سایت pythontutor.com ابزاری است که به کاربران کمک می‌کند تا کدهای Python, Java, C, C++, JavaScript خود را به صورت قدم به قدم اجرا کنند و نحوه عملکرد آن‌ها را درک کنند. این سایت به ویژه برای مبتدیان مفید است، زیرا می‌توانند ببینند که چگونه متغیرها و داده‌ها در حافظه تغییر می‌کنند و نحوه اجرای دستورها را مشاهده کنند. کاربران می‌توانند کدهای خود را وارد کرده و نتایج را در زمان واقعی ببینند، که به یادگیری بهتر برنامه‌نویسی و حل مسائل کمک می‌کند.

✅ @SEYED_BAX

🔴 12 ریپوی گیت‌هاب برای یادگیری MLOps

👨🏻‍💻 خیلی‌ها هنوز ازم می‌پرسن که چطور می‌تونن MLOps رو یاد بگیرن. جوابش توی سه تا کار خلاصه می‌شه: خوندن، طراحی کردن و کدنویسی.

✔️ من اینجا 12 تا ریپوی فوق‌العاده رو معرفی کردم که بهتون کمک می‌کنه تا راحت‌تر تو مسیر یادگیری‌ MLOps پیش برین.


✏️ طراحی سیستم‌های یادگیری ماشین

1️⃣ ریپوی Designing ML Systems

⏪ تو این ریپو، می‌تونی چکیده‌ها و منابع کتاب «طراحی سیستم‌های یادگیری ماشین» رو پیدا کنی، که خیلی برای درک پایه‌ای مفیده.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی ML Technical Interviews

⏪ اینجا یه راهنمای خوب برای مصاحبه‌های فنی مربوط به یادگیری ماشین و هوش مصنوعی پیدا می‌کنی. کمک می‌کنه آماده‌تر بشی!

🐱 لینک: GitHub-Repos


3️⃣ ریپوی Post-Deployment Data Science

⏪ تو این ریپو می‌تونی با دیتا ساینس بعد از دیپلوی کردن مدل‌ها آشنا بشی، خیلی کاربردی برای پروژه‌های واقعی.

🐱 لینک: GitHub-Repos


🖥 دوره‌های آموزشی

1️⃣ ریپوی MLOps Coding Course

⏪ یه دوره خیلی خوب برای یادگیری ساخت و نگهداری یه کدبیس MLOps حرفه‌ای.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی MLOps Zoomcamp

⏪ این یه دوره رایگان از DataTalks.Club که توش می‌تونی MLOps رو یاد بگیری.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی MLOps Course

⏪ تو این دوره یاد می‌گیری چطوری اپلیکیشن‌های ML در سطح تولید رو طراحی، توسعه و پیاده‌سازی کنی.

🐱 لینک: GitHub-Repos


🖥 الگوهای کدنویسی

1️⃣ ریپوی Amazon Sagemaker Examples

⏪ کلی ژوپیتر نوت‌بوک آماده که نحوه ساخت، آموزش و دیپلوی مدل‌های یادگیری ماشین با Amazon SageMaker رو نشون می‌ده.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی MLOps Stacks

⏪ این ریپو یه پکیج آماده برای شروع پروژه‌های ML در Databricks داره که از همون اول با بهترین استانداردهای تولید همراهه.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی MLOps Template

⏪ اینجا می‌تونی یه پکیج پایتون قوی و منعطف برای شروع کارای MLOps بسازی و دیپلوی کنی.

🐱 لینک: GitHub-Repos (1) | GitHub-Repos (2)


🖊 لیست‌های آموزشی منتخب

1️⃣ ریپوی MLOps Roadmap

⏪ یه نقشه راه جامع برای یادگیری MLOps در سال 2024.

🐱 لینک: GitHub-Repos


2️⃣ ریپوی Awesome Product ML

⏪ اینجا یه لیست از بهترین کتابخونه‌های متن‌باز برای دیپلوی، مانیتورینگ و مقیاس‌بندی ML وجود داره.

🐱 لینک: GitHub-Repos


3️⃣ ریپوی Awesome MLOps

⏪ این ریپو پر از منابع مختلف برای MLOps است، خیلی جمع‌وجوره.

🐱 لینک: GitHub-Repos


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

❓ دنبال یه راه سریع و راحت برای انتخاب ویژگی‌ها به صورت خودکار می‌گردی؟
✅ الگوریتم mRMR رو امتحان کن!


👨🏻‍💻 الگوریتم mRMR یه الگوریتم بهینه برای انتخاب ویژگی‌هاست که به صورت مقیاس‌پذیر عمل می‌کنه.

✏️ یعنی چی؟ یعنی mRMR بهت کمک می‌کنه تا کوچکترین و مرتبط‌ترین مجموعه ویژگی‌ها رو برای مدل یادگیری ماشینت پیدا کنی. خیلی راحت می‌تونی ویژگی‌های اضافی رو کنار بذاری و فقط با مهم‌ترین‌ها کار کنی.

⏪ این الگوریتم با ابزارهای معروفی مثل Pandas، Polars و Spark هم سازگاره.

📄 توی مثال بالا می‌بینیم چطور میشه بهترین K ویژگی رو انتخاب کرد. خروجی هم یه لیست مرتب از ویژگی‌های مرتبط خواهد بود که می‌تونی توی برای مدل‌هات استفاده کنی.👇

┌ 🏳️‍🌈 mRMR
└ 🐱 GitHub-Repos

pip install mrmr-selection

🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🖥 جزوه «یادگیری ماشین دانشگاه شریف»

👨🏻‍💻 این جزوه که توسط دکتر حمید بیگی، استاد دانشکده کامپیوتر شریف تهیه شده، مروری جامع به سه نوع یادگیری ماشین داره: یادگیری نظارت‌شده، یادگیری بدون نظارت و یادگیری تقویتی.

✅ هدف اصلی این جزوه اینه که یه درک عمیق از یادگیری ماشین و الگوریتم‌های مهمش بدست بیارین و بدونین چطور میشه این تکنیک‌ها و الگوریتم‌ها رو در پروژه‌های واقعی به کار برد.


🌐 #یادگیری_ماشین #ML
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa