DataCamp – Telegram
DataCamp
1.93K subscribers
22 photos
1 video
4 files
87 links
Data Science & Machine Learning
Download Telegram
گوگل به تازگی کتابخانه متن باز خود با نام تنسورفلو (TensorFlow) را که ابزاری قدرتمند برای محاسبات عددی و یادگیری ماشینی است، معرفی کرده است.
تنسورفلو 5 برابر سریع‌تر از نرم‌افزار یادگیری ماشینی قبلی گوگل عمل می‌کند و می‌تواند با سرعت بسیار بیشتری عکس‌ها، اطلاعات تلفن‌های هوشمند، مکالمات انجام شده و دیگر انواع داده را تحلیل کرده و از آن‌ها بیاموزد. از این نرم‌افزار در امکانات جدید گوگل مانند پاسخ هوشمند در جیمیل استفاده می‌شود.
کتابخانه مذکور برای زبان‌های Python و ++C توسعه یافته، درعین حال بسته‌های شخص ثالث آن برای محیط‌های دیگر مثل R نیز در دسترس است.
وب‌سایت اصلی پروژه :‌ https://www.tensorflow.org/
لیست کامل و کاربردی از مقالات، ویدئوها، کتاب‌ها و پروژه‌های مرتبط با تنسورفلو در گیت‌هاب:‌ https://github.com/jtoy/awesome-tensorflow
پکیج قدرتمند tsfresh برای تحلیل سری‌های زمانی در زبان پایتون امروز در صدر مخازن پرطرفدار گیت‌هاب قرار گرفته است:
https://github.com/blue-yonder/tsfresh
لیستی از مدل‌های شناختی که در آن از CNTK استفاده شده است:
https://www.microsoft.com/en-us/research/product/cognitive-toolkit/model-gallery/
پس از ۵ سال نسخه 1.0.0 نرم افزار RStudio یکی از بهترین و کاملترین رابط‌های کاربری برای زبان R منتشر شد:
https://blog.rstudio.org/2016/11/01/announcing-rstudio-v1-0/
حالا دیگر ماشین‌ها هم می‌توانند ما را بترسانند!
سه تن از محققان دانشگاه MIT با استفاده از تکنیک‌های یادگیری عمیق (deep learning) و هوش مصنوعی، الگوریتمی طراحی کرده‌اند که می‌تواند تصاویری ترسناک و مشمئزکننده تولید کند.
وب سایت پروژه:
http://nightmare.mit.edu/
این روزها همه جا سخن از تنسورفلو - کتابخانه هیجان‌انگیز گوگل برای یادگیری ماشین- است .
به تازگی یک کشاورز ژاپنی با استفاده از تنسورفلو سیستمی را برای سورت و بسته‌بندی خیارهای گلخانه‌ای پیاده‌سازی کرده است :)
توضیحات کامل به همراه تصاویر در وبلاگ گوگل:
https://cloud.google.com/blog/big-data/2016/08/how-a-japanese-cucumber-farmer-is-using-deep-learning-and-tensorflow
وب سایت code school یکی از بهترین منابع برای یادگیری زبان‌های برنامه‌نویسی از طریق ویدئوهای آموزشی است، از 18 تا 20 نوامبر می‌توانید به صورت رایگان از همه دوره‌های این سایت استفاده کنید:
https://www.codeschool.com/free-weekend
یک منبع مفید و کاربردی برای فرمول‌ها و قضایای آمار و احتمال (کوک بوک)
دانلود فایل پی دی اف در 31 صفحه: 👇👇👇
مجموعه‌ای کامل و جدید از ویدئوهای مرتبط با آموزش دیتا ساینس در دانشگاه هاروارد
https://matterhorn.dce.harvard.edu/engage/ui/index.html#/2016/01/14328
دوره آموزشی «یادگیری عمیق» (deep learning)،
در این دوره رایگان که مدت آن ۷ هفته است، مبانی یادگیری عمیق برای برنامه‌نویسان بر اساس سرفصل‌های دانشگاه سان فرانسیسکو در قالب ویدئو تدریس می‌شود:
http://course.fast.ai/
مصاحبه مفصل و خواندنی Huffington Post با Andrew Ng یکی از چهره‌های برجسته در زمینه یادگیری ماشین و هوش مصنوعی، بنیانگذار Google Brain ، یکی از بنیانگذاران بزرگترین وب‌سایت آموزش آنلاین یعنی Coursera ، مدرس یکی از بهترین دوره‌های یادگیری ماشین در Coursera و هم اکنون رییس بخش تحقیقات در غول تکنولوژی چین یعنی Baidu و نیز استاد استنفورد و ...
http://www.huffingtonpost.com.au/2015/05/13/andrew-ng_n_7267682.html
سال نو (2017) مبارک 🌷🌷🌷

7⃣1⃣0⃣2⃣ یک عدد اول است ... همچنین:

حاصل‌ضرب 2017π وقتی به نزدیک‌ترین عدد صحیح گرد شود نیز یک عدد اول است.

حاصل‌ضرب 2017e وقتی به نزدیک‌ترین عدد صحیح گرد شود نیز یک عدد اول است.

مجموع همه اعداد اول قبل از 2017 با خودش یعنی 3+5+7+11+...+2017 نیز یک عدد اول است!

عدد اول قبل از 2017 برابر است با 2017 + (7 - 1 - 0 - 2)
و عدد اول بعد از 2017 برابر است با 2017 + (7 + 1 + 0 + 2)

2017 را می‌‌توان به صورت مجموع مکعب سه عدد اول نوشت: p^3 +q^3 +r^3

عدد 20170123456789 نیز یک عدد اول است!

2017 امین عدد اول 17539 است و 201717539 نیز یک عدد اول است.

اگر p=2017 آنگاه p+1 / 2 و p+2 / 3 اعداد اول هستند.

ده رقم اول (صحیح و اعشاری) از ریشه سوم 2017 شامل همه اعداد 0 تا 9 هست، 2017 آخرین عدد صحیحی است که این خاصیت را دارد!

2017 برابر است با 2 به توان یازده منهای یازدهمین عدد اول!

امیدوارم همه چیز این سال همین قدر زیبا و هیجان انگیز باشه 🌺
👍1
انتشارات Orielly به تازگی مجموعه‌ای از کتاب‌های مرتبط با مباحث بیگ دیتا، دیتا ساینس و هوش مصنوعی را به رایگان در دسترس عموم قرار داده است:
http://www.oreilly.com/data/free/archive.html
آموزش یادگیری ژرف (Deep Learning)، دانشگاه استنفورد:
http://ufldl.stanford.edu/tutorial/