➡️Matplotlib Hack

from matplotlib_inline.backend_inline import set_matplotlib_formats
set_matplotlib_formats('svg') 

📱@IDS_AI_ML
📱@IDSchools

🌟Analysis of back-propagation learning convergence and the use of tricks to address undesirable behaviors

🩵@IDS_AI_ML
🩵@IDSchools

📚 کتاب‌های معرفی شده تا الان :

📖 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.
لینک

📖 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
لینک

📖 می‌خواید از دل انبوه اطلاعات، دانش و بینش ارزشمند استخراج کنید؟ پس با کتاب «Data Mining Concepts and Techniques» همراه باشید.
این کتاب، مرجعی کامله که شما رو قدم به قدم با فرآیند کشف دانش از داده یا داده‌کاوی آشنا می‌کنه.
لینک

📖 کتاب رایگان "Scientific Python Lectures" شما را با محاسبات علمی با پایتون آشنا می کند.
لینک

📖 این کتاب به معرفی معماری‌های نوظهور، چارچوب‌ها و مدل‌های مبتنی بر یادگیری فدرال (FL) در کاربردهای اینترنت اشیاء پزشکی (IoMT) می‌پردازد. هدف آن برجسته سازی الزامات فعلی اشتراک داده و مسائل امنیتی و حفظ حریم خصوصی در به اشتراک گذاری داده‌های پزشکی است.
لینک

📖 معرفی کتاب Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
این کتاب به گونه‌ای ساختار یافته است که شما را از مبانی تا مفاهیم پیشرفته یادگیری عمیق همراهی کند
لینک

✈️@IDS_AI_ML
✈️@IDSchools

🧬 شناسایی الگو ریشه در مهندسی دارد، در حالی که یادگیری ماشین از علوم کامپیوتر نشأت گرفته است. با این حال، این دو فعالیت را می‌توان دو جنبه از یک حوزه دانست که در ده سال گذشته توسعه چشمگیری داشته‌اند.

این کتاب این تحولات اخیر را منعکس می‌کند و در عین حال مقدمه‌ای جامع بر زمینه‌های شناسایی الگو و یادگیری ماشین ارائه می‌دهد. این کتاب برای دانشجویان کارشناسی ارشد یا دانشجویان سال اول دکترا و همچنین پژوهشگران و متخصصان در نظر گرفته شده است و هیچ پیش‌زمینه‌ای در زمینه شناسایی الگو یا مفاهیم یادگیری ماشین را فرض نمی‌کند. دانش حساب دیفرانسیل چند متغیره و جبر خطی پایه مورد نیاز است و آشنایی با احتمالات مفید خواهد بود، اگرچه ضروری نیست، زیرا کتاب شامل مقدمه‌ای خودکفا در مورد نظریه احتمال پایه است.

✈️@IDS_AI_ML
✈️@IDSchools

📎کتاب Pattern Recognition and Machine Learning

✈️@IDS_AI_ML
✈️@IDSchools

📚 این کتاب جدید با هدف ارائه درکی عمیق از اصول بنیادی یادگیری عمیق، برای مبتدیان و متخصصان با تجربه در زمینه یادگیری ماشین طراحی شده است.

نکات کلیدی:
تمرکز بر مفاهیم بنیادی: به جای بررسی جامع آخرین تحقیقات، کتاب بر روی ایده‌های اصلی که یادگیری عمیق را پشتیبانی می‌کنند، تمرکز دارد.

رویکرد عملی: از توضیحات متنی، نمودارها، فرمول‌های ریاضی و شبه‌کد برای درک بهتر مفاهیم پیچیده استفاده می‌کند.

ایجاد پایه قوی: محتوا به گونه‌ای ساختار یافته است که خوانندگان را برای تخصص‌های آینده در یادگیری عمیق آماده می‌کند.

توجه به سرعت بالای تغییر: با توجه به سرعت بالای تکامل این حوزه، کتاب بر روی مفاهیمی تمرکز دارد که احتمالاً در طول زمان ماندگار خواهند بود.

شامل نظریه احتمال: کتاب شامل مقدمه‌ای خودکفا در نظریه احتمال برای درک عمیق‌تر یادگیری ماشین است.

❤️@IDS_AI_ML
❤️@IDSchools

📎دانلود کتاب Deep Learning, Foundations and Concepts
❤️@IDS_AI_ML
❤️@IDSchools

💡امروزه، یادگیری ماشین در حل طیف گسترده‌ای از مسائل در حوزه‌های مختلف به کار می‌رود. یکی از چالش‌های اساسی در استفاده از یادگیری ماشین، ارتباط دادن ریاضیات انتزاعی تکنیک‌های یادگیری ماشین با مسائل واقعی و ملموس است. این کتاب با تمرکز بر یادگیری ماشین مبتنی بر مدل، به این چالش می‌پردازد که بر درک فرضیات در یک سیستم یادگیری ماشین و تأثیر آن‌ها بر رفتار سیستم تمرکز دارد.

🌀ایده‌های کلیدی یادگیری ماشین مبتنی بر مدل از طریق مجموعه‌ای از مطالعات موردی شامل کاربردهای دنیای واقعی معرفی می‌شوند. هر فصل یک مطالعه موردی را معرفی کرده و گام به گام برای حل آن از رویکرد مبتنی بر مدل استفاده می‌کند. هدف نه تنها توضیح روش‌های یادگیری ماشین، بلکه نشان دادن نحوه ایجاد، اشکال‌زدایی و تکامل آن‌ها برای حل یک مسئله است.

کتاب با استفاده از مطالعات موردی واقعی، مفاهیم یادگیری ماشین را توضیح داده و نشان می‌دهد که چگونه مدل‌های یادگیری ماشین را برای حل مسائل واقعی ایجاد، اشکال‌زدایی و بهبود بخشید. همچنین به اهمیت درک فرضیات زیربنایی مدل‌ها و تأثیر آن‌ها بر عملکرد سیستم پرداخته است.

🌐@IDS_AI_ML
🌐@IDSchools

📎کتاب Model-Based Machine Learning
🌐@IDS_AI_ML
🌐@IDSchools

📎Supervised_Machine_Learning_Models Cheat Sheet

🚀@IDS_AI_ML
🚀@IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕
🗣دپارتمان روانشناسی و علوم‌ شناختی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار می کند:

✨ سری وبینار‌های رایگان «همگام با پیشتازان»

7️⃣ قسمت هفتم: خروج اول و دوم از آفریقا

👤با حضور: دکتر سامان حیدری گوران

🟢از انستیتوی پیش از تاریخ دانشگاه کلن آلمان
🟢و بنیاد پژوهشی پارینه سنگی دیار مهر


🔜 دوشنبه ۲۲ مرداد ماه ساعت ۱۸ الی ۱۹:۳۰

💡 در این وبینارهای رایگان که به همت مدارس میان‌رشته‌ای برگزار می‌شود، میزبان اساتید، پژوهشگران و دانشجویان برگزیده و نخبه در داخل و خارج کشور خواهیم بود و با مسیر موفقیت آکادمیک ایشان و نیز پژوهش‌های میان‌رشته‌ای آشنا خواهیم شد.


🔣 برای شرکت در این وبینار به کانال و گروه تعاملی روانشناسی مدارس میان‌رشته‌ای مراجعه کنید.

👈لینک ثبت نام رایگان در وبینار «خروج اول و دوم از آفریقا»: [لینک گوگل فرم برای شرکت در وبینار قسمت هفتم دپارتمان روانشناسی با موضوع تکامل انسان و خروج از آفریقا]

🔴بعد از ثبت نام در گوگل فرم بالا، منتظر اخبار این وبینار از کانال روانشناسی مدارس میان رشته‌ای باشید.

#️⃣#IDS_Psy
#️⃣#IDSchools

✈️@IDS_Psy
✈️@IDSchools

📎Unsupervised_Machine_Learning_Models Cheat Sheet

✈️@IDS_AI_ML
✈️@IDSchools

📎مقاله اقای هینتون در مورد Drop Out

I went to my bank. The tellers kept changing and I asked one of them why. He said he didn’t know but they got moved around a lot. I figured it must be because it would require cooperation between employees to successfully defraud the bank. This made me realize that randomly removing a different subset of neurons on each example would prevent conspiracies and thus reduce overfitting

🗣️Geoffrey Hinton

✉️@IDS_AI_ML
✉️@IDSchools

🙂 #میم_تایم

📱@IDS_AI_ML
📱@IDSchools

👤 آقای Geoffrey Hinton دانشمند کامپیوتر و روانشناس شناختی برجسته‌ای است. او در حال حاضر به عنوان استاد افتخاری دانشگاه تورنتو و معاون مهندسی ارشد در گوگل فعالیت می‌کند. تحقیقات پیشگامانه او در زمینه شبکه‌های عصبی نقش مهمی در پیشرفت سریع هوش مصنوعی در دنیای امروز داشته است.

⭐️ دستاوردها و سهم‌های کلیدی:

الگوریتم Backpropagation : این الگوریتم که با همکاری هینتون توسعه داده شد، برای آموزش کارآمد شبکه‌های عصبی مصنوعی استفاده شود.

روش های Deep Learning: او یکی از چهره‌های اصلی در محبوبیت و توسعه تکنیک‌های یادگیری عمیق بود که شامل آموزش شبکه‌های عصبی با چندین لایه برای یادگیری الگوهای پیچیده است.

مدل های Boltzmann Machines: این مدل‌های احتمالی که توسط هینتون ابداع شد، پایه و اساس مدل‌های مولد و یادگیری بدون نظارت را تشکیل می‌دهند.

🟡کار هینتون تأثیر عمیقی بر زمینه‌هایی مانند تشخیص تصویر، پردازش زبان طبیعی و خودروهای خودران داشته است. بینش‌های او همچنان آینده هوش مصنوعی را شکل می‌دهند.

🌐 پروفایل دانشگاهی
🌐 گوگل اسکالر

✉️@IDS_AI_ML
✉️@IDSchools

📚 کتاب How to Build a Brain نوشته Chris Eliasmith اثری پیشگامانه است که به تلاقی علوم اعصاب، هوش مصنوعی و علوم شناختی می پردازد. این کتاب چارچوبی جامع برای ساختن یک مغز کارآمد، با ترکیب اصول زیست‌شناسی و علوم کامپیوتر ارائه می‌کند.

نویسنده معماری اشاره گر معنایی (SPA) را معرفی می کند، یک رویکرد جدید برای درک عملکرد مغز که فرآیندهای شناختی را به روشی قابل قبول بیولوژیکی مدل می کند. این کتاب توضیح می‌دهد که چگونه می‌توان از SPA برای شبیه‌سازی جنبه‌های مختلف شناخت انسان، مانند حافظه، استدلال، ادراک و تصمیم‌گیری استفاده کرد. ایشان همچنین مفاهیم عملی این مدل را مورد بحث قرار می دهد و چگونگی کمک به پیشرفت در هوش مصنوعی و رباتیک را بررسی می کند.

این کتاب هم یک راهنمای نظری و هم عملی است و آن را برای دانشمندان علوم اعصاب، محققان هوش مصنوعی و هر کسی که علاقه مند به عملکرد ذهن است ارزشمند می کند. این کتاب ترکیبی منحصر به فرد از تجزیه و تحلیل علمی دقیق و توضیحات قابل دسترس را ارائه می دهد و موضوعات پیچیده را برای مخاطبان گسترده قابل درک می کند.

✈️@IDS_AI_ML
✈️@IDSchools