طراحی بازیکنان فوتبال در نرم افزار R

با ما همراه باشید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

#علم_داده در ۶۰ ثانیه
با ما همراه باشید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

بیشترین ابزارهایی که برای #یادگیری_ماشین و #علم_داده به گفته سایت KDnuggets استفاده میشود
با ما همراه باشید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

با ما همراه باشید به زودی با نرم افزار R نتیجه جام جهانی را پیش بینی و منتشر خواهیم کرد.

با ما همراه باشید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

برای حدود ۵ سال، سوپرکامپیوتر چینی Sunway TaihuLight به عنوان بزرگترین و قدرتمندترین سوپر کامپیوتر دنیا شناخته می شد، اما اکنون با معرفی Summit اوضاع تغییر کرده است. از این ابر کامپیوتر جدید توسط آزمایشگاه ملی دپارتمان انرژی Oak Ridge پرده برداری شده است. در ادامه با معرفی و اطلاعات جالبی از این قدرتمندترین سوپر کامپیوتر دنیا با ما همراه باشید.
https://t.iss.one/Data_Experts

قدرتمندترین سوپر کامپیوتر دنیا توانایی انجام دویست petafloops یا ۲۰۰،۰۰۰ تریلیون محاسبه بر ثانیه را دارد! بنابراین می توان سرعت محاسباتی آن را ۸ برابر سریعتر از Titan (دیگر ابر کامپیوتر ساخته شده توسط ORNL) تخمین زد. Sunway چینی هم حداکثر ظرفیت اجرای صد و بیست و پنج petafloops را دارد، بنابراین سرعت محاسباتی Summit در حداکثر ظرفیت خود ۶۰ درصد بالاتر از Sunway می باشد. این سوپرکامپیوتر با نسخه ی
Red Hat Enterprise Linux
اجرا می شود.
یک ابرکامپیوتر قدرتمند مانند Summit، از نظر اندازه هم باید بسیار بزرگ باشد.

https://t.iss.one/Data_Experts

این قدرتمندترین سوپر کامپیوتر دنیا مساحتی به اندازه ی دو زمین تنیس را اشغال می کند. این ابر کامپیوتر در این فضای بزرگ، ۴۶۰۸ سرور و در حدود ۹۰۰۰ پردازنده ۲۲ هسته ای IBM Power9 و ۲۷۰۰۰۰ پردازنده گرافیکی Nvidia Tesla V100 را در اختیار دارد. الکتریسیته ی مورد نیاز برای کار Summit به اندازه ای زیاد است که با آن می توان برق حدود ۸۰۰۰ منزل مسکونی را تامین کرد! برای خنک کردن این ابر کامپیوتر در هنگام محاسبات هم نیاز به ۱۵۰۰۰ لیتر آب در دقیقه می باشد.
به نظر شما این قدرت پردازش فوق العاده بالا چه کاربردهایی می تواند داشته باشد؟ Summit قرار است تا با قدرت هوش مصنوعی و یادگیری ماشینی خود به دانشمندان امکان کشف کردن چیزهایی را بدهد که کشف آن ها تا به امروز ممکن نبوده است.
در حال حاضر، محققان ORNL توانسته اند تا با استفاده از Summit اولین محاسبه ی علمی exascale را در جهان انجام دهند (یعنی یک بیلیون بیلیون محاسبه بر ثانیه!).
تاکنون پروژه های مختلفی برای این ابرکامپیوتر جدید، از جمله یافتن سوپرنواها، چگونگی به پایان رسیدن فلزاتی نظیر آهن در بدن ما، توسعه ی یک متریال جدید، آنالیز داده های پزشکی برای یافتن سرطان و غیره تعریف شده است.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

#Summit
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

☯️ و اینگونه بود که کمر علم امار شکست 😀

#طنز_اماری
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

جهت یادگیری الگوریتمهای کاربردی و تمرین مسایل مختلف در حوزه #علم_داده این کتابها پیشنهاد میشوند
#یادگیری_ماشین
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

آموزش و یادگیری #علم_داده در یک قاب با نرم افزار r
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

#داده_کاوی را با نرم افزار R و بصورت کاربردی یادبگیرید
«با ما همراه باشید»
#تحلیل_احساسات
#تحلیل_شبکه_اجتماعی
https://github.com/aadishchopra
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••

#شبکه‌های_عصبی_مصنوعی
( Artificial Neural Network ANN)

یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است.
این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.
*فلسفهٔ اصلی شبکهٔ عصبی مصنوعی، مدل کردن ویژگی‌های پردازشی مغز انسان برای تقریب زدن روش‌های معمول محاسباتی با روش پردازش زیستی است. به بیان دیگر، شبکهٔ عصبی مصنوعی روشی است که دانش ارتباط بین چند مجموعهٔ داده را از طریق آموزش فراگرفته و برای استفاده در موارد مشابه ذخیره می‌کند. این پردازنده از دو جهت مشابه مغز انسان عمل می‌کند:
یادگیری شبکهٔ عصبی از طریق آموزش صورت می‌گیرد.
وزن‌دهی مشابه با سیستم ذخیره‌سازی اطلاعات، در شبکهٔ عصبی مغز انسان انجام می‌گیرد.
ادامه دارد.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

مثالی کاربردی #شبکه_عصبی در نرم افزار R
در انتهای این برنامه به خاطر هنگ نشدن سیستمتان از اجازه بدید فقط چندبارخروجی رو نمایش دهد بعد جلوگیری کنید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

تخصصهای مورد نیاز برای کشور نیوزیلند برای مهاجرت و اشتغال در زمینه آی تی
❇️ @ai_python

دانلود لیست کامل همه شغلهای مورد نیاز در کشور نیوزیلند برای بلند مدت جهت مهاجرت و اشتغال

❇️ @ai_python

مثالی کاربردی جهت آشنایی با #درخت_تصمیم(طبقه بندی).«با ما همراه باشید»
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

مثالی کاربردی جهت اشنایی با #رگرسیون #درخت_تصمیم جهت باز کردن این فایل با نرم افزار r باز شود
«با ما همراه باشید»
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

#معرفی_پکیج و تغییر نحوه نمایش پلاتها به شیوه ای جذاب و متنوع
devtools::install_github("xvrdm/ggrough")
با ما همراه باشید


╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

#یادگیری_عمیق ( Deep learning) (#یادگیری_ژرف) یک زیر شاخه از #یادگیری_ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) .
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار ‌بی‌نظارت و نیمه نظارتی وجود دارد.انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده‌است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های #پردازش_زبان‌های_طبیعی، #پردازش_تصویر ایجاد کرده‌اند.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
در حقیقت عبارت یادگیری عمیق، بررسی روش‌های تازه برای #شبکه_عصبی_مصنوعی است.

برترین کتابخانه‌های زبان برنامه‌‌نویسی پایتون در حوزه علم‌داده!
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯

Project Reports and Posters, Spring 2018




پروژه ها و پوسترهای #یادگیری_عمیق 2018 دانشگاه استنفورد از بین این موضوعات داغ و روز همچنین موضوعات مختلف رو برای کارهای پژوهشی خود پیدا کنید

╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯