کارگروه علم داده
430 subscribers
458 photos
14 videos
119 files
431 links
ارتباط با ادمین:
@Smn_statistics
Download Telegram
Data Visualization with ggplot2.pdf
1.6 MB
یکی از بخش‌های مهم و اصلیِ کار با داده‌ها، مصورسازیِ اون‌هاست!
کتابخونه ggplot2، یکی از ابزارهای خوب مصورسازیه، که در نرم‌افزار R قرار داره..
این فایل یه cheat sheet خوب (!:دی) و جامع، از کدهای متداولِ این ابزاره!

سلسه پست‌های #مطالب_آموزشی #مهارت #دانشمند_داده

@Data_Science_Association
روش های کاهش بعد
(PCA,LDA,SVD)
لینک
@dsfum
رویداد های ۲۲ آذر دانشکده ریاضی فردوسی
کارگاه های دانشکده ریاضی به مناسبت هفته پژوهش
@DataPlusScience_ Machine Learning Cheatsheets.pdf
8.1 MB
Machine Learning Cheatsheets

مجموعه ای ارزشمند از خلاصه‌برگ‌های یادگیری ماشین مشتمل بر:
🌟 NumPy Basics
🐼 pandas
🔧 Data Wrangling with pandas
📊 Data Visualization with ggplot2
🌊 Seaborn
📈 Matplotlib
🤖 TensorFlow
🔬 Scikit-Learn
🔬 SciPy
🚀 PySpark
🤖 Keras
🧠 neural network

📊 @DataPlusScience | @DataScience
oreilly-ml-ops.pdf
14.5 MB
دانلود یکی از برترین منابع فنی پیرامون MLOPS برای علاقه مندان به دنیای Machine Learning

نام کتاب: Introducing MLOPS: How to Scale Machine Learning in Enterprise

تعداد صفحات: 185 صفحه با کیفیت بالا

🖥 مدرسه داده ها را در تلگرام، اینستاگرام و یوتیوب دنبال کنید.
جدول برنامه های هفته دوم هفته پژوهش دانشکده ریاضی فردوسی
🆔@dsfum
کارگروه علم داده
هم اکنون
هوش مصنوعی در صنعت.pptx
42.1 MB
فایل ارائه مهندس عطازندی مدیر تحقیق و توسعه شرکت پناپ در رویداد اول هوشمندان

@dsfum
Forwarded from DeepMind AI Expert (Farzad 🦅)
به عنوان یک آماری این بهترین کتابی هست که میشه هم یک،آماردان برای ورود هوش مصنوعی مطالعه اش کنه و هم یک رشته کامپیوتری میتونه به عنوان یک بیس احتمالاتی برای جبران کتاب مطالعه اش بهش بپردازه. چیزیه که این #کتاب رو،خیلی متمایز میکنه نگاه متفاوتش به قضایا هست که یک کامپیوتری چطور مسائل رو باید ببینه.

▪️ Introduction to Probability for Computing

#هوش_مصنوعی #آمار #منابع

🔸 مطالب بیشتر 👇👇

@AI_DeepMind
🔸 @AI_Person
👍1
تحلیل اکتشافی داده های airbnb

لینک

@dsfum
👍3
🔵 هفتاد و یک امین و بینار از سلسله وبینارهای انجمن آمار ایران

مدل رگرسیون کاکس بر پایه یادآوریهای ناقص زمان رخدادها کاربردی از زمان شروع بیماری قلبی در بازماندگان سرطان کودکی

دکتر صدیقه میرزایی
استادیار دانشکده آمار زیستی مرکز تحقیقاتی سرطان کودکان سنت جود

چهارشنبه ۱۴۰۲/۱۰/۰۶ ساعت ۱۸ تا ۱۹:۳۰

🌐 لینک برگزاری: ‏https://vroom.ut.ac.ir/irstat

🆔 @TUSSChannel | انجمن علمی آمار دانشگاه تهران
پیش بینی قیمت جهانی طلا
لینک

@dsfum
👍1
Forwarded from Data Analytics
📚 Advanced Analytics with Power BI and Excel (2023)

1⃣ Join Channel Download:
https://t.iss.one/+MhmkscCzIYQ2MmM8

2⃣ Download Book: https://t.iss.one/c/1854405158/769

💬 Tags: #Excel #PowerBI

👉 BEST DATA SCIENCE CHANNELS ON TELEGRAM 👈
👨🏻‍💻 اگه شما هم مثل من به مشکل نامتعادل بودن و نرمال نبودن داده‌هاتون توی پروژه‌های ML برخورد کردین، نوت‌بوک‌های ML for Imbalanced Data رو به هیچ وجه از دست ندین!

☑️ این نوت‌بوک‌ها مثل یه راهنمای جامع و کاربردی عمل می‌کنه و از روش‌های کلاسیک تا تکنیک‌های پیشرفته رو پوشش میده تا بتونین به کمک‌شون عملکرد مدل‌تون رو بهبود ببخشین.

📂 برخی از موضوعات این نوت‌بوک‌ها :

◼️ استفاده موثر از داده‌های نامتعال در مدل‌های ML
◻️ روش‌های نمونه‌برداری متنوع
◼️ روش‌های مبتنی بر داده، الگوریتم و رویکرد ترکیبی

🏷 ML for Imbalanced Data
📃
Notebooks


هم چنین یه دوره ویدیویی یادگیری ماشین برای داده‌های نامتعادل + ریپوی کد‌هاش رو برای یادگیری کامل‌تر مباحث، براتون قرار میدم.👇🏼

🏷 ML for Imbalanced Data Course
🎬
Videos
🗃
Code Repository


#️⃣ #یادگیری_ماشین #MachineLearning

💡 مهندس ML شوید :
📎
@MachineLearning_ir
👍1
پردازش متن فارسی

مدل زبانی parsBERT ، مدلی بر پایه BERT شرکت گوگل که برای پردازش متون فارسی طراحی شده است.


لینک گیت هاب parsBERT:

https://github.com/hooshvare/parsbert

@dsfum
👍1
Forwarded from Novel Optimization |Datascience| MachinLearning | DeepLearning | Python | علم داده | یادگیری ماشین | یادگیری عمیق | پایتون
Please open Telegram to view this post
VIEW IN TELEGRAM
⭕️ 15 تا از رایج‌ترین کاربردهای Pandas, Polars و SQL در یک فریم!

📑 با این راهنما مهارت‌تون رو در هر سه چارچوب افزایش بدین!

👨🏻‍💻 قبلا در این پست در مورد اهمیت استفاده از Polars و جایگزین کردنش به جای Panas گفتم. اما همیشه می‌دونیم که SQL و Pandas چقدر ابزارهای بسیار قدرتمندی برای دیتا آنالیست‌ها و دیتا ساینتیست‌ها هستن و مهارت در هر دوتاشون چقدر ارزشمنده!

اما اخیراً، Polars نیز در میان دیتا ساینتیست‌ها محبوبیت زیادی پیدا کرده. دلیل این محبوبیت هم اینه که Polars بسیاری از محدودیت‌های Pandas رو رفع کرده، از جمله:

☑️ ابزار Pandas همیشه از محاسبات تک‌هسته‌ای استفاده می‌کنه، درحالی که Polars چند‌هسته‌ایه.

☑️ در Pandas امکان lazy execution وجود نداره، اما Polars این قابلیت رو داره.

☑️ مورد بعدی اینکه Pandas دیتافریم‌های حجیم ایجاد می‌کنه، اما دیتافریم‌های Polars سبک و کم حجمه.

☑️ ابزار Pandas روی دیتاست‌های بزرگ کند عمل می‌کنه، درحالی که Polars به طور قابل توجهی کارآمده.

🗂 دانلود نسخه با کیفیت‌تر این راهنما : Link


#️⃣ #علم_داده #DataScience

📊 دانشمند داده شوید :
📎
@DataScience_ir