😮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.

🔣محتوا:
🔴فصل ۱ - Introduction
با داده‌کاوی و نقش آن در کشف دانش، انواع مختلف داده‌هایی که می‌تواند پردازش کند، دانش‌های گوناگونی که می‌تواند استخراج کند و ارتباط آن با سایر رشته‌ها و کاربردهایش را پوشش می‌دهد.
🔴فصل ۲ - Data, measurements, and data preprocessing
به انواع داده‌ها ، آمار داده‌ها ، اندازه‌گیری شباهت و فاصله ، کیفیت داده، پاکسازی داده، ادغام داده و تبدیل داده و کاهش بعد می‌پردازد.
🔴فصل ۳ - Data warehousing and online analytical processing
به انبار داده‌ها، معماری‌های آن‌ها ، مدل‌سازی انبار داده، اندازه‌گیری‌ها و... را پوشش می‌دهد.
🔴فصل ۴ -Pattern mining: basic concepts and methods
کشف الگوهای بنیادین - از تحلیل سبد خرید تا کشف قوانین انجمن و ارزیابی آنها را توضیح می‌دهد.
🔴فصل ۵ - Pattern mining: advanced methods
این فصل به انواع الگو ها و روش‌های کشف آن‌ها می‌پردازد
🔴فصل ۶ - Classification: basic concepts and methods
این فصل اصول طبقه‌بندی را شامل یادگیری درخت تصمیم، طبقه‌بندهای خطی، ارزیابی مدل و تکنیک‌های بهبود دقت را به صورت خلاصه توضیح می‌دهد.
🔴فصل ۷ - Classification: advanced methods
بعد از طبقه‌بندی اولیه، این فصل به سراغ بهبود آن با انتخاب و مهندسی ویژگی می‌رود. همچنین روش‌های طبقه‌بندی پیشرفته‌تر، طبقه‌بندی با داده‌های پیچیده و دیگر تکنیک‌ها معرفی می‌شوند.
🔴فصل ۸ - Cluster analysis: basic concepts and methods
با مفاهیم و روش های خوشه‌بندی آشنا می کند
🔴فصل ۹ - Cluster analysis: advanced methods
به مباحث پیشرفته‌تر در زمینه‌ی خوشه‌بندی می پردازد
🔴فصل ۱۰ - Deep learning
مفاهیم و روش های یادگیری عمیق را توضیح می دهد
🔴فصل ۱۱ - Data mining trends and research frontiers
به مفاهیم و روش های تشخیص داده‌های پرت می پردازد
🔴فصل ۱۲ -Data mining trends and research frontiers
جمع‌بندی کلی از مباحث کتاب و چشم‌انداز آینده‌ی داده‌کاوی ارائه می شود

#️⃣#معرفی_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

📎 فایل کتاب «Data Mining Concepts and Techniques»
#معرفی_کتاب
✈️@IDS_AI_ML
✈️@IDSchools

🟡ما در سیل انبوهی از داده ها غرق شده ایم - داده های علمی، پزشکی، جمعیت شناختی، مالی و بازاریابی. مردم زمانی برای نگاه کردن به این حجم از داده ها ندارند. توجه انسان به یک منبع گران بها تبدیل شده است. بنابراین، باید راه‌هایی برای تجزیه و تحلیل خودکار داده‌ها، طبقه‌بندی خودکار، خلاصه سازی خودکار، کشف و توصیف خودکار روندها در آن و همچنین شناسایی خودکار ناهنجاری‌ها پیدا کنیم.

💻رایانه‌ای شدن جامعه ما، توانایی‌های ما را برای تولید و جمع‌آوری داده از منابع مختلف به‌طور قابل توجهی افزایش داده است. حجم عظیمی از داده‌ها تقریباً در تمام جنبه‌های زندگی ما جاری شده است. این رشد انفجاری در داده‌های ذخیره‌شده یا گذرا، نیاز فوری به تکنیک‌های جدید و ابزارهای خودکاری را ایجاد کرده است که می‌توانند به‌طور هوشمندانه به ما در تبدیل مقادیر عظیم داده به اطلاعات و دانش مفید کمک کنند. این امر منجر به پیدایش یک زمینه امیدوارکننده و شکوفا در علم کامپیوتر به نام داده‌کاوی (Data Mining) و کاربردهای مختلف آن شده است.

🔳 داده‌کاوی که به طور عامیانه با عنوان "کشف دانش از داده (Knowledge Discovery from Data - KDD) نیز شناخته می‌شود، استخراج خودکار یا آسان الگوهایی است که دانش ضمنی ذخیره‌شده یا ثبت‌شده در پایگاه‌های داده بزرگ، انبارهای داده، وب، سایر مخازن عظیم اطلاعات یا جریان‌های داده را نشان می‌دهد.

◽️ به عنوان یک حوزه میان‌رشته ای، از کار در زمینه های مختلف از جمله آمار، یادگیری ماشین، تشخیص الگو، فناوری پایگاه داده، بازیابی اطلاعات، پردازش زبان طبیعی، علم شبکه، سیستم های مبتنی بر دانش، هوش مصنوعی، محاسبات با کارایی بالا و بصری سازی داده بهره می برد.

⬅️برگی از کتاب "Data Mining Concepts and Techniques"

#گنجینه_کتاب

✉️@IDS_AI_ML
✉️@IDSchools

🧠«هدف هوش مصنوعی جایگزینی انسان با ماشین نیست، بلکه همکاری آن‌ها برای دستیابی به نتایج بهتر است.»

👤آقای John McCarthy، معمار هوش مصنوعی
این چهره‌ی ماندگار هوش مصنوعی، تاثیر به‌سزایی در این حوزه داشته است. او با ابداع اصطلاح «هوش مصنوعی»، توسعه‌ی زبان برنامه‌نویسی LISP و اهمیت دادن به اخلاق در هوش مصنوعی، مسیر این علم را تغییر داد. ایده‌های پیشرو و سهم‌های فکری او همچنان الهام‌بخش نسل‌های بعدی محققان و نوآوران است.

💡نقش کلیدی او در تولد هوش مصنوعی
ایشون با سازماندهی کنفرانس Dartmouth در ۱۹۵۶، نقشی اساسی در تولد هوش مصنوعی ایفا کرد. این کنفرانس که محل گردهمایی پژوهشگران علاقه‌مند به هوش ماشین بود، به عنوان نقطه‌ی آغاز این علم شناخته می‌شود. او در همین کنفرانس، برای نخستین بار اصطلاح «هوش مصنوعی» را به کار برد.

💥 زبان LISP: انقلابی در هوش مصنوعی
این زبان به عنوان ابزاری برای پردازش نمادین، به کامپیوترها توانایی کار با نمادهای دانش و استدلال بر اساس آن‌ها را بخشید. این زبان به زبان اصلی تحقیقات هوش مصنوعی تبدیل شد و نقشی اساسی در توسعه‌ی سیستم‌های خبره، پردازش زبان طبیعی و دیگر کاربردهای هوش مصنوعی ایفا کرد.

#چهره‌های_برجسته

✈️@IDS_AI_ML
✈️@IDSchools

🤩پلتفرم Hugging Face Spaces یک پلتفرم آنلاین برای اشتراک‌گذاری و استفاده از مدل‌های یادگیری ماشین است. به عبارتی، این فضا مخزن عظیمی از ابزارهای هوش مصنوعی کاربردی را در اختیار عموم قرار می‌دهد.

🟡در این پلتفرم، افراد متخصص و علاقه‌مندان به هوش مصنوعی می‌توانند مدل‌های یادگیری ماشین خود را برای استفاده دیگران به اشتراک بگذارند. همچنین، کاربران عادی نیز می‌توانند به راحتی از این مدل‌ها برای انجام کارهای مختلف استفاده کنند، بدون اینکه نیاز به دانش تخصصی برنامه‌نویسی داشته باشند.

⬅️حالا بیایید با یکی از این فضاهای جالب به نام Face to All آشنا شویم!

✅ ابزار Face to All، یک ابزار مبتنی بر هوش مصنوعی است که به عنوان فیلتری برای تصاویر پرتره عمل می‌کند. این ابزار با استفاده از مدل‌های یادگیری عمیق، می‌تواند چهره‌های موجود در تصاویر را تغییر دهد. با انتخاب Style و همچنین Prompt مورد نظر، تصاویر خود را می توانید به صورت آثار هنری در بیاورید.

🌐لینک Face to All
🌐لینک Huggingface
🌐لینک Huggingface Space
#Huggingface

✉️@IDS_AI_ML
✉️@IDSchools

🧠 پژوهش جالبی در زمینه استفاده از هوش مصنوعی برای بهبود کیفیت اسکن های MRI انجام شده است. در این کار، روشی برای افزایش رزولوشن تصاویر MRI با استفاده از شبکه های مولد تخاصمی (Generative Adversarial Networks) پیشنهاد شده است.

📌مهمترین نکات:
✅ این روش از شبکه های SRGAN برای بهره گیری از اطلاعات حجم‌سنجی موجود در اسکن های MRI استفاده می کند.
✅ برای آموزش شبکه از CNN های سه بعدی برای پردازش حجم تصاویر استفاده شده است.
✅ برای سنجش کیفیت تصویر خروجی، ترکیبی از دو Loss Function درنظر گرفته شده است:
🟡تابع adversarial loss برای ایجاد تصاویر واقعی تر
🟡تابع content loss برای کاهش تفاوت بین تصاویر واقعی و تولید شده
✅ این روش نتایج امیدوار کننده ای در بهبود کیفیت تصاویر نسبت به روش های درون یابی سنتی (interpolation) نشان داده است.

🌐 لینک مقاله : مقاله
🌐 کد پیاده سازی : گیهاب

#مقاله_با_کد
#گیتهاب
✉️@IDS_AI_ML
✉️@IDSchools

🔣مقاله “Transformer based Spatial-Temporal Feature Learning for EEG Decoding”

🟣این مقاله روشی نوین برای Decoding سیگنال‌های EEG پیشنهاد می‌کند که از نقاط قوت مکانیزم‌های توجه (Attention Mechanism) برای رفع محدودیت‌های شبکه‌های عصبی کانولوشنی (CNN) در داده‌های EEG استفاده می‌کند. این روش شامل مراحل زیر است:

۱. پیش‌پردازش داده EEG
۲. اعمال تبدیل توجه برای تقویت ویژگی‌های مکانی مرتبط
۳. قطعه‌بندی زمانی داده ها و اعمال توجه زمانی برای بدست آوردن وابستگی‌های زمانی
۴. یک لایه global averaging pooling و به دنبال یک لایه fully-connected برای طبقه‌بندی.

🟣این روش با پارامترهای کمتر نسبت به روش‌های موجود، به عملکردی مشابه با مقالات State-of-the-art در این زمینه رسیده است. این امر پتانسیل رویکردهای مبتنی بر Transformerرا برای رمزگشایی EEG و کاربردهای رابط مغز و رایانه (BCI) برجسته می‌کند.

🌐لینک مقاله : مقاله
🌐کد پیاده سازی : گیهاب
فریمورک : Pytorch

#مقاله_با_کد
#گیتهاب
#هوش_مصنوعی_و_نوروساینس

✈️@IDS_AI_ML
✈️@IDSchools

🟡 Transfer Learning VS. Fine Tuning VS. Multitask Learning VS. Federated Learning

#️⃣#کافه_یادگیری

✈️@IDS_AI_ML
✈️@IDSchools

🧠 عشق در عصر الگوریتم ها - "او" (Her) و شباهت به GPT-4o

🎬 فیلم "او" (Her) محصول ۲۰۱۳، داستان مردی به نام تئودور رو روایت می‌کنه که در آینده‌ای نزدیک، بعد از جدایی تلخ، به یک هوش مصنوعی پیشرفته به نام سامانتا دل می‌بنده.

🎬 سامانتا یک سیستم عامل بسیار پیشرفته‌ست که می‌تونه با تئودور صحبت کنه، احساساتشو درک کنه و حتی براش بنویسه. رابطشون به مرور عمیق‌تر می‌شه و تئودور به سامانتا وابستگی عاطفی پیدا می‌کنه. اما آیا رابطه‌ای عاطفی بین انسان و هوش مصنوعی می‌تونه دوام داشته باشه؟

⁉️ چرا این فیلم رو ببینید؟
سؤالات جالبی در مورد ماهیت عشق، تنهایی و آینده‌ی هوش مصنوعی مطرح می‌کنه. با توجه به پیشرفت‌های اخیر در LLM ها، این مباحث بیش از پیش اهمیت پیدا می‌کنن.

🧠چت‌جی‌پی‌تی ۴، آخرین نسخه از مدل چت‌جی‌پی‌تی OpenAI، با توانایی‌هایش در گفتگوی طبیعی و حتی خلق محتواهای خلاقانه، توجه زیادی رو به خودش جلب کرده.
درست مثل سامانتا در فیلم "او"، چت‌جی‌پی‌تی ۴ می‌تونه مکالمات معنی‌دار داشته باشه .

🤔 فیلم "او" ما رو به فکر فرو می‌بره که در دنیای هوش مصنوعی پیشرفته، مرز بین همراهی و دلبستگی کجاست.

⬅️ اطلاعات بیشتر فیلم
✈️@IDS_AI_ML
✈️@IDSchools

🤩 به گروه گفتگوی تعاملی ما بپیوندید!

🥳علاوه بر مطالب عالی هوش مصنوعی که در اینجا پیدا می‌کنید، از راه‌اندازی گروه بحث و گفتگوی تعاملی بسیار هیجان‌زده هستیم! این فرصتی است برای شما تا:

✅ با سایر علاقه‌مندان به هوش مصنوعی ارتباط برقرار کنید: ایده‌ها را به اشتراک بگذارید، سوال بپرسید و از جامعه‌ای پرشور در مورد هوش مصنوعی کمک بگیرید.

✅ در بحث‌ها شرکت کنید: عمیق‌تر به مفاهیمی که در اینجا یاد می‌گیرید بپردازید، موضوعات جدید را کاوش کنید و در مورد آخرین پیشرفت‌ها بحث کنید.

✅ پاسخ سوالات خود را دریافت کنید: روی یک مفهوم گیر کرده‌اید؟ سوالی در مورد کاربردهای هوش مصنوعی دارید؟ گروه ما برای کمک به شما اینجاست!

لینک گروه تعاملی

✉️@IDS_AI_ML
✉️@IDSchools

💡یادگیری فدرال یا Federated Learning

🔣 یادگیری فدرال روش جدیدی برای آموزش مدل‌های یادگیری ماشین بر روی داده‌های خصوصی است. به طور سنتی، داده‌های آموزشی به یک سرور مرکزی آپلود می‌شوند، اما یادگیری فدرال داده‌ها را روی دستگاه کاربر نگه می‌دارد. نحوه کارکرد آن به صورت زیر است:

🟣۱. یک مدل یادگیری به دستگاه کاربر فرستاده می‌شود.
🟣۲. مدل بر روی داده‌های خصوصی کاربر آموزش داده می‌شود.
🟣۳. مدل به‌روزرسانی شده به سرور ارسال می‌شود.
🟣۴. سرور تمام به‌روزرسانی‌ها را برای ایجاد یک مدل بهتر جمع‌آوری می‌کند.

✨ این روش از حریم خصوصی کاربر محافظت می‌کند زیرا داده‌های او هرگز دستگاهش را ترک نمی‌کند. یادگیری فدرال همچنین با توزیع کار بین دستگاه‌های کاربر، بار محاسباتی سرور را کاهش می‌دهد.

👀با این حال، یادگیری فدرال با چالش‌هایی روبرو است، مانند:

🟡چگونه تصمیم بگیریم که آیا این روش برای پروژه مناسب است یا خیر.
🟡چگونه اندازه مدل را قبل از ارسال به دستگاه‌ها کاهش دهیم.
🟡چگونه با داده‌های بایاس (برای مثال، کاربری که فقط تصاویر حیوانات خانگی دارد) برخورد کنیم.

🌐 منبع: Daily Dose of Data Science

✅ لینک گروه تعاملی
✉️@IDS_AI_ML
✉️@IDSchools

😮 دوره رایگان "Scientific Python Lectures" شما را با محاسبات علمی با پایتون آشنا می کند.

⬅️این دوره جامع، طیف وسیعی از موضوعات را پوشش می دهد از جمله:

🔴مقدمات پایتون برای محاسبات علمی
آشنایی و کار با :
🔴کتابخانه NumPy برای ایجاد و دستکاری داده های عددی
🔴کتابخانه Matplotlib برای رسم انواع نمودار
🔴 کتابخانه SciPy برای محاسبات علمی پیشرفته
🔴کتابخانه Pandas برای کار با داده‌های جدولی
🔴کتابخانه Sympy برای محاسبات نمادین
🔴کتابخانه scikit-image برای پردازش و تحلیل تصاویر
🔴کتابخانه scikit-learn برای یادگیری ماشین

🔣آموزش های این دوره به صورت کتاب نیز موجود می باشد و می تواند فایل Pdf نسخه ۲۰۲۴ این کتاب را در در پست زیر دانلود کنید.
لینک گروه تعاملی
✉️@IDS_AI_ML
✉️@IDSchools

📎Scientific Python Lectures
One document to learn numerics, science, and data with Python

✉️@IDS_AI_ML
✉️@IDSchools

📱📱📱📱 Python Quiz 📱📱📱📱

funcs = [lambda x: x**2, lambda x: x+3, lambda x: x*2]
result = list(map(lambda f: f(4), funcs))
print(result)

Options:

result

=

A. [16, 7, 8]
B. [8, 7, 16]
C. [16, 8, 7]
D. [7, 16, 8]

✉️@IDS_AI_ML
✉️@IDSchools

🆕🆕🆕🆕🆕🆕
📣مدارس میان‌رشته‌ای برگزار می‌کند:

🔹سری وبینار‌های رایگان «همگام با پیشتازان»

🔜 قسمت سوم: Federated Learning

👤با حضور: محمد مهدی کاظمی مجدآبادی

🟣دیتا ساینتیست و پژوهشگر حوزه هوش مصنوعی
🟣دانشجو دکتری هوش مصنوعی در University of Hamburg،  آلمان
🟣فارغ التحصیل کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی ، دانشگاه علم و صنعت
🟣فارغ التحصیل کارشناسی  مهندسی کامپیوتر گرایش سخت افزار ، دانشگاه علم و صنعت

⏰ سه‌شنبه ۲۲ خرداد، ساعت ۲۰

⬅️در این سری 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.

⬅️مدارس میان رشته‌ای در نظر دارد در تمامی کانال‌های علمی خود شامل: هوش مصنوعی، نوروساینس، روانشناسی،  علوم زیستی، پزشکی، فیزیک، ریاضیات و... این سری وبینارهای ارزشمند را به صورت ماهانه برگزار نماید.

👈برای شرکت در این وبینار به کانال هوش مصنوعی مدارس میان‌رشته‌ای مراجعه کنید.

✉️@IDS_AI_ML
✉️@IDSchools

‼️برای ثبت نام در سومین وبینار رایگان «همگام با پیشتازان» مدارس میان‌رشته‌ای هم اکنون ثبت‌نام کنید!

⬅️در این وبینار از زبان آقای محمد مهدی کاظمی مجدآبادی این موضوعات را پوشش خواهیم داد:
🟢 مفاهیم و کاربرد Federated Learning
🟢 معرفی پلتفرم FeatureCloud



🔜زمان وبینار: ۲۲ خرداد - روز سه شنبه ساعت ۲۰ به وقت ایران

🔣جهت ثبت‌نام از طریق گوگل فرم زیر اطلاعات خود را وارد نمایید و منتظر اخبار این وبینار از کانال هوش مصنوعی مدارس میان رشته‌ای باشید.

🟡این وبینار ارزشمند را به دوستان خود و گروه‌هایی که در آن عضو هستید معرفی نمایید.

👈لینک گوگل فرم: [وبینار رایگان Federated Learning با پژوهشگر برجسته محمد مهدی کاظمی مجدآبادی ]

✉️@IDS_AI_ML
✉️@IDSchools

👀 تصور کنید در سال ۲۰۱۹، دانشمندان برای اولین بار تصویری از یک سیاهچاله عظیم در فاصله‌ای میلیون‌ها سال نوری از زمین، به دست آوردند. اما گرفتن این تصویر به تلسکوپی به اندازه کل کره‌ی زمین نیاز داشت – در اصل کاری غیرممکن! پس آن‌ها چطور این کار را انجام دادند؟

✨با اتصال تلسکوپ‌های سراسر جهان، تلسکوپ the Event Horizon Telescope را ساختند، تلسکوپی مجازی که دیافراکمی به اندازه‌ی قطر زمین داشت. این نمونه‌ی بارزِ محاسبات توزیع‌شده است، جایی که وظایف بین شبکه‌ای از دستگاه‌ها تقسیم می‌شود. این رویکرد نوآورانه، کاربردهایی فراتر از نجوم دارد.

😮 روش Federated Learning ، با الهام گرفتن از همین اصول، به ما امکان می‌دهد تا مدل‌های هوش مصنوعی را روی میلیون‌ها دستگاه – گوشی‌های هوشمند، لپ‌تاپ‌ها و ... آموزش دهیم. این دستگاه‌ها مدل را به صورت محلی با استفاده از داده‌های خود آموزش می‌دهند، سپس فقط نتایج پالایش‌شده‌ی یادگیری را به اشتراک می‌گذارند، نه خود داده‌های خام. این امر حریم خصوصی کاربر را حفظ می‌کند و در عین حال یادگیری قدرتمند و مشارکتی را امکان‌پذیر می‌سازد.

🌐 منبع

👈وبینار رایگان Federated Learning ➡️

✉️@IDS_AI_ML
✉️@IDSchools

😮مقاله ای تاثیرگذار از محققان گوگل (۲۰۱۶) با عنوان "Communication-Efficient Learning of Deep Networks from Decentralized Data"

🟢این مقاله، یکی از مقالات بنیادی در زمینه Federated Learning در نظر گرفته می شود و همچنین پایه محکمی برای درک مفاهیم آن فراهم می کند.
✉️@IDS_AI_ML
✉️@IDSchools