برخی از لایه ها یا مراحل مهم برای الگوریتم CNN،

1. لایه پیچشی (مهمترین لایه در CNN)
2. عملکرد فعال سازی (افزایش قدرت، به خصوص لایه ReLu)

3. ادغام (کاهش ابعاد مانند PCA)

4. مسطح کردن (تبدیل فرم ماتریس به تک ستون بزرگ)

5. لایه فعال سازی - لایه SOFTMAX (لایه خروجی بیشتر، توزیع احتمال)

6. اتصال کامل (بستگی به هدف/متغیر وابسته دارد)

📣👨‍💻 @AlgorithmDesign_DataStructuer

def reverse(s):
    if s == "":
        return s
    else:
        return reverse(s[1:]) + s[0]

s = "Hello"
print("The original string is:", s)
print("The reversed string(using recursion) is:", reverse(s))

کد بازگشتی معکوس کردن رشته

📣👨‍💻 @AlgorithmDesign_DataStructuer

Greedy_knapack(n,W, p[1…n], w[1…n])
{
x=0; profit=0;
rw=W
for i=1 to n do
{
   if wi<rw then
     x[i]=1;
     rw=rw-wi;
   else
     break;
}
x[i]= 𝑟𝑤/𝑤𝑖;
profit= profit+p[i]*x[i];
}

الگوریتم کوله‌پشتی کسری (Fractional Knapsack Algorithm) یک الگوریتم زمان واقعی و محاسباتی برای حل مسئله کوله‌پشتی است. در این مسئله، ما یک کوله‌پشتی داریم که ظرفیت مشخصی دارد و می‌خواهیم اجناسی را درون آن بگذاریم به‌طوری که ارزش کلی اجناس درون کوله‌پشتی بیشینه شود. هر جنس دارای وزن و ارزش مشخصی است.

الگوریتم کوله‌پشتی کسری به این صورت است:

1. محاسبه نسبت ارزش به وزن (value/weight) برای هر جنس.
2. مرتب کردن اجناس بر اساس این نسبت.
3. از اجناس با بیشترین نسبت ارزش به وزن شروع به گذاشتن درون کوله‌پشتی می‌کنیم. اگر می‌توانیم همه‌ی اجناس را بگیریم، آنگاه همه‌ی آن‌ها را می‌گیریم. در غیر این صورت، قسمتی از آخرین جنسی که می‌توانیم درون کوله‌پشتی قرار دهیم را قطعه‌بندی می‌کنیم و به صورت جزئی از آن را می‌گذاریم.

الگوریتمی بالا این الگوریتم به ازای هر جنس، محاسبه می‌کند که چقدر از آن جنس می‌تواند بگیرد و این کار را به ترتیب جنس‌ها انجام می‌دهد. در نهایت، مقدار سود کلی که می‌توان با قراردادن اجناس داخل کوله‌پشتی بدست آورد، محاسبه می‌شود.

این الگوریتم در مسائلی که بهینه‌سازی نسبت به جمعیت جواب‌ها کارآمد است، اما در برخی موارد ممکن است بهینه نباشد.
مرتبه زمانی این الگوریتم O(n log n) می باشد.

📣👨‍💻 @AlgorithmDesign_DataStructuer

import torch

# Scalar
scalar = torch.tensor(7)
print(scalar)

# Vector
vector = torch.tensor([7 , 4])
print(vector)

# Matrix
matrix = torch.tensor([[7, 10], [4, 3] , [5, 1]])
print(matrix)

# Tensor
tensor = torch.tensor([[[1, 2, 3],
                        [3, 6, 9],
                        [2, 4, 5]]])
print(tensor)

با استفاده از کتابخانه torch می توانیم به راحتی 4 عمل بالا را نیز انجام دهیم که در شبکه های عصبی بسیار زیاد از این 4 عمل نیز استفاده می شود.

📣👨‍💻 @AlgorithmDesign_DataStructuer

def reverse_sum(n , m):
    if n <= 1 or m <= 1:
        return 1
    return n+m*reverse_sum(n-1 , m // 2)    

print(reverse_sum(2 ,3))
output 5

کد بازگشتی حاصل جمع دو عدد n و m

📣👨‍💻 @AlgorithmDesign_DataStructuer

مراحل الگوریتم کروسکال (Kruskal's algorithm)

1️⃣یال ها را به ترتیب صعودی وزن در نظر بگیر.
2️⃣کم وزن ترین یال باقیمانده را به درخت T اضافه کن , مگر آنکه این کار باعث اینجاد دور شود.

🚨به مثال بالا توجه کنید.

📣👨‍💻 @AlgorithmDesign_DataStructuer

import numpy as np 

A = np.array([[1 , 2] , [3 , 4] , [5 , 6]])
B = np.array([[2 , 1] , [0 , 1] , [3 ,2]])

C = A + B
print("sum of arrays A and B is : ", C)

sum of arrays A and B is : [[3 3]
[3 5]
[8 8]]
مجموع دو ماتریس با استفاده از کتاب خانه numpy

📣👨‍💻 @AlgorithmDesign_DataStructuer

رابطه بازگشتی فیبوناچی یک رابطه همگن می باشد که آن را میتوان به صورت معادله درجه دوم نوشت و پس از به دست آوردن ریشه های آن میتوان اعداد فیبوناچی را با رابطه بسیار ساده تر و کم هزینه تر به دست آورد.

📣👨‍💻 @AlgorithmDesign_DataStructuer

import numpy as np 

a = np.array([[0.45053314, 0.17296777, 0.34376245, 0.5510652],
              [0.54627315, 0.05093587, 0.40067661, 0.55645993],
              [0.12697628, 0.82485143, 0.26590556, 0.56917101]])
# Sum of all elements
print(a.sum())
output = 4.8595784

# Find the minimum value
print(a.min())
output = 0.05093587

# Find the maximum value
print(a.max())
output = 0.82485143

# Find the mean value
print(a.mean())
output = 0.40496518

sum:
⬅️این محاسبه مجموع تمام عناصر موجود در آرایه را انجام می دهد.
main:
⬅️این محاسبه مقدار کمینه در آرایه را انجام می دهد.
max:
⬅️این محاسبه مقدار بیشینه در آرایه را انجام می دهد.
mean:
⬅️این محاسبه میانگین تمام عناصر در آرایه را انجام می دهد.

📣👨‍💻 @AlgorithmDesign_DataStructuer

📚کتاب "یادگیری عمیق" به زبان فارسی + کار با Pytorch

📣👨‍💻 @AlgorithmDesign_DataStructuer

درک بهتری از Link List 😆😃

📣👨‍💻 @AlgorithmDesign_DataStructuer

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

این کد یک نمودار ساده از یک لیست اعداد را ایجاد می کند. در اینجا، مقادیر [1، 2، 3، 4] به عنوان محور x و شماره های متناظر با آن به عنوان محور y استفاده شده است. سپس با فراخوانی تابع plt.ylabel('some numbers') برای تعیین برچسب محور y و plt.show() برای نمایش نمودار، نمودار نهایی رسم می شود.

📣👨‍💻 @AlgorithmDesign_DataStructuer

برخی از ویژگی های پیچیدگی زمانی

📣👨‍💻 @AlgorithmDesign_DataStructuer

معرفی کانال های یوتیوب برای یادگیری ریاضی📝

اگر میخواهید در زمینه هوش مصنوعی کار کنید , باید پایه ریاضی خوبی داشته باشید زیرا بیشتر چیز هایی که در هوش وجود دارد همگی از ریاضی سر رشته گرفته اند برای همین باید ریاضی رو به حدی برسانید که بتوانید ریاضی به کار رفته در هوش مصنوعی را درک کنید.

🌐 ProfRobBob
🌐 3Blue1Brown
🌐 Ghrist Mat
🌐 DataHub

📣👨‍💻 @AlgorithmDesign_DataStructuer

با احترام و خوش‌آمدگویی به شما عزیزان 👋🏻😃

از دوستان گرامی که اشتراک Premium در تلگرام دارند، دعوت می‌شود که از حمایت خود از کانال ما استفاده کنند و با Boost کردن کانال، از امکانات ویژه‌ای که برای شما عزیزان در اختیار کانال قرار می‌گیرد، بهره‌مند شویم. با این اقدام، بهترین تجربه را برای شما فراهم می‌کنیم و از حضور گرمتان سپاس‌گزاریم. با تشکر از حمایت و همراهی شما 🙏
https://t.me/boost/AlgorithmDesign_DataStructuer