⚫منتظر چه محتواهایی باشید؟
◀️#معرفی_کتاب: به دنبال جدیدترین و کاربردی‌ترین کتاب‌های هوش مصنوعی هستید؟ در این بخش با بهترین منابع برای یادگیری آشنا می‌شوید.
◀️#گنجینه_کتاب: خلاصه‌نویسی‌های حرفه‌ای از مفاهیم کلیدی کتاب‌های مهم این حوزه را در اختیار شما قرار می‌دهیم تا به سرعت به دانش کلیدی دست پیدا کنید.
◀️#چهره‌های_برجسته: با افراد برجسته و تاثیرگذار در دنیای هوش مصنوعی آشنا شوید و از تجربیات و دانش آن‌ها الهام بگیرید.
◀️#مقاله_با_کد: یادگیری تئوری بدون عمل فایده نداره! در این بخش، مقالات علمی همراه با کدهای پیاده‌سازی آن‌ها به اشتراک گذاشته می‌شوند تا به صورت عملی با مفاهیم کلیدی کار کنید.
◀️#هوش_مصنوعی_و_نوروساینس: مرزهای بین هوش مصنوعی و علوم اعصاب را کاوش کنید. در این بخش با جدیدترین یافته‌ها و آزمایشگاه‌های فعال در این حوزه ترند آشنا می‌شوید.
◀️#کافه_یادگیری #کافه_یوتوب: دنیای آموزش‌های آنلاین هوش مصنوعی در دستان شماست! دوره‌های آموزشی و ویدیوهای مفید در یوتیوب و سایر منابع برای یادگیری آسان و موثر معرفی می‌شوند.
◀️#گیتهاب: به دنبال پروژه‌های جذاب و کاربردی هوش مصنوعی، یادگیری عمیق و یادگیری ماشین می‌گردید؟ این بخش گنجینه‌ای از پروژه‌های کاربردی در گیتهاب را به شما معرفی می‌کند.
◀️#نورومچ: خلاصه‌ مطالب دوره‌های تخصصی رویداد علمی Neuromatch را از دست ندهید! در این بخش، نکات کلیدی و کاربردی این دوره‌ها با شما به اشتراک گذاشته می‌شوند.
◀️پلتفرم‌های #Kaagle و #Huggingface: پلتفرم‌های قدرتمند Kaggle و Hugging Face را بشناسید! در این بخش، چالش‌ها، پروژه‌ها و منابع مربوط به این دو پلتفرم برای ارتقای مهارت‌های عملی شما ارائه می‌شوند.
◀️#چالش: با سوالات چالش‌برانگیز و آموزنده در حوزه هوش مصنوعی، ذهن خود را به چالش بکشید و دانش خود را محک بزنید.
◀️#گپ_و_گفتگو: فضایی برای گفتگو و تبادل نظر با متخصصان هوش مصنوعی، یادگیری عمیق و یادگیری ماشین فراهم شده است. سوالات خود را مطرح کنید و از تجربیات متخصصان بهره‌مند شوید.
🤩ما با اشتیاق به شما در یادگیری و پیشرفت در این دنیای هیجان‌انگیز کمک می‌کنیم. با ما همراه باشید!
✈️@IDS_AI_ML
✈️@IDSchools

💡آلن تورینگ (Alan Mathison Turing)، ریاضی‌دان و دانشمند علوم کامپیوتر بریتانیایی، به عنوان پدر هوش مصنوعی شناخته می‌شود. او فردی پیشرو و تاثیرگذار در حوزه‌ی علوم کامپیوتر نظری و هوش مصنوعی بود.

🔹از مهم‌ترین دستاوردهای تورینگ می‌توان به موارد زیر اشاره کرد:

🔴آزمون تورینگ: آزمونی برای سنجش توانایی ماشین در به نمایش گذاشتن رفتاری هوشمندانه‌ی معادل یا غیرقابل تشخیص با انسان. این آزمون در مقاله‌ی او با عنوان “Computing Machinery and Intelligence” در سال ۱۹۵۰ مطرح شد.

🔴ماشین تورینگ: مدلی محاسباتی که مبنای نظری رایانه‌های امروزی به شمار می‌رود. این مفهوم در مقاله‌ی او با عنوان “On Computable Numbers with an Application to the Entscheidungsproblem” در سال ۱۹۳۷ معرفی شد..

🔴رمزگشایی کد انیگما: در طول جنگ جهانی دوم، تورینگ نقش مهمی در شکستن کدهای ماشین رمزنگاری آلمان به نام «اِنیگما» ایفا کرد و به پیروزی متفقین کمک شایانی رساند.

🎬 فیلم بازی تقلید (The Imitation Game) محصول سال ۲۰۱۴، به کارگردانی Morten Tyldum، بر اساس زندگی آلن تورینگ و نقش او در شکستن کد انیگما ساخته شده است. این فیلم با بازی Benedict Cumberbatch در نقش تورینگ، بخشی از زندگی شخصی و تراژدی او را نیز به تصویر می‌کشد.

⚫️متاسفانه، زندگی درخشان تورینگ با تراژدی همراه بود. او در نهایت در سال ۱۹۵۴ در سن ۴۱ سالگی درگذشت. آلن تورینگ، با وجود عمر کوتاه، تاثیر عمیقی بر دنیای کامپیوتر و هوش مصنوعی گذاشت. ایده‌های او همچنان مبنای بسیاری از تحقیقات در این حوزه است و به عنوان یک دانشمند پیشرو در این عرصه شناخته می‌شود.

#چهره‌های_برجسته
✈️@IDS_AI_ML
✈️@IDSchools

😮 با کتاب « Introduction to Machine Learning with Python, A Guide for Data Scientists» اثر Andreas C. Müller and Sarah Guido، وارد دنیای یادگیری ماشین با پایتون شوید! این کتاب که منبعی شناخته شده برای شروع یادگیری ماشین است، برای افرادی که آشنایی با زبان برنامه نویسی پایتون دارند، نوشته شده است.
⬅️محتوا:
🟢فصل ۱ - Introduction
در این فصل با کلیات و کاربردهای یادگیری ماشین آشنا می‌شوید.
🟢فصل ۲ - Supervised Learning
در این فصل‌ها با مفاهیم کلیدی مانند «طبقه‌بندی» و «رگرسیون» آشنا می‌شوید و یاد می‌گیرید که چگونه از الگوریتم‌هایی یادگیری ماشین با نظارت مثل k-Nearest Neighbors ، Naive Bayes ، Decision Trees و...برای حل مسائل مختلف استفاده کنید.
🟢فصل ۳ - Unsupervised Learning and Preprocessing
در این فصل با انواع یادگیری بدون نظارت مانند «خوشه‌بندی» و «کاهش بعد» آشنا می‌شوید و الگوریتم‌هایی مانند k-means و PCA را فرا می‌گیرید.
🟢فصل۴ - Representing Data and Engineering Features
این فصل به اهمیت مهندسی داده و ویژگی می‌پردازد. در این فصل یاد می‌گیرید که چگونه داده‌های خام را برای دستیابی به نتایج بهتر پردازش و آماده کنید.
🟢فصل ۵ - Model Evaluation and Improvement
در این فصل با روش‌های ارزیابی عملکرد مدل‌های یادگیری ماشین مانند «اعتبارسنجی» و تنظیم پارامتر آشنا می‌شوید.
🟢فصل ۶ - Algorithm Chains and Pipelines
در این فصل با مفهوم Pipeline آشنا می‌شوید که به شما کمک می‌کند تا مراحل آماده‌سازی داده و مدل‌سازی را به صورت یکپارچه مدیریت کنید.
🟢فصل ۷ - Working with Text Data
در این فصل، یادگیری ماشین برای داده‌های متنی و تکنیک‌هایی مانند Bag-of-Words برای تحلیل متن را فرا می‌گیرید.
🟢فصل ۸ - Wrapping Up
در این فصل نکات کلیدی برای نزدیک شدن به مسائل یادگیری ماشین، ورود به دنیای حرفه‌ای و توسعه مهارت‌های خود را فرا می‌گیرید.

⬇️فایل کتاب برای دانلود در پست زیر
#معرفی_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

💎داده یعنی طلا، اما درک اون الماسه!
💡در یادگیری ماشین، مهم‌تر از اینکه چه الگوریتمی انتخاب کنیم، فهمیدن داده‌ها و ارتباطشون با مسئله‌ای هست که می‌خواهیم حل کنیم. اگه ندونیم با چه نوع داده‌ای سر و کار داریم و صرفا به صورت رندم الگوریتمی انتخاب کنیم، مثل اینکه داریم با چشمان بسته به دنبال کلید می‌گردیم! قبل از اینکه به سراغ ساخت مدل بریم، باید این سوالات رو ازخودمون بپرسیم:

🟣 چه سوالی می‌خوایم جواب بدیم؟ آیا داده‌هایی که جمع‌آوری کردیم می‌تونن سوالمونو جواب بدن؟
🟣چطور میشه سوال رو به یه مسئله یادگیری ماشین تبدیل کرد؟
🟣آیا داده‌های کافی برای حل مسئله داریم؟
🟣چه ویژگی‌هایی از داده استخراج کردیم و آیا برای پیش‌بینی‌های درست به کار میان؟
🟣چطور موفقیت رو توی مدلی که ساختیم اندازه‌گیری کنیم؟
🟣چطور راه‌حل یادگیری ماشین با بخش‌های دیگه تحقیق یا محصول تجاری من کار می‌کنه؟

📌 یادتون باشه، الگوریتم فقط یه تیکه از پازلِ حل مشکله. خیلی‌ها برای راه‌حل‌های پیچیده وقت می‌ذارن، بعد می‌فهمن مشکل درستی رو حل نکردن! حواستون به اهداف نهایی باشه. خیلی وقتا وقتی عمیقاً وارد جنبه‌های فنی یادگیری ماشین می‌شیم ، به راحتی اهداف نهایی رو فراموش می کنیم. پس ، هر فرضی که موقع ساخت مدل می‌کنیم، چه مستقیم چه غیرمستقیم، مهمه!

⬅️برگی از کتاب Introduction to Machine Learning with Python, A Guide for Data Scientists» اثر Andreas C. Müller and Sarah Guido

#گنجینه_کتاب
#یادگیری_ماشین

✉️@IDS_AI_ML
✉️@IDSchools

📱معرفی یه کانال یوتوب باحال برای عاشقان ریاضی و دنياى هوش مصنوعی

💡کانال یوتیوب 3 Blue1Brown رو میشناسید؟ فرقی نمیکنه به دنبال یادگیری ریاضیات به شکل سرگرم کننده هستین، یا اینکه کنجکاو دنیای هوش مصنوعی و یادگیری عمیق، این کانال یه گنجینه واقعی برای شماست

🔴خالق این کانال Grant Sanderson، با استفاده از انیمیشن های باحال و توضیحات فوق العاده واضح، حتی پیچیده ترین مفاهیم ریاضی، یادگیری ماشین و هوش مصنوعی رو براتون قابل فهم میکنه.
از مباحث پایه ریاضی مثل حسابان و جبر، تا شبکه های عصبی و یادگیری عمیق ، همه چی تو این کانال پیدا میشه.

‼️اگه دوست دارید دنیای ریاضیات و هوش مصنوعی رو به شیوه ای نوین و جذاب درک کنین، حتما سری به این کانال پرمحتوا بزنین.

📱لینک کانال : 3 Blue1Brown
#کافه_یوتوب

✈️@IDS_AI_ML
✈️@IDSchools

🤩نحوه پیدا کردن زیرنویس فارسی برای ویدیوهای یوتوب🤩
🔴منبع : اختصاصی مدارس میان‌رشته‌ای

#کافه_یوتوب
#کافه_یادگیری

✈️@IDS_AI_ML
✈️@IDSchools

😄برای یادگیری علومی مثل هوش مصنوعی، یه سری پیش نیاز لازم داریم تا مفاهیم اختصاصی مربوط به اون رو درک کنیم. آکادمی نورومچ برای آمادگی دوره‌ی DeepLearning، پیش نیازهایی تدارک دیده، اونا پیشنهاد می‌کنن که دانش خودتون رو در زمینه‌های برنامه نویسی پایتون و برخی مفاهیم کلیدی ریاضی تقویت کنین. حتی اگه تازه‌ وارد دنیای کدنویسی شدین! این موسسه با معرفی منابع و مطالبی کاربردی راهتون رو برای ورود به این حوزه راحت‌تر کرده.

⬅️برنامه نویسی پایتون

♾ درسنامه‌های W0D1 and W0D2
♾ دوره‌‌های Software carpentry 1-day Python tutorial یا free Edx course Using Python for Research
♾ سایت scipy lecture notes
♾ کتاب Python data science handbook
اگه برنامه نویسی متلب بلدین و می خواین پایتون یاد بگیرین:
♾ سایت cheatsheet
♾ کتاب Neural data science : a primer with MATLAB® and Python


⬅️ریاضیات

🔴 جبرخطی
♾ درسنامه‌های W0D3
♾ ویدیو‌های lecture series
♾ آکادمی Khan academy
♾ تمارین linear algebra in Python

🔴 آمار و احتمال
♾ درسنامه‌های W0D5
♾ فصول ۶ و ۷ کتاب Russ Poldrack’s book “Statistical thinking of the 21st century

🔴حسابان
♾ کتاب Gilbert Strang’s book
♾ فصول ۰ و۱ کتاب Differential equations for engineers

#نورومچ
#یادگیری_عمیق
#یادگیری_ماشین
✈️@IDS_AI_ML
✈️@IDSchools

🤩کتاب "Deep Learning with Python" اثر François Chollet، متخصص برجسته در حوزه یادگیری عمیق و همچنین خالق Keras، دریچه‌ای به سوی دنیای پیچیده و جذاب یادگیری عمیق با پایتون است. این کتاب که به عنوان مرجعی ارزشمند در این حوزه شناخته می‌شود، برای افرادی که با زبان برنامه‌نویسی پایتون آشنایی دارند، نوشته شده است

🟢محتوا:

⬅️فصل ۱ - ?What is deep learning
با مفاهیم هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، و همچنین مفاهیم کلیدی و کاربردهای آن ها در دنیای واقعی آشنا می‌شوید.

⬅️فصل ۲ - The mathematical building blocks
به مبانی شبکه‌های عصبی مصنوعی، عملیات تنسورها و بهینه سازی می‌پردازد.

⬅️فصل ۳ - Introduction to Keras and TensorFlow
با Keras ، کتابخانه قدرتمند یادگیری عمیق در پایتون، آشنا می‌شوید و یاد می‌گیرید که چگونه با استفاده از Keras مدل‌های یادگیری عمیق خود را بسازید و آموزش دهید.

⬅️فصل ۴ - Getting started with neural networks: Classification and regression
با نحوه‌ی ساخت و راه‌اندازی مدل‌های یادگیری عمیق برای مسائل طبقه‌بندی و رگرسیون آشنا می‌شوید.

⬅️فصل ۵ - Fundamentals of machine learning
مفاهیم بنیادین یادگیری ماشین که زیربنای یادگیری عمیق نیز هستند، مورد بررسی قرار می‌گیرند.

⬅️فصل ۶ - The universal workflow of machine learning
با مراحل کلی و مشترک در پروژه‌های یادگیری ماشین آشنا می‌شوید.

⬅️فصل ۷ - Working with Keras: A deep dive
به صورت عمیق‌تر با کتابخانه‌ی Keras برای پیاده‌سازی مدل‌های یادگیری عمیق کار خواهید کرد.

⬅️فصل ۸ - Introduction to deep learning for computer vision
با کاربردهای یادگیری عمیق در پردازش تصویر و بینایی کامپیوتر آشنا می‌شوید.

⬅️فصل ۹ - Advanced deep learning for computer vision
مباحث پیشرفته‌تری در زمینه‌ی بینایی کامپیوتر با یادگیری عمیق را فرا خواهید گرفت.

⬅️فصل ۱۰ - Deep learning for timeseries
با نحوه‌ی به‌کارگیری یادگیری عمیق برای تحلیل داده‌های سری زمانی مانند داده‌های مالی یا آب و هوا آشنا می‌شوید.

⬅️فصل ۱۱ - Deep learning for text
با کاربردهای یادگیری عمیق در پردازش زبان طبیعی مانند تحلیل احساسات و استخراج متن آشنا می‌شوید.

⬅️فصل ۱۲ - Generative deep learning
با انواع مدل‌های یادگیری عمیق که برای تولید داده‌های جدید به کار می‌روند، آشنا می‌شوید.

⬅️فصل ۱۳ - Best practices for the real world
نکات مهم و تجربی برای پیاده‌سازی موفق پروژه‌های یادگیری عمیق در دنیای واقعی را فرا می‌گیرید.

⬅️فصل ۱۴ - Conclusions
جمع‌بندی کلی از مباحث کتاب و چشم‌انداز آینده‌ی یادگیری عمیق ارائه می شود

#معرفی_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

📎فایل کتاب Deep Learning With Python _ Francois_Chollet

#گنجینه_کتاب
#یادگیری_عمیق
✈️@IDS_AI_ML
✈️@IDSchools