امروز اشتباهی یه نوت بوک پایتونی را پاک کردم،
کمی سرچ کردم دیدم تو نسخه های اخیر jupyter خوشبختانه به trash منتقل میشه فایل و واقعا پاک نمیشه.
https://github.com/jupyterlab/jupyterlab/issues/3205

اگر لینوکسی هستید، مسیر پوشه trash تون این خواهد بود:

/home/YourUsername/.local/share/Trash/files

زمانی که سوال پرسیده شده، هیچ راهی نبوده، تو نسخه های بعدی به روزرسانی کردند که واقعا پاک نشه.
واقعا به روز رسانی نجات بخشی بود...

How do you check the quality of your regression model in Python?

https://www.kdnuggets.com/2019/07/check-quality-regression-model-python.html

#منبع #پایتون #یادگیری_ماشین
سلام. تو این مقطع که مبانی پایتون با دیتاساینس را میدونید اکیدا توصیه میکنم حتما کنفرانس های سال های مختلف SciPy را ببینید. مختصر و عالیه. همچنین pyconها هم میتونه مفید باشه

اولین فیلم برای سال 2017 و یه کم قدیمیه، اما ارائه دهندش Muellerه، توسعه دهنده اصلی scikit learn برا همین خیلی توصیه میکنم ببینیدش.

Machine Learning with scikit learn | SciPy 2017 Tutorial | Andreas Mueller & Alexandre Gram
Part I:
https://www.youtube.com/watch?v=2kT6QOVSgSg
Part II:
https://www.youtube.com/watch?v=WLYzSas511I

Machine Learning with Scikit-Learn, Part 1 | SciPy 2018 Tutorial | Lemaitre and Grisel
Part I:
https://www.youtube.com/watch?v=4PXAztQtoTg&feature=youtu.be
Part II:
https://www.youtube.com/watch?v=gK43gtGh49o

SciPy 2019: Scientific Computing with Python Conference

https://www.youtube.com/playlist?list=PLYx7XA2nY5GcDQblpQ_M1V3PQPoLWiDAC

Chalmer Lowe - Scikit-learn, wrapping your head around machine learning - PyCon 2019
https://www.youtube.com/watch?v=kTdt0P0e3Qc


Deepak K Gupta - Hello World of Machine Learning Using Scikit Learn - PyCon 2019
https://www.youtube.com/watch?v=bCDcI8SdjD8

کاربرد shift در pandas

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.shift.html

فرض کنید مثلا میخواید با قیمت سه بورس مختلف - قیمت یکی از بورس ها را در سه روز دیگر مثلا پیش بینی کنید.
با این تابع میتونید لیبل ایجاد کنید...

کاربرد deque در پایتون

#سوال
آیا در پایتون همانند سایر زبان های شی گرا public - protected و private داریم؟

پاسخ:
بله. اما کلمه کلیدی خاصی برای این اعضا در نظر گرفته نشده و با قوانین نامگذاری مشخص میگردد.
بدین صورت که
_a متغیری از نوع protected
و __b (دو تا _ قبل نام) از نوع private خواهد شد.

#سول.
آیا پایتون مثل سایر زبانها سخت گیرانه عمل میکند و واقعا private ها از بیرون کلاس قبال دسترس نیستند؟

خیر! پایتون میگه اگر میخوای دسترسی پیدا کنی با روشی که بهتون میگه بهتون دسترسی میده!!

فرض کنید داریم:

class Employee:
def __init__(self, name, sal):
self.__name=name # private attribute
self.__salary=sal # private attribute

و اگر کلاس بالا را بخواهیم مثل زیر استفاده کنیم
>>> e1=Employee("Bill",10000)

و بخواهیم به فیلد حقوق فرد دسترسی داشته باشیم
>>> e1.__salary

خطای زیر را می بینیم:
AttributeError: 'employee' object has no attribute '__salary'

چرا که فیلد خصوصی تعریف شده! اما میتونید بگید:


>>> e1._Employee__salary
10000

یعنی با ذکر _ و بعد نام کلاس و بعد اسم فیلد دسترسی به عضو خصوصی داد!
حتی میشه عوضش هم کرد!!
>>> e1._Employee__salary=20000
>>> e1._Employee__salary
20000


Python performs name mangling of private variables. Every member with double underscore will be changed to _object._class__variable. If so required, it can still be accessed from outside the class, but the practice should be refrained.

#منبع،
مناسب برای آشنایی، اما وارد جزئیات نشده

The Data Engineering Cookbook
Mastering The Plumbing Of Data Science.

‏لیست محبوب ترین زبان های برنامه نویسی سال 2019 توسط IEEE Spectrum منتشر شد مثل سال های گذشته زبان برنامه نویسی پایتون در مقام اول قرار دارد

https://spectrum.ieee.org/computing/software/the-top-programming-languages-2019

منبع

Normalization vs Standardization — Quantitative analysis

این دو به اشتباه به جای هم زیاد به کار میرند. اما فرق دارند...

https://towardsdatascience.com/normalization-vs-standardization-quantitative-analysis-a91e8a79cebf


Normalization typically means rescales the values into a range of [0,1]. Standardization typically means rescales data to have a mean of 0 and a standard deviation of 1 (unit variance).


Table of Contests

0. Why are we here?
1. Out-of-the-box classifiers
2. Classifier + Scaling
3. Classifier + Scaling + PCA
4. Classifier + Scaling + PCA + Hyperparameter Tuning
5. All again on more datasets:
— 5.1 Rain in Australia dataset
— 5.2 Bank Marketing dataset
— 5.3 Income classification dataset
— 5.4 Income classification dataset
Conclusions

نمونه کدهای یادگیری ماشین که میتونه براتون مفید باشه
https://github.com/rasbt/python-machine-learning-book-2nd-edition

#خبر
Announcing Support for Native Editing of Jupyter Notebooks in VS Code

https://devblogs.microsoft.com/python/announcing-support-for-native-editing-of-jupyter-notebooks-in-vs-code/

#دوره_آموزشی
#ظرفیت_محدود
دوره پیشرفته یادگیری عمیق با محوریت شبکه های بازگشتی برگزار میگردد.
https://class.vision/product/deep2/

کد تخفیف 30 هزار تومانی مخصوص اعضای کانال:
cvision

این دوره پیش نیاز دارد. کد تخفیف 50 درصدی فیلم های پیش نیاز ارسال میگردد که در صورت نیاز استفاده شود.
پیش نیاز این دوره آشنایی با شبکه های کانولوشنالی و توانایی پیاده سازی در کراس است.

همان طور که قبلا اعلام شد، مباحث "دوره آموزشی پیشرفته یادگیری عمیق" که با محوریت RNNها در Tensorflow2 در محل صندوق نوآوری و شکوفایی برگزار خواهد شد نیاز به دانستن پیش‌نیازهای اعلام شده دارد.

در صورتی که با پیش نیازهای ذکر شده در توضیحات دوره آشنایی ندارید، می‌توانید به مدت محدود و تا قبل از 10 آبان با 50 درصد تخفیف ویدئوی دوره 12 ساعته مقدماتی را با قیمت 50 هزار تومان تهیه نمایید.

⁉️چرا؟
تا با مشاهده فیلم ها در صورتی که احساس کردید میتوانید دوره پیشرفته را همراهی کنید ثبت نام خود را انجام دهید.

⁉️آیا لزوما باید دوره حضوری یا غیر حضوری قبلی را شرکت کرده باشم؟
ضرورتی به مشاهده فیلمهای دوره مقدماتی نیست و با هر منبعی پیش نیازهای ذکر شده در سایت یا به طور خلاصه تسلط به پیاده سازی یک شبکه کانولوشنالی ساده دلخواه برای تسک های طبقه بندی و رگرسیون را کسب کرده اید میتوانید در دوره پیشرفته شرکت کنید.


❌اما مهم است بدانید دوره جدید بدون دانستن پیش نیاز هیچ سودی برای شما نخواهد داشت.

کد تخفیف دوره قبل:
half

لینک ویدیوی دوره قبل:
https://class.vision/deeplearning-keras/

محبوب‌ترین کتاب‌های هوش‌مصنوعی سال 2019

https://pbs.twimg.com/media/D9yDCvNWsAIrfjT.jpg

براساس اعلام کمپانی آمازون به ترتیب کتاب‌های ذیل در حوزه‌های هوش‌مصنوعی، علم‌داده، یادگیری عمیق و.... جز محبوب‌ترین و پرفروش‌ترین کتاب‌های سال 2019 بوده‌اند. حضور بیش از 6 کتاب در حوزه‌های یادگیری عمیق و آمار جز نکات قابل توجه این لیست هست.

1- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (لینک)

2- The Hundred-Page Machine Learning Book (+)

3- AI Superpowers: China, Silicon Valley, and the New World Order (+)

4- Deep Learning with Python (+)

5- Superintelligence: Paths, Dangers, Strategies (+)

6- An Introduction to Statistical Learning (+)

7- Deep Learning (Adaptive Computation and Machine Learning series) (+)

8- Pattern Recognition and Machine Learning (Information Science and Statistics) (+)

9- Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again (+)

10- The Elements of Statistical Learning (+)

جهت دانلود کتاب‌های فوق می‌توانید از طریق وبسایت Libgen.is و یا سایر وبسایت‌های مشابه اقدام نمایید.
لیست کامل برترین کتاب‌های سال 2019 حوزه هوش‌مصنوعی نیز در لینک زیر قرار داده شده است.
https://amzn.to/2YRE6Sj

@DataAnalysis

#دوره_آموزشی
از حامیان دوره پیشرفته، مجموعه‌های
همتک، شناسا و صندوق نوآوری و شکوفایی هستند.
در 15 دقیقه ابتدای جلسه نخست 30 آبان میزبان دکتر خلیق رضوی، مدیرعامل مجموعه همتک خواهیم بود.

اطلاعات دوره:
https://t.iss.one/cvision/1461

چندتا از قابلیت های جالب پایتون که به نظر Chip Huyen ، محقق NVIDIA و مدرس Stanford جالب بوده و در یک نوت بوک آورده شده.

https://nbviewer.jupyter.org/github/chiphuyen/python-is-cool/blob/master/cool-python-tips.ipynb