محاسبه توان با استفاده از بازگشتی با پیچیدگی زمانی کمتر از n

📣👨‍💻 @AlgorithmDesign_DataStructuer

سلام دوستان🤗
◀️اگر به دنبال این هستید که Pytorch را برای شبکه های عصبی عمیق یادبگیرید پیشنهاد من یک سایت بسیار خوب است که با کتاب خانه Pythorch و بسیاری از کتاب خونه های دیگر مثل numpy ,pandas و ... شما را آشنا میکند. همچنین در این سایت پروژه هایی زده شده که شما را در درک بهتر شبکه های عصبی کمک می کند. غیر از این کتاب خونه های دیگری هم هستند که شما میتوانید خیلی ساده تر شبکه عصبی خودتان را درست کنید و دیتاست خود را وارد آن کنید ولی بنظر خودم بهتره که با Pythorch یاد بگیرید زیرا این کتاب خونه خیلی ساده و قابل مفهومی تر از بقیه کتاب خانه ها می باشد.

https://www.learnpytorch.io/

الگوریتم فلوید
در این الگورتیم ما به دنبال کوتاه ترین مسیرها هستیم. همان طور که در فرمول بالا پیداس یک راه مستقیم بین vi و vj وجود دارید یک راه هم از vk وجود دارد تا به vj برسد. برای همین است ما میایم بین این دو مینیمم میگیریم زیرا ممکن است راه دیگری نسبت به راه مستقیمی که به vj وجود دارد با هزینه کمتری بتوانیم به آن برسیم.


📣👨‍💻 @AlgorithmDesign_DataStructuer

GRAPH CONVOLUTIONAL NETWORKS
مقاله بسیار خوب که توسط Kipf نوشته شده است.

📣👨‍💻 @AlgorithmDesign_DataStructuer

شبکه عصبی فقط این😂🥹
#fun

📣👨‍💻 @AlgorithmDesign_DataStructuer

بزرگترین مقسوم علیه مشترك به روش بازگشتی

📣👨‍💻 @AlgorithmDesign_DataStructuer

چند نکته در مورد الگوریتم A*:
⬅️این الگوریتم مهم ترین الگوریتم جستجوی آگاهانه است. این الگوریتم برای گره های درخت جستجو تابع f را به شکل زیر تعریف می شود:
f(n) =g(n) + h(n)
که در رابطه بالا g هزینه مسیر طی شده از گره ریشه تا n است و تابع h هم هزینه تخمین زده شده از گره n تا هدف می باشد.
⬅️باتوجه به تعاریف f و g می توان گفت تابع f که حاصل جمع دو تابع h و g است برای هر گرخ تخمینی از هزینه ی ارزان ترین یا کن هزینه ترین راه حلی است که از گره n می گذرد را محاسبه می کند.
⬅️الگوریتم A* همانند همه ی الگوریتم های جستجو در دو نسخه ی درختی و گرافی می تواند اجرا شود. در نسخه گرافی هر گره حداکثر یک بار گسترش می باید.
⬅️اگر تابع هیوریستیک h مورد استفاده در اجزای الگوریتم A* قابل قبول باشد , جستجوی درختی A* بهینه است.
توجه: قضیه گفته شده یک شرط لازم است ولی کافی نیست یعنی ممکن اجرای A* با یک هیوریستیک غیر قابل قبول هم به ما جواب بهینه برساند.
⬅️شرط قابل قبول بودن هیوریستیک یک شرط کافی برای بهینگی A* نیست.

📣👨‍💻 @AlgorithmDesign_DataStructuer

شکل بالا درخت جستجوی مارکوف (MDP) را نشان میدهد. ربات در حالت s قرار دارید این ربات میتواند چهار action داشته باشد و که یکی از آن ها را انتخاب کرده است یعنی در حالت s میاید اکشن a را انتخاب میکند با انتخاب a با یک احتمالی و یک پاداشی که به آن میدهیم که این پاداش میتواند پاداش زنده بودن یا چیزهای دیگر باشد و بعد از آن به حالت Sُ میرویم. میتوان نتیجه گرفت که هر حالت مارکوف تصویری از یک درخت جستجو شبیه expecetimax است. در مارکوف خروجی اعمال فقط به حالت جاری وابسته است.

📣👨‍💻 @AlgorithmDesign_DataStructuer

نمونه سوالات امتحانی پیچیدگی زمانی

📣👨‍💻 @AlgorithmDesign_DataStructuer

✔️سودمندی دنباله ای از اعمال(تخفیف)
🔴اگر به زندگی روزمره توجه کنید شما در هنگام خرید یک کالا نقد را به نسیه ترجیح میدهید یا کالایی را خریداری میکنید که سود بیشتری برا شما دارد. در اینجا هم ما به دنبال بیشینه کردن مجموع سودها هستیم همچنین ترجیح دادن جوایز فعلی(نقد) به جوایز آینده(نسیه) عقلانی است.
🔍 یک راه حل این است که میزان سودمندی ها را با گذشت زمان به صورت نمایی کم شود البته باید توجه کنید که ϒ باید بین 0 و 1 باشد.
❓حال ممکن است سوالی برایتان پیش بیاید چرا تخفیف اعمال میکنیم؟ یکی از دلایل استفاده از آن این است که باعث کمک به همگرایی الگوریتم میشود و یکی دیگر جوایزی که زودتر دریافت میشوند سودمندی یا ضرر بیشتری دارند.
✅نحوه ی اعمال آن به این صورت می باشد که در صورتی که قرار باشد به حالت بعدی یعنی از حالت S به حالت Sُ برویم جایزه آن حالت را در فاکتور تخفیف ضرب میکنیم.

📣👨‍💻 @AlgorithmDesign_DataStructuer

جزوه‌ی درسی «جبر خطی ۱» دانشگاه آکسفورد

برای دسترسی به اسلاید ها و وب سایت درس روی لینک زیر کلیک کنید.
✅📚Linear Algebra 1

📣👨‍💻 @AlgorithmDesign_DataStructuer

به دست آوردن ترانهاده:

import numpy as np

Martrix = np.array([[1, 2] , [3, 4] , [5, 6]])
print(Martrix)
Martrix => 3x2
[[1 2] 
 [3 4] 
 [5 6]]

Martrix_transpose = np.transpose(Martrix)

print(Martrix_transpose)
[[1 3 5] 
 [2 4 6]]
Martrix_transpose => 2x3

📣👨‍💻 @AlgorithmDesign_DataStructuer

سلام به همگی👋🏻🤗
در آغازین لحظات زندگی، شما از شیر مادرانه خود تغذیه می‌شوید، این تجربه‌ی ناب انسانی، اولین قدم در جهت فراموش کردن بوی کودکی است. این فرایند نشان می‌دهد که برای از دست دادن چیزی که دوستش دارید، چه ارزشمند و چالش برانگیز است. این درس زندگی به ما آموزش می‌دهد که بسیاری از چیزهایی که دوست داریم، ممکن است در طول زمان از دست برود از عروسک‌های کودکی تا ارتباطات انسانی، از خانواده گرامی تا عشق‌هایی که برای همیشه در دل مان می‌مانند، زندگی مانند صحنه‌های یک فیلم است. اما مهمتر از همه، این است که ما باید از هر لحظه و هر صحنه‌ای از این فیلم بهره‌برداری کنیم و از آن لذت ببریم. نگران پایان فیلم نباشید، زیرا هرگز پایان واقعی فیلم زندگی نیست؛ ما خودمان می‌توانیم داستان خود را ادامه دهیم و پایانی را برای آن ترسیم کنیم. واقعیتی که باید به آن پی ببریم این است که واقعیتی که سال جدید برایمان دارد، بیشتر از جشن گرفتن پایان سال است؛ بلکه به بازنگری در خودمان، به پیشرفت‌هایی که داشته‌ایم و به اندیشه در مورد اخلاق و رفتارهایمان متمایل است. ما باید یاد بگیریم که از دیگران کمک کنیم و به اهدافمان پایبند باشیم. هر کسی سعی می‌کند در سیره‌ی خود، قول‌هایی را به خودش بدهد و به عهده‌ی آن‌ها بایستد.

آرزو می‌کنم که همگی به اهداف خود برسید و از همه‌ی زحماتتان لذت ببرید. هیچ ایده‌ای برای رسیدن به چیزی که می‌خواهید، بی‌اهمیت نیست. ممکن است چندین بار شکست بخورید، اما باید از این تجربیات درس‌هایی بگیرید و ادامه دهید. از خداوند همیشه کمک بخواهید، زیرا او همیشه در کنار شماست.

آرزوی یک سال خوب و پربرکت برای شما دارم، و امیدوارم که همیشه سرزنده و خوشحال باشید.🌺✨

📌Type of data structure


📣👨‍💻 @AlgorithmDesign_DataStructuer

Activation Functions
✅شاید براتون سوال شده باشد که چرا از توابع فعال ساز در شبکه های عصبی استفاده میشود. در واقع تابع فعال سازی با محاسبه مجموع وزنی و اضافه کردن بایاس به آن تصمیم می گیرد که آیا یک نورون باید فعال شود یا نه. هدف از تابع فعال سازی، وارد کردن غیر خطی بودن به خروجی یک نورون است در واقع یک شبکه عصبی بدون تابع فعال سازی در اصل فقط یک مدل رگرسیون خطی است. تابع فعال سازی تبدیل غیرخطی را به ورودی انجام می دهد و آن را قادر به یادگیری و انجام وظایف پیچیده تر می کند.می دانیم که شبکه عصبی دارای نورون هایی است که مطابق با وزن، بایاس و عملکرد فعال سازی مربوطه کار می کنند. در یک شبکه عصبی، وزن‌ها و بایاس‌های نورون‌ها را بر اساس خطای خروجی به‌روزرسانی می‌کنیم. این فرآیند به عنوان back-propagation شناخته می شود. توابع فعال سازی پ back-propagation را ممکن می کند زیرا گرادیان ها همراه با خطا برای به روز رسانی وزن ها و بایاس ها ارائه می شوند.

🌐مطالعه بیشتر👇🏻👇🏻

🔶Activation Functions

📣👨‍💻 @AlgorithmDesign_DataStructuer