📌واحد های اندازه گیری کامپیوتر



📎منبع
📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#کامپیوتر
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

#کتاب
📌کیبورد شورت کات های مخصوص عاشقان دیتا



📋جمع اوری کننده : عیلرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#کتاب
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌راهنمایی
✍سایت learndigital . Witgoogel . com یک سایت معتبر و معروف خارجیه به وسیله این سایت شما میتونید بطور مستقیم از گوگل و دانشگاه The Open University انگلستان که یکی از معتبرترین دانشگاه های دنیاست مدرک آنلاین بین المللی معتبر که در بزرگترین دانشگاه های دنیا مورد تایید هست دریافت کنید ، کافیه وارد این سایت بشید و داخل دسته بندی های رایگان روی عبارت = fundamentals of Digital marketing کلیک کنید ، میتونید ۲۶ دوره آموزشی رو شرکت کنید . جالبه بدونید همه این دوره ها رایگان هستن در صورتی که توی ایران با هزینه‌های بسیار بالا تدریس میشن.



📎منبع : توییتر فارسی

🔵منتظر شنیدن نظرات شما زیر این پست

#دوره_اموزشی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌نمای کلی از ساختمان داده ها




📋جمع اوری کننده : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست

#ساختمان داده
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌 Transfer Learaning
✍️ یکی از ایده های بسیار جذاب شبکه های عصبی مصنوعی Transfer Learning است....اگر بخواهم خیلی ساده توضیح بدهم میتوانم یک کودک را مثال بزنم که در حال یادگیری مفهوم مکعب است....ما برای اینکه به کودک یاد بدهیم که مکعب چیست، مستقیما تعداد زیادی مکعب به آن نشان نمیدهیم تا یاد بگیرد. بلکه در قدم اول مفهوم نقطه و خط و سپس مربع را به آن یاد میدهیم. سپس کافیست کودک یاد بگیرد که مکعب، از کنار هم قرار دادن 6 مربع در فضا تشکیل شده است. به عبارتی با یادگیری مفاهیم ساده تر از قبل، روند یادگیری مفهوم جدید برای کودک خیلی ساده تر میشود.

برای توضیح فنی تر و کمی حرفه ای تر باید شبکه عصبی ای را در نظر بگیرید که مثلا میخواهد انواع اتومبیل ها را طبقه بندی کند و با نشان دادن تصویر اتوموبیل، برند آن را تشخیص دهد. واضح است که برای آموزش این مدل، انرژی زیادی صرف یادگیری انواع خطوط و اشکال هندسی میشود. بنابراین اینجا ایده Transfer Learning به کار میرود.
کاری که انجام میشود این است، مدلی که از قبل مفاهیم خطوط را میفهمد را برمیداریم (به طور مثال بخشی از شبکه ResNet که روی میلیون ها داده از قبل Train شده است) سپس تعریف میکنیم که لایه های این مدل نباید Train شوند و پارامتر های آن باید ثابت باشند.
در قدم بعدی لایه های مدل خودمان را اضافه میکنیم که پارامتر های آن قابلیت Train شدن دارند و قرار است خصوصیات جدید را یاد بگیرند.
سپس دو مدل را به هم متصل میکنیم و با استفاده از مدل جدید میتوانیم تصاویر جدید را طبقه بندی کنیم.

✍️ شاید به نظر بیاید که کدنویسی این روند کار پیچیده ای باشد اما با keras به راحتی تمام این مراحل در چند خط کد قابل پیاده سازی است.
در مقاله زیر که توسط یکی از نویسندگان بزرگ شبکه های عصبی (Jason Brownlee) نوشته شده، تمام مراحل پیاده سازی این ایده توضیح داده میشود.
📎 لینک پیاده سازی

📋نویسنده متن : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#پیشرفته #شبکه_های_عصبی #مقاله #transfer_learning
——————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌normalization and it,s effect on breast cancer detection with MLP


✍️پیش پردازش داده (pre processing) یکی از مراحل مهم در هر پروژه یادگیری ماشین محسوب می‌شود.
در این نوت بوک قصد دارم به بررسی اهمیت استاندارد سازی(normalize) کردن داده برای classification توسط MLP(multi layer perceptron) بپردازم.
در این نوت بوک از دیتاست سرطان سینه (breast cancer) استفاده شده که هدفش تشخیص سرطان داشتن یا نداشتن فرد با توجه به پارامتر هایی مشخص هست.
نخست چندین نمودار از ویژگی های متفاوت رسم شده و سپس دو شبکه عصبی متفاوت روی دیتا ترین می‌شود؛
شبکه اول دارای تعداد لایه بیشتر و تعداد نورون بیشتر است اما شبکه دوم لایه ها و نورون های کمتری دارد.
در مدل دوم مشاهده می‌شود که به نتیجه بهتری دست یافته ایم.

استاندارد سازی (normalization) به انجام اعمالی رو داده ها می‌گویند که مقیاس داده ها را یکسان و قابل مقایسه با یکدیگر کنند.
دو متغیر میزان حقوق یک فرد و سن فرد رو در نظر بگیرید.
همونطور که میدونید حقوق به طور مثال از مرتبه هزاردلار در سال است اما سن عددی دو رقمی است.
بسیاری از الگوریتم های یادگیری ماشین به این اختلاف مقیاس بین داده ها حساس هستند .
استاندارد سازی روش های مختلفی دارد از جمله MinMaxScaling و StandardScaling و ......
که به کمک آن ها میتوان مقیاس داده ها را یکسان سازی کرد.

📎پیاده سازی

📋نویسنده متن : رامتین محمودی کاشانی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم

#MLP #شبکه_عصبی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Linear Regression and Classification


✍️یادگیری ماشینی چیست؟
فرض کنید می‌خواهیم مسئله‌ای را حل کنیم. یک راه این است که بنشینیم و یک سری کد مخصوص برای حل آن مسئله بخصوص بنویسیم. اما راه دیگر این است که از یک سری الگوریتم‌های عمومی استفاده کنیم. با این الگوریتم‌ها می‌شود بدون کد زدن اختصاصی برای هر مسئله، اطلاعات جالبی در مورد یک مجموعه داده به دست آورد. در واقع به جای کد زدن، داده‌ها را به عنوان ورودی به این الگوریتم‌های عمومی می‌دهیم و آنوقت الگوریتم خودش بر مبنای داده‌ها به طور خودکار منطق خودش را می‌سازد. اصطلاح «یادگیری ماشین»، یک اصطلاح کلی است که مجموعه‌ای از این الگوریتم‌های عمومی مختلف را در بر می‌گیرد.

بگذارید مثال بزنم. یکی از این الگوریتم‌های عمومی، الگوریتم طبقه بندی (Classification) است که داده‌ها را در گروه‌های مختلف قرار می‌دهد. با همین یک الگوریتم یکسان، هم می‌شود اعداد را در دست خط انسان تشخیص داد (طبقه بندی حروف و اعداد در دسته‌های جدا) و هم ایمیل‌ها را به دو دسته اسپم و غیر اسپم تقسیم کرد. حتی یک خط کد را هم لازم نیست تغییر بدهیم! الگوریتم یکسان است، اما مجموعه داده‌های آموزشی (Training Data Set) داده شده به آن متفاوت هستند و بنابراین منطق دسته‌بندی‌های نهایی در دو مورد هم با هم متفاوت خواهد بود.

در این جا، رگرسیون خطی و طبقه بندی را مورد بررسی قرار داره ایم

در لینک های زیر این دو الگوریتم به صورتی روان و کامل توضیح داده ایم.

📎Classification
📎Linear Regression



📋نویسنده متن و کد : علیرضا پرورش
🔵منتظر شنیدن نظرات شما زیر این پست هستیم

#Linear_Regression
#Classification
#ML
#مقدماتی
——————————————————————-
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Genetic Algorithms: Feature selection


✍️ یکی از مباحث قدیمی علوم کامپیوتر که همچنان در شبکه های عصبی کاربرد دارد، الگوریتم ژنتیک است. در این مقاله کمی به توضیح این الگوریتم میپردازیم، سپس کاربرد آن در شبکه های عصبی مصنوعی را توضیح میدهیم، سپس به پیاده سازی این الگوریتم در پایتون اشاره میکنیم.

فرض کنید یک لیست از 0 و 1 داریم و میتوانیم به هر لیستی یک عدد نظیر کنیم (تابعی از فضای بردارهای باینری به اعداد حقیقی داریم). هدف ما یافتن لیستی از اعداد است که کمترین عدد ممکن را به ما بدهد. (میخواهیم مقدار بهینه این تابع را پیدا کنیم.)
مسئله نامبرده شده یک مسئله بهینه سازی باینری است و یکی از معروف ترین الگوریتم ها برای حل این مسئله الگوریتم ژنتیک است.

توضیح الگوریتم ژنتیک: در این الگوریتم که از نظریه داروین و تکامل الهام گرفته شده، ابتدا تعدادی لیست رندوم (جواب های احتمالی) تولید میکنیم و به آنها جمعیت اولیه ژن ها میگوییم و هدف ما این است که این جمعیت را به یک جمعیت بهینه برسانیم.
در هر نسل تعدادی عمل mutation و crossover روی ژن ها انجام میدهیم. در عمل mutation یک ژن را انتخاب و یکی از عناصر آن را به طور رندوم تغییر میدهیم و در عمل crossover به نحوی از دو ژن، دو ژن جدید تولید میکنیم.
سپس تعدادی ژن برتر (با تابع هدف بهتر) را از یک نسل به نسل دیگر منتقل میکنیم.
در نهایت انتظار میرود پس از چند نسل، ژن هایی در جمعیت یافت شوند که تابع هدف در آنها مقدار نزدیک به بهینه را میدهند.

✍️ اما این الگوریتم چه کاربردی در شبکه های عصبی دارد؟ فرض کنید میخواهیم یک مدل طراحی کنیم و نمیدانیم چه خصوصیاتی از مدل اگر وجود داشته باشد، مدل ما دقیق تر و سریع تر است. مثلا میخواهیم از بین 1000 فیچری که تصویر دارد، 100 تای آن ها را برای آموزش شبکه انتخاب کنیم.
در اینجا یک لیست از 1 و 0 متناظر با انتخاب شدن و نشدن هر فیچر در نظر میگیریم و هدف ما یافتن فیچر هایی ست که با انتخاب آن ها مدل سریع تر آموزش ببیند (یعنی یافتن یک لیست از 0 و 1 ها). همچنین تابع هدف ما، دقت و سرعت مدل در چند مرحله اول با انتخاب آن فیچر هاست و این دقیقا یک مسئله بهینه سازی باینری است که برای حل آن میتوان از الگوریتم ژنتیک استفاده کرد.

✍️ در کد زیر الگوریتم ژنتیک به طور کامل پیاده سازی شده است. برای استفاده از این کد ابتدا مدل GeneticAlgorithmModel را میسازید، سپس در تابع compile توابعی مثل crossover را به مدل ورودی میدهید و سپس با صدا زدن fit مدل شروع به اجرای الگوریتم میکند.
📎My code for Genetic Algorithm

📎یک ویدیو 10 دقیقه ای برای توضیح الگوریتم ژنتیک

📋نویسنده متن و کد : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#Genetic_Algorithms
#Evolutionary_Algorithms
#Feature_Selection
#الگوریتم_های_تکاملی
#پایتون
#پیشرفته
———————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌گجت هوش مصنوعی
🎥 تو این ویدیو مؤسس شرکت Emotiv گجت جدیدشو معرفی میکنه که میتونه به انسان 👤 توانایی دستور دادن به کامپیوتر 💻، با استفاده از مغز 🧠 رو بده.... همون چیزی که خیلیامون تو فیلما📺 دیدیم.... تو ویدیو خودش میگه که تا چند سال دیگه احتمالا کاربرد این گجت هوشمند 🧠 رو تو تلفن ها 📱 و صنایع ⚙ دیگه به خصوص صنعت گیمینگ 🎮 میبینیم.... با خودم گفتم چه جالب، تا چند وقت دیگه از دسته گیمینگ 🎮 خبری نیست، اما بعد به تاریخ 📆 ویدیو نگاه کردم و دیدم مال 11 سال پیشه‼️ به نظرتون چرا بعد این همه مدت این تکنولوژی عمومی نشده؟قابل تامله🤔

📋جمع آوری کننده: محمدرضا باطنی
📎منبع : TED.com
🔵 منتظر شنیدن نظرات شما در زیر این پست هستیم.

#کلیپ_هفته
#چهارشنبه_های_علمی

------------------------------
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Numpy library: advanced matrix calculations with numpy


✍️ یکی از مهارت های مهم در برنامه نویسی امروزه، تسلط و کار کردن با ماتریس ها یا به طور کلی، تنسور هاست.

فرض کنید یک لیست چند بعدی از اعداد داریم، مثلا از آنجایی که هر پیکسل یک تصویر رنگی، معادل سه عدد (قرمز، سبز، آبی) است، لیست ما میتواند 480*640*3 باشد. ما میخواهیم روی این اعداد، عملیات هایی انجام دهیم.
یک راه این است که از یک لیست سه بعدی استفاده کنیم و روی تمام عناصر این لیست، یک حلقه بزنیم for i,j,k و در داخل حلقه عملیات های لازم را بنویسیم.
اما راه دیگر استفاده از ماتریس ها (به‌طور کلی تنسور ها) است.
تنسور ها، مجموعه ای چند بعدی از اعداد اند که عملیات های مختلفی روی آن تعریف شده.

✍️ در زبان پایتون، این تنسور ها تحت عنوان numpy array ها شناخته میشوند و برای شروع به کار با این تنسور ها، کافی ست کتابخانه numpy را import کنید.
import numpy as np

✍️ همچنین، این آبجکت با کتابخانه های دیگر همخوانی خوبی دارد. به طور مثال در کد زیر فایل یک عکس از کامپیوتر خوانده شده و به یک آرایه نامپای (w, h, 3) تبدیل شده است.
from PIL import Image
image = Image.open("img.jpg")
image_array = np.array(image)


✍️ به دو دلیل، استفاده از numpy array ها به جای nested loop ها در پایتون، سرعت اجرای برنامه را به شدت افزایش میدهد.

1-کتابخانه numpy با زبان c نوشته شده است و سرعت زبان c حتی گاهی تا 200 برابر زبان پایتون میباشد.
2-با نوشتن برنامه با numpy array ها به سیستم اجازه میدهید بخشی از عملیات (که مستقل از بقیه عملیات ها هستند) به طور موازی با بقیه هسته های پردازنده انجام‌ شود و از قابلیت های multiprocessing در کامپیوتر خود استفاده میکنید.


✍️ در نوت بوک زیز، تمام نکات این کتابخانه به طور کامل و بدون هیچ پیش نیازی توضیح داده شده و به خصوص در بخش پیوست شده، کد های پیشرفته تر آورده شده است.
خواندن بخش پیوست شده به افرادی که آشنایی کمی با نامپای دارند، یا از ابتدای نوت بوک را مطالعه کرده اند توصیه میشود.

📎My code for Advanced programming with numpy (using where function and comperative operators)

📋نویسنده متن و کد : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#Numpy
#Numpy_library
#نامپای
#پایتون
#مقدماتی
———————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌ChatGPT


✍️چت جی پی تی بات مکالمه گر جدید شرکت OpenAI هست که این روز ها همه درباره آن صحبت میکنند. باتی که به گزارش نیویورک تایمز، بهترین ربات هوش مصنوعی تاریخ در دسترس عموم نامیده شده. در کم تر از یک هفته یک میلیون کاربر در آن ثبت نام کرده اند و اخیرا شایعه شده است که مایکروسافت قرار است ده میلیارد دلار روی آن سرمایه گذاری کند.

در این مقاله قصد داریم کمی به توانایی های بینظیر این چت بات اشاره کنیم. همچنين به بعضی از تغییراتی که در حال رخ دادن هست اشاره میکنیم و میفهمیم که چرا ممکن است در چند سال آینده شاهد یک انقلاب تکنولوژیک در جهان باشیم. (در صورت نیاز به منبع هر کدام از مطالب گفته شده میتوانید به من پیام دهید.)

✍️ پس از ورود به سایت چت جی پی تی با یک تکست باکس مواجه میشوید که فقط میتوانید از طریق آن متن رد و بدل کنید. اما این مدل زبانی چه کار هایی میتواند انجام دهد؟

1-پاسخ به سوال: پس از کمی کار با این بات متوجه میشوید برای گرفتن جواب خیلی از سوال های ساده تان ترجیح میدهید از چت جی پی تی استفاده کنید تا یک موتور جستجوگر. چه نیازی ست در گوگل سرچ کنید، وارد یکی از سایت ها شوید و شروع به خواندن بکنید تا به بخش مورد نظر برسید وقتی چت جی پی تی که روی همان متن ها آموزش داده شده میتواند جواب یک خطی برای شما تولید کند؟

2-تولید متن: چت جی پی تی میتواند در عرض چند ثانیه چند صفحه متن، شعر و محتوا های مختلف از زبان های مختلف و با شرایط مختلف تولید کند. برای مثال از او بخواهید مانند یک دزد دریایی صحبت کند و یک داستان بنویسد.

3-خلاصه سازی و تحلیل متن: برای مثال یک متن طولانی از متن بدهید و درباره متن از چت جی پی تی سوال کنید.

4-تولید کد: این یک قابلیت بینظیر چت جی پی تی است که از طریق آموزش مدل روی داده های کد های گیت هاب به دست آمده. شما میتوانید خصوصیات یک صفحه وب را برای او توصیف کنید و چت بات به شما کد Html میدهد. اکنون فرض کنید پشیمان شده اید و میخواهید کد را در فریم وورک React داشته باشید. کافی است فقط از چت بات بخواهید.

5-تصحیح کد: کافی ست اروری که کد شما میدهد را به همراه کد در تکست باکس کپی کنید و چت بات برای شما کد را تحلیل میکند و آن را عیب یابی میکند و کد را اصلاح میکند.

6-آموزگار: از او بخواهید به شما پایتون یاد بدهد. امتحان کنید. باور کنید که از خیلی از سایت های آموزشی بهتر یاد میدهد.

بازی کردن، مشاوره، وانمود کردن به صحبت به عنوان فردی دیگر، جوک گفتن و توصیه کننده فیلم و موسیقی و... فقط بخشی از کاربرد های بینظیر دیگر این چت بات هست.

در واقع حتی برای نوشتن همین متن از کمک خود چت جی پی تی استفاده کردم. حتی در چند ماه گذشته در اغلب مواقع برای عیب یابی کد به جای عیب یابی کد هایم با استراتژی مشهورِ:
google -> stackoverflow -> an indian guy respond -> ctrl+c -> ctrl+v
از استراتژی جدید و بهینه ترِ:
chatgpt -> click on copy -> ctrl+v
استفاده کردم.

واضح است که چنین چت بات قدرتمندی (به همراه رقبای احتمالی آن در آینده) قرار است دنیای برنامه نویسان را تحت تاثیر قرار دهد. اما چگونه؟

در یک ماه اخیر بینهایت ویدیو منتشر شده که در آن برخی افراد بدون یک خط کد زدن، یک اپلیکیشن کامل را با کمک چت جی پی تی نوشته اند. کافی ست چیزی که میخواهید را خوب توصیف کنید، به اندازه کافی حوصله داشته باشید و پس از هر ارور، مشکل را به چت بات گزارش دهید و دانش کمی درباره اتصال کردن کد ها به هم داشته باشید.
در یکی از گفتگو های جالبی که با چت جی چی تی خواندم، از او خواستند مانند یک سیستم عامل لینوکس کار کند و در کمال تعجب همین کار را کرد. در آن گفتگو در سیستم عامل فرضی تعدادی فولدر و فایل درست میشود و حتی یکی از فایل های با پسوند py با پایتون فرضی اجرا میشود. اما این سیستم با استفاده از هیچ الگوریتم کلاسیکی ساخته نشده و همه آن یک مدل زبانی است و حتی این فایل ها در هیچ حافظه کلاسیکی ذخیره نمیشوند بلکه در دل متن ها وجود دارد.

من فکر میکنم همانطور که در گذشته تمایزی بین سیستم های آنالوگ و دیجیتال وجود داشت، در آینده ای نزدیک شاهد ظهور سیستم عامل ها یا زبان های برنامه نویسی بر پایه زبان طبیعی باشیم و با دو نوع سیستم عامل کلاسیک(منطقی) و هوشمند(فازی) در طرف باشیم.

شما چه فکر میکنید؟ فکر میکنید برنامه نویسان آینده چه شکلی اند؟ آیا از افرادی با زمینه ریاضی به افرادی با زمینه روانشناسی تبدیل میشوند؟ یا هر دو؟

در کامنت های این پیام میتوانید به بحث بپردازید. همچنین می‌توانید اسکرین شات برخی از چت های جالب یا خنده داری که با چت جی پی تی داشته اید را با ما به اشتراک بگذارید.

📎آدرس چت جی پی تی

📋نویسنده متن : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#ChatGPT #مقدماتی
—————————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

🔶 محافل گره، طرحی از دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر

🔹 همراه با تیم‌سازی هوشمند و کورس‌های جدید در حوزه‌های بین رشته ای
🔹کورس جدید NLP برای آشنا شدن با ترند روز تکنولوژی: ChatGPT
🔹 برای ثبت‌نام به کانال محافل گره مراجعه فرمایید.
@gereh_aut
@mcs_ssc

نشریهٔ علمی - دانشجویی حلقه

فصلنامهٔ دانشکدهٔ ریاضی و علوم‌کامپيوتر دانشگاه صنعتی امیرکبیر

📌 شماره هفتم

📆 تابستان ١۴٠١

⚪️ استفاده از مطالب و محتوای نشریه با ذکر منبع بلا مانع است.

⚪️ پذیرای انتقادها و پیشنهادهای شما هستیم🙏

انجمن علمی دانشکده ریاضی و علوم‌کامپیوتر دانشگاه صنعتی امیرکبیر(پلی‌تکنیک تهران)
🆔@halghe_aut

🔥ثبت‌نام رایگان دوره علوم کامپیوتر، برنامه نویسی پایتون و هوش مصنوعی سی‌اس‌فیفتی هاروارد شروع شد.
📌با امکان دریافت سرتیفیکیت معتبر سی‌اس‌فیفتی از دانشگاه هاروارد

✔️ ۱۱ جلسه دوره مبانی علوم کامپیوتر
✔️ ۹ جلسه دوره برنامه نویسی پایتون
✔️ ۷جلسه دوره هوش مصنوعی

☄️ همراه با هکاتون و نمایشگاه پایانی

🔴جهت ثبت‌نام رایگان و کسب اطلاعات بیشتر به این لینک مراجعه کنید :
🌐 cs50xtehran.ir

https://youtu.be/sgk2kQTqLC0

این ویدیو هم ترم پیش در همین مورد تو دانشگاه ارائه شده و تقریباً تمام ریاضیات و مفاهیم این موضوع گفته شده...

👨🏻‍💻 مِهریار مُهری استاد دانشگاه کورانت آمریکا کتاب «مبانی یادگیری ماشین» رو به همراه نسخه آنلاین، درسنامه‌ها، تمرین‌ها و پروژه‌های کتاب، به رایگان در اختیار علاقه مندان حوزه علوم داده قرار داده است.

☑️ بیشتر مطالب ارائه شده در این کتاب کاربردی هستند و نتیجه ۱۴ سال تدریس یادگیری ماشین و نظرات و پیشنهادات دانشجویان دوره تحصیلات تکمیلی یادگیری ماشین هست. برای دسترسی به این کتاب، می‌تونید از لینک های زیر استفاده کنید.


┌ 🏷 Foundations of Machine Learning
├ 📕 PDF
├ 📖 EBOOK
├ 📝 Lecture slides
└ 🖥 Website

#️⃣ #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖

🟩مثل اینکه اپدیت جدید تلگرام اومده
اپدیت کنین اونایی هم که پرمیوم نیستن میتونن از قابلیت استوری استفاده کنن🟩

——————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

📌Reinforcement Learning: Autonomous Driver Game


✍️ یکی از شاخه های جذاب هوش مصنوعی، یادگیری تقویتی است؛ در این برنامه ها، شما یک عامل (agent) دارید که در یک محیط شبیه سازی شده در حال یادگیری روش انجام کنش های متفاوت برای رسیدن به هدفی مشخص است؛ برای مثال در یک بازی شطرنج، شما یک عامل هستید که در حال تلاش برای پیروزی هستید و هوش مصنوعی ای که حریف شما است با استفاده از الگوریتم های RL آموزش داده شده است.

در این نوع الگوریتم ها معمولا به دلیل اینکه تابع مشتق پذیری برای بهینه سازی وجود ندارد و تابع شما عملا بازخورد های دریافتی از محیط است، از الگوریتم های تکاملی برای یادگیری استفاده می‌شود.

✍️ در بازی زیر، تعدادی ماشین وجود دارند که به عنوان ورودی، اطلاعات 5 سنسور روبروی خود را میگیرند (در ویدیو با ضربدر نشان داده شده است) سپس با استفاده از یک شبکه عصبی دو لایه، تصمیم می‌گیرد که چقدر فرمان را بچرخاند، چقدر گاز را فشار دهد و چقدر ترمز را بگیرد. همچنین وزن های این شبکه با استفاده از الگوریتم ژنتیک آپدیت میشوند، یعنی هر ژن معادل لیست تمام وزن ها پشت هم است و تابع سود هر ژن، برابر تابعی از مقدار پیشروی هر ماشین در هر نسل و سرعت میانگین آن است.

✍️ محیط بازی هم با استفاده از pygame برنامه نویسی شده است و دیدن کد، برای علاقه مندان به بازی سازی، میتواند جذاب باشد.

✍️ کد پایتون و ویدیوی نمایش بازی و توضیحات الگوریتم ژنتیک پیوست شده اند.

📎Video
📎Code
📎Genetic algorithm post

📋نویسنده متن و کد : محمدرضا باطنی
🔵منتظر شنیدن نظرات شما زیر این پست هستیم.

#Reinforcement_Learning #Genetic_Algorithms #Neural_Networks
#Game_Development
#پیشرفته
—————————————————————
🔷 کانال هوش مصنوعی پرورش
🌐 @parvvaresh_ch

فایل راهنمای نگارش رزومه همراه با چند نمونه از دانشگاه مک گیل

@ahforoughii

برای ایرانیان خارج از کشور :

این برنامه، که برای اندروید توسعه داده شده و در حال حاضر رایگان است، برای ساده‌سازی دسترسی به وب‌سایت‌های بانکی ایران، پورتال‌های دولتی، خدمات تلویزیونی و بیشتر برای کاربران خارج از کشور طراحی شده است. با استفاده از این برنامه، شما به راحتی می‌توانید IP خود را تغییر دهید تا به نظر برسد که داخل ایران هستید. چه شما سعی داشته باشید بطور مثال به سیستم بانک، خدمات الکترونیکی قوه قضائیه دسترسی پیدا کنید یا به سادگی نرم‌افزار و فیلم‌ها را از منابع ایرانی دانلود کنید، این چالش متداول توسط برنامه ما پاسخ داده شده است.

نظرات شما برای ما ارزشمند است. لطفا برای ما در فروشگاه Google Play نقد و بررسی بنویسید. برای دانلود نسخه اندروید:
https://play.google.com/store/apps/details?id=yuzvpn.com

اگر احساس می‌کنید که برنامه ما مفید است، لطفا آن را با دیگران به اشتراک بگذارید. لطفا توجه فرمایید نسخه iOS در حال توسعه است و به زودی منتشر خواهد شد. وبسایت رسمی ما:
https://www.yuzvpn.com
Telegram: https://news.1rj.ru/str/leoinfi

For Iranians outside the country :

This application, developed for Android and currently free of charge, is designed to streamline access to Iranian banking websites, governmental portals, television services, and more for users abroad. By using this app, you can effortlessly change your IP to appear as if you're accessing from within Iran. Whether you're trying to access the Bank's system, the electronic services of the Judiciary, or simply download software and movies from Iranian sources, this common challenge is addressed by our application.

We highly value your feedback. Please leave us a review on the Google Play Store. To download the Android version:
https://play.google.com/store/apps/details?id=yuzvpn.com

If you find our application beneficial, kindly share it with others. We'd like to inform you that the iOS version is in the works and will be released soon.
Our official website :
https://www.yuzvpn.com/
Telegram: https://news.1rj.ru/str/leoinfi