دیروز نشستم نقاشی کشیدم😅.
رو این کاغذ شطرنجی ها میتونید معماری شبکه عصبی مورد نظرتون رو طراحی کنید، برای درک بهتر عالیه این کار.

⚙@melaneepython

در شبکه های عصبی کدوم تابع های فعال سازی (Activation Functions ) رو برای کدوم الگوریتم استفاده کنیم؟

⭐ برای شبکه های  CNN و MLP معمولا تابع ReLU استفاده میشه.

⭐برای شبکه های RNN معمولا توابع Sigmoid و tanh استفاده میشن.

⭐تابع ReLU یک تابع جنرال هست که برای اکثر شبکه های عصبی میتونه استفاده بشه.

⚠️ توجه: در مواردی که ذکر شد قانون خاصی وجود نداره، شما همه ی توابع فعالسازی غیر خطی مخصوص hidden layers رو میتونید استفاده کنید، مهم اینه که به بهترین عملکرد الگوریتم تون برسید.

✅نکته:

⭐ توابع فعال سازی برای Output layer:
Linear
Sigmoid
Softmax

⭐توابع فعال سازی برای  Hidden layer:
ReLU
Sigmoid
tanh


⁉️اگر در این پست موردی رو اشتباه گفتم ریپلای کنید بگید چون صرفا تجربه ی شخصی خودم بودند.


⚙@melaneepython

در ادامه مطالعات زبان شناسیم در حوزه ی NLP به نتایج جالبی رسیدم. اینکه هر زبانی برای خودش کتابخانه ها، کلاس ها و توابع بخصوص خودش رو برای برنامه نویسیش داره. مثلا برای زبان آلمانی 🇩🇪 چون قواعد نحویش فرق داره با زبان انگلیسی کلا برنامه نویسیش هم فرق داره.

در حوزه ی NLP برای زبان هر کشوری در جهان فرصت های شغلی و تحقیقاتی جدیدی بوجود اومده. هر قوم و ملیتی برای زبان خودش میتونه کتابخانه های برنامه نویسی مخصوص خودش رو بنویسه.

یکی از چالش های کاری که قبلا سرکار باهاش مواجه شدم جمع آوری دیتا و کار کردن با انواع فرمت فایلی که دیتام داخلش ذخیره شده بود از قبیل sql, docx , pdf, xlsx , txt, json و غیره بوده.

به عنوان یک دیتا ساینتیست شما باید مهارت سر و کله زدن با انواع فرمت فایل رو داشته باشید.

#دیتا_ساینتیست
#تجربه_کاری

یکی از منابعی که الان بچه های دکترای علوم کامپیوتر-گرایش هوش مصنوعی دارند میخونند این کتاب هست. فایلش رو از چنل آقای مهندس میلاد وزان براتون میفرستم.

Machine Learning
Zhi-Hua Zhou
Translated by Shaowu Liu
Springer Nature

معرفی کتاب:

📕Book: Natural Language Processing with Python 

👨‍🏫 Author: Steven Bird, ...

✅ Pages: 504

💥 Publisher: O'reilly

یک منبع فارسی برای یادگیری ماشین

نویسنده: محمد علی زارع چاهوکی

یک منبع فارسی برای شبکه های عصبی مصنوعی

نویسنده: حوریه اصفهانیان


این منابع فارسی که معرفی میکنم بیشتر برای مبتدی ها مناسبه و الا منابع اصلی نیستند.

همیشه برام یکی از ابزارهای جذابی که وب دولوپر ها استفاده میکنند ابزار Chrome Dev Tools بوده😎.
کاربردهای Inspect Element زیاده که باید به عنوان یک دیتاساینتیت ماهم بلدش باشیم، بخصوص قسمت Network اش که میشه کلی اطلاعات خوب ازش استخراج کرد مثلا لود سایت چقدره، تعداد رکوئست ها و ...

در ادامه دو تا لینک مفید که از یوتیوب پیدا کردم رو براتون بالا گزاشتم❤.

تایتل هاش:
- Chrome dev tools network traffic

- Extracting data from network requests

توصیه های یک دیتاساینتیست رو در یک گروهی میخوندم که تجربه مصاحبه با شرکت های خارجی داشتند ایشون و الان در آلمان هستند.

حتما حتما برای بخش کد زنی مصاحبه، نمونه مسائل سایت لیت کد (LeetCode) رو حل کنید.

یه زمین بازی واسه داکر پیدا کردم براتون🤩.‌

تو این زمین هیچی نصب نیست به جز خود داکر و سبک ترین توزیع لینوکس دنیا (alpine)!

دیگه واسه اله کلنگ و سرسره بازیش هم خودتون باید Image های دلخواهتون رو نصب کنید😅، خود داکر هم ازش پشتیبانی میکنه😍🐳.


https://www.docker.com/play-with-docker/

به نظر من مهمترین نکته ی داکر اینه:

When we run a Dockerfile, docker Image is created and when we run docker Image, docker Container is created.

🐳🐳🐳🐳

دو تا پروژه ی کوچیک‌ پایتون با داکر 🐳:

https://m.youtube.com/watch?v=0UG2x2iWerk

یه مقاله فارسی خوب راجب NLP

نویسنده: آرش دهقانیان

تو لینوکس همه چیز یک "فایل" هست!🐧

این جمله تاثیرگزار ترین جمله ای بود که در کورس داکر آقای Mosh Hamedani شنیدم!

"In linux everything is a File, including devices, directories, network socket, ... ."