An important collection of the 15 best machine learning cheat sheets.
1- Supervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-supervised-learning.pdf
2- Unsupervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-unsupervised-learning.pdf
3- Deep Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-deep-learning.pdf
4- Machine Learning Tips and Tricks
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-machine-learning-tips-and-tricks.pdf
5- Probabilities and Statistics
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-probabilities-statistics.pdf
6- Comprehensive Stanford Master Cheat Sheet
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/super-cheatsheet-machine-learning.pdf
7- Linear Algebra and Calculus
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-algebra-calculus.pdf
8- Data Science Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
9- Keras Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Keras_Cheat_Sheet_Python.pdf
10- Deep Learning with Keras Cheat Sheet
https://github.com/rstudio/cheatsheets/raw/master/keras.pdf
11- Visual Guide to Neural Network Infrastructures
https://www.asimovinstitute.org/wp-content/uploads/2016/09/neuralnetworks.png
12- Skicit-Learn Python Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
13- Scikit-learn Cheat Sheet: Choosing the Right Estimator
https://scikit-learn.org/stable/tutorial/machine_learning_map/
14- Tensorflow Cheat Sheet
https://github.com/kailashahirwar/cheatsheets-ai/blob/master/PDFs/Tensorflow.pdf
15- Machine Learning Test Cheat Sheet
https://www.cheatography.com/lulu-0012/cheat-sheets/test-ml/pdf/
#Github #ML #MachineLearning #Machine_Learning
#CheatSheets #Cheat_Sheets #CheatSheet #Cheat_Sheet #Cheat #Sheet #Sheets
کانال آموزش کامپیوتر
@Engineer_Computer
1- Supervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-supervised-learning.pdf
2- Unsupervised Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-unsupervised-learning.pdf
3- Deep Learning
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-deep-learning.pdf
4- Machine Learning Tips and Tricks
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/cheatsheet-machine-learning-tips-and-tricks.pdf
5- Probabilities and Statistics
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-probabilities-statistics.pdf
6- Comprehensive Stanford Master Cheat Sheet
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/super-cheatsheet-machine-learning.pdf
7- Linear Algebra and Calculus
https://github.com/afshinea/stanford-cs-229-machine-learning/blob/master/en/refresher-algebra-calculus.pdf
8- Data Science Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/PythonForDataScience.pdf
9- Keras Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Keras_Cheat_Sheet_Python.pdf
10- Deep Learning with Keras Cheat Sheet
https://github.com/rstudio/cheatsheets/raw/master/keras.pdf
11- Visual Guide to Neural Network Infrastructures
https://www.asimovinstitute.org/wp-content/uploads/2016/09/neuralnetworks.png
12- Skicit-Learn Python Cheat Sheet
https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Scikit_Learn_Cheat_Sheet_Python.pdf
13- Scikit-learn Cheat Sheet: Choosing the Right Estimator
https://scikit-learn.org/stable/tutorial/machine_learning_map/
14- Tensorflow Cheat Sheet
https://github.com/kailashahirwar/cheatsheets-ai/blob/master/PDFs/Tensorflow.pdf
15- Machine Learning Test Cheat Sheet
https://www.cheatography.com/lulu-0012/cheat-sheets/test-ml/pdf/
#Github #ML #MachineLearning #Machine_Learning
#CheatSheets #Cheat_Sheets #CheatSheet #Cheat_Sheet #Cheat #Sheet #Sheets
کانال آموزش کامپیوتر
@Engineer_Computer
GitHub
stanford-cs-229-machine-learning/en/cheatsheet-supervised-learning.pdf at master · afshinea/stanford-cs-229-machine-learning
VIP cheatsheets for Stanford's CS 229 Machine Learning - afshinea/stanford-cs-229-machine-learning
لیست درسهای مقدماتی و پیشرفته یادگیری ماشین که از یوتیوب به صورت کاملاً رایگان قابل دسترس هستند
- Andrew Ng CS229 ML: https://lnkd.in/gkDEyuCS
- MIT: Deep Learning for Art: https://lnkd.in/grusgt3Z
- Stanford CS230: Deep Learning: https://lnkd.in/ggXNEX7K
- Practical Deep Learning for Coders: https://lnkd.in/giHMNrHG, https://lnkd.in/gDtRtHmG
- Stanford CS224W: Machine Learning with Graphs: https://lnkd.in/grZC_j4N
- Probabilistic Machine Learning: https://lnkd.in/gjSpNDCD
- MIT 6.S191: Introduction to Deep Learning: https://lnkd.in/gWtSdkSH
- UC Berkeley CS 182: Deep Learning: https://lnkd.in/gzHS6m8G
- UC Berkeley Deep Unsupervised Learning: https://lnkd.in/gPdPbKku
- Yann Lecun's NYU Deep Learning SP21L: https://lnkd.in/gdyzmf8b
- Stanford CS25 - Transformers United: https://lnkd.in/gaZVn3wY
- Hugging Face NLP Course: https://lnkd.in/gigfE2Yj
- Stanford CS224N: Natural Language Processing with Deep Learning: https://lnkd.in/g4fg4_wX
- CMU Neural Nets for NLP: https://lnkd.in/gVpUwtXE
- Stanford CS224U: Natural Language Understanding: https://lnkd.in/gMeGkkzV
- CMU Advanced NLP: https://lnkd.in/gAtrsGqY
- CMU Multilingual NLP: https://lnkd.in/ghbcWftV
- Stanford CS231N: Convolutional Neural Networks for Visual Recognition: https://lnkd.in/g3DeCWEc
- Michigan Deep Learning for Computer Vision: https://lnkd.in/gbdgGgJQ
- AMMI Geometric Deep Learning Course: https://lnkd.in/gYH6Vuum
- UC Berkeley CS 285 Deep Reinforcement Learning: https://lnkd.in/gH-HYdqz
- Intro to Deep Learning and Generative Models: https://lnkd.in/gxuTtkSk
- Stanford CS330: Deep Multi-Task and Meta Learning: https://lnkd.in/gasntdBh
Source: https://lnkd.in/gys5Rk5k
#ML #YouTube #Courses #open_Education #openEducation
#Machine_Learning #MachineLearning
کانال آموزش کامپیوتر
@Engineer_Computer
- Andrew Ng CS229 ML: https://lnkd.in/gkDEyuCS
- MIT: Deep Learning for Art: https://lnkd.in/grusgt3Z
- Stanford CS230: Deep Learning: https://lnkd.in/ggXNEX7K
- Practical Deep Learning for Coders: https://lnkd.in/giHMNrHG, https://lnkd.in/gDtRtHmG
- Stanford CS224W: Machine Learning with Graphs: https://lnkd.in/grZC_j4N
- Probabilistic Machine Learning: https://lnkd.in/gjSpNDCD
- MIT 6.S191: Introduction to Deep Learning: https://lnkd.in/gWtSdkSH
- UC Berkeley CS 182: Deep Learning: https://lnkd.in/gzHS6m8G
- UC Berkeley Deep Unsupervised Learning: https://lnkd.in/gPdPbKku
- Yann Lecun's NYU Deep Learning SP21L: https://lnkd.in/gdyzmf8b
- Stanford CS25 - Transformers United: https://lnkd.in/gaZVn3wY
- Hugging Face NLP Course: https://lnkd.in/gigfE2Yj
- Stanford CS224N: Natural Language Processing with Deep Learning: https://lnkd.in/g4fg4_wX
- CMU Neural Nets for NLP: https://lnkd.in/gVpUwtXE
- Stanford CS224U: Natural Language Understanding: https://lnkd.in/gMeGkkzV
- CMU Advanced NLP: https://lnkd.in/gAtrsGqY
- CMU Multilingual NLP: https://lnkd.in/ghbcWftV
- Stanford CS231N: Convolutional Neural Networks for Visual Recognition: https://lnkd.in/g3DeCWEc
- Michigan Deep Learning for Computer Vision: https://lnkd.in/gbdgGgJQ
- AMMI Geometric Deep Learning Course: https://lnkd.in/gYH6Vuum
- UC Berkeley CS 285 Deep Reinforcement Learning: https://lnkd.in/gH-HYdqz
- Intro to Deep Learning and Generative Models: https://lnkd.in/gxuTtkSk
- Stanford CS330: Deep Multi-Task and Meta Learning: https://lnkd.in/gasntdBh
Source: https://lnkd.in/gys5Rk5k
#ML #YouTube #Courses #open_Education #openEducation
#Machine_Learning #MachineLearning
کانال آموزش کامپیوتر
@Engineer_Computer
lnkd.in
LinkedIn
This link will take you to a page that’s not on LinkedIn
2022 Lecture Notes for Machine Learning Theory.pdf
4.1 MB
2022 Lecture Notes for Machine Learning Theory CS229M/STATS214
Instructor: Tengyu Ma
June 26, 2022
https://www.researchgate.net/profile/Milad-Vazan/
miladvazan.ir
[email protected]
#Vazan #Milad_Vazan #MiladVazan
#Lecture #ML #Machine_Learning #MachineLearning #Notes
کانال آموزش کامپیوتر
@Engineer_Computer
Instructor: Tengyu Ma
June 26, 2022
https://www.researchgate.net/profile/Milad-Vazan/
miladvazan.ir
[email protected]
#Vazan #Milad_Vazan #MiladVazan
#Lecture #ML #Machine_Learning #MachineLearning #Notes
کانال آموزش کامپیوتر
@Engineer_Computer
2020 A Theory of Universal Learning.pdf
679.1 KB
2020 A Theory of Universal Learning
#Learning #UniversalLearning #Universal_Learning
#Theory #ML #Machine_Learning #MachineLearning
/66
کانال آموزش کامپیوتر
@Engineer_Computer
#Learning #UniversalLearning #Universal_Learning
#Theory #ML #Machine_Learning #MachineLearning
/66
کانال آموزش کامپیوتر
@Engineer_Computer
2008 Feature Engineering for Machine Learning.pdf
17.2 MB
2008 Feature Engineering for Machine Learning
Principles and Techniques for Data Scientists
Alice Zheng and Amanda Casari
Published by O’Reilly Media
#FeatureEngineering #MachineLearning #Feature_Engineering #Machine_Learning #ML #OReilly
کانال آموزش کامپیوتر
@Engineer_Computer
Principles and Techniques for Data Scientists
Alice Zheng and Amanda Casari
Published by O’Reilly Media
#FeatureEngineering #MachineLearning #Feature_Engineering #Machine_Learning #ML #OReilly
کانال آموزش کامپیوتر
@Engineer_Computer
❤1
2019 Genetic Algorithms and Machine Learning for Programmers.pdf
14.3 MB
2019 Genetic Algorithms and Machine Learning for Programmers Create AI Models and Evolve Solutions
Frances Buontempo
ISBN-13: 978-1-68050-620-4
If you’re a beginner to intermediate programmer keen to understand machine
learning, this book is for you. Inside its pages, you’ll create genetic algorithms,
nature-inspired swarms, Monte Carlo simulations, cellular automata, and
clusters. You’ll also learn how to test your code as you dive into even more
advanced topics.
#Genetic #GeneticAlgorithms #Genetic_Algorithms
#MachineLearning #ML #Machine_Learning
#Programmers #AI #Models #Solutions
کانال آموزش کامپیوتر
@Engineer_Computer
Frances Buontempo
ISBN-13: 978-1-68050-620-4
If you’re a beginner to intermediate programmer keen to understand machine
learning, this book is for you. Inside its pages, you’ll create genetic algorithms,
nature-inspired swarms, Monte Carlo simulations, cellular automata, and
clusters. You’ll also learn how to test your code as you dive into even more
advanced topics.
#Genetic #GeneticAlgorithms #Genetic_Algorithms
#MachineLearning #ML #Machine_Learning
#Programmers #AI #Models #Solutions
کانال آموزش کامپیوتر
@Engineer_Computer
❤1
🔅 کتابخانه ای برای آنالیز داده
کتابخانه قدرتمند dataprep امکان تحلیل و آنالیز داده ها را بر دیتاست، با کم ترین تعداد خط کد و بدون درگیر شدن با پیچیدگی های خاص فراهم می کند
این کتابخانه از سه بخش زیر تشکیل شده :
1- به کمک ماژول EDA می توان داده ها را بصری کرد
2- به کمک ماژول connector می توان به هر نوع پایگاه داده متصل شد
3- به کمک ماژول clean می توان کارهای پردازشی، پیش پردازشی، پاک سازی و ... روی داده ها را انجام داد
https://dataprep.ai/
#MachineLearning #ML #DataMining #DataSet #Data #DataAnalysis
#Machine_Learning #Data_Mining #Data_Set #Data_Analysis #AI #DataRep
کانال آموزش کامپیوتر
@Engineer_Computer
کتابخانه قدرتمند dataprep امکان تحلیل و آنالیز داده ها را بر دیتاست، با کم ترین تعداد خط کد و بدون درگیر شدن با پیچیدگی های خاص فراهم می کند
این کتابخانه از سه بخش زیر تشکیل شده :
1- به کمک ماژول EDA می توان داده ها را بصری کرد
2- به کمک ماژول connector می توان به هر نوع پایگاه داده متصل شد
3- به کمک ماژول clean می توان کارهای پردازشی، پیش پردازشی، پاک سازی و ... روی داده ها را انجام داد
https://dataprep.ai/
#MachineLearning #ML #DataMining #DataSet #Data #DataAnalysis
#Machine_Learning #Data_Mining #Data_Set #Data_Analysis #AI #DataRep
کانال آموزش کامپیوتر
@Engineer_Computer
🔅 وب سایت Machine Learning Mastery برای آموزش یادگیری ماشین و مفاهیم علوم داده بصورت دسته بندی شده
سطح مقدماتی، متوسط، پیشرفته، پردازش متن، بینایی ماشین و ...
Need Help Getting Started with Applied Machine Learning?
These are the Step-by-Step Guides that You’ve Been Looking For:
🌐 https://machinelearningmastery.com/start-here/
#ML #Machine_learning #MachineLearning #Mastery
#MachineLearningMastery #Machine_Learning_Mastery
#DataScience #Data_Science #DS #Applied
کانال آموزش کامپیوتر
@Engineer_Computer
سطح مقدماتی، متوسط، پیشرفته، پردازش متن، بینایی ماشین و ...
Need Help Getting Started with Applied Machine Learning?
These are the Step-by-Step Guides that You’ve Been Looking For:
🌐 https://machinelearningmastery.com/start-here/
#ML #Machine_learning #MachineLearning #Mastery
#MachineLearningMastery #Machine_Learning_Mastery
#DataScience #Data_Science #DS #Applied
کانال آموزش کامپیوتر
@Engineer_Computer
#Machine_Learning #Red_Team
با توجه به تقویت یافتن زیرساخت های یادگیری ماشین، امروزه انجمن هایی ظهور پیدا کرده اند تا خوراک های اصلی الگوریتم های یادگیری ماشین را توسعه داده و به اشتراک بگذارند.
یکی از این انجمن ها، انجمن Hugging Face مانند GitHub است تا توسعه دهندگان مدل و مجموعه داده (Models - Datasets) را به اشتراک بگذارند.
مثالی در خصوص مسیر فرایند آموزش و آنالیز و تصدیق تشخیص بدافزار مبتنی بر ML Pipeline، که در تصویر مشاهده میکنید که در نهایت بصورت یک کتابخانه پایتونی، کد منبع باز منتشر میشود.
اما همین بستر، میتواند موجب شود تا مهاجمین تیم قرمز با تزریق مدل های مخرب بدافزاری در پروژه های شرکت های معتبر، باعث شوند تا در فرایند Tensorflow کد وارد بخش حساس شرکت شده و به اجرا در بیاورد.
برای مثال در TensorFlow لایه Kenras Lambda، امکان اجای عبارات دلخواه ارائه میدهد که عملگر های داخلی معادل نداشته باشند. معمولا میتوان از آن برای نوشتن عبارات ریاضی استفاده کرد، اما هیچ چیز مانع از انجام هرکاری مانند فراخوانی تابع ()exec داخلی پایتون نمیشود.
https://arxiv.org/pdf/2107.08590.pdf
@Engineer_Computer
با توجه به تقویت یافتن زیرساخت های یادگیری ماشین، امروزه انجمن هایی ظهور پیدا کرده اند تا خوراک های اصلی الگوریتم های یادگیری ماشین را توسعه داده و به اشتراک بگذارند.
یکی از این انجمن ها، انجمن Hugging Face مانند GitHub است تا توسعه دهندگان مدل و مجموعه داده (Models - Datasets) را به اشتراک بگذارند.
مثالی در خصوص مسیر فرایند آموزش و آنالیز و تصدیق تشخیص بدافزار مبتنی بر ML Pipeline، که در تصویر مشاهده میکنید که در نهایت بصورت یک کتابخانه پایتونی، کد منبع باز منتشر میشود.
اما همین بستر، میتواند موجب شود تا مهاجمین تیم قرمز با تزریق مدل های مخرب بدافزاری در پروژه های شرکت های معتبر، باعث شوند تا در فرایند Tensorflow کد وارد بخش حساس شرکت شده و به اجرا در بیاورد.
برای مثال در TensorFlow لایه Kenras Lambda، امکان اجای عبارات دلخواه ارائه میدهد که عملگر های داخلی معادل نداشته باشند. معمولا میتوان از آن برای نوشتن عبارات ریاضی استفاده کرد، اما هیچ چیز مانع از انجام هرکاری مانند فراخوانی تابع ()exec داخلی پایتون نمیشود.
https://arxiv.org/pdf/2107.08590.pdf
@Engineer_Computer
#Ransomware #Detection Using #Machine_Learning
در مقاله ای از MDPI به موضوع نحوه تشخیص باج افزار مبتنی بر روش های تشخیص رفتار تهدید آمیز، مبتنی هوش مصنوعی پرداخته است.
در روش های قدیمی مرسوم، عموما مکانیزم های EPP اقدام به تشخیص مبتنی بر امضا، تشخیص مبتنی بر ترسیم رفتار مخرب یا Behavioral-Patterns و روش های Heuristic-Based Scanning پرداخته شده است.
حالا موضوعی به آن مبتنی بر هوش مصنوعی توجه شده است، بحث یاد گیری ماشین و ایجاد Dataset های بزرگ برای الگوریتم های یادگیری ماشین است.
با توجه به اینکه منابع Dataset در اینجا نقش خوراک الگوریتم را میبایست بازی کند، وجود Dataset های با کیفیت و جامع بسیار در امر یادگیری ماشین، کمک خواهد کرد.
این Dataset ها میبایست مدل های تشخیص آموزش دیده ای را به ماشین بدهند تا ماشین با تحلیل رفتار پردازش ها بتواند بهترین و دقیقا Pattern ای تشخیصی رو پایش کند.
که در این صورت ماشین میتواند هر بار بسیار سریع تر متوجه یک رفتار غیر طبیعی از یک برنامه توجیه یا Legitimate را تشخیص داده و واکنش مطلوب را سریعا نشان دهد.
https://www.mdpi.com/2504-2289/7/3/143
@Engineer_Computer
در مقاله ای از MDPI به موضوع نحوه تشخیص باج افزار مبتنی بر روش های تشخیص رفتار تهدید آمیز، مبتنی هوش مصنوعی پرداخته است.
در روش های قدیمی مرسوم، عموما مکانیزم های EPP اقدام به تشخیص مبتنی بر امضا، تشخیص مبتنی بر ترسیم رفتار مخرب یا Behavioral-Patterns و روش های Heuristic-Based Scanning پرداخته شده است.
حالا موضوعی به آن مبتنی بر هوش مصنوعی توجه شده است، بحث یاد گیری ماشین و ایجاد Dataset های بزرگ برای الگوریتم های یادگیری ماشین است.
با توجه به اینکه منابع Dataset در اینجا نقش خوراک الگوریتم را میبایست بازی کند، وجود Dataset های با کیفیت و جامع بسیار در امر یادگیری ماشین، کمک خواهد کرد.
این Dataset ها میبایست مدل های تشخیص آموزش دیده ای را به ماشین بدهند تا ماشین با تحلیل رفتار پردازش ها بتواند بهترین و دقیقا Pattern ای تشخیصی رو پایش کند.
که در این صورت ماشین میتواند هر بار بسیار سریع تر متوجه یک رفتار غیر طبیعی از یک برنامه توجیه یا Legitimate را تشخیص داده و واکنش مطلوب را سریعا نشان دهد.
https://www.mdpi.com/2504-2289/7/3/143
@Engineer_Computer
👍1