✅ عنوان گپ: موانع و چالش‌های پردازش زبان پارسی|
Persian Language Processing Challenges and Barriers
✳️ با حضور:
محمد دهقانی | مدرس پردازش زبان طبیعی مجموعه نیک آموز
محمدرضا محتاط | مدیر گروه متن کاوی و پردازش زبان طبیعی سازمان نظام صنفی رایانه ای
امین رحمانی | بنیانگذار ویراویراست
ایمان خانی جزنی | هم بنیان گذار و مدیرعامل پردیس هوش مصنوعی آرکاتک

❇️ توضیح: در این گپ به این موضوع خواهیم پرداخت که چه چالش‌هایی بر سر راه پیشرفت پردازش زبان فارسی چه در محیط های آکادمیک و چه در صنعت وجود دارد.

🕗 زمان برگزاری: 8 دی ماه 1400، ساعت 20:00

🔑 لینک ورود به جلسه(بدون ثبت نام یا نصب و از طریق مرورگر):
https://cp.fararoom.ir/ch/ailessons/guest

🔴 لطفا در صورت تمایل به عضویت در لیست مخاطبان ویژه و اطلاع از آخرین رویدادهای آزمایشگاه؛ فرم زیر را پر کرده و ارسال نمایید.
https://forms.gle/QTTs1fDbjbrJCBHB8


🌀 شماره: 10

#اطلاع_رسانی

🌟🌟🌟در نشر و بهبود این حرکت جمعی هوش مصنوعی سهیم باشید🌷:
💎 t.me/ASTLab

🐬 www.ArkaTechAi.com

💬 AI ScienceTech Lab (AST Lab) is an open lab which talks about AI...

باسلام
روز چهارشنبه در خصوص چالش‌ها و فرصت‌های پردازش زبان طبیعی و متن کاوی زبان فارسی که به همت َآزمایشگاه آزاد هوش مصنوعی برگزار خواهد شد سخنرانی خواهم کرد.
حضور برای علاقه‌مندان به صورت آنلاین و رایگان مقدور است.

با احترام
محمدرضا محتاط
مدیر گروه متن کاوی و پردازش زبان طبیعی سازمان نظام صنفی رایانه‌ای

شهادت سیده النساءالعالمین، حضرت فاطمه زهرا(س) بر عموم مسلمین تسلیت باد.


@DataAnalysis

وبینار مدل ارزیابی بلوغ مدیریت داده‌محور

ارزیابی بلوغ داده‌ یکی از مقوله‌های بسیار مهم برای شناسایی نقاط ضعف و گلوگاه‌های سازمانی جهت رسیدن به تعالی داده‌محوری است.

در روز پنج‌شنبه در خصوص اهمیت، مولفه‌ها، جوانب و کارکردهای مدل‌های ارزیابی بلوغ داده‌محوری سخنرانی خواهم کرد.

زمان:
▪️پنجشنبه ساعت 15 الی 17 (30 دی ماه)

لینک:
https://b2n.ir/q18434

با احترام
محمدرضا محتاط
مجری پروژه ارزیابی بلوغ داده معاونت تحقیقات و فناوری وزارت بهداشت

@DataAnalysis

ویدیو وبینار ارزیابی بلوغ مدیریت داده محور

در لینک ذیل ویدیو وبینار کاربردی ارزیابی بلوغ مدیریت داده محور در سرفصل‌های ذیل قابل مشاهده می‌باشد:

▪️ویژگی‌های یک سازمان داده محور

▪️چالش‌های سازمان‌های ایرانی در عصر داده

▪️معرفی مدل‌های مرجع ارزیابی بلوغ کلان داده، مدیریت داده و....

▪️معرفی مدل بومی ارزیابی بلوغ داده‌محوری

لینک:
https://lms.atahub.ir/playback/presentation/2.0/playback.html?meetingId=fc63dff8860b33b84a8be4c842d885c3f59445ee-1642677998783

@DataAnalysis

فرصت شغلی متخصص علم داده در شرکت شاپرک

شرکت شاپرک فعال در صنعت پرداخت از متخصصین علم‌داده با شرایط ذیل دعوت به همکاری می‌نماید

◼️توانایی تحلیل و حل مساله‌های مرتبط با داده

◼️توانایی کارگروهی با داشتن روحیه مناسب برای ایفای نقش در تیم

◼️توانایی کار با نرم‌افزارهای مرتبط با تحلیل داده و زبان‌های برنامه نویسی نظیر Python و SQL

◼️توانایی ایجاد یا بهینه‌سازی مدل‌ها و الگوریتم‌های مرتبط به مسایل آماری، داده‌کاوی و یادگیری ماشین

◼️توانایی ایجاد داشبوردهای نمایش خروجی‌های مدل و ارائه گزارش به مدیریت

سابقه کار با داده‌های مقیاس بزرگ و آشنایی با صنعت پرداخت مزیت حساب می‌گردد

علاقه مندان می‌توانند رزومه خود را به ایمیل HRM@Shaparak.com ارسال نمایند.

@DataAnalysis

مقایسه میزان محبوبیت زبان‌های برنامه نویسی!

در ویدیو فوق میزان محبوبیت زبان‌های برنامه‌نویسی طی 17 گذشته مورد بررسی قرار گرفته است. میزان رشد زبان برنامه نویسی پایتون خیره کننده است.

@DataAnalysis

الْحَمْدُ لِلَّهِ الَّذِی جَعَلَنَا مِنَ الْمُتَمَسِّکِینَ بِوِلاَیَةِ أَمِیرِ الْمُؤْمِنِینَ عَلیِّ بنِ أَبِی طالِب وَ الْأَئِمَّةِ عَلَیْهِمُ السَّلاَمُ.

میلاد باسعادت مولود کعبه، امیرمؤمنان حضرت علی ابن ابیطالب علیه السلام و گرامیداشت روز پدر بر همگان مبارک باد.🌺
@DataAnalysis

🔸استخدام کارشناس ارشد مهندسی داده‌ در پژوهشگاه توسعه فناوری‌های پیشرفته #تهران

🔹نوع همکاری: تمام‌وقت
🔹سطح: ارشد (Senior)
🔹زمینه کاری شرکت: فناوری اطلاعات، نرم‌افزار و سخت‌افزار

مزایا: 🔹حقوق و مزایای مناسب 🔹محیط پویا 🔹بیمه 🔹قابلیت ارتقا 🔹صبحانه، نهار و میان وعده 🔹امریه سربازی

ارسال درخواست از طریق:👇
🔗 https://quera.org/r/AGDGdI
➖➖➖➖➖➖➖➖➖
@DataAnalysis

140 فرمول تخصصی یادگیری ماشین

در فایل ذیل مهمترین فرمول‌ها و روابط ریاضی و جبرخطی با تمرکز بر الگوریتم‌های مطرح یادگیری ماشین زیر آموزش و ارائه گردیده است.
▪️Naive Bayes
▪️Mixture Models
▪️EM Algorithm
▪️Maximum Likelihood
▪️Bayesian Networks
▪️k-NN, weighted NN
▪️Logistic Regression
▪️Principal Component Analysis
▪️Stochastic Gradient
▪️Neural Networks
▪️Collaborative Filtering
▪️Back Propagation
▪️Support Vector Machines
▪️Ridge and Lasso Regression

پی‌نوشت:
آشنایی و تسلط نسبی به این الگوریتم‌ها را به تمامی مهندسین یادگیری ماشین و متخصصین علم داده پیشنهاد میکنم. به طبع تسلط عمیق در پروژه‌های عملی میسر خواهد شد.

با احترام
محمدرضا محتاط

@DataAnalysis

وبینار کاربردها و چالش‌های علم داده در صنعت!

در این وبینار تخصصی درباره آخرین روندها و تکنولوژی‌های علوم داده در صنعت صحبت خواهم کرد.

تاریخ برگزاری رویداد: ۸ اسفندماه از ساعت ۱۷:۰۰ الی ۱۸:۳۰
سخنران: آقای محمدرضا محتاط – مشاور و متخصص ارشد علم‌داده

شرکت در این رویداد #رایگان است.
برای حضور در این #رویداد از لینک زیر استفاده کنید:
https://b2n.ir/h26934
و یا پخش زنده و همزمان رویداد را در صفحه اینستاگرام zarrinlearningacademy تماشا کنید.

@DataAnalysis

انتشار ویدیو جعل عمیق (Deep Fake) از پوتین

به تازگی یک ویدیو از پوتین منتشر گردیده است که سازندگان آن با بهره گیری از هوش مصنوعی اقدام به ساخت این ویدیوی جعلی نمودند. پوتین در این ویدیو اعلام میکند که پس از مذاکرات روسیه و اوکراین در بلاروس، اوکراین شهر کریمه را به روسیه می دهد. گمان می‌رود که این ویدیو در راستای جنگ روانی علیه روسیه ساخته شده باشد

قابلیت‌های هوش مصنوعی بسیار فراتر از آن هست که به حوزه مشخصی محدود گردد. از ارتقا قابلیت‌های نظامی تا عملیات‌های رسانه‌ای میتواند به دولت‌ها و حاکمیت‌ها کمک یا حتی باعث بروز فاجعه شود.

@DataAnalysis

تکنیک‌های مدیریت دادگان نامتوازن در یادگیری ماشین!

یکی از چالش‌های اساسی در پروژه‌های علوم داده وجود دادگان نامتوازن (Imbalance) در کلاس متغیر هدف است. بعنوان مثال در مساله تشخیص تقلب ما با حجم بسیار کمی از رکوردهایی با برچسب تقلب مواجه هستیم. در حالی که حجم دادگانی با برچسب عادی یا غیرتقلب بسیار بیشتر است. این تفاوت حجم دادگان سبب بروز خطا یا بایاس در مدل‌های یادگیری ماشین میشود.

جهت مدیریت دادگان نامتوازن روش‌های متعددی توسعه داده شده است. در فایل فوق با 10 متد زیر در مدیریت دادگان متوازن آشنا خواهید شد.
▪️ Random Under-Sampling
▪️ Random Over-Sampling
▪️ Random under-sampling with imblearn
▪️ Random over-sampling with imblearn
▪️ Under-sampling: Tomek links
▪️ Synthetic Minority Oversampling Technique (SMOTE)
▪️ NearMiss
▪️ Change the performance metric
▪️ Penalize Algorithms (Cost-Sensitive Training)
▪️ Change the algorithm

@DataAnalysis