🖥 5 ریپوی گیت‌هاب
✅ برای موفقیت در «مصاحبه‌های علم داده»


1️⃣ ریپوی 100Days of ML Code

⏪ یه چالش صد روزه برای آموزش یادگیری ماشین! این ریپو یه برنامه‌ریزی کامل برای صد روز یادگیری و تمرین کدنویسی رو بهت می‌ده تا با کلی از مباحث یادگیری ماشین آشنا بشی.

📎 لینک: GitHub-Repos

➖➖➖➖➖➖➖➖➖

2️⃣ ریپوی Awesome Data Science

⏪ این مخزن یه لیست منتخب از منابع عالی علم داده مثل کتاب‌ها، نرم‌افزارها و ابزارهاست که توسط جامعه متن باز نگهداری می‌شه.

📎 لینک: GitHub-Repos

➖➖➖➖➖➖➖➖➖

3️⃣ ریپوی Data Science for Beginners

⏪ مخزنی از مایکروسافت که یه دوره 10 هفته‌ای با 20 درس برای مبتدی‌ها داره. هر درس شامل ویدیو، کوییز، چالش و کلی موارد دیگه‌ست.

📎 لینک: GitHub-Repos

➖➖➖➖➖➖➖➖➖

4️⃣ ریپوی ML Interviews

⏪ مخزنی شامل سوالات مصاحبه‌های یادگیری ماشین از مباحث پایه تا موضوعات پیچیده مثل شبکه‌های عصبی و یادگیری تقویتی.

📎 لینک: GitHub-Repos

➖➖➖➖➖➖➖➖➖

5️⃣ ریپوی Data Science Python Notebooks

⏪ این مخزن شامل یه مجموعه نوت‌بوک‌های ژوپیتر در زمینه‌های مختلف علم داده مثل یادگیری عمیق، یادگیری ماشین، تحلیل داده‌ها و مباحث پایه پایتون هست.

📎 لینک: GitHub-Repos



🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

🎯 با این روش مشکل داده‌های نامتوازن رو به سادگی حل کن!


👨🏻‍💻 یه مشکل مهم تو یادگیری ماشین، داده‌های نامتوازن هستن؛ یعنی یکی از کلاس‌ها (مثلاً موارد نادر) تعدادشون خیلی کمتر از بقیه‌ست. اگه بخوای این موارد کم‌یاب رو هم درست‌تر پیش‌بینی کنی، باید یه فکری براشون بکنی. یکی از روش‌های معروف، SMOTE‌ هست.


❓ حالا SMOTE دقیقاً چی کار می‌کنه؟ ایده‌ش خیلی ساده و در عین حال تاثیرگذاره:

1️⃣ اول SMOTE میاد سراغ هر نقطه قرمز (یعنی کلاس اقلیت) و نزدیک‌ترین همسایه‌های قرمز اون رو پیدا می‌کنه.

2️⃣ یه همسایه رو به صورت تصادفی انتخاب می‌کنه و بین اون دو تا نقطه یه خط مستقیم فرض می‌کشه.

3️⃣ یه نقطه جدید، جایی روی همین خط (هر جایی که شد، کاملاً تصادفی) ایجاد می‌کنه.

4️⃣در آخر این کار رو برای همه نمونه‌های اقلیت تکرار می‌کنه (یا تا زمانی که تعداد کافی داده مصنوعی ساختیم).


⏪ به این ترتیب، با تولید داده مصنوعی بین نقاط واقعی اقلیت، داده‌ها متعادل‌تر می‌شن و مدل (مثلاً رگرسیون لجستیک) می‌تونه مرز تصمیم‌گیری بهتری بذاره و نقاط نادر رو هم بهتر یاد بگیره.


┌ 🧬 SMOTE
└ 📖 Documentation



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🕰 ۱۰ مدل برتر پیش‌بینی سری‌های زمانی


1️⃣ مدل TCN

✏️ مدل کانولوشنی برای درک الگوهای بلندمدت در سری‌های زمانی.

✔️ خوبیش اینه که: سریع، موازی و پایدار آموزش می‌بینه.

❌ بدیش اینه که: ساختارش برای بعضیا که با RNN کار کردن، ممکنه گیج‌کننده باشه.

💡 کاربرد: سیگنال‌های پرنوسان، سری‌های با حافظه طولانی، داده‌های حسگر یا بازار مالی.

➖ ➖ ➖

2️⃣ مدل TS-Mixer

✏️ مدل سبک و سریع مبتنی بر شبکه عصبی MLP برای سری‌های پیچیده.

✔️ خوبیش اینه که: سریع، قابل توسعه و مناسب داده‌های سنگین و پرتراکم.

❌ بدیش اینه که: هنوز بیشتر در فاز تحقیقاتی استفاده می‌شه.

💡 کاربرد: داده‌های چندمتغیره و پرتکرار مثل قیمت رمزارز، ترافیک شبکه یا داده‌های صنعتی.

➖ ➖ ➖

3️⃣ مدل TimesNet

✏️ مدل عمیق برای یادگیری الگوهای چندلایه و بلندمدت زمانی.

✔️ خوبیش اینه که: برای پیش‌بینی‌های بلندمدت با چند فصل‌پذیری عملکرد عالی داره.

❌ بدیش اینه که: هنوز کاربردهای تجاری زیادی براش منتشر نشده.

🔧 کاربرد: سری‌های پیچیده مثل آب‌وهوا، مصرف انرژی یا تحلیل روند بلندمدت بازار.

➖ ➖ ➖

4️⃣ مدل N-BEATS

✏️ مدل یادگیری عمیق بدون فرض خاص روی ساختار سری زمانی.

✔️ خوبیش اینه که: انعطاف‌پذیر و مستقل از ساختار خاصیه.

❌ بدیش اینه که: نیاز به داده زیاد داره و تفسیر نتایجش ساده نیست.

🔧 کاربرد: پیش‌بینی روند و فصل‌پذیری در سری‌های بدون الگوی مشخص.

➖ ➖ ➖

5️⃣ مدل DeepAR / DeepVAR

✏️ مدل دنباله‌ای مبتنی بر RNN برای پیش‌بینی توزیعی

✔️ خوبیش اینه که: با تعداد زیادی سری مشابه خیلی خوب مقیاس‌پذیره.

❌ بدیش اینه که: تو درک وابستگی‌های خیلی طولانی ممکنه ضعف داشته باشه.

💡 کاربرد: پیش‌بینی فروش در فروشگاه‌های مختلف یا عملکرد شعب مختلف یک سیستم.

➖ ➖ ➖

6️⃣ مدل Temporal Fusion Transformer

✏️ مدل attentionمحور برای تحلیل سری‌های چندمتغیره پیچیده.

✔️ خوبیش اینه که: هم اطلاعات گذشته رو خوب می‌فهمه، هم وضعیت فعلی رو.

❌ بدیش اینه که: تنظیماتش پیچیده‌ست و دیتای زیاد می‌خواد.

💡 کاربرد: پیش‌بینی‌های بلندمدت با ورودی‌های متنوع مثل قیمت، دما، تقویم و رویداد.

➖ ➖ ➖

7️⃣ مدل Prophet

✏️ مدل جمع‌پذیر با توانایی تشخیص روند، فصل‌پذیری و مناسبت‌ها.

✔️ خوبیش اینه که: استفاده‌ش راحته و خودش فصل‌ها و تعطیلات رو تشخیص می‌ده.

❌ بدیش اینه که: تو نوسانات سریع یا جهش‌های ناگهانی دقیق نیست.

💡 کاربرد: داده‌های کسب‌وکار، تحلیل فروش، کمپین‌های بازاریابی و گزارش‌های فصلی.

➖ ➖ ➖

8️⃣ مدل Gradient Boosting با ویژگی‌های lag

✏️ مدل درخت تصمیم با ویژگی‌های مهندسی‌شده زمانی (مثل lag و rolling mean).

✔️ خوبیش اینه که: با الگوهای پیچیده و داده‌های غیرخطی خوب کنار میاد.

❌ بدیش اینه که: باید خودت دستی ویژگی‌های زمانی بسازی.

💡 کاربرد: سری‌های چندمتغیره با متغیرهای خارجی مثل تبلیغات، قیمت یا شرایط آب‌وهوا.

➖ ➖ ➖

9️⃣ مدل Exponential Smoothing

✏️ مدل آماری برای سری‌هایی با روند یا فصل‌پذیری نرم.

✔️ خوبیش اینه که: سریع، ساده و قابل تفسیر توسط افراد غیرمتخصص هم هست.

❌ بدیش اینه که: توی داده‌های پرنوسان یا با تغییرات شدید عملکرد ضعیفی داره.

💡 کاربرد: داده‌های آرام و فصلی مثل مصرف انرژی یا تولید ماهانه کارخانه‌ها.

➖ ➖ ➖

1️⃣ مدل ARIMA / SARIMA

✏️ مدل کلاسیک آماری برای سری‌های خطی و فصلی.

✔️ خوبیش اینه که: توی داده‌های پایدار و فصلی عالی کار می‌کنه.

❌ بدیش اینه که: برای داده‌های غیرخطی یا وقتی متغیر بیرونی داریم، ضعف داره.

💡 کاربرد: پیش‌بینی فروش، دما، یا روندهای کوتاه‌مدت تک‌متغیره.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa