If you are looking for a great way of searching for #rstats resources, look no further! Rseek - the R search tool! https://rseek.org
موتور جستجوی نرم افزار R برای پیدا کردن مطالب آموزشی مخصوص نرم افزار R راه اندازی شد
❇️ @Data_Experts
موتور جستجوی نرم افزار R برای پیدا کردن مطالب آموزشی مخصوص نرم افزار R راه اندازی شد
❇️ @Data_Experts
مطالب ارایه شده در کنفرانس بنیاد نرم افزار r در آستین تکزاس 2019
https://github.com/alexpghayes/workshops_presentations
https://forcats.tidyverse.org/
https://www.amelia.mn/sds220/project#places_to_find_data
https://docs.google.com/presentation/d/1nCmo6EcrhyZZiQrXQkwYRCyimXbvNG20A84qlQ0YvTw/edit#slide=id.g36d32efe66_2_77
https://github.com/hebrewseniorlife/addin_demo
https://www.slideshare.net/secret/Ba52FYuH2FoWE
https://github.com/skeydan/rstudio_conf_2019_eager_execution
https://www.amelia.mn/WranglingCats.pdf
https://peerj.com/preprints/3163/
https://www.r-bloggers.com/automated-dashboard-for-classification-neural-network-in-r/
https://github.com/karthik/rstudio2019
https://github.com/karawoo/2019-01-17-rstudioconf
https://bit.ly/ds-puzzles
https://github.com/kbroman/RStudioConf2019Slides
https://t.co/rdnC2gH3jF
https://docs.google.com/presentation/d/1zMuBSADaxdFnosOPWJNA10DaxGEheW6gDxqEPYAuado/edit?usp=sharing
https://github.com/datacamp/funneljoin
https://arm.rbind.io/slides/xaringan.html
https://github.com/gnab/remark/wiki/Markdown#name
buff.ly/2DgkSxM
https://github.com/karthik/rstudio2019
https://nolisllc.com/rstudio19
https://github.com/rstudio-education/arm-workshop-rsc2019/issues/34
https://www.tsunaviwatches.com/ggwatch.html
❇️@Data_Experts
https://github.com/alexpghayes/workshops_presentations
https://forcats.tidyverse.org/
https://www.amelia.mn/sds220/project#places_to_find_data
https://docs.google.com/presentation/d/1nCmo6EcrhyZZiQrXQkwYRCyimXbvNG20A84qlQ0YvTw/edit#slide=id.g36d32efe66_2_77
https://github.com/hebrewseniorlife/addin_demo
https://www.slideshare.net/secret/Ba52FYuH2FoWE
https://github.com/skeydan/rstudio_conf_2019_eager_execution
https://www.amelia.mn/WranglingCats.pdf
https://peerj.com/preprints/3163/
https://www.r-bloggers.com/automated-dashboard-for-classification-neural-network-in-r/
https://github.com/karthik/rstudio2019
https://github.com/karawoo/2019-01-17-rstudioconf
https://bit.ly/ds-puzzles
https://github.com/kbroman/RStudioConf2019Slides
https://t.co/rdnC2gH3jF
https://docs.google.com/presentation/d/1zMuBSADaxdFnosOPWJNA10DaxGEheW6gDxqEPYAuado/edit?usp=sharing
https://github.com/datacamp/funneljoin
https://arm.rbind.io/slides/xaringan.html
https://github.com/gnab/remark/wiki/Markdown#name
buff.ly/2DgkSxM
https://github.com/karthik/rstudio2019
https://nolisllc.com/rstudio19
https://github.com/rstudio-education/arm-workshop-rsc2019/issues/34
https://www.tsunaviwatches.com/ggwatch.html
❇️@Data_Experts
طراحی هوش مصنوعی برای تولید داده‌های آموزشی پروژه‌های یادگیری ماشین
https://www.zoomit.ir/2019/2/26/313287/superb-ai-generates-customized-training-data-machine-learning-projects/
@data_experts
https://www.zoomit.ir/2019/2/26/313287/superb-ai-generates-customized-training-data-machine-learning-projects/
@data_experts
Let go of the past behind you. Right ahead, lies a new beginning. Make it a memorable experience. Happy New Year.
با سلام عید نوروز رو خدمت همه عزیزان تبریک عرض میکنم به امید سالی بهتر و پر از اتفاقات خوب برای همه دوستان گرامی
@Data_Experts
با سلام عید نوروز رو خدمت همه عزیزان تبریک عرض میکنم به امید سالی بهتر و پر از اتفاقات خوب برای همه دوستان گرامی
@Data_Experts
⬛️⬛️⬛️ الگوریتم عنکبوت اجتماعی
@data_experts
✅ الگوریتم بهینه سازی عنکبوت اجتماعی Social Spider Algorithm یا SSA یک الگوریتم بهینه سازی جدید می باشد که در دوسال اخیر ارایه شده است. در میان حیوانات معمولا دیده می شود که عنکبوت به یک موضوع تحقیقاتی مهم در مهندسی مصنوعی برای سال های بسیاری بوده است. رفتار جستجوگر عنکبوت اجتماعی را می توان به عنوان جنبش جمعی عنکبوت ها به سمت محل منبع غذایی توصیف کرد. عنکبوت ارتعاشات منتشر شده در وب (تارهای عنکبوت) را برای تعیین جهت بالقوه یک منبع غذایی دریافت و تحلیل می کند.
✅ در مقاله آورده شده در زیر از این رفتار طبیعی برای انجام بهینه سازی در فضای جستجو به روش SSA استفاده شده است. در SSA فضای جستجو مسئله بهینه سازی را به عنوان یک وب چند بعدی عنکبوت در نظر می شود. هر موقعیت در وب نشان دهنده یک راه حل عملی برای مسله بهینه سازی می باشد و هر راه حل عملی برای مسله بهینه سازی موردنظر، یک موقعیت در این وب است. وب همچنین به عنوان رسانه انتقال ارتعاشات تولید شده توسط عنکبوت عمل می کند. هر عنکبوت در وب دارای یک موقعیت و یک برازش (Fitness) است که نشان دهنده بالقوه یافتن یک منبع غذایی در آن موقعیت می باشد. عنکبوت می تواند آزادانه در وب حرکت کند، اما وب را نمی تواند ترک کند. هنگامی که یک عنکبوت به موقعیت جدیدی حرکت نماید، یک ارتعاش تولید می کند که در سراسر وب منتشر می شود. هر لرزش عنکبوت دارای اطلاعاتی از یک عنکبوت است و دیگران این اطلاعات ارتعاش را دریافت می کنند.
@data_experts
@data_experts
✅ الگوریتم بهینه سازی عنکبوت اجتماعی Social Spider Algorithm یا SSA یک الگوریتم بهینه سازی جدید می باشد که در دوسال اخیر ارایه شده است. در میان حیوانات معمولا دیده می شود که عنکبوت به یک موضوع تحقیقاتی مهم در مهندسی مصنوعی برای سال های بسیاری بوده است. رفتار جستجوگر عنکبوت اجتماعی را می توان به عنوان جنبش جمعی عنکبوت ها به سمت محل منبع غذایی توصیف کرد. عنکبوت ارتعاشات منتشر شده در وب (تارهای عنکبوت) را برای تعیین جهت بالقوه یک منبع غذایی دریافت و تحلیل می کند.
✅ در مقاله آورده شده در زیر از این رفتار طبیعی برای انجام بهینه سازی در فضای جستجو به روش SSA استفاده شده است. در SSA فضای جستجو مسئله بهینه سازی را به عنوان یک وب چند بعدی عنکبوت در نظر می شود. هر موقعیت در وب نشان دهنده یک راه حل عملی برای مسله بهینه سازی می باشد و هر راه حل عملی برای مسله بهینه سازی موردنظر، یک موقعیت در این وب است. وب همچنین به عنوان رسانه انتقال ارتعاشات تولید شده توسط عنکبوت عمل می کند. هر عنکبوت در وب دارای یک موقعیت و یک برازش (Fitness) است که نشان دهنده بالقوه یافتن یک منبع غذایی در آن موقعیت می باشد. عنکبوت می تواند آزادانه در وب حرکت کند، اما وب را نمی تواند ترک کند. هنگامی که یک عنکبوت به موقعیت جدیدی حرکت نماید، یک ارتعاش تولید می کند که در سراسر وب منتشر می شود. هر لرزش عنکبوت دارای اطلاعاتی از یک عنکبوت است و دیگران این اطلاعات ارتعاش را دریافت می کنند.
@data_experts
⬛️⬛️⬛️ الگوريتم ماهی‌های مصنوعی
@data_experts
✅ الگوريتم دسته ماهی هاي مصنوعی (AFSA) يك مدل محاسباتی تكاملی است كه مبتنی بر الگوريتم های هوش جمعی و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوی تصادفی است.
✅ اساس کار AFSA بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود. ﻣﻔﻬﻮم ﺑﻬﻴﻨﻪﺳﺎزی ﺑﺪﻳﻦ ﺻﻮرت اﺳﺖ ﻛﻪ در ﺑﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎی ﻳﻚ ﺗﺎﺑﻊ ﺑﻪ دﻧﺒﺎل ﻣﻘﺎدﻳﺮی ﺑﺎﺷﻴﻢ ﻛﻪ ﺗﺎﺑﻊ را ﻛﻤﻴﻨﻪ ﻳﺎ ﺑﻴﺸﻴﻨﻪ میﻧﻤﺎﻳﻨﺪ. ﻛﻠﻴﻪ ﻣﻘﺎدﻳﺮ ﻣﻨﺎﺳﺐ ﺟﻬﺖ اﻳﻦ اﻣﺮ را، راه ﺣﻠﻬﺎی ﻣﻤﻜﻦ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار از اﻳﻦ ﻣﻘﺎدﻳﺮ را راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻲﻧﺎﻣﻨﺪ.
✅ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی ﻫﺮ دو ﻧﻮع ﻣﺴﺎﺋﻞ ﺑﻴﺸﻴﻨﻪﺳﺎزی و ﻛﻤﻴﻨﻪﺳﺎزی را ﭘﻮﺷﺶ ﻣﻲدﻫﻨﺪ. ﺑﻬﻴﻨﻪﺳﺎزی ﻛﺎرﺑﺮدﻫﺎی زﻳﺎدی دارد از ﺟﻤﻠﻪ در ﺗﺨﺼﻴﺺ ﻣﻨﺎﺑﻊ، زﻣﺎنﺑﻨﺪیﻫﺎ، ﺗﺼﻤﻴﻢﮔﻴﺮیﻫﺎ و … . روﺷﻬﺎی ﻣﺨﺘﻠﻔﻲ ﺑﺮای ﺑﻬﻴﻨﻪﺳﺎزی وﺟﻮد دارد. ﻳﺎﻓﺘﻦ راه ﺣﻞ ﺑﺮای ﻣﺴﺎﺋﻠﻲ که از نوع NP می باشند ﺑﺴﻴﺎر ﻣﺸﻜﻞ اﺳﺖ. اﻟﮕﻮرﻳﺘﻢﻫﺎﻳﻲ از ﺟﻤﻠﻪ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮشﺟﻤﻌﻲ ﺗﺎ ﺣﺪی اﻳﻦ ﻣﺸﻜﻞ را ﺣﻞ ﻧﻤﻮده اﻧﺪ. ﺗﻮﺳﻂ اﻳﻦ ﻧﻮع اﻟﮕﻮرﻳﺘﻢﻫﺎ راهﺣﻞﻫﺎﻳﻲ ﭘﻴﺪا ﻣﻲﺷﻮﻧﺪ ﻛﻪ ﺗﻘﺮﻳﺒﺄ ﺑﻪ ﺟﻮاب ﻧﺰدﻳﻜﻨﺪ. ﻫﻮش ﺟﻤﻌﻲ ﻧﻮﻋﻲ روش ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ ﻛﻪ ﻣﺒﺘﻨﻲ ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ در ﺳﺎﻣﺎﻧﻪﻫﺎی ﻧﺎﻣﺘﻤﺮﻛﺰ و ﺧﻮدﺳﺎﻣﺎﻧﺪه ﺑﻨﻴﺎن ﺷﺪه اﺳﺖ. اﻳﻦ ﺳﺎﻣﺎﻧﻪﻫﺎ ﻣﻌﻤﻮﻻً از ﺟﻤﻌﻴﺘﻲ از ﻋﺎﻣﻞﻫﺎی ﺳﺎده ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ ﻛﻪ ﺑﻄﻮر ﻣﺤﻠﻲ ﺑﺎ ﻳﻜﺪﻳﮕﺮ و ﺑﺎ ﻣﺤﻴﻂ ﺧﻮد در ﺗﻌﺎﻣﻞ ﻫﺴﺘﻨﺪ. ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﻌﻤﻮﻻً ﻫﻴﭻ ﻛﻨﺘﺮل ﺗﻤﺮﻛﺰﻳﺎﻓﺘﻪ ای، ﭼﮕﻮﻧﮕﻲ رﻓﺘﺎر ﻋﺎﻣﻞﻫﺎ را ﺑﻪ آﻧﻬﺎ ﺗﺤﻤﻴﻞ ﻧﻤﻲﻛﻨﺪ، ﺗﻌﺎﻣﻼت ﻣﺤﻠﻲ آﻧﻬﺎ ﺑﻪ ﭘﻴﺪاﻳﺶ رﻓﺘﺎری ﻋﻤﻮﻣﻲ ﻣﻲاﻧﺠﺎﻣﺪ. ﻣﻮﻓﻖ ﺗﺮﻳﻦ روشﻫﺎی ﻫﻮش ﻣﺼﻨﻮعی ﺟﻤﻌﻲ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻮﺟﻮد آﻣﺪه اﻧﺪ، روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﻮرﭼﻪﻫﺎ، روش ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﺔ ذرات و روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﺎﻫﻲﻫﺎ ﻛﺎرﺑﺮد اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در اﻧﻮاع زﻣﻴﻨﻪﻫﺎی ﺗﺤﻘﻴﻘﺎت ﻋﻠﻤﻲ ﻧﺸﺎن دﻫﻨﺪه ﻋﻤﻠﻲ ﺑﻮدن و وﻳﮋﮔﻲﻫﺎی ﻣﻄﻠﻮب آﻧﻬﺎ اﺳﺖ. از ﺟﻤﻠﻪ وﻳﮋﮔﻲﻫﺎی اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ ﻣﻲﺗﻮان ﺑﻪ ﻣﻘﻴﺎسﭘﺬﻳﺮی، ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎ، ﺳﺎزﮔﺎری، ﺳﺮﻋﺖ، اﺳﺘﻘﻼل داﺧﻠﻲ، ﻣﻮازی ﺑﻮدن و … اﺷﺎره ﻛﺮد. ﻛﺎرﺑﺮد ﻋﻤﺪة اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪﺳﺎزی ﻣﻲﺑﺎﺷﺪ.
✅ الگوریتم دسته ﻣﺎﻫﻲﻫﺎی ﻣﺼﻨﻮﻋﻲ (AFSA (Artificial Fish Swarm Algorithm گونه ای از اﻟﮕﻮرﻳﺘﻢﻫﺎی برگرفته شده از طبیعت و اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮش ﺟﻤﻌﻲ ﻣﻲﺑﺎﺷﺪ که توسط دکتر Li Xiao Lei در سال ۲۰۰۲ ارائه شده است. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻳﻚ ﺗﻜﻨﻴﻚ ﺟﺪﻳﺪ مبتنی ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ اﺳﺖ ﻛﻪ از رﻓﺘﺎرﻫﺎی اﺟﺘﻤﺎﻋﻲ دسته ﻣﺎهیﻫﺎ در ﻃﺒﻴﻌﺖ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ. این اﻟﮕﻮرﻳﺘﻢ دارای ﺗﻮاﻧﺎیی ﺑﺎﻻیی در ﮔﺬﺷﺘﻦ از ﺑﻬﻴﻨﻪﻫﺎی ﻣﺤﻠﻲ و دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﺑﻬﻴﻨﺔ ﺳﺮاﺳﺮی ﻣﻲﺑﺎﺷﺪ. ﻫﻤﭽﻨﻴﻦ دارای وﻳﮋگیﻫﺎی ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ ﺑﺎﻻ، ﻏﻴﺮﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ، اﻧﻌﻄﺎفﭘﺬﻳﺮی و ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎی ﺑﺎﻻیی اﺳﺖ. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﻛﺎرﺑﺮدﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی از ﺟﻤﻠﻪ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎ، ﺑﻬﻴﻨﻪﺳﺎزی ﺗﺮکیبی، ﻳﺎدﮔﻴﺮی ﺷﺒﻜﻪﻫﺎی عصبی ﭘﻴﺸﺮو و … ﺑﻪ ﻛﺎر رﻓﺘﻪ اﺳﺖ. در دﻧﻴﺎی زﻳﺮ آب، ﻣﺎﻫﻲﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻨﺎطقی را ﭘﻴﺪا ﻛﻨﻨﺪ ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ، ﻛﻪ اﻳﻦ اﻣﺮ ﺑﺎ ﺟﺴﺘﺠﻮی ﻓﺮدی ﻳﺎ ﮔﺮوهی ﻣﺎهی‌ها ﻣﺤﻘﻖ میﺷﻮد. ﺑﻨﺎﺑﺮاﻳﻦ در دﻧﻴﺎی زﻳﺮ آب، ﻣﻌﻤﻮﻻً در ﺟﺎﻳﻲ ﺗﻌﺪاد ﻣﺎﻫﻲ ﺑﻴﺸﺘﺮی وﺟﻮد دارد ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ. ﻣﻄﺎﺑﻖ ﺑﺎ اﻳﻦ وﻳﮋگی، ﻣﺪل ماهی مصنوعی (AF) با چند رفتار از جمله رفتارهای حرکت آزادانه (AF Move)، جستجوی غذا (AF Prey)، حرکت گروهی (AF Swarm) و دﻧﺒﺎﻟﻪروی (AF Follow) ارائه شده است. یک AF ﻣﻮﺟﻮدﻳﺖ ﺳﺎﺧﺘﮕﻲ از ﻣﺎﻫﻲ واﻗﻌﻲ ﻣﻲﺑﺎﺷﺪ ﻛﻪ در ﺗﺤﻠﻴﻞ و ﺗﻔﺴﻴﺮ ﻣﺴﺎﺋﻞ از آن اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. محیطی که AF در آن زﻧﺪﮔﻲ ﻣﻲﻛﻨﺪ اﺳﺎﺳﺎً فضای راه حل و حوزه های AF های دیگر است. درجه ﺗﺮاﻛﻢ ﻏﺬا در ﻣﻨﻄﻘﺔ آبی ﺗﺎﺑﻊ ﻫﺪف AFSA می باشد. و وضعیت AF ﻣﻨﻔﺮد ﻣﺘﻐﻴﺮ ﺑﻬﻴﻨﻪﺳﺎزی اﺳﺖ و ﺷﺎﻣﻞ رﻓﺘﺎرﻫﺎی ﺣﺮﻛﺖ آزاداﻧﻪ، ﺣﺮﻛﺖ ﺟﻤﻌﻲ، رﻓﺘﺎر ﺟﺴﺘﺠﻮی ﻏﺬا و رﻓﺘﺎر دﻧﺒﺎﻟﻪروی اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ راهﻫﺎ ﻣﺎ ﻣﻲﺗﻮاﻧﻴﻢ راهﺣﻞ را ﻛﺎوش و ﺟﺴﺘﺠﻮ ﻛﻨﻴﻢ. در ﻃﻮل ﻓﺮآﻳﻨﺪ ﺑﻬﻴﻨﻪﺳﺎزی AFSA، اﻃﻼﻋﺎت ﻓﺮدی و محیطی، ﻛﺎﻣﻼً ﺟﻬﺖ ﺟﺴﺘﺠﻮ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺗﻮازن اﺳﺘﻔﺎده ﻣﻲﺷﻮﻧﺪ. در ﻧﻬﺎﻳﺖ، AF ﺑﻪ ﻣﻜﺎﻧﻲ میرﺳﺪ ﻛﻪ درﺟﺔ ﺗﺮاﻛﻢ و ﻏﻠﻈﺖ ﻏﺬا در آﻧﺠﺎ ﺑﻴﺸﺘﺮﻳﻦ (بهینه ﺳﺮاﺳﺮی) ﺑﺎﺷﺪ. AF ﻣﻔﺎﻫﻴﻢ ﺧﺎرجی را از ﻃﺮﻳﻖ ﺑﻴﻨﺎیی درک میﻛﻨﺪ.
@data_experts
@data_experts
✅ الگوريتم دسته ماهی هاي مصنوعی (AFSA) يك مدل محاسباتی تكاملی است كه مبتنی بر الگوريتم های هوش جمعی و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوی تصادفی است.
✅ اساس کار AFSA بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود. ﻣﻔﻬﻮم ﺑﻬﻴﻨﻪﺳﺎزی ﺑﺪﻳﻦ ﺻﻮرت اﺳﺖ ﻛﻪ در ﺑﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎی ﻳﻚ ﺗﺎﺑﻊ ﺑﻪ دﻧﺒﺎل ﻣﻘﺎدﻳﺮی ﺑﺎﺷﻴﻢ ﻛﻪ ﺗﺎﺑﻊ را ﻛﻤﻴﻨﻪ ﻳﺎ ﺑﻴﺸﻴﻨﻪ میﻧﻤﺎﻳﻨﺪ. ﻛﻠﻴﻪ ﻣﻘﺎدﻳﺮ ﻣﻨﺎﺳﺐ ﺟﻬﺖ اﻳﻦ اﻣﺮ را، راه ﺣﻠﻬﺎی ﻣﻤﻜﻦ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار از اﻳﻦ ﻣﻘﺎدﻳﺮ را راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻲﻧﺎﻣﻨﺪ.
✅ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی ﻫﺮ دو ﻧﻮع ﻣﺴﺎﺋﻞ ﺑﻴﺸﻴﻨﻪﺳﺎزی و ﻛﻤﻴﻨﻪﺳﺎزی را ﭘﻮﺷﺶ ﻣﻲدﻫﻨﺪ. ﺑﻬﻴﻨﻪﺳﺎزی ﻛﺎرﺑﺮدﻫﺎی زﻳﺎدی دارد از ﺟﻤﻠﻪ در ﺗﺨﺼﻴﺺ ﻣﻨﺎﺑﻊ، زﻣﺎنﺑﻨﺪیﻫﺎ، ﺗﺼﻤﻴﻢﮔﻴﺮیﻫﺎ و … . روﺷﻬﺎی ﻣﺨﺘﻠﻔﻲ ﺑﺮای ﺑﻬﻴﻨﻪﺳﺎزی وﺟﻮد دارد. ﻳﺎﻓﺘﻦ راه ﺣﻞ ﺑﺮای ﻣﺴﺎﺋﻠﻲ که از نوع NP می باشند ﺑﺴﻴﺎر ﻣﺸﻜﻞ اﺳﺖ. اﻟﮕﻮرﻳﺘﻢﻫﺎﻳﻲ از ﺟﻤﻠﻪ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮشﺟﻤﻌﻲ ﺗﺎ ﺣﺪی اﻳﻦ ﻣﺸﻜﻞ را ﺣﻞ ﻧﻤﻮده اﻧﺪ. ﺗﻮﺳﻂ اﻳﻦ ﻧﻮع اﻟﮕﻮرﻳﺘﻢﻫﺎ راهﺣﻞﻫﺎﻳﻲ ﭘﻴﺪا ﻣﻲﺷﻮﻧﺪ ﻛﻪ ﺗﻘﺮﻳﺒﺄ ﺑﻪ ﺟﻮاب ﻧﺰدﻳﻜﻨﺪ. ﻫﻮش ﺟﻤﻌﻲ ﻧﻮﻋﻲ روش ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ ﻛﻪ ﻣﺒﺘﻨﻲ ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ در ﺳﺎﻣﺎﻧﻪﻫﺎی ﻧﺎﻣﺘﻤﺮﻛﺰ و ﺧﻮدﺳﺎﻣﺎﻧﺪه ﺑﻨﻴﺎن ﺷﺪه اﺳﺖ. اﻳﻦ ﺳﺎﻣﺎﻧﻪﻫﺎ ﻣﻌﻤﻮﻻً از ﺟﻤﻌﻴﺘﻲ از ﻋﺎﻣﻞﻫﺎی ﺳﺎده ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ ﻛﻪ ﺑﻄﻮر ﻣﺤﻠﻲ ﺑﺎ ﻳﻜﺪﻳﮕﺮ و ﺑﺎ ﻣﺤﻴﻂ ﺧﻮد در ﺗﻌﺎﻣﻞ ﻫﺴﺘﻨﺪ. ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﻌﻤﻮﻻً ﻫﻴﭻ ﻛﻨﺘﺮل ﺗﻤﺮﻛﺰﻳﺎﻓﺘﻪ ای، ﭼﮕﻮﻧﮕﻲ رﻓﺘﺎر ﻋﺎﻣﻞﻫﺎ را ﺑﻪ آﻧﻬﺎ ﺗﺤﻤﻴﻞ ﻧﻤﻲﻛﻨﺪ، ﺗﻌﺎﻣﻼت ﻣﺤﻠﻲ آﻧﻬﺎ ﺑﻪ ﭘﻴﺪاﻳﺶ رﻓﺘﺎری ﻋﻤﻮﻣﻲ ﻣﻲاﻧﺠﺎﻣﺪ. ﻣﻮﻓﻖ ﺗﺮﻳﻦ روشﻫﺎی ﻫﻮش ﻣﺼﻨﻮعی ﺟﻤﻌﻲ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻮﺟﻮد آﻣﺪه اﻧﺪ، روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﻮرﭼﻪﻫﺎ، روش ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﺔ ذرات و روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﺎﻫﻲﻫﺎ ﻛﺎرﺑﺮد اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در اﻧﻮاع زﻣﻴﻨﻪﻫﺎی ﺗﺤﻘﻴﻘﺎت ﻋﻠﻤﻲ ﻧﺸﺎن دﻫﻨﺪه ﻋﻤﻠﻲ ﺑﻮدن و وﻳﮋﮔﻲﻫﺎی ﻣﻄﻠﻮب آﻧﻬﺎ اﺳﺖ. از ﺟﻤﻠﻪ وﻳﮋﮔﻲﻫﺎی اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ ﻣﻲﺗﻮان ﺑﻪ ﻣﻘﻴﺎسﭘﺬﻳﺮی، ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎ، ﺳﺎزﮔﺎری، ﺳﺮﻋﺖ، اﺳﺘﻘﻼل داﺧﻠﻲ، ﻣﻮازی ﺑﻮدن و … اﺷﺎره ﻛﺮد. ﻛﺎرﺑﺮد ﻋﻤﺪة اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪﺳﺎزی ﻣﻲﺑﺎﺷﺪ.
✅ الگوریتم دسته ﻣﺎﻫﻲﻫﺎی ﻣﺼﻨﻮﻋﻲ (AFSA (Artificial Fish Swarm Algorithm گونه ای از اﻟﮕﻮرﻳﺘﻢﻫﺎی برگرفته شده از طبیعت و اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮش ﺟﻤﻌﻲ ﻣﻲﺑﺎﺷﺪ که توسط دکتر Li Xiao Lei در سال ۲۰۰۲ ارائه شده است. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻳﻚ ﺗﻜﻨﻴﻚ ﺟﺪﻳﺪ مبتنی ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ اﺳﺖ ﻛﻪ از رﻓﺘﺎرﻫﺎی اﺟﺘﻤﺎﻋﻲ دسته ﻣﺎهیﻫﺎ در ﻃﺒﻴﻌﺖ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ. این اﻟﮕﻮرﻳﺘﻢ دارای ﺗﻮاﻧﺎیی ﺑﺎﻻیی در ﮔﺬﺷﺘﻦ از ﺑﻬﻴﻨﻪﻫﺎی ﻣﺤﻠﻲ و دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﺑﻬﻴﻨﺔ ﺳﺮاﺳﺮی ﻣﻲﺑﺎﺷﺪ. ﻫﻤﭽﻨﻴﻦ دارای وﻳﮋگیﻫﺎی ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ ﺑﺎﻻ، ﻏﻴﺮﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ، اﻧﻌﻄﺎفﭘﺬﻳﺮی و ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎی ﺑﺎﻻیی اﺳﺖ. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﻛﺎرﺑﺮدﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی از ﺟﻤﻠﻪ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎ، ﺑﻬﻴﻨﻪﺳﺎزی ﺗﺮکیبی، ﻳﺎدﮔﻴﺮی ﺷﺒﻜﻪﻫﺎی عصبی ﭘﻴﺸﺮو و … ﺑﻪ ﻛﺎر رﻓﺘﻪ اﺳﺖ. در دﻧﻴﺎی زﻳﺮ آب، ﻣﺎﻫﻲﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻨﺎطقی را ﭘﻴﺪا ﻛﻨﻨﺪ ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ، ﻛﻪ اﻳﻦ اﻣﺮ ﺑﺎ ﺟﺴﺘﺠﻮی ﻓﺮدی ﻳﺎ ﮔﺮوهی ﻣﺎهی‌ها ﻣﺤﻘﻖ میﺷﻮد. ﺑﻨﺎﺑﺮاﻳﻦ در دﻧﻴﺎی زﻳﺮ آب، ﻣﻌﻤﻮﻻً در ﺟﺎﻳﻲ ﺗﻌﺪاد ﻣﺎﻫﻲ ﺑﻴﺸﺘﺮی وﺟﻮد دارد ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ. ﻣﻄﺎﺑﻖ ﺑﺎ اﻳﻦ وﻳﮋگی، ﻣﺪل ماهی مصنوعی (AF) با چند رفتار از جمله رفتارهای حرکت آزادانه (AF Move)، جستجوی غذا (AF Prey)، حرکت گروهی (AF Swarm) و دﻧﺒﺎﻟﻪروی (AF Follow) ارائه شده است. یک AF ﻣﻮﺟﻮدﻳﺖ ﺳﺎﺧﺘﮕﻲ از ﻣﺎﻫﻲ واﻗﻌﻲ ﻣﻲﺑﺎﺷﺪ ﻛﻪ در ﺗﺤﻠﻴﻞ و ﺗﻔﺴﻴﺮ ﻣﺴﺎﺋﻞ از آن اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. محیطی که AF در آن زﻧﺪﮔﻲ ﻣﻲﻛﻨﺪ اﺳﺎﺳﺎً فضای راه حل و حوزه های AF های دیگر است. درجه ﺗﺮاﻛﻢ ﻏﺬا در ﻣﻨﻄﻘﺔ آبی ﺗﺎﺑﻊ ﻫﺪف AFSA می باشد. و وضعیت AF ﻣﻨﻔﺮد ﻣﺘﻐﻴﺮ ﺑﻬﻴﻨﻪﺳﺎزی اﺳﺖ و ﺷﺎﻣﻞ رﻓﺘﺎرﻫﺎی ﺣﺮﻛﺖ آزاداﻧﻪ، ﺣﺮﻛﺖ ﺟﻤﻌﻲ، رﻓﺘﺎر ﺟﺴﺘﺠﻮی ﻏﺬا و رﻓﺘﺎر دﻧﺒﺎﻟﻪروی اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ راهﻫﺎ ﻣﺎ ﻣﻲﺗﻮاﻧﻴﻢ راهﺣﻞ را ﻛﺎوش و ﺟﺴﺘﺠﻮ ﻛﻨﻴﻢ. در ﻃﻮل ﻓﺮآﻳﻨﺪ ﺑﻬﻴﻨﻪﺳﺎزی AFSA، اﻃﻼﻋﺎت ﻓﺮدی و محیطی، ﻛﺎﻣﻼً ﺟﻬﺖ ﺟﺴﺘﺠﻮ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺗﻮازن اﺳﺘﻔﺎده ﻣﻲﺷﻮﻧﺪ. در ﻧﻬﺎﻳﺖ، AF ﺑﻪ ﻣﻜﺎﻧﻲ میرﺳﺪ ﻛﻪ درﺟﺔ ﺗﺮاﻛﻢ و ﻏﻠﻈﺖ ﻏﺬا در آﻧﺠﺎ ﺑﻴﺸﺘﺮﻳﻦ (بهینه ﺳﺮاﺳﺮی) ﺑﺎﺷﺪ. AF ﻣﻔﺎﻫﻴﻢ ﺧﺎرجی را از ﻃﺮﻳﻖ ﺑﻴﻨﺎیی درک میﻛﻨﺪ.
@data_experts
Forwarded from |R| Experts (|בםב)
لینک دانلود #دوره
Udemy Applied Machine Learning in R
سر فصل ها :
- شروع شدن
- مسائل کلیدی در یادگیری ماشین
- اعتبار سنجی متقابل
- رگرسیون کمترین مربعات معمولی
- بهترین رگرسیون زیرین
- رگرسیون مجازات شده
- رگرسیون حداقل مربعات جزئی
- رگرسیون منطقی
- تحلیل تشخیصی
- تخمین Bayes نایاب
- K نزدیک ترین همسایه
- پشتیبانی از ماشین بردار
- تصمیم گیری درختان (CART)
- Primer در شبکه های عصبی
- تجزیه و تحلیل مولفه اصلی
- آنالیز خوشه ای
- تمرین
- دانلود لینک ها
منبع: p30download.com
جهت دانلود بر روی لینک های زیر کلیک کنید
بخش اول
بخش دوم
بخش سوم
╭──•═✾®✾═•──╮
••• @R_Experts •••
╰──•═✾®✾═•──╯
Udemy Applied Machine Learning in R
سر فصل ها :
- شروع شدن
- مسائل کلیدی در یادگیری ماشین
- اعتبار سنجی متقابل
- رگرسیون کمترین مربعات معمولی
- بهترین رگرسیون زیرین
- رگرسیون مجازات شده
- رگرسیون حداقل مربعات جزئی
- رگرسیون منطقی
- تحلیل تشخیصی
- تخمین Bayes نایاب
- K نزدیک ترین همسایه
- پشتیبانی از ماشین بردار
- تصمیم گیری درختان (CART)
- Primer در شبکه های عصبی
- تجزیه و تحلیل مولفه اصلی
- آنالیز خوشه ای
- تمرین
- دانلود لینک ها
منبع: p30download.com
جهت دانلود بر روی لینک های زیر کلیک کنید
بخش اول
بخش دوم
بخش سوم
╭──•═✾®✾═•──╮
••• @R_Experts •••
╰──•═✾®✾═•──╯
چگونه تحلیل گر داده شویم
@Data_Experts
تحلیلگر داده، با دستکاری داده‌ها زندگی می‌کند. در دورانی که شرکت‌ها به‌طور فزاینده به مجموع‌های داده یا همان دیتاست‌ها (Data set) وابسته می‌شدند، مهارت در تحلیل داده‌ها تبدیل به یک توانایی مهم در این شرکت‌ها و یکی از پر تقاضاترین مشاغل شد
طبق گزارش سایت Indeed.com، میانگین درآمد یک تحلیلگر داده در ایالات متحده، سالیانه نزدیک به ۶۵ هزار دلار است؛ درحالی که میانگین درآمد متخصص علوم داده بیش از سالی ۱۲۰ هزار دلار برآورد می‌شود.
ادامه را در لینک زیر از سایت زومیت بخوانید
https://www.zoomit.ir/2019/8/30/339685/how-to-become-data-analyst/
@Data_Experts
@Data_Experts
تحلیلگر داده، با دستکاری داده‌ها زندگی می‌کند. در دورانی که شرکت‌ها به‌طور فزاینده به مجموع‌های داده یا همان دیتاست‌ها (Data set) وابسته می‌شدند، مهارت در تحلیل داده‌ها تبدیل به یک توانایی مهم در این شرکت‌ها و یکی از پر تقاضاترین مشاغل شد
طبق گزارش سایت Indeed.com، میانگین درآمد یک تحلیلگر داده در ایالات متحده، سالیانه نزدیک به ۶۵ هزار دلار است؛ درحالی که میانگین درآمد متخصص علوم داده بیش از سالی ۱۲۰ هزار دلار برآورد می‌شود.
ادامه را در لینک زیر از سایت زومیت بخوانید
https://www.zoomit.ir/2019/8/30/339685/how-to-become-data-analyst/
@Data_Experts
Media is too big
VIEW IN TELEGRAM
@Data_Experts
==» #Apply_Family
در این ویدیو توابع اپلای و نحوه کار آنها با مثال های متنوع توضیح داده شده است. لازم به توضیح هست که توابع اپلای به طور ساده توابعی هستند که معمولا به جای استفاده از حلقه ها در برنامه نویسی برای سهولت در انجام و در بعضا نیز سرعت اجرای حلقه در این حالت بیشتر از حالت عادی هست.
از آموزش لذت ببرید 😊 و یک متخصص داده شوید.
@Data_Experts
==» #Apply_Family
در این ویدیو توابع اپلای و نحوه کار آنها با مثال های متنوع توضیح داده شده است. لازم به توضیح هست که توابع اپلای به طور ساده توابعی هستند که معمولا به جای استفاده از حلقه ها در برنامه نویسی برای سهولت در انجام و در بعضا نیز سرعت اجرای حلقه در این حالت بیشتر از حالت عادی هست.
از آموزش لذت ببرید 😊 و یک متخصص داده شوید.
@Data_Experts
This media is not supported in your browser
VIEW IN TELEGRAM
سخنرانی ارتور بنجامین
در مورد اینکه افراد رو در چه حوزه ای باید تربیت کرد!
ریاضیات یا احتمالات !!
@Data_Experts
در مورد اینکه افراد رو در چه حوزه ای باید تربیت کرد!
ریاضیات یا احتمالات !!
@Data_Experts
Planning Your First Data Analysis Project?
📊 اولین پروژه آنالیز داده خود را برنامه ریزی کنید !!
📝یک چارچوب علمی برای انجام پروژه‌های تحلیل داده
یک پروژه ساختارمند می‌تواند مسیر طولانی رسیدن به اهداف پروژه در یک قالب خوب و اصلاح شده را ساده‌تر نماید. نگرش کشف داده محور از مجموعه داده عظیم در بعضی اوقات می‌تواند غافلگیرکننده باشد و از نظر ساختار علمی این پروژه تجزیه و تحلیل داده می تواند به سمت تجزیه و تحلیل کارآمد و بهبود هرچه بهتر تصمیم‌گیری جوامع کمک کند.
بر همین اساس، در این مقاله یک راهنما برای مشخص کردن چارچوب با این ۹ مرحله مهم و اهداف در نظر گرفته شده برای ساختار عملی پروژه‌ها براساس تصمیم‌گیری داده-محور در نظر گرفته‌ایم
با ما همراه باشید و یک متخصص علم داده شوید
@Data_Experts
📊 اولین پروژه آنالیز داده خود را برنامه ریزی کنید !!
📝یک چارچوب علمی برای انجام پروژه‌های تحلیل داده
یک پروژه ساختارمند می‌تواند مسیر طولانی رسیدن به اهداف پروژه در یک قالب خوب و اصلاح شده را ساده‌تر نماید. نگرش کشف داده محور از مجموعه داده عظیم در بعضی اوقات می‌تواند غافلگیرکننده باشد و از نظر ساختار علمی این پروژه تجزیه و تحلیل داده می تواند به سمت تجزیه و تحلیل کارآمد و بهبود هرچه بهتر تصمیم‌گیری جوامع کمک کند.
بر همین اساس، در این مقاله یک راهنما برای مشخص کردن چارچوب با این ۹ مرحله مهم و اهداف در نظر گرفته شده برای ساختار عملی پروژه‌ها براساس تصمیم‌گیری داده-محور در نظر گرفته‌ایم
با ما همراه باشید و یک متخصص علم داده شوید
@Data_Experts