@WearebiTs

توییتر : https://twitter.com/clcoding

رمپ آپ دوره ماشین لرنینگ که لینکش رو توی کانال ai_python گذاشتیم.

@WearebiTs

Twitter: https://twitter.com/clcoding

@WearebiTs #SQL
انواع جوین ها در SQL

🚀 Elevate your event streaming capabilities with a Dedicated #Azure #EventHubs cluster! Learn how to create, scale, and manage your own cluster. Read more here: https://msft.it/6019iNtBc

@WearebiTs

Put controls in place to grant or block access when resources are requested. See how to use Conditional Access in Microsoft Entra

https://youtu.be/ZfapPBwteBE #AccessManagement

@WearebiTs

Orbits.
Made with #python, #matplotlib and #numpy.
@WearebiTs

توییتر

✔️ معرفی #منابع پیشنهادی برای #یادگیری_عمیق
قدم اول برای یادگیری عمیق
#یادگیری_ماشین #پردازش_زبان_طبیعی #هوش_مصنوعی #آموزش #شبکه_عصبی_کانوولوشن #شبکه_عصبی #منابع
✅1 - فراگیری مفاهیم مقدماتی یادگیری ماشین
مباحث آموزشی دکتر هینتون و بنجیو و لکون
👈 لینک
✅ فیلم های اموزشی یادگیری ماشین و یادگیری عمیق دکتر رضوی
👈 لینک
✅ تسلط بر مباحث برنامه نویسی پایتون و کار با تنسرفلو وکراس

✅ تسلط بر مباحث ریاضیات و جبر از دانشگاه MIT
👈 لینک
✔️ معادلات ماتریسی یادگیری عمیق دانشگاه کالیفرنیا جنوبی
👈 لینک
✔️ استفاده از سایت بسیار مشهور که به وسیله پژوهشگران برتر هدایت میشود
https://fast.ai
👈 لینک

📚 2 - مطالعه منابع عمیق دانشگاه ها و ...
یادگیری عمیق دانشگاه آکسفورد
👈 لینک 👈 لینک ۲ 👈 لینک ۳ 🖋فیلمهای این دانشگاه
❌ آموزش های شبکه ای کانولوشن و یادگیری ماشین و ...
⁉️ لینک
❌ وبسایتی که آموزشها و مقالات را از سال ۲۰۱۲ تا ۲۰۱۶ قابل دسترس است
⁉️ لینک
❌ شبکه عصبی کانولوشن برای تشخیص بصری
⁉️ لینک
❌ پردازش زبان طبیعی برای یادگیری ماشین
⁉️لینک
❌ مدرسه تابستانی یادگیری عمیق مونترال
⁉️ لینک ۱ ⁉️ لینک ۲
❌ شبکه کانولوشن عصبی و شبکه عصبی
⁉️ لینک
🔍 یادگیری شبکه های عصبی جفری هینتون کورسرا

📘 کلاس شبکه های عصبی دانشگاه اوشربروک کانادا
👈لینک
📕منابع یادگیری ماشین دانشگاه کالتک برای یادگیری نظری ها
👈 لینک
📘 3 - معرفی کتابها
Neural Networks and Deep Learning Book by Michael Nielsen
Deep Learning Book by Ian Goodfellow, Yoshua Bengio and Aaron Courville

📘 4 - سایر منابع
CS231n Convolutional Neural Networks for Visual Recognition University of Stanford
Getting Started in Computer Vision by Mostafa S. Ibrahim he focus on GPU and ...

🗓 پردازش زبان طبیعی دانشگاه استنفورد
👈 لینک 👈لینک ۲
🗓 مطالعه مقاله درمورد حافظه شبکه
👈 لینک
📘 مطالعه مقاله پایه ای حافظه شبکه و NLP
👈 لینک
ویدیوهای شرکت DeepMind
👈 لینک

❇️ یادگیری عمیق تقویتی
👈 لینک کتابهای
❇️ فهم یادگیری LSTM
👈 لینک
❇️ اثر بخشی ناعادلانه RNN
👈 لینک
✔️ مدل های تولیدی
✅ مقاله جهت یادگیری مدلهای GANs
👈لینک
✅ یادگیری مدل VANs
👈 لینک
✅ مقاله نوشته شده دکتر Ian Goodfellow در مورد GAN
👈 لینک
✅ مقاله نوشته شده LAPGAN
👈 لینک
✅ مقاله نوشته شده در مورد DCGAN
👈لینک مقاله 👈 لینک کدها
✅ استفاده از روش DCGAN برای تصاویر کیفیت بالا
👈 لینک
✅ فیلم های یادگیری عمیق برای پردازش تصویر
👈 لینک
🌐 ساخت پروژه
👈 لینک دیتا
🌐 شناسایی و طبقه بندی تصاویر
👈 لینک ۱ 👈 لینک ۲
🌐 تحلیل احساسات با استفاده از RNN
👈لینک
و با استفاده از CNN
👈 لینک
🌐 کاربرد الگوریتم عصبی سبک هنری
👈لینک
🌐 ساخت موسیقی با استفاده از RNNs
👈 لینک
🌐 ساخت بازی پینگ پونگ با استفاده از یادگیری عمیق تقویتی
👈 لینک
✳️ استفاده از شبکه عصبی Rate a selfie
👈 لینک
✳️ استفاده از رنگ عکسهای سیاه و سفید با استفاده از یادگیری عمیق
👈 لینک
✳️ سایر منابع یادگیری عمیق از پژوهشگران برتر کارپاتی
👈 لینک مقالات
✳️ لینک یادگیری عمیق دانشگاه استنفورد
👈 لینک ۱ 👈 لینک
✳️ یادگیری عمیق
👈 لینک ۲

@WearebiTs

پیدا کردن سریع فایل ها در ریپازیتوری گیت هاب
@WearebiTs

روزی روزگاری، در دیار فناوری‌های پیشرفته، شهری بود به نام دیتاپلیس. در این شهر، شرکت‌های بزرگ و کوچکی زندگی می‌کردند که همگی یک رویا داشتند: تبدیل داده‌ها به گنجینه‌ای از ارزش.
@WearebiTs
شرکت‌ها تصور می‌کردند که جادوگری به نام هوش مصنوعی وجود دارد که با یک جادوی ساده، داده‌ها را به طلا تبدیل می‌کند. اما جادوگر واقعی، که نامش دانش داده‌ها بود، نقشه‌ای پیچیده‌تر از آنچه شرکت‌ها فکر می‌کردند داشت.
@ai_python
در این نقشه، ابتدا داده‌ها از معادن اطلاعاتی، که در گوشه و کنار شهر قرار داشتند، استخراج می‌شدند. این داده‌ها پس از گذر از فرآیندهای پیچیده‌ای چون پاکسازی، طبیعی سازی و طبقه بندی ویژگی ها، به مرحله‌ای می‌رسیدند که مدل‌هایی شبیه به اشکال جادویی در آن‌ها پرورش می‌یافت.

سپس، این مدل‌ها در کلاس‌های آموزشی که توسط اساتید بزرگ مانند ارزیابی و تنظیم پارامترها، آموزش می‌دیدند، به توانایی‌های خاصی دست می‌یافتند. در نهایت، پس از ثبت نام و اعزام به دنیای واقعی، می‌توانستند کاربردهای عملی پیدا کنند و به نظارت و بازآموزی ادامه دهند.
@TechTik
اما داستان به همین‌جا ختم نمی‌شد. قهرمانان ما، یعنی مدل‌های جادویی، باید با دشمنانی چون قوانین و محدودیت‌های اخلاقی و شفافیت، تاریخچه‌ای از تعصب و مسائل امنیتی دست و پنجه نرم می‌کردند. این موانع، همچون غول‌هایی بودند که بر سر راه موفقیت قرار داشتند و باید با زیرکی و مهارت شکست داده می‌شدند.

و در پایان، هر شرکتی که توانایی مقابله با این موانع را داشت، می‌توانست از داده‌ها، گنجینه‌ای واقعی بسازد و به افسانه‌های دیتاپلیس بپیوندد. و آن‌ها که نمی‌توانستند، به تاریخ می‌پیوستند ...

گروه پرسش و پاسخ علوم کامپیوتر

@WearebiTs

دستورات SQL

گروه پرسش و پاسخ علوم کامپیوتر

انواع داده و مشخصات آن ها در پایتون
@WearebiTs
لینک توییتر

من خیلی گیج بودم راجع به این آپشن کامیونیتی توییتر. اگر شما هم گیج بودید مث من این توتوریال خیلی مختصر و مفیده : https://metricool.com/twitter-communities/

@WearebiTs