💥Python For Beginners💥

https://t.iss.one/R_Experts

گروه تحقیقاتی @R_Experts در نظر دارد:
💥💥کارگاه شماره 9 از سری دوره های آنلاین آموزشی ، زبان برنامه نویسی #Python با رویکرد محاسبات آماری و الگوریتم نویسی ،

را در مرداد ماه ۹۷ برای شروع کنندگان و
علاقمندان به یادگیری زبان پایتون به صورت دوره آنلاین و‌ زنده ، "وبینار " ، در خدمت شما عزیزان باشد .💥💥

💰فقط و فقط با یکصد هزار تومان 💰

🔸مدت دوره 10 ساعت زنده و انلاین + طرح سوال رفع اشکال شرکت کنندگان🕑

https://t.iss.one/R_Experts


🇮🇷با سرعت کیلو بایتی آنلاین شو

و #python رو با @R_Experts یاد بگیر🇮🇷

https://t.iss.one/R_Experts

📢مباحث:

١- آشنايي با محيط نرم افزار
نصب بسته ، فراخوانی داده ،...

٢-آشنايي با مفاهیم بردارها و ماتريسها

٣-آشنايي با حلقه ها و دستورات شرطی

٤-آشنايي با تابع نويسي

٥-آشنايي با توابع و دستورات كاربردی

٦-آشنايي با دستورات گرافيكي

٧-آشنايي با حل مسائل

۸-مقدمه ای بر شبیه سازی احتمالاتی

۹-آشنایی با مفاهیم آمار توصیفی

💥💥💥💥💥💥💥💥

📍ویدئو کلاس پس از هر جلسه ضبط شده و پس از اتمام کلاس بارگذاری می شود.

📊جهت اطلاعات بيشتر و تكميل ثبت نام

با اي دي @hamedrezaei2

در ارتباط باشيد .

با تشكر🌷🌷 @R_Expets
https://t.iss.one/R_Experts

✔️ یادگیری مفاهیم و تکنیک داده کاوی کتاب:
Data Mining, Jiawei Han
لینک دانلود کتاب:
https://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-Kaufmann-Series-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-Data-Mining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmann-2011.pdf

مفاهیم آماری هم دوستان منابع مفیدی معرفی کردند:
An Introduction to Statistical Learning, Gareth James
و
https://www.youtube.com/playlist?list=PLTJTBoU5HOCRrTs3cJK-PbHM39cwCU0PF

✔️@Data_Experts

ده الگوریتم و روش استفاده شده به وسیله #علم_داده

«با ما همراه باشید »

❇️@Data_Experts

✔️برگزاری اولین کنفرانس نرم افزار R در استرالیا

فیلم این سخرانی ها در لینک زیر قرار دارد

«با ما همراه باشید»

12-13 July in Australia

https://www.youtube.com/channel/UC_R5smHVXRYGhZYDJsnXTwg/videos

❇️@Data_Experts

✔️ معرفی #منابع_آموزشی برای یادگیری هوش مصنوعی
#Ai #Deep_Learning #Machine_learning
#یادگیری_عمیق
#هوش_مصنوعی
#یادگیری_ماشین
#شبکه_عصبی
✅ گام اول برای یادگیری هوش مصنوعی:
- فراگیری پایتون و پایگاه داده SQL
- فراگیری یادگیری ماشین

📍یادگیری ماشین بااستفاده از scikit-learn 👈 لینک دوره
📍یادگیری ماشین با استفاده از پایتون 👈 لینک دوره
📍آموزش یادگیری ماشین 👈 لینک دوره
📍یادگیری ماشین با استفاده از scikit-learn-part1 👈 لینک دوره
📍مبانی مقدماتی تا پیشرفته یادگیری ماشین 👈 لینک دوره


✅ استفاده از منبع های مختلف دانشگاه ها و سایت های معتبر

📍 اصول و روش های هوش مصنوعی از دانشگاه استنفورد 👈 لینک دوره
📍 منابع آموزشی دانشگاه MIT 👈 لینک دوره
📍دوره هوش مصنوعی Saylor 👈 لینک دوره
📍منابع آموزشی موجود در سایت Edx 👈 لینک دوره
📍منابع اموزشی مقدمات هوش مصنوعی 👈 لینک دوره
📍 ویدیو های سخنرانی دانشگاه برکلی 👈 لینک دوره
📍 آموزش یادگیری عمیق Google 👈 لینک دوره
📍ویدیو آموزش یادگیری ماشین دانشگاه کارنگی ملون استاد لری وارسرمن 👈 لینک دوره
📍آموزش شبکه های عصبی برای هوش مصنوعی 👈 لینک دوره


✅ یادگیری نظریه های آمار، احتمال و ریاضی

📍آموزش جبر خطی 👈 لینک دوره
📍آموزش آمار و احتمال دانشگاه MIT 👈 لینک دوره
📍معادلات دیفرانسیل و چندگانه 👈لینک دوره ۱ لینک دوره ۲
📍آموزش نظریه گراف سایت coursera 👈 لینک دوره
📍آموزش روش های بهینه سازی دانشگاه استنفورد👈 لینک دوره

❇️ @AI_Python

شرکت بلژیکی-ایرانی Sensifai در زمینه یادگیری عمیق، چت بات و NLP کارآموز می‌پذیرد. محل کار در ایران می‌باشد ولی تجربه کار با متخصصان برجسته مقیم اروپا را خواهید داشت. به منظور همکاری به صورت کار آموز موارد زیر الزامی می‌باشد.
✔️مسلط به اصول برنامه نویسی (پایتون, تنسرفلو و...)
✔️قدرت حل مسئله و ابتکار
✔️مالتی تسک بودن
✔️دارای روحیه کار تیمی بالا
✔️روابط عمومی مناسب
❇️@Data_Experts
رزومه‌های خود را به آدرس زیر ایمیل کنید:
[email protected]

www.sensifai.com
#deeplearning #internship #استخدام
❇️@Data_Experts

۵ الگوریتم کلاسترینگ که باید هر دانشمند علوم داده بداند!
❇️ @ai_python

۵ وبلاگ مرتبط با علم داده که حتما باید عضو بشیم و بخونیمشون
❇️ @ai_python

🌐 دسترسی به کد مقالات روز دنیا
#مقاله
«با ما همراه باشید»
👈 لینک

❇️ @Data_Experts

🌐 الگوریتمهای مورد استفاده در #یادگیری_ماشین
«با ما همراه باشید»

❇️ @Data_Experts

دعوت به همکاری جهت انجام پروژه ای در پژوهشگاه ارتباطاتو فناوری اطلاعات در حوزه تحلیل و داده کاوی به تعدادی نیروی متخصص نیاز درزمینه:
❇️ @Data_Experts

✔️ ترجمه ماشینی با Keras در نرم افزار R

👈 لینک
#شبکه_عصبی
#یادگیری_ماشین
@AI_Python

🎗 سایت دانلود کتابهای حوزه امنیت بصورت رایگان
#Security #Book

🔗 https://bit.ly/2JJXCbw

〰〰〰〰〰
© @Code_Community

Get Start Data Science – شروع کار برای علم داده
با سلام در این نوشته و در ادامه این مباحث ما در مورد علم داده و روش‌های آن مطالبی را خدمتتان عرض میکنیم

یادگیری ماشین قسمتی از هوش مصنوعی است که به ما در توسعه مدلبندی داده‌ها کمک می‌کند. که ما در این روش به کامپیوتر این اجازه را می‌دهیم تا مدل را طریق داده‌ها توسعه دهد. مدل بندی به این صورت است که...
میتونین ادامه مطلب رو از وبسایت علم داده مطالعه کنین
ادرس مستقیم مطلب »»»» کلیک کنید
❇️dataexperts.ir
❇️ @Data_Experts

✨ جی پی لاکر یه ادمین ماهر برای گروهای شما

🌟 برای مشاهده امکانات و خرید ربات , روی لینک زیر کلیک نمایید:

t.iss.one/GpLockerBot?start=q=271280621

➖➖➖➖➖➖
@GpLocker

#یادگیری_ماشین در مسایل مختلفی کاربرد دارد:

Classification
ماشین یاد میگیرد که ورودیها را به دسته های از پیش تعیین شده ای نسبت دهد.

Clustering
سیستم یادگیر کشف میکند که کدام ورودیها با هم در یک دسته بندی قرار میگیرند.

Numeric prediction
ماشین یاد میگیرد که به جای تعیین دسته بندی یک ورودی مقدار عددی آنرا پیش بینی نماید.
❇️ @Data_Experts

انواع دسته بندی های #یادگیری_ماشین

یادگیری با ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد بازای هر ورودی، مقدار خروجی و یا تابع مربوطه نیز مشخص است. هدف سیستم یادگیر بدست آوردن فرضیه ای است که تابع و یا رابطه بین ورودی و یا خروجی را حدس بزند

یادگیری بدون ناظر:
یک مجموعه از مثالهای یادگیری وجود دارد که در آن فقط مقدار ورودی ها مشخص است و اطلاعاتی در مورد خروجی صحیح در دست نیست. یادگیری بدون ناظر برای دسته بندی ورودیها و یا پیش بینی مقدار بعدی بر اساس موقعیت فعلی بکار میرود.

بادگیری تقویتی:
مثالها بصورت ورودی/خروجی نیستند بلکه بصورت وضعیت/پاداش هستند که یادگیر در وضعیت های مختلف عملیات مختلفی را انجام داده و پاداشهای متفاوتی دریافت و بر اساس مجموع پاداش های دریافتی عمل متناسب با هر وضعیت را یاد میگیرد.

یادگیری نیمه نظارتی:
مثالها طوری هستند که برای تعداد کمی از آنها مقدار خروجی موجود است اما برای مثالهای زیادی مقدار خروجی مشخص نیست.

❇️ @Data_Experts

#یادگیری_ماشین
#درخت_تصمیم
درختها درهوش مصنوعی برای نمایش مفاهیم مختلفی نظیر ساختار جملات، معادلات، حالات بازی، و غیره استفاده میشود.
یادگیری درخت تصمیم روشی برای تقریب توابع هدف با مقادیر گسسته است. این روش نسبت به نویز داده هامقاوم بوده وقادر است ترکیب فصلی گزاره های عطفی را یاد بگیرد.
❇️ @Data_Experts
این روش جزو مشهورترین الگوریتمهای یادگیری استقرائی است که بصورت موفقیت آمیزی در کاربردهای مختلف بکار گرفته شده است.
درخت تصمیم درختی است که در آن نمونه ها را به نحوی دسته بندی میکند که از ریشه به سمت پائین رشد میکنند و در نهایت به گره های برگ میرسد:
هر گره داخلی یاغیر برگ (non leaf) با یک ویژگی (attribute) مشخص میشود. این ویژگی سوالی را در رابطه با مثال ورودی مطرح میکند.
درهر گره داخلی به تعداد جوابهای ممکن با این سوال شاخه (branch) وجود دارد که هر یک با مقدار آن جواب مشخص میشوند.
برگهای این درخت با یک کلاس و یا یک دسته از جوابها مشخص میشوند.
علت نامگذاری آن با درخت تصمیم این است که این درخت فرایند تصمیم گیری برای تعیین دسته یک مثال ورودی را نشان میدهد.
درخت تصمیم در مسایلی کاربرد دارد که بتوان آنها را بصورتی مطرح نمود که پاسخ واحدی بصورت نام یک دسته یا کلاس ارائه دهند.
برای مثال میتوان درخت تصمیمی ساخت که به این سوال پاسخ دهد: بیماری مریض کدام است؟ و یا درختی ساخت که به این سوال پاسخ دهد: آیا مریض به هپاتیت مبتلاست؟
برای مسائلی مناسب است که مثالهای آموزشی بصورت زوج (مقدار-ویژگی) مشخص شده باشند.
تابع هدف دارای خروجی با مقادیر گسسته باشد. مثلا هر مثال با بله و خیر تعیین شود.
نیاز به توصیف گر فصلی (disjunctive) باشد.

ادامه دارد. . .

❇️ @Data_Experts

✔️ ویژگیهای درخت تصمیم
#یادگیری_ماشین
#درخت_تصمیم
❇️ @Data_Experts
برای تقریب توابع گسسته بکار می رود (classification)
نسبت به نویز داده های ورودی مقاوم است
برای داده های با حجم بالا کاراست از این رو درData mining استفاده می شود
می توان درخت را بصورت قوانین if-then نمایش داد که قابل فهم برای استفاده است
امکان ترکیب عطفی و فصلی فرضیه ها را می دهد
در مواردی که مثالهای آموزشی که فاقد همه ویژگیها هستند نیز قابل استفاده است
اغلب الگوریتم های یادگیری درخت تصمیم بر پایه یک عمل جستجوی حریصانه (greedy) بالا به پائین (top-down) در فضای درختهای موجود عمل میکنند.
این الگوریتم پایه، Concept Learning System (CLS) نامیده می شود که در سال 1950 معرفی شده است.
این الگوریتم توسط Ross Quilan در سال 1986 بصورت کاملتری تحت عنوان Inducing Decisition trees (ID3) مطرح گردید.
بعدها الگوریتم کاملتر دیگری تحت عنوان C4.5 ارائه گردید که برخی نقائص ID3 را برطرف میکند.
❇️ @Data_Experts
بایاس درخت تصمیم:
انتخاب درختهای کوچکتر بایاس درخت تصمیم بر این ایده است که درخت های کوچکتر بر درختهای بزرگتر ترجیح داده می شوند.
❇️ @Data_Experts
الگوریتم ID3
در این الگوریتم درخت تصمیم از بالا به پائین ساخته میشود. این الگوریتم با این سوال شروع میشود: کدام ویژگی باید در ریشه درخت مورد آزمایش قرار گیرد؟
برای یافتن جواب از یک آزمون آماری استفاده میشود تا مشخص گردد هر کدام تا چه حد قادر است به تنهائی مثالهای آزمایشی را دسته بندی کند.
با انتخاب این ویژگی، برای هر یک از مقادیر ممکن آن یک شاخه ایجاد شده و مثالهای آموزشی بر اساس ویژگی هر شاخه مرتب میشوند. سپس عملیات فوق برای مثالهای قرار گرفته در هر شاخه تکرار میشوند تا بهترین ویژگی برای گره بعدی انتخاب شود.
این الگوریتم یک جستجوی حریصانه است که در آن انتخاب های قبلی هرگز مورد بازبینی قرار نمیگیرند.
❇️ @Data_Experts
نحوه ساخت درخت تصمیم:
برای ساختن درخت تصمیم از مثالهائی استفاده میشود که علامت گذاری (label) شده باشند.
درواقع ورودی سیستم یادگیر مجموعه ای از مثالهاست که هر مثال توسط مجموعه ای از ویژگی ها بیان شده است، هرویژگی می تواند دارای مجموعه متناهی ازمقادیر مختلف باشد. برای هر مثال علاوه بر ویژگیها مقدار دسته بندی آن نیز لازم می باشد.
در این فصل با درختهای تصمیمی آشنا خواهیم شد که برای دسته بندی بولی بکار می روند ولی درحالت کلی می توان یک درخت تصمیم ساخت که برای هر نوع دسته بندی بکار می رود.

در درخت تصمیم (ID3) از یک مقدار آماری به نام بهره اطلاعات Information Gain استفاده می شود تا اینکه مشخص کنیم که یک ویژگی تا چه مقدار قادر است مثالهای آموزشی را بر حسب دسته بندی آنها جدا کند.
❇️ @Data_Experts