💻#اکتشاف_دنیای_دیجیتال

🎇 نکات برجسته 2024: مقالات هوش مصنوعی و علوم داده که سروصدا به پا کردند. قسمت اول

▪️۲۰۲۴ سالی پر از تحولات هیجان‌انگیز برای جوامع علوم داده، یادگیری ماشین و هوش مصنوعی بود. برخلاف سال 2023 که یک رویداد واحد (راه‌اندازی ChatGPT تنها چند هفته قبل از آغاز سال) همه چیز را تحت تأثیر قرار داد و مکالمات را برای ماه‌ها شکل داد، امسال شاهد تحولات تدریجی و متنوعی بودیم. متخصصان در صنعت و دانشگاه به آزمایش ابزارهای جدید پرداختند و تلاش کردند تا راه‌های نوآورانه‌ای برای بهره‌برداری از ظهور سریع مدل‌های زبانی بزرگ (LLM) پیدا کنند. در عین حال، آنها با یک بازار کار چالش‌برانگیز و دنیایی روبه‌رو بودند که ردپای هوش مصنوعی هر روز بیشتر به کارهای روزمره نزدیک می‌شود.

▫️برای کمک به درک این پیشرفت‌ها، TDS در سال گذشته بیش از 3500 مقاله منتشر کرده است، از جمله صدها مقاله از نویسندگان تازه‌کار. نویسندگان توانایی فوق‌العاده‌ای در ارائه دیدگاه‌های منحصر به فرد خود درباره موضوعات مختلف دارند — از سوالات کلان و موضوعات روز گرفته تا چالش‌های فنی متمرکز.

▪️در این خروجی خلاقانه عظیم، برخی از مقالات به خوبی با خوانندگان ارتباط برقرار کردند. این مقالات شامل زمینه‌های مختلفی هستند، بنابراین آنها را بر اساس موضوعات اصلی که در ۲۰۲۴ شناسایی شده است دسته‌بندی شد: یادگیری و ساختن از ابتدا، عوامل RAG و AI، رشد شغلی، و پیشرفت‌ها و نوآوری‌ها.

❗️امیدواریم از کاوش در برجستگی‌های سال 2024 لذت ببرید.

▎یادگیری و ساختن از ابتدا

🌀قابل اعتمادترین نوع پست TDS، پستی است که به خوانندگان می‌آموزد چگونه به تنهایی و با حداقل پیش‌نیاز، کاری جالب و سازنده انجام دهند یا مطالعه کنند. امسال نیز از این قاعده مستثنی نیست — سه مقاله ما که بیشترین خوانده شده‌اند در این دسته قرار دارند:

1⃣ 5 پروژه هوش مصنوعی که می‌توانید این آخر هفته بسازید (با پایتون)
شاو طالبی نشان می‌دهد که هر کسی می‌تواند با هوش مصنوعی کار کند، از ایده‌های پروژه‌های مبتدی تا پیشرفته.

2⃣ درک LLM از ابتدا با استفاده از ریاضی دبیرستان
روهیت پاتل یکی از دسترس‌پذیرترین و جذاب‌ترین توضیحات را درباره نحوه کارکرد LLMها ارائه کرده است.

3⃣ چگونه هوش مصنوعی را به تنهایی یاد بگیریم (راهنمای خودآموزی)
تو هن وو برای کسانی که خود را شروع می‌کنند، نقشه راه کارآمدی برای مطالعه بلوک‌های ساختمانی اساسی هوش مصنوعی تهیه کرده است.

4⃣ ریاضیات پشت شبکه‌های عصبی
کریستین لئو ما را به عمق اصول ریاضی زیر بنایی شبکه‌های عصبی، «ستون فقرات هوش مصنوعی مدرن»، راهنمایی می‌کند.

5⃣ جاسازی متن: راهنمای جامع
ماریا منسوروا توضیح می‌دهد که چگونه جاسازی‌ها جادوی LLMها را ممکن می‌کند و چرا این موضوع اینقدر مهم شده است.

6⃣ چگونه در دو هفته LLM را مطالعه کردم: یک نقشه راه جامع
حسام شیخ حسنی منبع یادگیری عالی دیگری ارائه می‌دهد که ما را از طریق یک برنامه درسی فشرده – اما در دسترس – هدایت می‌کند تا بر اصول اولیه (و سپس برخی) مدل‌های زبانی بزرگ تسلط پیدا کنیم.

امیدواریم این مقالات الهام‌بخش شما باشند تا در دنیای هوش مصنوعی قدم بردارید!

ادامه دارد...

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#گام_به_گام

🏆قهرمان گواهی شده GitHub- قسمت دوم

📝 مقدمه ای بر Git

دریابید که کنترل منبع چیست و مقدمه‌ای با Git - محبوب‌ترین سیستم کنترل نسخه در جهان، دریافت کنید.
اهداف آموزشی
در این ماژول، شما:

1⃣یاد بگیرید که کنترل نسخه چیست؟
2⃣سیستم های کنترل نسخه توزیع شده، مانند Git را درک کنید.
3⃣یک پروژه Git جدید ایجاد کنید و آن را پیکربندی کنید.
4⃣با استفاده از Git تغییرات را در کد ایجاد و پیگیری کنید.
5⃣از Git برای بازیابی اشتباهات ساده استفاده کنید.

این ماژول بخشی از این مسیرهای یادگیری:
▫️بنیادهای GitHub
▫️مقدمه‌ای بر کنترل نسخه با Git
▫️ارزیابی ماژول
▫️درک خود را از این ماژول ارزیابی کنید.

برای شروع اینجا کلیک کنید.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀 #توسعه_و_تحقیق_کار_ها

📝راهنمای چریکی برای مشکلات رایج در "آمار اعصاب" به بررسی چالش‌های آماری می‌پردازد که در مطالعات علوم اعصاب به طور مکرر با آن‌ها مواجه می‌شویم. این مسائل می‌توانند تأثیر قابل توجهی بر کیفیت و اعتبار نتایج تحقیق داشته باشند. در ادامه، برخی از این چالش‌ها و راهکارهای پیشنهادی برای مقابله با آن‌ها بررسی می‌گردد:

🔸 توزیع غیرعادی داده‌ها
🔹 نابرابری واریانس بین گروه‌ها
🔸 همبستگی گسترده در داده‌ها
🔹 تست چندگانه بیش از حد
🔸 قدرت آماری ناکافی به دلیل حجم نمونه کوچک
🔹 تکرار شبه
🔸 تاکید بیش از حد بر نتایج دوتایی

💠 در نهایت، تجزیه و تحلیل آماری باید به عنوان ابزاری مهم در علوم اعصاب دیده شود و باید با دقت و توجه کافی انجام شود. مشاوره با متخصصان آمار قبل از شروع مطالعه می‌تواند به بهبود کیفیت تحقیق کمک کند و از بروز مشکلات آماری جلوگیری نماید.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨#زیبایی_های_ریاضی

💠 چرا بسیاری از مردم فکر می‌کنند که نمی‌توانند نقاشی کنند؟ از کجا یاد گرفتیم که این را باور کنیم؟ گراهام شاو این توهم را - به معنای واقعی کلمه - به روشی بسیار عملی از بین خواهد برد. او نشان خواهد داد که چگونه عمل ساده نقاشی قدرت ایجاد تغییر مثبت در جهان را دارد.

💠 گراهام شاو در هنر ارتباطات تخصص دارد و به هزاران نفر برای ارائه مطالب مهم کمک کرده است. او شاید بیشتر به دلیل استفاده از نقاشی‌های سریع کارتونی برای انتقال ایده‌ها شناخته شده است و نویسنده "هنر ارتباطات تجاری" است.

📱https://youtu.be/7TXEZ4tP06c?si=fJQxX8BCd255lMOQ

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨#زیبایی_های_ریاضی

❗️الگوهای ریاضی در طبیعت

💠الگوی ریاضی ویژگی‌های جهانی در طبیعت، از گلبرگ‌های گل و دانه‌های سیب گرفته تا لانه زنبوری و نسبت‌های هارمونی موسیقی، نشان‌دهنده‌ی ارتباط عمیق و زیبایی‌شناسی نهفته در جهان است. این الگوها به ما کمک می‌کنند تا ساختار و نظم موجود در طبیعت را درک کنیم.

🌀در واقع، ریاضیات به عنوان زبانی جهانی، معادلاتی را ارائه می‌دهد که نحوه‌ی عملکرد جهان را توصیف می‌کنند. این معادلات نه تنها ابزارهایی برای تحلیل و پیش‌بینی پدیده‌ها هستند، بلکه به زیبایی یک قطعه موسیقی کلاسیک یا یک نقاشی امپرسیونیستی نیز شباهت دارند. همان‌طور که یک آهنگ با نوت‌ها و ریتم‌های خود احساسات را منتقل می‌کند، ریاضیات نیز با شکل‌ها و روابط خود، زیبایی و هماهنگی موجود در جهان را نمایان می‌سازد.

https://youtu.be/O7x3LBWn-Ao?si=aLIVaTqyCLWeKZCm

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#اکتشاف_دنیای_دیجیتال

✨ پیش بینی بازار کار داده‌ها و هوش مصنوعی 2025

🌀 انقلاب هوش مصنوعی
بر اساس گزارش مجمع جهانی اقتصاد، ما در آستانه یک تغییر قابل توجه در بازار کار جهانی هستیم. در حالی که هوش مصنوعی 85 میلیون شغل را جابجا می‌کند، 97 میلیون شغل جدید ایجاد می‌کند که نتیجه مثبت خالص 12 میلیون فرصت خواهد بود.
مجله تایم گزارش می‌دهد که بازار جهانی هوش مصنوعی قرار است تا سال 2025 به 190 میلیارد دلار برسد و بازارهای نوظهوری مانند هند پیشتاز این هزینه هستند - پیش بینی 17 میلیارد دلاری خدمات هوش مصنوعی تا سال 2027.

🌀 رشد حقوق و دستمزد
چشم انداز مالی به ویژه امیدوار کننده است. از ژانویه 2023، شاهد افزایش قابل توجه حقوق در همه نقش‌های مرتبط با داده‌ها بوده‌ایم:

☑️ مهندسان هوش مصنوعی با افزایش +48 هزار دلار پیشتاز هستند.
☑️ مهندسان یادگیری ماشین با سود قوی + 36 هزار دلار دنبال می‌کنند.
☑️ تحلیلگران داده رشد قابل توجهی + 29 هزار دلار را نشان می دهند.
☑️ دانشمندان داده ارزش قابل توجهی را با افزایش +27 هزار دلار حفظ می کنند.
☑️ مهندسان داده 20 هزار دلار افزایش قابل توجهی دارند.

با توجه به این رشد قوی در سال 2024، ما نسبت به آنچه سال آینده به ارمغان خواهد آورد خوشبین هستیم!

همانطور که برای سال 2025 آماده می‌شویم، تحقیقات جامع بازار کار را برای سال 2024 بررسی کنید.

1⃣ بازار کار تحلیلگر داده در سال 2024
2⃣ بازار کار دانشمند داده 2024
3⃣ بازار کار مهندس داده در سال 2024
4⃣ بازار مهندسان یادگیری ماشین در سال 2024

🌀 فرصت های خاص صنعت
بهداشت و درمان به عنوان یک بازیگر غالب در حال ظهور است. این صنایع در اتخاذ هوش مصنوعی مولد برای افزایش تشخیص، شخصی‌سازی درمان‌ها و تسریع در کشف دارو پیشرو هستند.

💠 طبق مقاله‌ای که اخیراً در وال استریت ژورنال منتشر شد، "جالب ترین شغل در فناوری ممکن است در واقع در بانک باشد." با تمرکز بر ارزیابی ریسک اعتباری و کشف تقلب، این صنعت چالش های هیجان انگیزی را ارائه می‌دهد.
خرده فروشی و تجارت الکترونیک در حال تجربه تحول قابل توجهی هستند. خرده فروشان از یادگیری ماشینی و هوش مصنوعی برای شخصی سازی خرید، بهینه سازی زنجیره تامین و بهبود بازاریابی استفاده می کنند. این باعث افزایش تعامل و کارایی مشتری می‌شود.

◀️ مهارت‌های ضروری برای موفقیت در آینده
▪️ تخصص پایتون: این زبان سنگ بنای توسعه داده و هوش مصنوعی است. تطبیق پذیری آن برای همه چیز از تجزیه و تحلیل داده‌ها گرفته تا یادگیری عمیق ضروری است.

▫️حاکمیت داده: با تشدید مقررات، درک حاکمیت داده بسیار مهم می‌شود. شرکت‌ها به طور فزاینده‌ای در اولویت قرار دادن حریم خصوصی داده‌ها و تخصص انطباق هستند.

▪️ یادگیری ماشینی: این رشته به سرعت به تکامل خود ادامه می‌دهد و ظهور هوش مصنوعی مولد این مهارت‌ها را ارزشمندتر از همیشه کرده است.

◀️ نقش‌های نوظهور
▫️مهندسین هوش مصنوعی: اتوماسیون رانندگی و تجزیه و تحلیل داده ها در صنایع
▪️تحلیلگران امنیت سایبری: حفاظت از اکوسیستم های دیجیتال پیچیده تر
▫️تحلیلگران هوش تجاری: تبدیل داده ها به تصمیمات استراتژیک
▪️متخصصان محاسبات کوانتومی: راه حل های محاسباتی نسل بعدی پیشگام

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🗣#سخن_بزرگان

🎙"تحلیل داده‌ها نه تنها یک ابزار، بلکه یک زبان است که به ما کمک می‌کند تا داستان‌های نهفته در داده‌ها را کشف کنیم."
ژان پل بنزکری (Jean-Paul Benzécri)

📝 ژان پل بنزکری یک ریاضیدان و آمارشناس فرانسوی است که به خاطر کارهایش در زمینه تحلیل داده‌ها و آمار شناخته شده است. او به ویژه به خاطر توسعه روش‌های تحلیل چندمتغیره و تکنیک‌های داده‌کاوی شهرت دارد.

📌 بنزکری به عنوان یکی از پیشگامان در زمینه تحلیل عاملی و تحلیل خوشه‌ای شناخته می‌شود و آثار او تأثیر زیادی بر روی روش‌های آماری و کاربردهای آن‌ها در علوم اجتماعی، زیست‌شناسی و سایر حوزه‌ها داشته است.

📎 تحلیل عاملی (Factor Analysis) یک تکنیک آماری است که برای شناسایی ساختارهای زیرین و الگوهای پنهان در داده‌ها استفاده می‌شود. این روش به ویژه در علوم اجتماعی، روانشناسی، بازاریابی و دیگر زمینه‌ها کاربرد دارد. هدف اصلی تحلیل عاملی کاهش ابعاد داده‌ها و شناسایی عوامل مشترک میان متغیرها است.

💠مراحل تحلیل عاملی:

1⃣ جمع‌آوری داده‌ها: ابتدا داده‌های مربوط به متغیرهای مختلف جمع‌آوری می‌شوند. این داده‌ها باید به اندازه کافی بزرگ و متنوع باشند تا نتایج معتبر و قابل تعمیمی به دست آید.

2⃣ تعیین تعداد عوامل: با استفاده از روش‌هایی مانند آزمون کیزر-مایکل-اولکین (KMO) و آزمون بارتلت، می‌توان تعیین کرد که آیا داده‌ها برای تحلیل عاملی مناسب هستند یا خیر. همچنین، تعداد عوامل مورد نیاز نیز مشخص می‌شود.

3⃣ استخراج عوامل: در این مرحله، روش‌های مختلفی برای استخراج عوامل وجود دارد، از جمله:

• روش مؤلفه‌های اصلی (Principal Component Analysis - PCA)

• روش تحلیل عاملی اکتشافی (Exploratory Factor Analysis - EFA)

4⃣ چرخش عوامل: پس از استخراج عوامل، معمولاً چرخش انجام می‌شود تا ساختار عوامل واضح‌تر شود. روش‌های چرخش شامل چرخش واریماکس (Varimax) و پروماکس (Promax) هستند.

5⃣ تفسیر عوامل: در این مرحله، محقق باید عوامل استخراج شده را تفسیر کند و مشخص کند که هر عامل چه متغیرهایی را نمایندگی می‌کند.

6⃣ اعتبارسنجی: پس از تفسیر، اعتبار و قابلیت تعمیم نتایج باید مورد بررسی قرار گیرد. این کار می‌تواند شامل تقسیم داده‌ها به مجموعه‌های آموزشی و آزمون یا استفاده از داده‌های جدید باشد.

☑️ کاربردهای تحلیل عاملی:

🔘 کاهش ابعاد: کمک به کاهش تعداد متغیرها در مجموعه داده‌ها بدون از دست دادن اطلاعات مهم.

🔘 شناسایی الگوها: شناسایی الگوها و روابط میان متغیرها.

🔘 توسعه پرسشنامه‌ها: در تحقیقات اجتماعی و روانشناسی، برای توسعه پرسشنامه‌ها و مقیاس‌های اندازه‌گیری.

🔘 تحلیل بازار: در بازاریابی برای شناسایی نیازها و ترجیحات مشتریان.

✔️ تحلیل عاملی ابزاری قدرتمند است که به محققان کمک می‌کند تا پیچیدگی‌های داده‌ها را بهتر درک کنند و بینش‌های جدیدی به دست آورند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#اکتشاف_دنیای_دیجیتال

🎇 نکات برجسته 2024: مقالات هوش مصنوعی و علوم داده که سروصدا به پا کردند. قسمت دوم

🌀 عوامل RAG و AI
هنگامی که هیجان اولیه پیرامون LLM ها کمی فروکش کرد، متخصصان داده و ML متوجه شدند که این مدل‌های قدرتمند آنقدرها هم مفید نیستند. نسل افزوده شده با بازیابی و هوش مصنوعی عاملی در سال گذشته به عنوان دو رویکرد پیشرو که شکاف بین پتانسیل مدل‌ها و ارزش دنیای واقعی را پر می‌کنند، به شهرت رسیدند.

☑️ معرفی عوامل LLM با LangChain:وقتی RAG کافی نیست.
در ماه مارس اولکساندر هونچار راهنمای قطعی مبتدیان برای کار با نمایندگان را منتشر کرد.

☑️ استفاده از LangChain ReAct Agents برای پاسخگویی به سوالات Multi-Hop در سیستم های RAG.
آموزش دکتر وارشیتا شر که به ما نشان می‌دهد چگونه عامل‌ها و RAG می‌توانند مکمل یکدیگر باشند، به نیاز متداول پاسخ دادن به سؤالات پیچیده در اسناد داخلی می‌پردازد.

☑️ 17 تکنیک RAG (پیشرفته) برای تبدیل نمونه اولیه برنامه LLM شما به یک راه حل آماده برای تولید.
ساخت یک راهنمای RAG یک چیز است. بهینه سازی آن به گونه‌ای که بتواند واقعاً در یک زمینه تجاری کار کند، چیز دیگری است. دومینیک پولزر یک راهنمای جامع برای روش‌هایی که می‌توانید برای دستیابی به آن هدف عالی استفاده کنید، گردآوری کرده است.

☑️ 12 نقطه بحران RAG و راه حل‌های پیشنهادی.

ونکی گلنتز در یک روش عیب‌یابی مشابه، ده‌ها روش کارآمد را برای مقابله با برخی از رایج‌ترین چالش‌هایی که پزشکان هنگام اجرای RAG با آن مواجه می‌شوند، تشریح می‌کند.

☑️ انتخاب بین چارچوب‌های عامل LLM.
انتخاب‌های آگاهانه در اکوسیستمی که بازیکنان اصلی و نوظهور هر روز ابزارهای جدیدی را منتشر می‌کنند، می‌تواند دشوار باشد. Aparna Dhinakaran اینجاست تا به بینش دقیق در مورد مبادلات کمک کند تا در ذهن داشته باشید.

ادامه دارد...

📎پینوشت:

🔸Retrieval-augmented generation (RAG)
تکنیکی برای افزایش دقت و قابلیت اطمینان مدل‌های هوش مصنوعی مولد با حقایق واکشی شده از منابع خارجی.

🔹artificial intelligence (AI) agent
عامل هوش مصنوعی (AI) یک برنامه نرم‌افزاری است که می‌تواند با محیط خود تعامل داشته باشد، داده‌ها را جمع آوری کند و از داده‌ها برای انجام وظایف خود تعیین شده برای رسیدن به اهداف از پیش تعیین شده استفاده کند. انسان‌ها اهدافی را تعیین می‌کنند، اما یک عامل هوش مصنوعی به طور مستقل بهترین اقداماتی را که برای رسیدن به آن اهداف نیاز دارد، انتخاب می‌کند.

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

📚#سفر_به_دنیای_کتاب_ها

🔗برترین کتاب های CS برای مبتدیان

🌀 در دنیای مدرن و پر سرعت امروز، ما به دوره‌های عملی برای یادگیری در مورد علوم کامپیوتر و مهندسی نرم افزار نگاه می‌کنیم. اما استفاده از کتاب به عنوان یک منبع اضافی مزایای واقعی دارد.

💠 اگر تازه شروع به یادگیری کدنویسی کرده‌اید، اینها بهترین کتاب‌های درسی هستند. در این پست تلاش شده‌است تا فهرستی از کتاب‌های مربوط به CS را تهیه گردد که به دانش زیادی نیاز ندارند، برای مبتدیان طراحی شده‌اند و به شما کمک می‌کنند تا در این زمینه تلاش کنید. با این اوصاف، توصیه می‌شود با کتاب‌ها به‌عنوان رسانه اصلی یادگیری علوم رایانه شروع نکنید. دوره‌های تعاملی که شما را مجبور به نوشتن کد واقعی و ارائه بازخورد فوری می‌کنند، راه بسیار بهتری برای یادگیری هستند. اگر این سبک یادگیری برای شما جالب به نظر می‌رسد، Boot.dev را بررسی کنید.

1⃣ همه آنچه برای علوم کامپیوتر و کدنویسی در یک نوت بوک بزرگ نیاز دارید.

این کتاب علوم کامپیوتر برای بچه‌های دوره راهنمایی است. اما این یک نقطه شروع فوق العاده برای درک اصول علوم کامپیوتر و دستیابی به کدنویسی است.

مطالبی که پوشش می‌دهد:

☑️ سیستم های محاسباتی
☑️ کد باینری
☑️ الگوریتم‌ها
☑️ تفکر محاسباتی
☑️ حلقه ها، رویدادها و رویه ها
☑️ برنامه نویسی در اسکرچ و پایتون
☑️ عبارات بولی
☑️ توسعه وب
☑️ امنیت سایبری
☑️ HTML
☑️ CSS
▫️سبک تدریس به گونه ای طراحی شده است که آن را قابل جذب کند. نویسندگان از دستگاه‌های یادگاری برای کمک به یادآوری مفاهیم پیچیده استفاده می‌کنند. این کتاب مملو از نمودارها، تعاریف و هر چیز دیگری است که برای درک مفهوم نیاز دارید.

▪️مطلقاً هیچ دانش قبلی را فرض نمی‌کند. این یک مکان عالی برای شروع یادگیری علوم کامپیوتر است.

2⃣ شروع برنامه نویسی All-In-One برای Dummies

▪️ همه اینها به نام است، اینطور نیست؟ برخی از بهترین کتاب‌های علوم کامپیوتر با شما طوری رفتار می‌کنند که انگار پنج ساله هستید. این یک موضوع پیچیده است، و هیچ شرم آور نیست که از یک سطح بسیار ابتدایی شروع کنید.

▫️این کتاب هم مبانی برنامه نویسی و هم برخی موارد استفاده به روز شده را پوشش می دهد که یادگیری آنها برای شما مفید خواهد بود، اگرچه بسیاری از داوران به آن اشاره می کنند که زبان C به عنوان یک زبان سنگین است. در اینجا برنامه درسی آمده است:

☑️ اصول اولیه کدنویسی، شامل نوشتن و کامپایل کد، الگوریتم‌ها و ساختارهای داده
سینتکس چندین زبان برنامه نویسی مختلف
فرصت‌های برنامه نویسی جالب مانند انجام آزمایش های بیولوژیکی در رایانه یا برنامه نویسی موتور بازی های ویدیویی
برنامه های کاربردی چند پلتفرمی برای دسکتاپ و دستگاه های تلفن همراه

3⃣ برنامه نویسی عملی: مقدمه ای بر علوم کامپیوتر با استفاده از پایتون 3.6

می‌توانید موضوعی را در اینجا انتخاب کنید: این یک کتاب درسی مناسب علوم کامپیوتر است که برای دانشجویان علوم کامپیوتر ایجاد شده است.

▪️ اصول اولیه را از طریق Python به شما نشان می‌دهد. با پایه‌گذاری همه آن در پایتون، می‌تواند مفاهیم و نظریه‌ها را طی کند، سپس از کد واقعی برای نشان دادن معنای دقیق آن استفاده کند.

▫️برنامه درسی در توضیحات کتاب کوتاه است: "درباره طراحی، الگوریتم ها، تست و اشکال زدایی بیاموزید."

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🟢 #زنگ_تفریح

💠آیا می توانید معمای پل را حل کنید؟

📱https://youtu.be/7yDmGnA8Hw0?si=HIE5KTEZieOVcJmT

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨✨✨#زیبایی_های_ریاضی✨✨✨

🌀 ریاضیات ملکه علوم است.

💠 کاوشی در ریاضیات، از جمله اینکه از کجا آمده است و چرا جهان فیزیکی را توضیح می‌دهد، و آیا اختراع انسانی است یا زبان پنهان جهان!
📱https://youtu.be/8mve0UoSxTo?si=PSXwu-2wtWxZnflb

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💠#توسعه_و_تحقیق_کار_ها

🔴 یادگیری استادانه آمار: اسرار فاش شدند!

📱https://youtu.be/QHAEle4NfA8?si=MfM-IybAsCMYRikI

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

#سفر_به_دنیای_کتاب_ها

📈 علم داده یک حوزه پررونق است که از فناوری‌هایی مانند یادگیری ماشینی، الگوریتم‌ها و مدل‌های پیش‌بینی برای جمع‌آوری بینش‌های روزمره و تصمیم‌گیری‌های تجاری استفاده می‌کند که اگر در این صنعت تازه کار هستید، درک آن‌ها دشوار است.

📕 همه دروغ می‌گویند: داده‌های بزرگ، داده‌های جدید، و آنچه که اینترنت می‌تواند به ما در مورد اینکه ما واقعاً چه کسی هستیم به ما بگوید.
نوشته‌ی ست استفنز-دیویدویتز
این کتاب مانند Freakonomics در عصر علم داده است. این کتاب به طور کامل یک کتاب فنی نیست. هر فصل داستان عجیبی را بیان می‌کند که مفهوم علم داده را به تصویر می کشد.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨✨✨#زیبایی_های_ریاضی✨✨✨

☑️ریاضیات، رازها و حقایق

ریاضیات یک مستند جذاب است که بینندگان را به سفری خارق‌العاده از طریق تکامل ریاضیات در تمدن‌های مختلف می‌برد. از محاسبات عملی مصر باستان و بین النهرین تا نوآوری های نظری یونان، چین، هند و خاورمیانه، این فیلم کمک های عمیق ریاضیدانان افسانه ای را به نمایش می گذارد.

📱https://youtu.be/e1B0saB0rbI?si=LmJb0n-bkyAeKle5

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💠 #توسعه_و_تحقیق_کار_ها

✨ بزرگترین پیشرفت در ریاضیات در 2024

🌀 این ویدیو سه مورد از بزرگ‌ترین پیشرفت‌های سال 2024 در ریاضیات را بررسی می‌کند، از جمله روشی بهتر برای بسته‌بندی کره‌ها در ابعاد بالا، روشی جدید برای جلوگیری از تشکیل الگوهای اعداد، و اثبات 800 صفحه‌ای به اصطلاح هندسی حدس لنگلندز.

📱https://youtu.be/lwVSeXswWZY?si=BPthruysOgj-Qeul

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💠 #توسعه_و_تحقیق_کار_ها

▪️ مقدمه‌ای بر تحقیق بالینی
تحقیق بالینی به مطالعه سیستماتیک و منظم در زمینه‌های پزشکی و علوم بهداشتی اطلاق می‌شود که هدف آن ارزیابی و بررسی اثرات درمان‌ها، داروها، روش‌های تشخیصی و پیشگیری بر روی بیماران یا گروه‌های خاصی از افراد است. این نوع تحقیق معمولاً شامل مراحل زیر می‌شود:

1. طراحی مطالعه: تعیین نوع مطالعه (تصادفی، مشاهده‌ای، کوهورت و ...) و روش‌های جمع‌آوری داده‌ها.

2. انتخاب شرکت‌کنندگان: مشخص کردن معیارهای ورود و خروج برای بیماران یا داوطلبان.

3. جمع‌آوری داده‌ها: انجام آزمایشات، مصاحبه‌ها و سایر روش‌های جمع‌آوری اطلاعات.

4. تحلیل داده‌ها: استفاده از روش‌های آماری برای تحلیل اطلاعات به دست آمده.

5. نتیجه‌گیری: تفسیر نتایج و ارائه توصیه‌ها بر اساس یافته‌ها.

▫️تحقیق بالینی می‌تواند به بهبود روش‌های درمانی، کاهش عوارض جانبی داروها، افزایش کیفیت خدمات بهداشتی و در نهایت ارتقاء سلامت عمومی کمک کند.

📱https://youtu.be/a7i08EIgj4Y?si=9TbBpccRX3FbDX7B

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#گام_به_گام

🐍 پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در دنیای امروز است که به دلیل سادگی و قابل فهم بودنش، به ویژه برای مبتدیان، شناخته شده است. این زبان توسط گویدو وان روسوم در اوایل دهه 1990 توسعه یافت و از آن زمان به یکی از ابزارهای اصلی در زمینه‌های مختلفی چون توسعه وب، علم داده، هوش مصنوعی، یادگیری ماشین و اتوماسیون تبدیل شده است.

⚙ یکی از ویژگی‌های بارز پایتون، سینتکس ساده و خوانا آن است که به برنامه‌نویسان این امکان را می‌دهد تا کدهای خود را به راحتی بنویسند و بخوانند. همچنین، پایتون دارای یک اکوسیستم غنی از کتابخانه‌ها و فریم‌ورک‌هاست که می‌تواند به تسریع روند توسعه برنامه‌ها کمک کند.

🗂 پست های گذشته دستورات پایه در پایتون را میتوانید از طریق لینک‌های زیر پیدا کنید:
▫️Python indentation
◾️Variables-part1
▫️Variables-part2
◾️Variables-part3
▫️Unpacking
◾️Global variables
▫️Data types in python-part1
◾️Data types in python-part2
▫️Numbers in python-part1
◾️Numbers in python-part2
▫️Python casting
◾️Stringers

#️⃣#کدنویسی
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math