Deep Learning.pdf
85.3 MB
جزوه یادگیری عمیق دانشگاه صنعتی شریف، دکتر حمید بیگی
#هوش_مصنوعی #یادگیری_عمیق #یادگیری_ماشین
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
#هوش_مصنوعی #یادگیری_عمیق #یادگیری_ماشین
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
dorf-matlab-appendix.pdf
851.6 KB
matlab in control-dorf
زبان برنامه نویسی متلب در حوزه کنترل
#متلب #زبان_متلب #کنترل #کنترل_خطی #کنترل_دورف
#Matlab #Control
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
زبان برنامه نویسی متلب در حوزه کنترل
#متلب #زبان_متلب #کنترل #کنترل_خطی #کنترل_دورف
#Matlab #Control
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Were RNNs All We Needed?
Interesting work on reviving RNNs. arxiv.org/abs/2410.01201 -- in general the fact that there are many recent architectures coming from different directions that roughly match Transformers is proof that architectures aren't fundamentally important in the curve-fitting paradigm (aka deep learning)
Curve-fitting is about embedding a dataset on a curve. The critical factor is the dataset, not the specific hard-coded bells and whistles that constrain the curve's shape. As long as your curve is sufficiently expressive all architectures will converge to the same performance in the large-data regime.
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Interesting work on reviving RNNs. arxiv.org/abs/2410.01201 -- in general the fact that there are many recent architectures coming from different directions that roughly match Transformers is proof that architectures aren't fundamentally important in the curve-fitting paradigm (aka deep learning)
Curve-fitting is about embedding a dataset on a curve. The critical factor is the dataset, not the specific hard-coded bells and whistles that constrain the curve's shape. As long as your curve is sufficiently expressive all architectures will converge to the same performance in the large-data regime.
#مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Python_Master_Data_Manipulation_&_Visualization.pdf
12.9 MB
📃 جزوه مصورسازی و دستکاری دادهها با پایتون
🟡 تو این جزوه، کتابخونهها و تکنیکهای کلیدی پایتون برای دستکاری و بصریسازی دادهها به طور کامل توضیح داده شده.
#آموزش #پایتون #آموزش_پایتون
#Python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🟡 تو این جزوه، کتابخونهها و تکنیکهای کلیدی پایتون برای دستکاری و بصریسازی دادهها به طور کامل توضیح داده شده.
#آموزش #پایتون #آموزش_پایتون
#Python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
الگوریتم Kruskal برای یافتن درخت پوشای کمینه (Minimum Spanning Tree - MST)
الگوریتم Kruskal یکی از معروفترین روشها برای یافتن درخت پوشای کمینه در یک گراف وزندار است. درخت پوشای کمینه یک زیرمجموعه از یالهای گراف است که تمام رأسها را به هم متصل کرده و مجموع وزن یالها را به کمترین مقدار میرساند. این الگوریتم از نوع حریصانه (Greedy) است، یعنی در هر مرحله بهترین انتخاب ممکن را انجام میدهد تا به نتیجه بهینه برسد.
🌟 گامهای الگوریتم Kruskal:
1. مرتبسازی یالها: ابتدا تمام یالهای گراف را به ترتیب وزن از کم به زیاد مرتب میکنیم.
2. ایجاد مجموعههای ناپیوسته: برای هر رأس یک مجموعه مجزا تشکیل میدهیم (در ابتدا هر رأس به تنهایی یک مجموعه است).
3. اضافه کردن یالها به MST:
- یالها را یکی یکی از کمترین وزن به بزرگترین بررسی میکنیم.
- اگر اضافه کردن یک یال باعث ایجاد حلقه نشود، آن را به درخت پوشا اضافه میکنیم.
- اگر یال باعث ایجاد حلقه شود، آن را نادیده میگیریم.
4. اتمام الگوریتم: این روند تا زمانی ادامه دارد که تمام رأسها به هم متصل شده و یک درخت پوشای کمینه ساخته شود.
⏱️ پیچیدگی زمانی الگوریتم:
الگوریتم Kruskal شامل دو بخش اصلی است:
1. مرتبسازی یالها: با استفاده از الگوریتمهای مرتبسازی سریع مانند Merge Sort یا Quick Sort، پیچیدگی زمانی این مرحله O(Elog E) است که E تعداد یالهای گراف است.
2. جستجوی مجموعهها و ترکیب آنها: برای مدیریت مجموعهها از ساختار دادهای Union-Find استفاده میشود که با بهینهسازیهایی مانند فشردهسازی مسیر (Path Compression) و اتحاد بر اساس رتبه (Union by Rank)، پیچیدگی زمانی این عملیاتها به O(α(V)) کاهش مییابد.
به طور کلی، پیچیدگی زمانی الگوریتم برابر است با:
O(E log E + E α(V))
که در آن E تعداد یالها و V تعداد رأسهای گراف است. از آنجایی که E log E سریعتر از E α(V) رشد میکند، پیچیدگی زمانی کلی O(E log E) است.
📊 ویژگیها و کاربردها:
- نوع الگوریتم: حریصانه (Greedy)
- کاربردها:
- ساخت درخت پوشای کمینه در شبکههای ارتباطی.
- کاهش هزینههای طراحی شبکه.هایش
- حل مسائل بهینهسازی گرافها.
- محدودیتها:
- مناسب برای گرافهای پراکنده (Sparse). برای گرافهای متراکم (Dense)، الگوریتمهای دیگر مانند Prim ممکن است عملکرد بهتری داشته باشند.
✨ با پیروی از این مراحل و فهمیدن پیچیدگیها، الگوریتم Kruskal به یکی از بهترین انتخابها برای ساخت درخت پوشای کمینه تبدیل میشود.
#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
الگوریتم Kruskal یکی از معروفترین روشها برای یافتن درخت پوشای کمینه در یک گراف وزندار است. درخت پوشای کمینه یک زیرمجموعه از یالهای گراف است که تمام رأسها را به هم متصل کرده و مجموع وزن یالها را به کمترین مقدار میرساند. این الگوریتم از نوع حریصانه (Greedy) است، یعنی در هر مرحله بهترین انتخاب ممکن را انجام میدهد تا به نتیجه بهینه برسد.
🌟 گامهای الگوریتم Kruskal:
1. مرتبسازی یالها: ابتدا تمام یالهای گراف را به ترتیب وزن از کم به زیاد مرتب میکنیم.
2. ایجاد مجموعههای ناپیوسته: برای هر رأس یک مجموعه مجزا تشکیل میدهیم (در ابتدا هر رأس به تنهایی یک مجموعه است).
3. اضافه کردن یالها به MST:
- یالها را یکی یکی از کمترین وزن به بزرگترین بررسی میکنیم.
- اگر اضافه کردن یک یال باعث ایجاد حلقه نشود، آن را به درخت پوشا اضافه میکنیم.
- اگر یال باعث ایجاد حلقه شود، آن را نادیده میگیریم.
4. اتمام الگوریتم: این روند تا زمانی ادامه دارد که تمام رأسها به هم متصل شده و یک درخت پوشای کمینه ساخته شود.
⏱️ پیچیدگی زمانی الگوریتم:
الگوریتم Kruskal شامل دو بخش اصلی است:
1. مرتبسازی یالها: با استفاده از الگوریتمهای مرتبسازی سریع مانند Merge Sort یا Quick Sort، پیچیدگی زمانی این مرحله O(Elog E) است که E تعداد یالهای گراف است.
2. جستجوی مجموعهها و ترکیب آنها: برای مدیریت مجموعهها از ساختار دادهای Union-Find استفاده میشود که با بهینهسازیهایی مانند فشردهسازی مسیر (Path Compression) و اتحاد بر اساس رتبه (Union by Rank)، پیچیدگی زمانی این عملیاتها به O(α(V)) کاهش مییابد.
به طور کلی، پیچیدگی زمانی الگوریتم برابر است با:
O(E log E + E α(V))
که در آن E تعداد یالها و V تعداد رأسهای گراف است. از آنجایی که E log E سریعتر از E α(V) رشد میکند، پیچیدگی زمانی کلی O(E log E) است.
📊 ویژگیها و کاربردها:
- نوع الگوریتم: حریصانه (Greedy)
- کاربردها:
- ساخت درخت پوشای کمینه در شبکههای ارتباطی.
- کاهش هزینههای طراحی شبکه.هایش
- حل مسائل بهینهسازی گرافها.
- محدودیتها:
- مناسب برای گرافهای پراکنده (Sparse). برای گرافهای متراکم (Dense)، الگوریتمهای دیگر مانند Prim ممکن است عملکرد بهتری داشته باشند.
✨ با پیروی از این مراحل و فهمیدن پیچیدگیها، الگوریتم Kruskal به یکی از بهترین انتخابها برای ساخت درخت پوشای کمینه تبدیل میشود.
#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
Machine Learning Notes.pdf
5.8 MB
جزوه خلاصه و جامع یادگیری ماشین
#هوش_مصنوعی #کتاب #یادگیری_ماشین
#AI #DeepLearning #DataAnalytics #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
#هوش_مصنوعی #کتاب #یادگیری_ماشین
#AI #DeepLearning #DataAnalytics #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🔵 تغییر نگرش به شیوه نگاشت عددی کلمات
تغییر نگرشهای مولد: نگاهی به تحولات اخیر هوش مصنوعی (۲)
نخستین گام در پردازش زبانهای طبیعی و شکلگیری مدلهای زبانی، تبدیل واژه به عدد است. بدون این تبدیل، امکان پردازش دادههای متنی و انجام محاسبات پیچیده وجود ندارد. از آغاز شکلگیری این شاخه در علوم کامپیوتر و زبانشناسی محاسباتی، فرآیند کدگذاری کلمات، تغییرات چشمگیری را تجربه کرده و از یک کدگذاری ساده صفرویکی به بردارهای عددی با ابعاد بالا رسیده است. این تحولات نهتنها به بهبود دقت و کارایی مدلهای زبانی کمک کرده بلکه چشمانداز جدیدی برای توسعه هوش مصنوعی نیز به وجود آورده است. در این مقاله، سیر تحول تبدیل واژه به عدد و تأثیر این تغییرات بر رشد سریع هوش مصنوعی مولد را در چند مرحله بررسی خواهیم کرد.
بخش اول از مقاله را در لینک زیر مطالعه کنید:
d-learn.ir/word-embedding
از ۴ آذر ۱۴۰۳ تا ۳۰ دی ۱۴۰۳
یکشنبهها ساعت ۱۸:۰۰ تا ۲۱:۱۵
لینک ثبت نام:
d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
تغییر نگرشهای مولد: نگاهی به تحولات اخیر هوش مصنوعی (۲)
نخستین گام در پردازش زبانهای طبیعی و شکلگیری مدلهای زبانی، تبدیل واژه به عدد است. بدون این تبدیل، امکان پردازش دادههای متنی و انجام محاسبات پیچیده وجود ندارد. از آغاز شکلگیری این شاخه در علوم کامپیوتر و زبانشناسی محاسباتی، فرآیند کدگذاری کلمات، تغییرات چشمگیری را تجربه کرده و از یک کدگذاری ساده صفرویکی به بردارهای عددی با ابعاد بالا رسیده است. این تحولات نهتنها به بهبود دقت و کارایی مدلهای زبانی کمک کرده بلکه چشمانداز جدیدی برای توسعه هوش مصنوعی نیز به وجود آورده است. در این مقاله، سیر تحول تبدیل واژه به عدد و تأثیر این تغییرات بر رشد سریع هوش مصنوعی مولد را در چند مرحله بررسی خواهیم کرد.
بخش اول از مقاله را در لینک زیر مطالعه کنید:
d-learn.ir/word-embedding
از ۴ آذر ۱۴۰۳ تا ۳۰ دی ۱۴۰۳
یکشنبهها ساعت ۱۸:۰۰ تا ۲۱:۱۵
لینک ثبت نام:
d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
MIT - Introduction to Deep Learning
https://www.youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
دانشگاه MIT تدریس مقدمه یادگیری عمیق
#آموزش
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
https://www.youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
دانشگاه MIT تدریس مقدمه یادگیری عمیق
#آموزش
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Media is too big
VIEW IN TELEGRAM
💧 کاربرد فرمول LEFT و RIGHT در اکسل
مدرس: امیرخسرو بهادری
اگر به دنبال یادگیری یا افزایشمهارتهای خود در تحلیل دادههای کسبو کار هستید ثبتنام دوره جدید 📊 «اکسل برای تحلیل دادههای کسبوکار» در لینک زیر در دسترس هست.
🔗 d-learn.ir/xlsb
#اکسل #تحلیل_داده #کسبوکار
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
مدرس: امیرخسرو بهادری
اگر به دنبال یادگیری یا افزایشمهارتهای خود در تحلیل دادههای کسبو کار هستید ثبتنام دوره جدید 📊 «اکسل برای تحلیل دادههای کسبوکار» در لینک زیر در دسترس هست.
🔗 d-learn.ir/xlsb
#اکسل #تحلیل_داده #کسبوکار
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
💧 پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین
پردازش زبان طبیعی، NLP یا Natural Language Processing مفاهیمی هستند که خصوصا در این این روزها بسیار شنیده میشه. #NLP چیه؟ و چه کاربردی داره؟ پاسخ به این سوال ایده این یادداشت هست.
پردازش زبان طبیعی (Natural Language Processing) یا NLP مدلی است که در پردازش و تحلیل دادههای زبان تخصص دارد. این مدلها بر پایه الگوریتمهای پیچیده و روشهای آماری ساخته شدهاند و معمولاً از تکنیکهای یادگیری ماشین، بهویژه یادگیری عمیق، بهره میبرند. مدلهای زبان طبیعی با استفاده از مجموعههای عظیمی از دادههای متنی آموزش داده میشوند و به آنها اجازه میدهند که به جزئیات دقیق زبان، از جمله دستور زبان، زمینه و حتی ظرایفی مانند طعنه یا اصطلاحات عامیانه پی ببرند.
با افزایش توان محاسباتی و دسترسی به دادهها، NLP پیشرفت عجیبی کرد و از وظایف ساده پردازش زبان به سیستمهای پیچیدهای تبدیل شد که امروزه با نام هوش مصنوعی آن را میشناسیم.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
پردازش زبان طبیعی، NLP یا Natural Language Processing مفاهیمی هستند که خصوصا در این این روزها بسیار شنیده میشه. #NLP چیه؟ و چه کاربردی داره؟ پاسخ به این سوال ایده این یادداشت هست.
پردازش زبان طبیعی (Natural Language Processing) یا NLP مدلی است که در پردازش و تحلیل دادههای زبان تخصص دارد. این مدلها بر پایه الگوریتمهای پیچیده و روشهای آماری ساخته شدهاند و معمولاً از تکنیکهای یادگیری ماشین، بهویژه یادگیری عمیق، بهره میبرند. مدلهای زبان طبیعی با استفاده از مجموعههای عظیمی از دادههای متنی آموزش داده میشوند و به آنها اجازه میدهند که به جزئیات دقیق زبان، از جمله دستور زبان، زمینه و حتی ظرایفی مانند طعنه یا اصطلاحات عامیانه پی ببرند.
با افزایش توان محاسباتی و دسترسی به دادهها، NLP پیشرفت عجیبی کرد و از وظایف ساده پردازش زبان به سیستمهای پیچیدهای تبدیل شد که امروزه با نام هوش مصنوعی آن را میشناسیم.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
𝗠𝗟 , 𝗗𝗟 , 𝗣𝗬𝗧𝗛𝗢𝗡 , 𝗠𝗔𝗧𝗟𝗔𝗕
💧 پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین پردازش زبان طبیعی، NLP یا Natural Language Processing مفاهیمی هستند که خصوصا در این این روزها بسیار شنیده میشه. #NLP چیه؟ و چه کاربردی داره؟ پاسخ به این سوال ایده این یادداشت هست. پردازش زبان طبیعی (Natural…
برای مطالعه یاداشت «پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین» از لینک زیر استفاده کنید:
🔗 d-learn.ir/nlp
اگر به این حوزه علاقه دارید، دوره اختصاصی «پردازش زبانهای طبیعی و مدلهای زبانی بزرگ در پایتون» برای شما طراحی شدهاست. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy
⭕️ فراموش نکنید که اعتبار کدهای تخفیف تا ۲۷ مهر ۱۴۰۳ است.
📞 اگر سوالی داشتید:
@dlearnsup
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🔗 d-learn.ir/nlp
اگر به این حوزه علاقه دارید، دوره اختصاصی «پردازش زبانهای طبیعی و مدلهای زبانی بزرگ در پایتون» برای شما طراحی شدهاست. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy
⭕️ فراموش نکنید که اعتبار کدهای تخفیف تا ۲۷ مهر ۱۴۰۳ است.
📞 اگر سوالی داشتید:
@dlearnsup
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
معرفی سایت nn.labml.ai
در این سایت پیاده سازی #پایتورچ مدل ها و الگوریتم های مهم هوش مصنوعی به همراه توضیح خط به خط کد و فرمول های ریاضی به کار رفته در کد مقالات است.
و منبع عالی برای #کدخوانی #مقالات هست.
لیست موضوعات پیاده سازی شده در این سایت:
✨ Transformers
✨ Low-Rank Adaptation (LoRA)
✨Eleuther GPT-NeoX
✨Diffusion models
✨Generative Adversarial Networks
✨Recurrent Highway Networks
✨ LSTM
✨ HyperNetworks - HyperLSTM
✨ ResNet
✨ ConvMixer
✨ Capsule Networks
✨ U-Net
✨ Sketch RNN
✨ Graph Neural Networks
✨ Reinforcement Learning
✨ Counterfactual Regret Minimization (CFR)
✨ Optimizers
✨ Normalization Layers
✨ Distillation
✨ Adaptive Computation
✨ Uncertainty
✨ Activations
✨ Language Model Sampling
✨ Scalable Training/Inference
#منابع #هوش_مصنوعی #مقاله_خوانی #یادگیری_ماشین #الگوریتم #یادگیری_عمیق
#DeepLearning #MachineLearning #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
در این سایت پیاده سازی #پایتورچ مدل ها و الگوریتم های مهم هوش مصنوعی به همراه توضیح خط به خط کد و فرمول های ریاضی به کار رفته در کد مقالات است.
و منبع عالی برای #کدخوانی #مقالات هست.
لیست موضوعات پیاده سازی شده در این سایت:
✨ Transformers
✨ Low-Rank Adaptation (LoRA)
✨Eleuther GPT-NeoX
✨Diffusion models
✨Generative Adversarial Networks
✨Recurrent Highway Networks
✨ LSTM
✨ HyperNetworks - HyperLSTM
✨ ResNet
✨ ConvMixer
✨ Capsule Networks
✨ U-Net
✨ Sketch RNN
✨ Graph Neural Networks
✨ Reinforcement Learning
✨ Counterfactual Regret Minimization (CFR)
✨ Optimizers
✨ Normalization Layers
✨ Distillation
✨ Adaptive Computation
✨ Uncertainty
✨ Activations
✨ Language Model Sampling
✨ Scalable Training/Inference
#منابع #هوش_مصنوعی #مقاله_خوانی #یادگیری_ماشین #الگوریتم #یادگیری_عمیق
#DeepLearning #MachineLearning #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
کد نویسی با موبایل
⚪️ اگر سیستم ندارید یا در مواقعی دسترسی ندارید و مجبورید یک کد ساده بزنید و بتونید تست و خروجی بگیرید میتونید از برنامه های زیر توی اندروید استفاده کنید.
⚪️ برای کسانی که پایتون کار میکنند اپ زیر رو نصب کنید:
▪️ دانلود برنامه
⚪️ برای سیشارپ و سی:
▪️ لینک دانلود
⚪️ برای سی و سی پلاس پلاس:
▪️ لینک دانلود
⚪️ معمولا چون به بچه ها توی دبیرستان و ترم های اول دانشگاه ها مبانی این زبان هارو تدریس میکنند و پرژه های خیلی ساده نیاز هست که کد نویسی و خروجی گرفته بشه این اپ ها کاربردی هستند.
#کدنویسی #کد_نویسی #پایتون #سی #سیشارپ
#Code #Coding
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
⚪️ اگر سیستم ندارید یا در مواقعی دسترسی ندارید و مجبورید یک کد ساده بزنید و بتونید تست و خروجی بگیرید میتونید از برنامه های زیر توی اندروید استفاده کنید.
⚪️ برای کسانی که پایتون کار میکنند اپ زیر رو نصب کنید:
▪️ دانلود برنامه
⚪️ برای سیشارپ و سی:
▪️ لینک دانلود
⚪️ برای سی و سی پلاس پلاس:
▪️ لینک دانلود
⚪️ معمولا چون به بچه ها توی دبیرستان و ترم های اول دانشگاه ها مبانی این زبان هارو تدریس میکنند و پرژه های خیلی ساده نیاز هست که کد نویسی و خروجی گرفته بشه این اپ ها کاربردی هستند.
#کدنویسی #کد_نویسی #پایتون #سی #سیشارپ
#Code #Coding
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
@DeepLearning_fa - Tensorflow for Deep Learning.pdf
15.8 MB
✏️ جزوه TensorFlow برای یادگیری عمیق
با مثالهای کاربردی و واقعی!
👨🏻💻 یادگیری عمیق با TensorFlow از اون مفاهیمی هست که شاید در نگاه اول پیچیده به نظر بیاد، ولی اگه با یه راهنمای عملی و خوب جلو بری، خیلی راحت میتونی قدم به قدم وارد دنیای یادگیری عمیق بشی و مفاهیم رو از پایه درک کنی.
📄 این جزوه تمام اصول یادگیری عمیق رو از پایه توضیح میده و با مثالهای عملی بهت نشون میده چطور میتونی شبکههای عصبی رو با TensorFlow پیاده کنی. از تمرینهای ساده شروع میکنه و کمکم به سمت پروژههای پیچیدهتر میره.
🌐 #یادگیری_عمیق
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
با مثالهای کاربردی و واقعی!
👨🏻💻 یادگیری عمیق با TensorFlow از اون مفاهیمی هست که شاید در نگاه اول پیچیده به نظر بیاد، ولی اگه با یه راهنمای عملی و خوب جلو بری، خیلی راحت میتونی قدم به قدم وارد دنیای یادگیری عمیق بشی و مفاهیم رو از پایه درک کنی.
📄 این جزوه تمام اصول یادگیری عمیق رو از پایه توضیح میده و با مثالهای عملی بهت نشون میده چطور میتونی شبکههای عصبی رو با TensorFlow پیاده کنی. از تمرینهای ساده شروع میکنه و کمکم به سمت پروژههای پیچیدهتر میره.
🌐 #یادگیری_عمیق
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🌐 دوره جامع هوش مصنوعی، علم داده و یادگیری ماشین
👤مخاطبان دوره:
➖دانشجویان و فارغ التحصیلان کلیه رشتههای تحصیلی
➖علاقمندان علم داده و تحلیلگری داده
➖علاقمندان به حوزههای هوش مصنوعی و یادگیری ماشین
👤 مدرس: دکتر فرزاد مینویی
➖فارغالتحصیل دکتری مدیریت از دانشگاه کلورادو آمریکا
🚀 با گواهینامه مورد تایید وزارت علوم و قابل ترجمه رسمی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
👤مخاطبان دوره:
➖دانشجویان و فارغ التحصیلان کلیه رشتههای تحصیلی
➖علاقمندان علم داده و تحلیلگری داده
➖علاقمندان به حوزههای هوش مصنوعی و یادگیری ماشین
👤 مدرس: دکتر فرزاد مینویی
➖فارغالتحصیل دکتری مدیریت از دانشگاه کلورادو آمریکا
🚀 با گواهینامه مورد تایید وزارت علوم و قابل ترجمه رسمی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
کورس جدید دانشگاه برکلی
Large Language Model (LLM) Agents
https://rdi.berkeley.edu/llm-agents/f24
#DeepLearning #DataAnalytics #MachineLearning #DataScience
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
Large Language Model (LLM) Agents
https://rdi.berkeley.edu/llm-agents/f24
#DeepLearning #DataAnalytics #MachineLearning #DataScience
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
آموزش تخصصی یادگیری عمیق، از مبانی تا مفاهیم پیشرفته نظیر GAN و تبدیل صوت به متن و ... را با این لینک میتوانید ثبت نام کنید.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
5_chunking_techniques_in_LLM_1727095975.pdf
1.3 MB
تکنیکهای مختلف تقسیمبندی متن (Chunking) در مدلهای زبانی بزرگ (LLM) است.
توضيحات_فارسی
#بروشور #تقسیم_بندی #مدل #مدل_زبانی_بزرگ
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
توضيحات_فارسی
#بروشور #تقسیم_بندی #مدل #مدل_زبانی_بزرگ
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🔥 فرصتی طلایی برای ورود به دنیای LLM ها و چتباتها!
با یادگیری فریمورک LangChain، میتوانید به ساخت و توسعه اپلیکیشن های مبتنی بر llm ها و AI Agentها (عوامل هوشمند) بپردازید که در حال حاضر یکی از پررونقترین حوزههای فناوری است. با توجه به افزایش تقاضا برای مدلهای زبانی پیشرفته و عوامل هوشمند در صنایع مختلف، مهارت در LangChain شما را برای فرصتهای شغلی فوقالعادهای مانند ساخت چتباتهای پیچیده، RAG،دستیارهای هوشمند و موتورهای جست و جو و ... آماده میکند. اگر به دنبال ورود به دنیای آینده هوش مصنوعی هستید، این دوره سکوی پرتاب شماست!
#LLM #Chatbot #Chat_Bot
🔗 لینک دوره:
https://faradars.org/courses/langchain-framework-creating-a-personal-chatbot-fvait313
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
با یادگیری فریمورک LangChain، میتوانید به ساخت و توسعه اپلیکیشن های مبتنی بر llm ها و AI Agentها (عوامل هوشمند) بپردازید که در حال حاضر یکی از پررونقترین حوزههای فناوری است. با توجه به افزایش تقاضا برای مدلهای زبانی پیشرفته و عوامل هوشمند در صنایع مختلف، مهارت در LangChain شما را برای فرصتهای شغلی فوقالعادهای مانند ساخت چتباتهای پیچیده، RAG،دستیارهای هوشمند و موتورهای جست و جو و ... آماده میکند. اگر به دنبال ورود به دنیای آینده هوش مصنوعی هستید، این دوره سکوی پرتاب شماست!
#LLM #Chatbot #Chat_Bot
🔗 لینک دوره:
https://faradars.org/courses/langchain-framework-creating-a-personal-chatbot-fvait313
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
This media is not supported in your browser
VIEW IN TELEGRAM
cellpose: a generalist algorithm for cellular segmentation with human-in-the-loop capabilities
روش Cellpose الگوریتمی است که به کمک هوش مصنوعی، در ابتدا برای تقسیمبندی سلولها ساخته شد و بدون نیاز به تنظیمات پیچیده میتواند انواع تصاویر سلولی رو به خوبی تحلیل کند. نسخه جدید یعنی Cellpose 3 حتی اگه تصویر دارای نویز بسیاری باشد یا کیفیتش پایین باشد نیز می تواند تصاویر رو درست و تقسیمبندی کند.
https://github.com/MouseLand/cellpose
#هوش_مصنوعی #کد #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
روش Cellpose الگوریتمی است که به کمک هوش مصنوعی، در ابتدا برای تقسیمبندی سلولها ساخته شد و بدون نیاز به تنظیمات پیچیده میتواند انواع تصاویر سلولی رو به خوبی تحلیل کند. نسخه جدید یعنی Cellpose 3 حتی اگه تصویر دارای نویز بسیاری باشد یا کیفیتش پایین باشد نیز می تواند تصاویر رو درست و تقسیمبندی کند.
https://github.com/MouseLand/cellpose
#هوش_مصنوعی #کد #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
💧 چارچوب پردازش NLP (پردازش زبان طبیعی)
اگر به دنبال یادگیری NLP هستید، دوره اختصاصی «پردازش زبانهای طبیعی و مدلهای زبانی بزرگ در پایتون» برای شما طراحی شدهاست. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
اگر به دنبال یادگیری NLP هستید، دوره اختصاصی «پردازش زبانهای طبیعی و مدلهای زبانی بزرگ در پایتون» برای شما طراحی شدهاست. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻