#هوش_مصنوعی یا هوش ماشینی (Artificial Intelligence) . هوش مصنوعی به سیستم‌هایی گفته میشود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی، آن را به عنوان «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، عصب‌شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه‌سازی جستجو کرد و کاربردهای گوناگون و فراوانی در #علوم_رایانه، #علوم_مهندسی، #علوم_زیست‌شناسی و #پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.
از زبان‌های برنامه‌نویسی هوش مصنوعی می‌توان به «پایتون» و... اشاره کرد.
یک «عامل هوشمند» سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد.[۳] جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.
هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده‌تر شدن فرایند تصمیم‌گیری، استفاده از سیستم‌های اطلاعاتی به خصوص سیستم‌های هوش مصنوعی در تصمیم‌گیری، اهمیت بیشتری یافته‌است. هوش مصنوعی گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان - به عبارتی حیات انسان - توجه متخصصین را به استفاده از سیستم‌های پشتیبان تصمیم‌گیری در امور پزشکی جلب نموده‌است. به همین دلیل، استفاده از انواع مختلف سیستم‌های هوشمند در پزشکی رو به افزایش است، به گونه‌ای که امروزه تأثیر انواع سیستم‌های هوشمند در پزشکی مورد مطالعه قرار گرفته‌است.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، عصب‌شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه‌سازی جستجو کرد و کاربردهای گوناگون و فراوانی در #علوم_رایانه، #علوم_مهندسی، #علوم_زیست‌شناسی و #پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.
از زبان‌های برنامه‌نویسی هوش مصنوعی می‌توان به «پایتون» و... اشاره کرد.
یک «عامل هوشمند» سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد.[۳] جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.
هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده‌تر شدن فرایند تصمیم‌گیری، استفاده از سیستم‌های اطلاعاتی به خصوص سیستم‌های هوش مصنوعی در تصمیم‌گیری، اهمیت بیشتری یافته‌است. هوش مصنوعی گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان - به عبارتی حیات انسان - توجه متخصصین را به استفاده از سیستم‌های پشتیبان تصمیم‌گیری در امور پزشکی جلب نموده‌است. به همین دلیل، استفاده از انواع مختلف سیستم‌های هوشمند در پزشکی رو به افزایش است، به گونه‌ای که امروزه تأثیر انواع سیستم‌های هوشمند در پزشکی مورد مطالعه قرار گرفته‌است.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
Random Forest .R
972 B
مثالی کاربردی جهت آشنایی با #جنگل_تصادفی
«با ما همراه باشید»
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
«با ما همراه باشید»
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
🔴 #استخدامی_بانک_کارآفرین🔴
✅بانک کارآفرین برای تصدی شغل مدیریت امور فناوری اطلاعات
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
👈 در راستای تأمین بخشی از نیروی انسانی مورد نیاز خود جهت تصدی سمت #کارشناس در شهر #تهران دعوت به همکاری می‌نماید. متقاضیان می‌توانند ضمن مطالعه شرایط به شرح ذیل، نسبت به دانلود و تکمیل فرم درخواست همکاری اقدام نمایند.
👈 پس از تکمیل فرم، فایل را در دو فرمت word و pdf با نام system job به آدرس پست الکترونیکی [email protected]
ارسال نمایند.
👈 هر گونه درخواست ارسال شده خارج از چهارچوب و فرمت ارائه شده در این سند یا ارسال به سایر آدرس‌های پست الکترونیک، مورد بررسی قرار نخواهد گرفت.
✅ #شرایط_داوطلبان
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
👈 دارا بودن مدرک تحصیلی حداقل کارشناسی در رشته‌های مرتبط با فناوری اطلاعات
👈 دارا بودن حداقل معدل 15
👈 دارا بودن کارت پایان خدمت و یا معافیت دائم غیرپزشکی درخصوص متقاضیان آقا
👈 تسط به سیستم عامل (Windows، Linux (Red hat) و Unix)
👈 آشنایی با مجازی سازی (VMWARE)
👈 آشنایی با Storage
👈 آشنایی با سخت افزار (برندHP)
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
✅بانک کارآفرین برای تصدی شغل مدیریت امور فناوری اطلاعات
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
👈 در راستای تأمین بخشی از نیروی انسانی مورد نیاز خود جهت تصدی سمت #کارشناس در شهر #تهران دعوت به همکاری می‌نماید. متقاضیان می‌توانند ضمن مطالعه شرایط به شرح ذیل، نسبت به دانلود و تکمیل فرم درخواست همکاری اقدام نمایند.
👈 پس از تکمیل فرم، فایل را در دو فرمت word و pdf با نام system job به آدرس پست الکترونیکی [email protected]
ارسال نمایند.
👈 هر گونه درخواست ارسال شده خارج از چهارچوب و فرمت ارائه شده در این سند یا ارسال به سایر آدرس‌های پست الکترونیک، مورد بررسی قرار نخواهد گرفت.
✅ #شرایط_داوطلبان
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
👈 دارا بودن مدرک تحصیلی حداقل کارشناسی در رشته‌های مرتبط با فناوری اطلاعات
👈 دارا بودن حداقل معدل 15
👈 دارا بودن کارت پایان خدمت و یا معافیت دائم غیرپزشکی درخصوص متقاضیان آقا
👈 تسط به سیستم عامل (Windows، Linux (Red hat) و Unix)
👈 آشنایی با مجازی سازی (VMWARE)
👈 آشنایی با Storage
👈 آشنایی با سخت افزار (برندHP)
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
#یادگیری_ماشین به عنوان یکی از شاخه‌های وسیع و پرکاربرد #هوش_مصنوعی و یادگیری ماشین (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام میشود چراکه نرم‌افزار یادگیری ماشینی آنها چگونگی رتبه‌بندی صفحات وب را درک کرده‌است. هنگامی که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است. هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص میکند نیز به همین دلیل است که کامپیوتر شما آموخته‌است که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
این همان یادگیری ماشین است. این علمی است که باعث میشود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.
#هدف یادگیری ماشین این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفهٔ مورد نظر پیدا کند. گسترهٔ این وظیفه میتواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
طیف پژوهش‌هایی که در یادگیری ماشینی میشود گسترده‌است. در سوی نظری‌ی آن پژوهش‌گران بر آن‌اند که روشهای یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روشهای یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو رویکرد هستند.
یادگیری ماشین کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها میکند. به عنوان مثال در صنعت نفت و پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه و تحلیل داده‌ها، الگوریتم‌هایی تنظیم میشود که در حفاری‌های بعدی بیشترین نتیجه و استخراج بهینه ای را داشته باشیم.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
شما احتمالاً چندین بار در روز از یادگیری ماشین استفاده می‌کنید، حتی بدون آنکه بدانید. هر بار که شما یک جستجوی اینترنتی در گوگل یا بینگ انجام می‌دهید، یادگیری ماشینی انجام میشود چراکه نرم‌افزار یادگیری ماشینی آنها چگونگی رتبه‌بندی صفحات وب را درک کرده‌است. هنگامی که فیس‌بوک یا برنامه عکس اپل دوستان و تصاویر شما را می‌شناسد، این نیز یادگیری ماشین است. هر بار که ایمیل خود را چک می‌کنید و فیلتر هرزنامه شما را از داشتن مجدد هزاران هرزنامه خلاص میکند نیز به همین دلیل است که کامپیوتر شما آموخته‌است که هرزنامه‌ها را از ایمیل غیراِسپم تشخیص دهد.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
این همان یادگیری ماشین است. این علمی است که باعث میشود کامپیوترها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند.
#هدف یادگیری ماشین این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفهٔ مورد نظر پیدا کند. گسترهٔ این وظیفه میتواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
طیف پژوهش‌هایی که در یادگیری ماشینی میشود گسترده‌است. در سوی نظری‌ی آن پژوهش‌گران بر آن‌اند که روشهای یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روشهای یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو رویکرد هستند.
یادگیری ماشین کمک فراوانی به صرفه جویی در هزینه‌های عملیاتی و بهبود سرعت عمل تجزیه و تحلیل داده‌ها میکند. به عنوان مثال در صنعت نفت و پتروشیمی با استفاده از یادگیری ماشین، داده‌های عملیاتی تمام حفاری‌ها اندازه‌گیری شده و با تجزیه و تحلیل داده‌ها، الگوریتم‌هایی تنظیم میشود که در حفاری‌های بعدی بیشترین نتیجه و استخراج بهینه ای را داشته باشیم.
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
Forwarded from DLeX: AI Python (Farzad)
🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥
«#مقاله پیشبینی نتیجه #جام_جهانی 2018 با تاکید بر توانایی تیم ها»
با ما همراه باشید
Link
#یادگیری_ماشین
🔥🔥@AI_Python
«#مقاله پیشبینی نتیجه #جام_جهانی 2018 با تاکید بر توانایی تیم ها»
با ما همراه باشید
Link
#یادگیری_ماشین
🔥🔥@AI_Python
Forwarded from DLeX: AI Python (Farzad)
با ما همراه باشید و دوستان خود را فرا بخوانید لینک کانال را با دوستان خود به اشتراک بزارید
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
╭──•═✾🔘✾═•──╮
••• @Data_Experts •••
──•═✾🔝✾═•──╯
Forwarded from DLeX: AI Python (Farzad)
Forwarded from DLeX: AI Python (Farzad)
Here’s 10 free books which I think every data scientist should have on their shelf.
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
📌1- Python data science handbook essential tools for working with data (Jake VanderPlas 2016)
https://lnkd.in/gWK-XdP
📌2- Practical Data Science (Andreas François Vermeulen 2018) https://lnkd.in/gvizJre
📌3- Beginning Data Science in R (Thomas Mailund 2017)
https://lnkd.in/gEHiNVh
📌4- Introduction to Deep Learning Using R (Taweh Beysolow II 2017)
https://lnkd.in/gQJv9vs
📌5- Machine Learning For Absolute Beginners, 2nd Edition(Oliver Theobald 2018)
https://lnkd.in/gP8v64u
📌6- Machine Learning with TensorFlow (Nishant Shukla 2018)
https://lnkd.in/g2GJBHi
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
📌7- Practical Python AI Projects (Serge Kruk 2018)
https://lnkd.in/gBfhDWT
📌8- Pro Hadoop Data Analytics (Kerry Koitzsch 2017)
https://lnkd.in/gbjum8w
📌9- Data Science For Dummies, 2nd Edition (Jake Porway, Lillian Pierson 2017)
https://lnkd.in/gUZ6BNi
📌10- Data Science Fundamentals for Python and MongoDB (David Paper 2018)
https://lnkd.in/gpCzrwV
#هوش_مصنوعی
#یادگیری_ماشین
#علم_داده
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
📌1- Python data science handbook essential tools for working with data (Jake VanderPlas 2016)
https://lnkd.in/gWK-XdP
📌2- Practical Data Science (Andreas François Vermeulen 2018) https://lnkd.in/gvizJre
📌3- Beginning Data Science in R (Thomas Mailund 2017)
https://lnkd.in/gEHiNVh
📌4- Introduction to Deep Learning Using R (Taweh Beysolow II 2017)
https://lnkd.in/gQJv9vs
📌5- Machine Learning For Absolute Beginners, 2nd Edition(Oliver Theobald 2018)
https://lnkd.in/gP8v64u
📌6- Machine Learning with TensorFlow (Nishant Shukla 2018)
https://lnkd.in/g2GJBHi
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
📌7- Practical Python AI Projects (Serge Kruk 2018)
https://lnkd.in/gBfhDWT
📌8- Pro Hadoop Data Analytics (Kerry Koitzsch 2017)
https://lnkd.in/gbjum8w
📌9- Data Science For Dummies, 2nd Edition (Jake Porway, Lillian Pierson 2017)
https://lnkd.in/gUZ6BNi
📌10- Data Science Fundamentals for Python and MongoDB (David Paper 2018)
https://lnkd.in/gpCzrwV
#هوش_مصنوعی
#یادگیری_ماشین
#علم_داده
╭──•═✾🔘✾═•──╮
••• @AI_Python •••
──•═✾🔝✾═•──╯
Forwarded from IEC2-2019
🔶نخستین دوره مسابقه #IEC🔶
#داده_کاوی، در زمینه جمع سپاری مالی استارتاپ ها
‼️مهلت ثبت نام تا پنجشنبه ۷ تیر #تمدید_شد
دانشکده مهندسی صنایع | دانشگاه صنعتی شریف
✴️ @iec_97
#داده_کاوی، در زمینه جمع سپاری مالی استارتاپ ها
‼️مهلت ثبت نام تا پنجشنبه ۷ تیر #تمدید_شد
دانشکده مهندسی صنایع | دانشگاه صنعتی شریف
✴️ @iec_97
ابزارهای #کلان_داده
الگو های ذخیره سازی کلان داده:
الگوی Facade : سیستم فایل توزیع شده هدوپ HDFS از الگوی نوبتی Facade برای رسیدگی به انباره داده های قدیمی استفاده میکند.
🔥@Data_Experts
الگوی Lean : با HBase تنها با استفاده از یک ستون خانوادگی و یک ستون و یک کلید سطر یکتا عمل شاخص گذاری را انجام می دهد.
الگوی NoSQL : سیستم RDBMS قدیمی توسط NoSQL ها برای دستیابی به داده ها با سرعت بالاتر و پرس و جوهای کلان داده ای جایگزین میشود.
الگوی Polygot : انواع مختلف مکانیزم های ذخیره سازی مثل RDBMS ,NoSQL,CMS, OODBMS,HDFS بطور همزمان در سیستم وجود دارد تا مسائل کلان داده موجود را پاسخگو باشند.
🔥@Data_Experts
یک نمونه از دستگاه پکیج شده
سازنده های دستگاه ها با چندین پیکربندی
توزیع نرم افزاری هدوپ :
Cloudera, Hortonwork,MAPR
ذخیره سازی:
پایگاه داده ستونی RAID و HP Vertica
زیرساخت:
HP Proliant Server
🔥@Data_Experts
تحلیل/بصری سازی:
SAS
یادگیری ماشین :
R
لیست سازنده های کلان داده با چندین پیکربندی:
برند EMC
ملحقات همراه با برند:
Greenplum appliance + EMC Storage HW+ Pivotal HD(Hadoop Distributation) + TeraData
برند Oracle
ملحقات همراه برند:
Exadata + Sun SPARC Servers + Exalytics
🔥@Data_Experts
برند IBM :
ملحقات همراه برند:
Big Insights + Netezza + PureData + PureSysyems
با تشکر از:@Movahed_n28
منبع : https://www.tanoco.ir/datamining/%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%DA%A9%D9%84%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7/
الگو های ذخیره سازی کلان داده:
الگوی Facade : سیستم فایل توزیع شده هدوپ HDFS از الگوی نوبتی Facade برای رسیدگی به انباره داده های قدیمی استفاده میکند.
🔥@Data_Experts
الگوی Lean : با HBase تنها با استفاده از یک ستون خانوادگی و یک ستون و یک کلید سطر یکتا عمل شاخص گذاری را انجام می دهد.
الگوی NoSQL : سیستم RDBMS قدیمی توسط NoSQL ها برای دستیابی به داده ها با سرعت بالاتر و پرس و جوهای کلان داده ای جایگزین میشود.
الگوی Polygot : انواع مختلف مکانیزم های ذخیره سازی مثل RDBMS ,NoSQL,CMS, OODBMS,HDFS بطور همزمان در سیستم وجود دارد تا مسائل کلان داده موجود را پاسخگو باشند.
🔥@Data_Experts
یک نمونه از دستگاه پکیج شده
سازنده های دستگاه ها با چندین پیکربندی
توزیع نرم افزاری هدوپ :
Cloudera, Hortonwork,MAPR
ذخیره سازی:
پایگاه داده ستونی RAID و HP Vertica
زیرساخت:
HP Proliant Server
🔥@Data_Experts
تحلیل/بصری سازی:
SAS
یادگیری ماشین :
R
لیست سازنده های کلان داده با چندین پیکربندی:
برند EMC
ملحقات همراه با برند:
Greenplum appliance + EMC Storage HW+ Pivotal HD(Hadoop Distributation) + TeraData
برند Oracle
ملحقات همراه برند:
Exadata + Sun SPARC Servers + Exalytics
🔥@Data_Experts
برند IBM :
ملحقات همراه برند:
Big Insights + Netezza + PureData + PureSysyems
با تشکر از:@Movahed_n28
منبع : https://www.tanoco.ir/datamining/%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%DA%A9%D9%84%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7/
آکادمی داده کاوی انجام پروژه ها و پایانامه های داده کاوی دانشجوی کارشناسی ارشد و دکترا
ابزارهای کلان داده (بیگ دیتا) - آکادمی داده کاوی انجام پروژه ها و پایانامه های داده کاوی دانشجوی کارشناسی ارشد و دکترا
الگو های ذخیره سازی کلان داده: الگوی Facade : سیستم فایل توزیع شده هدوپ HDFS از الگوی نوبتی Facade برای رسیدگی به انباره داده های قدیمی استفاده میکند. الگوی Lean : با HBase تنها با استفاده از یک ستون خانوادگی و یک ستون و یک کلید سطر یکتا عمل شاخص گذاری را…
This media is not supported in your browser
VIEW IN TELEGRAM
🔥#معرفی_پکیج rayshader میتواند تصاویر شما را بصورت 3d و جایگزین کانتور میتواند باشد 🔥«با ما همراه باشید»
https://www.tylermw.com/
devtools::install_github("tylermorganwall/rayshader")
🔥🔥@Data_Experts
https://www.tylermw.com/
devtools::install_github("tylermorganwall/rayshader")
🔥🔥@Data_Experts
Forwarded from DLeX: AI Python (Meysam Asgari)
This media is not supported in your browser
VIEW IN TELEGRAM
Browsh
براوزر تحت خط فرمان 😐
خیلی خوبه
لینک
دمو:
بدون نیاز به Authentication
دانلود و نصب
❇️ @ai_python
براوزر تحت خط فرمان 😐
خیلی خوبه
لینک
دمو:
ssh brow.shبدون نیاز به Authentication
دانلود و نصب
❇️ @ai_python
اگه هفته ای ۵ ساعت صرف نمیکنی چیزی یادبگیری پس بی مسیولیتی!!
لینک مطلب کلیک کن👉
پ.ن: ما رو نمیگه این ما مطالعه داریم😐
🔥@Data_Experts
لینک مطلب کلیک کن👉
پ.ن: ما رو نمیگه این ما مطالعه داریم😐
🔥@Data_Experts
با سلام به همراهان عزیز
در ۱۲ و ۱۳ جولای کنفرانس CARMA2018 با عنوان "کنفرانس روشهای تحلیلی پیشرفته" با موضوعات #بیگ_دیتا در
🔥@Data_Experts
#آمارهای_رسمی، بیگ دیتا در بانک های مرکزی، #بلاک_چین، #نقش_تحولات_دیجیتالی در شاخص های اقتصادی و مالی، #متن_کاوی و #هوش_مصنوعی برگزار خواهد شد
استاد دکتر آشفته مقاله زیر را در این کنفرانس ارایه کرده اند که در ادامه مختصری در این مورد برای شما ارسال خواهیم کرد
Mining Big Data in statistical systems of the monetary financial institutions Afshin Ashofteh
به نظر می رسد پرداختن به این موضوعات به علت تغییر شگرف نحوه انجام کار در دنیای کنونی یک الزام اجتناب ناپذیر است.
🔥@Data_Experts
به موضوعات این کنفرانس با آدرس زیر نگاهی بیاندازیم که خود گویای این تغییرات شگرف خواهد بود.
https://www.carmaconf.org/program/
امید است در کنار رسیدگی به الزامات امروز، از فردا غافل نشویم.
در ادامه نوشته ای کوتاه از استاد دکتر افشین آشفته ارسال خواهیم کرد
🔥@Data_Experts
در ۱۲ و ۱۳ جولای کنفرانس CARMA2018 با عنوان "کنفرانس روشهای تحلیلی پیشرفته" با موضوعات #بیگ_دیتا در
🔥@Data_Experts
#آمارهای_رسمی، بیگ دیتا در بانک های مرکزی، #بلاک_چین، #نقش_تحولات_دیجیتالی در شاخص های اقتصادی و مالی، #متن_کاوی و #هوش_مصنوعی برگزار خواهد شد
استاد دکتر آشفته مقاله زیر را در این کنفرانس ارایه کرده اند که در ادامه مختصری در این مورد برای شما ارسال خواهیم کرد
Mining Big Data in statistical systems of the monetary financial institutions Afshin Ashofteh
به نظر می رسد پرداختن به این موضوعات به علت تغییر شگرف نحوه انجام کار در دنیای کنونی یک الزام اجتناب ناپذیر است.
🔥@Data_Experts
به موضوعات این کنفرانس با آدرس زیر نگاهی بیاندازیم که خود گویای این تغییرات شگرف خواهد بود.
https://www.carmaconf.org/program/
امید است در کنار رسیدگی به الزامات امروز، از فردا غافل نشویم.
در ادامه نوشته ای کوتاه از استاد دکتر افشین آشفته ارسال خواهیم کرد
🔥@Data_Experts
Data Experts
با سلام به همراهان عزیز در ۱۲ و ۱۳ جولای کنفرانس CARMA2018 با عنوان "کنفرانس روشهای تحلیلی پیشرفته" با موضوعات #بیگ_دیتا در 🔥@Data_Experts #آمارهای_رسمی، بیگ دیتا در بانک های مرکزی، #بلاک_چین، #نقش_تحولات_دیجیتالی در شاخص های اقتصادی و مالی، #متن_کاوی و…
بخش اول دستنوشته ای مختصر در رابطه با بررسی روش های نوین مواجهه با مشکلات تغییر سیاست ها و قوانین بانکی، بحران ها و داده های حجیم نامتوازن در مدل های هوش مصنوعی مالی که برای بانک ها در دنیای کنونی بسیار حیاتی است.
🔥@Data_Experts
معمولا تعیین حدود قانونی برای موارد مختلف مالی مانند سقف اهدای وام حداکثر تا دوبرابر سرمایه اولیه و غیره مورد استفاده منابع نظارتی است و در این راستا استفاده از نسبت های مالی و ارزیابی وضعیت کنونی بانک مانند درآمد خالص، کل سرمایه و زیان خالص و میانگین تسهیلات اعطایی و لیزینگ مدنظر قرار می گیرد.
در گذشته بخش نظارتی بانک ها با استفاده از داده های مالی و صورت های مالی بانک ها که توسط حسابرسان مستقل و ناظران بانکی مورد بررسی قرار می گرفت به امر نظارت و تشخیص میزان دقت و صحت داده های سرجمع شده می پرداختند و ناظران و حسابرسان با تحلیل نمونه ای از داده های سرجمع و مستندات و بررسی برخی شواهد موجود این کار را انجام می دادند.
🔥@Data_Experts
در حال حاضر دسترسی به اطلاعات مالی و داده های ترازنامه و غیره بانکها بدون هزینه و محدودیت در اختیار ناظران قرار دارد و زمینه لازم را برای استفاده از روش های نوین آماری بر روی داده های صورتحساب ها و مستندات مالی بر بستر تئوری های اقتصادی فراهم نموده است. مدل های اخطار سریع با استفاده از این زمینه ها به شناسایی بانک های در خطر و پر ریسک می پردازند. همچنین محدودیت گردآوری و نگهداری داده از بین رفته است و موسسات مالی و بخش نظارتی آنها بصورت گسترده ای علاقه مند به داده در سطح خرد برای اندازه گیری ریسک هستند.
🔥@Data_Experts
یکی از مهمترین اقدامات صورت گرفته در موسسات مالی توسعه روش های محاسبه میزان در خطر یا VaR برای محاسبه ریسک در فعالیت های بازارهای سرمایه است. در این روشها از مدل های آماری و داده های ابزار مالی مختلف (مانند سهام، اوراق بهادار و مشتقات) برای تخمین بیشترین میزان ضرر احتمالی در بخش خاصی از توزیع احتمال ضرر استفاده می شود. برای مثال میزان در معرض ریسک 10 میلیون دلار در سطح یک دهم درصد یعنی نود و نه و نه دهم درصد از زمان ها انتظار می رود میزان ریسک بیشتر از مقدار 10 میلیون دلار نشود.
🔥@Data_Experts
مهمترین محدودیت استفاده از داده های حجیم و تکنیک های یادگیری ماشین در اهداف نظارتی این است که تحلیل داده تنها می تواند اطلاعاتی را نتیجه دهد که بستگی زیادی به محیط تولید و کیفیت داده اولیه دارد. بقول دیوید رو "هر چقدر هم که از روش های پیچیده آماری و ریاضی در تحلیل داده استفاده شود نمی توان بیشتر از آنچه که بصورت ذاتی در داده ها وجود دارد از آن استخراج کرد".
جهت استفاده از داده های موجود در تحلیل محیط های مختلف، بخش نظارت نیاز به تئوری ها و روشهایی دارد که بتواند مشاهدات و داده های موجود خود را با آنچه از فضاهای مختلف تولید داده انتظار می رود مرتبط نماید.
این محدودیت به طور خاص با قوانین نظارتی درآمیخته است چراکه قوانین نظارتی بصورتی طراحی می شوند که سبب تغییر انگیزه موسسات مالی در جهت کاهش احتمال و سختی مشکلات در بانک و سیستم مالی شوند. این باعث ایجاد حداقل دو مشکل در بکارگیری داده های حجیم و یادگیری ماشین در مسایل نظارتی است:
1. وضعیت نامناسب یا شرایط دشوار بانک ها و سیستم های مالی وقایعی نادر هستند و در یک بازه زمانی طولانی به ندرت اتفاق می افتند.
2. تغییر قوانین و ایجاد تغییر در ساختار عملکردی بانک ها معادل تغییر در محیط و شرایط تولید داده است.
پایان بخش اول
افشین آشفته – 12 تیرماه 1397
🔥@Data_Experts
🔥@Data_Experts
معمولا تعیین حدود قانونی برای موارد مختلف مالی مانند سقف اهدای وام حداکثر تا دوبرابر سرمایه اولیه و غیره مورد استفاده منابع نظارتی است و در این راستا استفاده از نسبت های مالی و ارزیابی وضعیت کنونی بانک مانند درآمد خالص، کل سرمایه و زیان خالص و میانگین تسهیلات اعطایی و لیزینگ مدنظر قرار می گیرد.
در گذشته بخش نظارتی بانک ها با استفاده از داده های مالی و صورت های مالی بانک ها که توسط حسابرسان مستقل و ناظران بانکی مورد بررسی قرار می گرفت به امر نظارت و تشخیص میزان دقت و صحت داده های سرجمع شده می پرداختند و ناظران و حسابرسان با تحلیل نمونه ای از داده های سرجمع و مستندات و بررسی برخی شواهد موجود این کار را انجام می دادند.
🔥@Data_Experts
در حال حاضر دسترسی به اطلاعات مالی و داده های ترازنامه و غیره بانکها بدون هزینه و محدودیت در اختیار ناظران قرار دارد و زمینه لازم را برای استفاده از روش های نوین آماری بر روی داده های صورتحساب ها و مستندات مالی بر بستر تئوری های اقتصادی فراهم نموده است. مدل های اخطار سریع با استفاده از این زمینه ها به شناسایی بانک های در خطر و پر ریسک می پردازند. همچنین محدودیت گردآوری و نگهداری داده از بین رفته است و موسسات مالی و بخش نظارتی آنها بصورت گسترده ای علاقه مند به داده در سطح خرد برای اندازه گیری ریسک هستند.
🔥@Data_Experts
یکی از مهمترین اقدامات صورت گرفته در موسسات مالی توسعه روش های محاسبه میزان در خطر یا VaR برای محاسبه ریسک در فعالیت های بازارهای سرمایه است. در این روشها از مدل های آماری و داده های ابزار مالی مختلف (مانند سهام، اوراق بهادار و مشتقات) برای تخمین بیشترین میزان ضرر احتمالی در بخش خاصی از توزیع احتمال ضرر استفاده می شود. برای مثال میزان در معرض ریسک 10 میلیون دلار در سطح یک دهم درصد یعنی نود و نه و نه دهم درصد از زمان ها انتظار می رود میزان ریسک بیشتر از مقدار 10 میلیون دلار نشود.
🔥@Data_Experts
مهمترین محدودیت استفاده از داده های حجیم و تکنیک های یادگیری ماشین در اهداف نظارتی این است که تحلیل داده تنها می تواند اطلاعاتی را نتیجه دهد که بستگی زیادی به محیط تولید و کیفیت داده اولیه دارد. بقول دیوید رو "هر چقدر هم که از روش های پیچیده آماری و ریاضی در تحلیل داده استفاده شود نمی توان بیشتر از آنچه که بصورت ذاتی در داده ها وجود دارد از آن استخراج کرد".
جهت استفاده از داده های موجود در تحلیل محیط های مختلف، بخش نظارت نیاز به تئوری ها و روشهایی دارد که بتواند مشاهدات و داده های موجود خود را با آنچه از فضاهای مختلف تولید داده انتظار می رود مرتبط نماید.
این محدودیت به طور خاص با قوانین نظارتی درآمیخته است چراکه قوانین نظارتی بصورتی طراحی می شوند که سبب تغییر انگیزه موسسات مالی در جهت کاهش احتمال و سختی مشکلات در بانک و سیستم مالی شوند. این باعث ایجاد حداقل دو مشکل در بکارگیری داده های حجیم و یادگیری ماشین در مسایل نظارتی است:
1. وضعیت نامناسب یا شرایط دشوار بانک ها و سیستم های مالی وقایعی نادر هستند و در یک بازه زمانی طولانی به ندرت اتفاق می افتند.
2. تغییر قوانین و ایجاد تغییر در ساختار عملکردی بانک ها معادل تغییر در محیط و شرایط تولید داده است.
پایان بخش اول
افشین آشفته – 12 تیرماه 1397
🔥@Data_Experts
Data Experts
بخش اول دستنوشته ای مختصر در رابطه با بررسی روش های نوین مواجهه با مشکلات تغییر سیاست ها و قوانین بانکی، بحران ها و داده های حجیم نامتوازن در مدل های هوش مصنوعی مالی که برای بانک ها در دنیای کنونی بسیار حیاتی است. 🔥@Data_Experts معمولا تعیین حدود قانونی برای…
بخش دوم دستنوشته ای مختصر در رابطه با بررسی روش های نوین مواجهه با مشکلات تغییر سیاست ها و قوانین بانکی، بحران ها و داده های حجیم نامتوازن در مدل های هوش مصنوعی مالی در واقع مشکل اصلی در محدودیت های استفاده از اندازه "میزان در خطر" است که توسط بخش های نظارتی جهت مدیریت ریسک یا کفایت سرمایه موسسات مالی استفاده می شوند و تمرکز بر بررسی تعداد و کیفیت وضعیت های بحران دارد.
🔥@Data_Experts
در این حالت مقدار اندازه VaR در تلاش جهت برآورد ضرر و زیان پرتفویی از سرمایه ها است که با یک واقعه کم تکرار و نادر سرکار دارد مانند یک در هزار واقعه. این مسئله باعث می شود که محاسبه یک برآورد دقیق از میزان ضرر و زیان مورد انتظار بسیار سخت باشد.
بکارگیری داده های حجیم و یادگیری ماشین بر روی رخدادهای نرمال نمی تواند به خوبی برآوردهای مناسبی جهت ضرر و زیان احتمالی حوادث نادر با اثرگذاری زیاد را مانند آنچه در موسسات مالی رخ می دهد ارایه نماید. مشکل اینجا است که میزان برگشت سرمایه ها در یک پورتفوی مشخص دارای همبستگی با یکدیگر هستند و در این میان ضرر و زیان های بزرگ در ارتباط با حوادث بزرگ نادر و شوک هایی هستند که تقریبا کل پورتفو را تحت تاثیر قرار می دهند. این موارد با موارد عادی تفاوت ساختاری و اساسی دارند.
🔥@Data_Experts
بنابراین زمانی که تعداد کمی از داده های شوک های بزرگ در یک بازه زمانی مورد بررسی در اختیار است و شاید در برخی موارد اصلا وجود ندارد، روش های یادگیری ماشین بکارگرفته شده بر روی حتی داده های خرد هم کاری از پیش نمی برند.
بنابراین با توجه به تعداد کمی از مشاهدات مربوطه و مشکلات عنوان شده، رویکرد جایگزین این است که مفروضات و نتایج مربوط به مقدار بزرگی از داده های زیان های نسبتا کوچک که در اختیار است را به زیان های مورد انتظار رویدادهای بسیار بد اعمال کنیم. این رویکرد به طور معمول اثرات جانبی ناخوشایند کم برآوردی احتمال حوادث بزرگ نادر ولی با ضرر و زیان شدید را کاهش می دهد.
🔥@Data_Experts
پایان بخش دوم
افشین آشفته – 12 تیرماه 1397
🔥@Data_Experts
در این حالت مقدار اندازه VaR در تلاش جهت برآورد ضرر و زیان پرتفویی از سرمایه ها است که با یک واقعه کم تکرار و نادر سرکار دارد مانند یک در هزار واقعه. این مسئله باعث می شود که محاسبه یک برآورد دقیق از میزان ضرر و زیان مورد انتظار بسیار سخت باشد.
بکارگیری داده های حجیم و یادگیری ماشین بر روی رخدادهای نرمال نمی تواند به خوبی برآوردهای مناسبی جهت ضرر و زیان احتمالی حوادث نادر با اثرگذاری زیاد را مانند آنچه در موسسات مالی رخ می دهد ارایه نماید. مشکل اینجا است که میزان برگشت سرمایه ها در یک پورتفوی مشخص دارای همبستگی با یکدیگر هستند و در این میان ضرر و زیان های بزرگ در ارتباط با حوادث بزرگ نادر و شوک هایی هستند که تقریبا کل پورتفو را تحت تاثیر قرار می دهند. این موارد با موارد عادی تفاوت ساختاری و اساسی دارند.
🔥@Data_Experts
بنابراین زمانی که تعداد کمی از داده های شوک های بزرگ در یک بازه زمانی مورد بررسی در اختیار است و شاید در برخی موارد اصلا وجود ندارد، روش های یادگیری ماشین بکارگرفته شده بر روی حتی داده های خرد هم کاری از پیش نمی برند.
بنابراین با توجه به تعداد کمی از مشاهدات مربوطه و مشکلات عنوان شده، رویکرد جایگزین این است که مفروضات و نتایج مربوط به مقدار بزرگی از داده های زیان های نسبتا کوچک که در اختیار است را به زیان های مورد انتظار رویدادهای بسیار بد اعمال کنیم. این رویکرد به طور معمول اثرات جانبی ناخوشایند کم برآوردی احتمال حوادث بزرگ نادر ولی با ضرر و زیان شدید را کاهش می دهد.
🔥@Data_Experts
پایان بخش دوم
افشین آشفته – 12 تیرماه 1397