری بدون نظارت: در این روش، فقط از داده‌های ورودی استفاده می‌کنیم و سپس به مدل می‌گوییم تلاش کند تا الگوهای پنهان در این داده‌ها را کشف کند. 🕵️‍♂️

3️⃣ یادگیری تقویتی: این روش به نوعی مانند یک بازی است. در اینجا، یک عامل (یعنی مدل ما) در محیطی حرکت می‌کند و با انجام کارهای متفاوت، جوایز یا تنبیه‌هایی را دریافت می‌کند. هدف عامل این است که یاد بگیرد چگونه با انجام کارهایی که جایزه بیشتری دارند، امتیاز خود را افزایش دهد. 🏅

همان‌طور که یکی از پژوهشگران برجسته در زمینه یادگیری ماشین می‌گوید: "یادگیری ماشین به معنای زندگی با داده‌ها، یادگیری از آن‌ها و سپس بکارگیری این دانش برای ایجاد خلاقیت در کارهایمان است". پس بیایید با هم این مسیر پرجذابیت را طی کنیم و ببینیم چه کشف‌های شگفت‌انگیزی در انتظارمان است! 🚀
https://news.1rj.ru/str/bugeto

سلام بر همگی! 👋

امروز قصد داریم درباره یکی از مفاهیم اولیه و کلیدی یادگیری ماشین صحبت کنیم: رگرسیون خطی. این ابزار ساده، اما قدرتمند، یکی از روش‌های اولیه‌ای است که بسیاری از ما در زمینه یادگیری ماشین با آن آشنا می‌شویم. 🚀

رگرسیون خطی در واقع یک روش پیش‌بینی است.این روش سعی می‌کند رابطه‌ی مستقیم بین دو متغیر را پیدا کند.

به عنوان مثال، فرض کنید می‌خواهید بفهمید که چگونه قیمت یک خانه بر اساس مساحت آن تعیین می‌شود. اینجا جایی است که رگرسیون خطی به کمک ما می‌آید! 🏡

رگرسیون خطی، با استفاده از داده‌های موجود، یک خط را پیدا می‌کند که به بهترین شکل می‌تواند نسبت بین مساحت و قیمت را نشان دهد. این خط به ما می‌گوید که با افزایش هر واحد در مساحت، چقدر قیمت خانه تغییر می‌کند. و برعکس، با کاهش هر واحد در مساحت، چقدر قیمت خانه کاهش می‌یابد. 🔢📈


رگرسیون خطی، با وجود سادگی‌اش، یک ابزار فوق‌العاده برای درک مفاهیم پایه‌ای یادگیری ماشین است. اگر شما هم دوست دارید با داده‌ها بازی کنید و از آن‌ها چیزی یاد بگیرید، پس حتماً با رگرسیون خطی آشنا شوید. 🎓💡


https://news.1rj.ru/str/bugeto

سلام به همه دوستان عزیز! 👋

امروز درباره رگرسیون لجستیک صحبت خواهیم کرد. ممکنه این اسم اولین باری باشه که می‌شنویدش، اما اگه قصد دارید روی یادگیری ماشین کار کنید، باهاش خیلی آشنا خواهید شد! 🎓

رگرسیون لجستیک یکی از روش‌های محبوب در یادگیری ماشینه. اون به ما اجازه می‌ده تا پیش‌بینی‌هایی بر اساس اطلاعاتی که داریم انجام بدیم. این پیش‌بینی‌ها معمولاً مربوط به دو وضعیت متفاوت هستند، مثل "بله" یا "خیر". مثلاً، یه ایمیل اسپمه یا نیست؟ یه تراکنش مالی مشکوکه یا نیست؟ و این دست موارد. 📩💰

نحوه کار رگرسیون لجستیک خیلی شبیه به رگرسیون خطیه که قبلاً درباره‌اش صحبت کردیم، با این تفاوت که رگرسیون لجستیک برای مواردی است که پاسخ ما دو حالته، نه یک خط مستقیم.

در نهایت، همچنان با استفاده از داده‌های موجود، رگرسیون لجستیک سعی می‌کند یک خط بین داده‌ها بکشد، اما این بار با یک تابع خاص که "سیگموید" نامیده می‌شود. این تابع به ما این اجازه را می‌دهد که خروجی ما بین دو مقدار 0 و 1 باشد، که دقیقاً همین چیزیه که ما برای پیش‌بینی "بله" یا "خیر" می‌خواهیم. 📊🎯

رگرسیون لجستیک یکی از ابزارهای قدرتمند در جعبه ابزار یادگیری ماشین می باشد. 🎯🚀



https://news.1rj.ru/str/bugeto

راهنمای تحلیل اکتشافی داده ها (EDA): مفاهیم، تکنیک ها و ابزارها


داده‌ها مثل یک جعبه گنج پنهان‌شده در دست شما هستند. در این جعبه، اطلاعات با ارزشی نهفته است که می‌تواند به شما در فهمیدن دنیای اطراف کمک کند. حال مسئله این است که چگونه این گنج را کشف کنیم؟ اینجاست که "اکتشاف داده‌ها" یا همان "EDA" به ما کمک می‌کند.

سلام به همه دوستان عزیز! 👋

می‌دونید که وقتی ما در مدرسه یا دانشگاه درس می‌خونیم، یک معلم یا استاد داریم که بهمون می‌آموزد. حالا تصور کنید ما می‌خواهیم به یک کامپیوتر یاد بدیم چطوری یک کاری رو انجام بده. چه کسی معلم کامپیوتر خواهد بود؟ 🤔🎓

در یادگیری ماشین، این "معلم" مجموعه‌ای از داده‌ها هست که به کامپیوتر می‌دهیم. این داده‌ها شامل مثال‌هایی از ورودی‌ها و خروجی‌های مورد انتظار ما هستند. وقتی ما به کامپیوتر می‌گوییم: "این یک تصویر از یک گربه است" یا "این یک ایمیل اسپم است"، در واقع ما داریم به کامپیوتر یاد می‌دهیم چطوری یک گربه یا یک ایمیل اسپم را تشخیص بده. این فرایند را "یادگیری با نظارت" می‌گویند. 🖥🐱📧

در یادگیری با نظارت، ما ابتدا یک مجموعه داده‌ای را به کامپیوتر می‌دهیم که شامل ورودی‌ها (مثل تصاویر یا متن‌ها) و خروجی‌های مورد انتظار (مثل "گربه" یا "اسپم") است. سپس، کامپیوتر سعی می‌کند الگوهایی را در این داده‌ها بیابد که به آن کمک کند تا پیش‌بینی‌های درست را در آینده انجام دهد. 📊🧠

این یک فرآیند یادگیری خیلی قوی است، و با استفاده از آن، ما می‌توانیم به کامپیوترها یاد بدهیم که چطوری کارهای بسیار پیچیده‌ای را انجام دهند. اما همیشه باید به یاد داشت که "معلم" خوبی برای کامپیوتر باشیم و داده‌های درست و کافی به آن بدهیم. 🎯💡

https://news.1rj.ru/str/bugeto

زبان برنامه‌نویسی R یک ابزار محبوب در میان دانشمندان داده و برنامه‌نویسان است. این زبان با قابلیت‌های قدرتمند خود در تحلیل و ساخت مدل‌های پیچیده از داده، محبوبیت ویژه‌ای پیدا کرده است.
از سوی دیگر، ML.Net، کتابخانه‌ای از مایکروسافت است که به برنامه‌نویسان امکان می‌دهد تا بدون نیاز به دانش عمیق ماشین لرنینگ، از قابلیت‌های یادگیری ماشین استفاده کنند. این کتابخانه می‌تواند به صورت مستقیم در برنامه‌های .Net استفاده شود و باعث می‌شود تا توسعه دهندگان به سرعت و بدون نیاز به تجربه یادگیری ماشین، مدل‌های پیچیده را توسعه دهند و پیاده‌سازی کنند.
با این حال، با وجود امکانات ML.Net، زبان برنامه‌نویسی R می‌تواند برای پیش‌پردازش داده‌ها، تحلیل اکتشافی داده‌ها، و سایر وظایف مرتبط با داده کاربرد فراوانی داشته باشد. همچنین، با استفاده از R، توسعه‌دهندگان می‌توانند از مجموعه گسترده‌ای از پکیج‌های آماده و توابع تجزیه و تحلیل داده استفاده کنند که ممکن است در ML.Net در دسترس نباشند.

🔢  "یادگیری بدون نظارت: آزادی در یادگیری"

سلام دوباره، دوستان برنامه‌نویس! 🖐

امروز درباره یک تکنیک بسیار جذاب و متفاوت در یادگیری ماشین صحبت می‌کنیم: یادگیری بدون نظارت. تا حالا فکر کرده‌اید که چه اتفاقی می‌افته اگر به کامپیوتر یاد بدیم که خودش از داده‌ها چیزی یاد بگیره، بدون اینکه ما بهش بگیم دقیقا چه باید بیاموزه؟ 🧐🎲

یادگیری بدون نظارت دقیقا همین کار را انجام می‌دهد. به جای اینکه به کامپیوتر بگوییم: "این تصویر یک گربه است" یا "این ایمیل اسپم است"، ما فقط به کامپیوتر می‌گوییم: "اینجا تعداد زیادی تصویر و ایمیل داریم، برو و خودت چیزی از این داده‌ها یاد بگیر". 🖥📩

یادگیری بدون نظارت درموارد زیادی قابل استفاده استت . برای مثال، می‌توانیم از آن برای کشف الگوهای مخفی در داده‌ها، شناسایی خوشه‌بندی (clustering) در داده‌ها، یا کاهش بُعد داده‌ها استفاده کنیم. این تکنیک‌ها به ما اجازه می‌دهند که در داده‌های بزرگ و پیچیده، ساختار و الگوهای مفید را پیدا کنیم. 🔍📊

پس، آیا آماده‌اید که در دنیای یادگیری بدون نظارت گام بگذارید و به کامپیوتر خود اجازه دهید که خودش در مورد داده‌ها یاد بگیرد؟ اگر جوابتان بله است، پس به ما بپیوندید و از این فناوری شگفت‌انگیز یاد بگیرید! 💡🚀



https://bugeto.net/courses/machine-learning-stars

💡اگه با سی شارپ (C#) و کلاس Random کار می‌کنید؟ پس این پست برای شماست!

⚙️ 1- 'راز Seeding در کلاس Random' - اینکه چگونه 'seed' برای کلاس Random تعیین می‌شود، تاثیر زیادی بر رفتار تولید اعداد تصادفی دارد. ببینید چگونه از آن به صورت صحیح استفاده کنید.

🎲 2- 'استفاده هوشمندانه' - آیا می‌دانید اگر چندین نمونه از کلاس Random را در یک زمان خیلی کوتاه ایجاد کنید، ممکن است الگوهای پیش‌بینی‌پذیری در اعداد تصادفی شما به وجود آید؟ ببینید چگونه از آن جلوگیری کنید.

🔐 3- 'حفظ امنیت در برابر خطرات چند نخی' - برنامه‌نویسی چندنخی می‌تواند باعث بروز خطاها و مشکلاتی شود. ما نشان می‌دهیم چگونه با استفاده از ThreadSafe و lock، امنیت خود را حفظ کنید.

⚠️ 4- 'تصادفی، امن نیست!' - برای کاربردهایی که نیاز به امنیت بالا دارند مانند رمزگذاری، کلاس Random کافی نیست. در این مورد با کلاس RNGCryptoServiceProvider آشنا می‌شویم.



#Csharp #Programming #Coding #Developer #Random #SecureCoding #ThreadSafety #Encryption #Seeding