10) machine-learning-projects - Understanding Human-level Performance

sub

درود
دوست غیرهندیمون یک مطلب چند قسمتی در مورد بهبود عملکرد random forest نوشتن ولی لابلاش این‌قدر مطالب مهم و کاربردی توضیح دادن که خوندنش واجبه. مثلاً در مورد Feature Importances صحبت کرده و قشنگ با نمودار نشون داده چطور feature selection کنیم به این صورت که نمودار تجمعی اهمیت ویژگی ها رسم کرده و نشون داده مثلا با حذف کدوم ویژگی آب از آب تکون نمیخوره و مدل مثل قبل با قدرت عمل می‌کنه.

https://towardsdatascience.com/improving-random-forest-in-python-part-1-893916666cd

👉🏻@data_hub_ir

درود
❇ اگر مفاهیمی مثل covariance ، correlation و R-sqaured براتون مبهم و گیج کننده هست، این مقاله رو از دست ندید.

لینک مقاله 👇🏻
https://medium.com/swlh/covariance-correlation-r-sqaured-5cbefc5cbe1c

❇ @data_hub_ir
#مقاله
#مقاله_آموزشی‌

❇️ درود
از الان به بعد قصد داریم که وبینارهای مفید حوزه دیتاساینس رو معرفی کنیم.

موضوع: Machine learning for Wireless Communications

ارائه دهنده: دکتر بلورساز مشهدی

تاریخ: روز سه شنبه 12 مرداد 1400

ساعت : 14 الی 15

❇️@data_hub_ir

#وبینار

درود
❇️ یکی از روش هایی که برای یادگیری نظارت نشده استفاده می کنیم Hierarchical clustering هست که توی این مقاله کوتاه میتونید با این روش آشنا بشید.
❇️@data_hub_ir
#یادگیری_ماشین
#هوش_مصنوعی
#شبکه_عصبی

❇️ وبینار
موضوع: Data-centric AI: Real World Approaches

ارائه دهنده: DeepLearning.AI

تاریخ: روز چهارشنبه 20 مرداد 1400

ساعت : 21:30 الی 23

لینک ثبت نام:
https://data-centric-ai.eventbrite.com/?aff=linkedinpage

❇️@data_hub_ir

#وبینار

درود
نقشه راه یادگیری پردازش زبان طبیعی_نسخه اول

این نقشه راه شامل معرفی سایت، کورس و کتاب آموزشی و هر آنچه که برای شروع نیاز داریم.

⛭@data_hub_ir

درود
❇ تا الان خیلیامون در مورد k-fold cross-validaton شنیدیم و ازش استفاده کردیم. اما باید بدونیم که انواع مختلفی cross-validation داریم که تو این مقاله 8 تای اونها بررسی شده.

لینک مقاله 👇🏻
https://towardsdatascience.com/understanding-8-types-of-cross-validation-80c935a4976d

❇ @data_hub_ir
#مقاله
#مقاله_آموزشی‌

درود
❇️ یکی از اصلی ترین مواردی که یه دیتاساینتیست باید بلد باشه اینه که بتونه نتایج داده هایی که آنالیز کرده رو به درستی نمایش بده . تو این مقاله هفت تا اصل مهم برای نمایش نمودارها و نتایج آورده شده. پیشنهاد می کنم خوندن این مقاله مفید رو از دست ندین.
❇️@data_hub_ir
#یادگیری_ماشین
#هوش_مصنوعی
#تحلیل_داده

مظلومیت R

درود
این پست مخصوص کسائی هست که می‌دونن توی دیتاساینس چقدر آمار و احتمال مهمه ولی یا تنبلن یا می‌ترسن که یادش بگیرن. یک دوره معرفی می‌کنم که فارسیه و رایگان فقط یکم طولانیه ولی بیان استادش خوبه و کار راه بندازه...دکتر زارچی از دانشگاه شریف که فکر کنم با اپلیکیشن ماسک بهتر بشناسین ایشونو...

https://b2n.ir/t24851
❇️@data_hub_ir

درود
❇️ یکی از ابزارهای خیلی قوی که برای نمایش نتایج آنالیز داده ها تو اپلیکیشن وب ها با پایتون استفاده میشه استریم لیت هست. اگر با این ابزار آشنایی دارین نگاهی به این مقاله داشته باشین، خیلی کوتاه یه سری میانبر برای استفاده از این ابزار رو معرفی کرده :
❇️@data_hub_ir
#یادگیری_ماشین
#هوش_مصنوعی
#تحلیل_داده

درود
ترنسفورمرز و دیگر هیچ. یک ایرادی که به ترنسفورمرها و به طور کلی به شبکه عصبی وارد میشه عملکرد جعبه سایه گونه اون هست. اینکه نمی دونیم داخلش چه خبره. حالا یکسری که خیلی هم کنجکاو بودن اومدن و یک پکیج نوشتن که کارش تفسیر عملکرد ترنسفورمر هست اونم با رسم شکل. مثلا توی تسک qa قشنگ نشون میده چه کلماتی تاثیرگذارتر هستند اونم باز با رسم شکل. این مطلب به شدت به درد کارای پژوهشی میخوره.

https://github.com/cdpierse/transformers-interpret

@data_hub_ir

درود
داستان از اونجا شروع شد که یک متخصص امنیت و یک متخصص دیتاساینس تصمیم گرفتن آخر هفته‌ی خودشون رو با هم بگذرونند! ایده اصلی این بود که بینیم چندتا حالت محتمل برای کد ملی وجود داره و ازشون Rainbow Table بسازیم. اینطوری کد‌ملی ایرانی هایی که حتی متولد هم نشدند رو میتونیم داشته باشیم و اگر کسی (خدایی نکرده!) پسوردش رو کد ملیش انتخاب کرده باشه به راحتی پسوردش شکسته می‌شه.
https://vrgl.ir/m5FOE

@data_hub_ir

درود
❇️ مقاله ای که براتون قرار میدم یه فایل مختصر، مفید و خیلی کاربردی تو زمینه پایتون، یادگیری ماشین، دیتاساینس و یادگیری عمیق هست. پیشنهاد می کنم خوندن این مقاله رو از دست ندین.
❇️@data_hub_ir
#یادگیری_ماشین
#هوش_مصنوعی
#تحلیل_داده
#پایتون
#یادگیری_عمیق

#معرفی_کارگاه

👤محمد دهقانی

💡موضوع کارگاه:
Easy Fine-Tuning of Transformers for Named-Entity Recognition

پیش‌نیازهای کارگاه:
Bert, Pytorch

#AAISS2021
@aaiss_aut