#R2 #R2adj #R^2 #AdjustedR
statistics - Adjusted R Squared

@Data_Experts

Check out @ahmedjr_16’s Tweet: https://twitter.com/ahmedjr_16/status/1051539812258213889?s=09



@Data_experts

Big Data For Dummies
یکی از 10 کتاب برتر تاریخ تو بحث بیگ دیتا

@data_experts

یادگیری عمیق چیست و چه کاربردهایی دارد؟
ترنس سجنوفسکی، یک عصب‌‌پژوه محاسباتی در موسسه مطالعات بیولوژیکی سالک است. او می‌گوید که کلیدواژه‌‌هایی نظیر یادگیری عمیق و شبکه‌های عصبی همه جا به چشم می‌‌خورند؛ اما درک بیشتر مردم درمورد این مفاهیم، کاملاً اشتباه است.
سجنوفسکی، پیشگام در مطالعه‌‌ی الگوریتم‌‌های یادگیری و نویسنده‌‌ی کتاب انقلاب یادگیری عمیق (که هفته‌‌ی آینده از انتشارات MIT منتشر می‌‌شود) است. او استدلال می‌کند که ما راجع به مباحثی نظیر هوش مصنوعی قاتل یا ربات‌هایی که قرار است جایگزین ما شوند، تفکری اعتیادآمیز داریم؛ این در حالی است که در سایه‌‌ی این طرز تفکر، پتانسیل‌‌های هیجان‌انگیز پیش‌‌ رو در زمینه‌های علوم کامپیوتر و اعصاب ونیز اتفاقاتی که در صورت تلاقی هوش مصنوعی با هوش انسانی رخ خواهند داد، کاملاً به حاشیه رانده شده‌‌اند.
ترنس سجنوفسکی می‌گوید که درک عموم درمورد مفاهیمی نظیر «یادگیری عمیق» و «شبکه‌های عصبی»، کاملاً اشتباه است. مشکل این است که مردم در مورد مقیاس زمانی، اشتباه می‌کنند. آن‌ها انتظار دارند که خیلی زود، تغییراتی بسیار بزرگ روی دهد.
منبع : زومیت
@Data_Experts

مردم کلماتی مانند «هوش مصنوعی»، « شبکه‌های عصبی»، «یادگیری عمیق» و «یادگیری ماشینی» را با یکدیگر اشتباه می‌‌گیرند، اما این‌‌ها مفاهیمی متفاوتی هستند. تفاوت آن‌‌ها در چیست؟

تعریف مفهوم هوش مصنوعی به سال ۱۹۵۶ در آمریکا بازمی‌گردد؛ زمانی که مهندسان تصمیم گرفتند تا یک برنامه رایانه‌ای با تقلید از هوش بشری بنویسند. در دل هوش مصنوعی، یک مفهوم جدید با نام یادگیری ماشین خلق شد. در این روش، به‌جای آن که شما یک برنامه‌ی گام‌به‌گام برای انجام یک کار بنویسید (که یک رویکرد سنتی در زمینه‌‌ی هوش مصنوعی است)، اطلاعات فراوانی در مورد آن‌‌چه که می‌خواهید بفهمید، جمع‌آوری ‌می‌کنید. برای مثال، تصور کنید که قصد دارید که اشیا را از یکدیگر تشخیص دهید، بنابراین شروع به جمع‌‌آوری تعداد زیادی از تصاویر مربوط به آن‌‌ها می‌‌کنید. سپس با یادگیری ماشین، یک فرایند خودکار آغاز می‌‌شود که ویژگی‌های مختلف اشیا را تجزیه‌‌و‌‌تحلیل می‌کند. در نهایت، سیستم تشخیص می‌‌دهد که فلان تصویر مربوط به یک خودرو است؛ درحالی‌که تصویر دیگر یک منگنه را نشان می‌‌دهد.

یادگیری ماشین یک عرصه‌‌ی بسیار وسیع است که پیدایش آن به مدت‌‌ها قبل بازمی‌گردد. در اصل، این علم با نام تشخیص الگو شناخته می‌‌شد، اما به‌‌مرور الگوریتم‌‌ها، از نظر ریاضی، بسیار وسیع‌تر و البته پیچیده‌تر شدند. در یادگیری ماشین، از دو مفهوم شبکه‌های عصبی (با الهام‌ از ساختار مغز) و یادگیری عمیق استفاده می‌‌شود. الگوریتم‌های یادگیری عمیق، دارای معماری ویژه‌ای با تعداد لایه‌‌های فراوان است که در یک شبکه جریان می‌‌یابند. بنابراین، یادگیری عمیق بخشی از یادگیری ماشین و یادگیری ماشین خود بخشی از هوش مصنوعی به حساب می‌‌آید.

@Data_Experts

یادگیری عمیق چه قابلیت‌‌هایی نسبت به سایر برنامه‌‌ها دارد؟

نوشتن یک برنامه، کاری بسیار دشوار است. در گذشته، رایانه‌ها چنان کند بودند و حافظه نیز به حدی گران‌‌قیمت بود که ناچار به علم منطق روی آورده شد؛ این همان علمی است که رایانه‌‌های فعلی بر اساس آن کار می‌‌کنند. منطق، زبان پایه‌‌ی ماشین‌‌هاست که توسط آن، اطلاعات به‌‌صورت بیت به بیت پردازش می‌‌شوند. اما رایانه‌ها همچنان بسیار کند و محاسبات بسیار پرهزینه بود.

اما اکنون هزینه‌‌ی محاسبات روز به روز کمتر می‌شود و از سوی دیگر هزینه‌‌ی نیروی کار مدام در حال افزایش است. هزینه‌‌ی محاسبات به حدی ارزان شده است که تهیه‌‌ی یک رایانه برای یادگیری یک برنامه، به صرفه‌تر از استخدام یک فرد برای نوشتن همان برنامه است. در این برهه از زمان، یادگیری عمیق شروع به حل مسائلی کرد که هیچ انسانی تا آن زمان برای آن برنامه‌‌ای ننوشته بود؛ حوزه‌‌هایی مانند بینایی رایانه‌‌‌ای و ترجمه، نمونه‌‌هایی از این پیشرفت بودند.

یادگیری فرایندی به‌‌شدت محاسباتی است، اما شما فقط نیاز دارید یک‌ بار برنامه بنویسید و سپس با دادن اطلاعات مختلف به آن، می‌توانید مسائل مختلف را حل کنید. دیگر نیازی نیست که شما حتماً در یک موضوع متخصص باشید؛ چرا که هزاران برنامه‌‌ی کاربردی درمورد هر موضوعی می‌توان یافت که در آن با حجم زیادی از اطلاعات سروکار داریم.
@Data_Experts

به نظر می‌رسد که امروزه «یادگیری عمیق» در همه جا مطرح است؛ این مفهوم چگونه تا این حد فراگیر شد؟

من در حقیقت می‌توانم به یک لحظه‌‌ی خاص از تاریخ اشاره کنم: دسامبر ۲۰۱۲ در نشست NIPS (که بزرگ‌ترین کنفرانس هوش مصنوعی است)، متخصص رایانه‌ای به‌نام جف هینتون به همراه دو تن از دانشجویان کارشناسی ارشد خود نشان داد که با در اختیار داشتن یک مجموعه‌‌‌ی داده‌ی بسیار بزرگ به‌‌نام ایمیج‌‌نت شامل ۱۰ هزار دسته‌‌بندی و ۱۰ میلیون تصویر، می‌‌توان خطای طبقه‌بندی را با کمک یادگیری عمیق، تا ۲۰ درصد کاهش داد.

معمولاً در این مجموعه‌‌داده‌ها، میزان خطا در هر سال کمتر از یک درصد کاهش می‌یافت. حالا نتیجه‌‌ی ۲۰ سال پژوهش، تنها در عرض یک سال حاصل شده بود. این دستاورد، واقعاً به معنای باز شدن دریچه‌‌ی یک سد بود.

@Data_Experts

در حقیقت، ایده‌‌ی یادگیری عمیق از علم اعصاب سرچشمه می‌گیرد. نگاهی به موفق‌ترین شبکه‌های یادگیری عمیق بیندازید؛ نام این شبکه، شبکه‌ی عصبی پیچشی یا سی.ان.ان (CNN) است که توسط یان لیکون توسعه یافته است.

اگر به معماری CNN توجه کنید، می‌‌بینید که آن مجموعه‌‌ای از تعداد زیادی واحدهای مجزا نیست؛ بلکه آن‌ها به یک روش بنیادی با یکدیگر در ارتباط هستند که به نوعی یادآور سیستم مغز است. یکی از بخش‌های مغز (که به نحو احسن در سیستم بینایی و قشر بینایی مورد مطالعه قرار گرفته است) نشان می‌دهد که در مغز دو دسته سلول‌ شامل انواع ساده و پیچیده وجود دارند. اگر به معماری CNN هم توجه کنید، خواهید دید آن‌‌جا هم دو دسته سلول متناظر با سلول‌های ساده و سلول‌های پیچیده وجود دارند. این تشابه به‌‌طور مستقیم از درک سیستم بینایی در مغز ناشی شده است.

یان، کورکورانه به کپی‌‌سازی قشر مغز نپرداخته است. او پیش‌‌تر انواع مختلفی از تغییرات را امتحان کرده بود، اما در نهایت او به همان ساختاری رسید که پیش‌‌تر طبیعت به آن رسیده بود. این یک نتیجه‌‌ی مهم است. موضوعات فراوانی در هم‌گرایی طبیعت و هوش مصنوعی وجود دارد که باید یاد بگیریم و مسلما هنوز مسیری طولانی در پیش روی ما قرار دارد.

@Data_Experts

درک ما از علوم رایانه تا چه میزان به درک ما از مغز وابسته است؟

بیشتر دستاوردهای ما در زمینه‌‌ی هوش مصنوعی، براساس دانشی است که ما در دهه ۶۰ درباره مغز فراگرفتیم. ما در حال حاضر مقدار زیادی از این دانش را کسب کرده‌‌ایم و بخش اعظم این دانش در معماری رایانه گنجانیده شده ‌است.

آلفاگو (AlphaGo) برنامه‌ای که قهرمان بازی Go را شکست داد، تنها یک مدل‌‌سازی از قشر مغز محسوب نمی‌شود؛ بلکه همچنین مدلی از بخشی از مغز به‌‌نام هسته‌های قاعده‌‌ای است که برای ایجاد یک توالی از تصمیمات برای رسیدن به یک هدف، نقشی مهم دارد. الگوریتمی به‌‌نام تفاوت‌های زمانی نیز وجود دارد که در دهه‌ی ۸۰ توسط ریچارد ساتون توسعه یافت؛ چنانچه این الگوریتم به‌همراه یادگیری عمیق مورد استفاده قرار گیرد، می‌توان شاهد عملکرد‌‌های پیچیده‌‌ای بود که پیش‌ از این دیده نشده است.

به‌مرور که درمورد معماری مغز یاد می‌گیریم و در کنار آن می‌‌آموزیم که چطور می‌توان این معماری را با سیستم مصنوعی ادغام کرد، قابلیت‌های بیشتری به‌دست خواهیم آورد تا از نقطه‌‌ای که هم‌‌ اکنون در آن هستیم، فراتر برویم.

@Data_Experts

آیا هوش مصنوعی نیز می‌‌تواند بر علم اعصاب تأثیرگذار باشد؟

این دو به‌موازات یکدیگر پیش می‌‌روند. پیشرفت‌های عظیمی در فناوری عصبی به‌وجود آمده است که از ثبت یک نورون در یک بازه‌‌ی زمانی به ثبت هزاران نورون درهمان زمان رسیده است و این اتفاق برای بسیاری از قسمت‌های مغز به‌طور همزمان رخ می‌‌دهد؛ اتفاقی که دنیای کاملاً جدیدی را به روی ما خواهد گشود.

پیش‌ از این نیز اشاره شد که بین هوش مصنوعی و هوش انسانی هم‌گرایی وجود دارد. همانطور که ما بیشتر و بیشتر درمورد نحوه‌‌ی کار مغز یاد می‌گیریم، این دانش ما دوباره در عرصه‌ی هوش مصنوعی بازتاب می‌یابد. اما در عین‌ حال، آن‌ها در حال ایجاد یک نظریه‌‌ی کامل از یادگیری هستند که می‌تواند برای درک مغز به‌کار گرفته شود و به ما این امکان را می‌دهد که هزاران نورون و چگونه کارکرد آن‌ها را تجزیه‌‌و‌‌تحلیل کنیم. پس می‌‌توان گفت که یک حلقه‌ی بازخورد بین علوم اعصاب و هوش مصنوعی وجود دارد؛ بازخوردی که شاید حتی از اهمیت و جذابیت به‌مراتب بالاتری نسبت به دستاوردهای دیگر برخوردار باشد.

@Data_Experts

✔️ مزایا و معایب الگوریتم های یادگیری ماشین

#یادگیری_ماشین #آموزش

❇️ @Data_Experts

✔️ پادکست های آموزشی علم داده و یادگیری ماشین

#یادگیری_ماشین #علم_داده #آموزش

🔔 لینک

❇️ @Data_Experts

هالووین را به همه شما تبریک میگم. به زبان برنامه نویسی R

❇️ @Data_Experts

لیست اموزش های منتشر شده گروه ropensc برای یادگیری نرم افزار R این گروه بسیاری از پکیج های نرم افزاری r را تهیه کرده است که میتوانید ضمن مطالعه این آموزش ها به پکیج های منتشر شده این گروه دسترسی داشته باشید.

🔔 Link Review

❇️ @Data_Experts

آماردانان در شرکت گوگل به چه کارهایی مشغولند ؟

#آمار

🔔 Link Review

❇️ @Data_Experts

در اینستاگرام ببینید:👇👇👇👇👇

https://www.instagram.com/p/BpuvGp9hioW/?utm_source=ig_share_sheet&igshid=114vnjte8nxhz

در اینستاگرام ببینید: 👇👇👇👇👇 @Data_Experts

https://www.instagram.com/p/Bputv5Xh5RK/?utm_source=ig_share_sheet&igshid=1daxdobhtxltu