یک دستورالعمل گام به گام برای هر کسی که بخواهد برنامه نویسی را در پایتون (یا برنامه نویسی) یاد بگیرد، اما نمی داند از کجا شروع کند(یک عمر سردرگم بودم که آیا من ،یا تو، همیشه رسیدم به شمشیر دولبه برای من تا برای شما فرق داره خیلی پیچیده شده) چه کاری باید بکنم؟ما از طریق بسیاری ازتولیدات آموزشی و مقالات خوب به لیستی رسیدیم که شاید باری از بارهای اضافی که رو دوشت گذاشتن کم کنیم الیته مشکل شما نبودی مشکل پوسیده بودن افکار و رباتی درس دادن استادان که نمیدانم چرا شدن استاد...!
1. اول، یادگیری اصول. پیدا کردن متغیرها، ساختارهای کنترل، ساختار داده ها. این دانش بدون اشاره به یک زبان خاص ضروری است. 2-کتابهایی که پیشنهاد میشه : https://goo.gl/Jt5gDX http://www.diveintopython3.net 3.3. تمرین (و لازم) است این کار را همزمان با مطالعه انجام دهید. 4.یه نگاهی بندازید.. https://goo.gl/Gg5fkp 5. کتابخانه ها زبان خود را مطالعه کنید.اونی که براتون جالب هست رو یاد بگیرید یه پروژه باهاش بزنید.مهم اینه دوستش داشته باشی 6. اگر علاقه مند به فن آوری های وب هستید، به چارچوب Flask و چارچوب Django توجه کنید. برای این که کدام به بهترین برسید ( کدام برای شما "مناسب" است.) 7. نحوه دریافت و تجزیه و تحلیل داده های (مجموعه ای از سایت های مختلف)، از سراسر اینترنت و از هر کجا - فقط سعی کنید خودتان را عادت دهید به جستجو. 8. در مورد روش های یادگیری ماشین را جستجو کنید. 9. کار با ابزارها را بهینه کنید، روال معمول و همه چیز را که هنوز خودکار نشده است، به صورت خودکار انجام دهید. کجا برویم؟چند لینک مفید برای منابع که کمک می کند و تعیین می کند که در کدام مسیر کار کنید. http://www.pythontutor.com: این ابزار کمک می کند تا مانع اساسی در درک زبان برنامه نویسی مورد مطالعه قرار گیرد: با تجسم کد، این منبع درک می کند که چه اتفاقی می افتد وقتی کامپیوتر هر خط کد را اجرا می کند. https://goo.gl/FW2Wea:اگر شما با برنامه نویسی آشنا نیستید، این آموزشها به شما کمک زیادی خواهد کرد. آنها برای درک و پوشش همه چیز هستند (که با نصب شروع میشود) https://goo.gl/5iBdsA :درک برنامه نویس است و وی دیدگاه خود را در مورد روش یادگیری زبان های برنامه نویسی ایفا می کند.
#learning #python #programmer #developer
@softgrand

Python examples of popular machine learning algorithms with interactive Jupyter demos and math being explained.
نمونه‌کدهای پایتونی برای الگوریتم‌های معروف یادگیری‌ماشین به همراه دموهای interactive که ریاضیاتش توی هرکدوم از نت‌بوک‌ها توضیح داده شده.

#machine #learning #ai #artificial #intelligence #python #algorithm #jupyter #notebook #example #popular #demo #math #explain #explained
@pythony

https://github.com/trekhleb/homemade-machine-learning

Computer vision and Deep learning free course with practical notebook lessons.
یادگیری بینایی ماشین با درس‌های عملی و کلی notebook مختلف که توسط آقای اخوان ارائه شدند.

#vision #deep #learning #class #course #ipython #notebook #python #opencv #notebooks #free
thanks to: @cvision channel
@pythony

https://github.com/Alireza-Akhavan/class.vision

Explanation to key concepts in ML
توضیحات مفاهیم پرکاربرد در یادگیری‌ماشین

#AI #machine #learning #artificial #intelligence #keyword #concept #Explanation #explain
@pythony

https://github.com/dair-ai/ML-Papers-Explained

Visual explanations of core machine learning concepts.
توضیحات تصویری مفاهیم اصلی یادگیری ماشین

#Machine #Learning #ML #visual #course #tutorial #explain #explanation #eli5
@pythony

https://mlu-explain.github.io

پیشرفت در زمینه بهینه ساز ها توسط متا

متا بهینه‌سازی بنام Schedule-free Optimizer معرفی کرده که مورد توجه قرار گرفته. خیلی‌ها درحال ارزیابیش هستن و فیدبک مثبت دادن. چه ویژگی مثبتی داره که ترند شده؟

عملکرد بهتری نسبت به بهینه‌سازهای رایج مثل #SGD و #Adam داره. شکل بالا رو ببینید. این بهینه‌ساز نسبت به بهینه‌ساز AdamW با تابع پله‌ای یا کسینوسی همگرایی سریع‌تری داره.

نیازی به تنظیم لرنینگ ریت (LR Scheduler) نداره. یعنی، دیگه نیازی نیست که #learning_rate رو حین آموزش تغییر بدید.

چطوری ازش استفاده کنیم؟ اول که نصب:

pip install schedulefree

بعدش هم می‌تونید از بهینه‌ساز مبتنی بر SGD یا AdamW استفاده کنید:

optimizer = schedulefree.AdamWScheduleFree(model.parameters(), lr=args.lr)

تو لینک زیر، اومدن یک شبکه CNN رو روی دیتاست MNIST با این بهینه‌ساز آموزش دادن که برای شروع کار باهاش و ارزیابی عملکردش میتونین استفاده کنین:
لینک کد | گیتهاب
#ScheduleFree
@silicon_brain | از هوش مصنوعی عقب نمانید