معرفی چند پلتفرم رایگان برای حل سوالات برنامه‌نویسی و تمرین مهارت‌های کدنویسی:
🇮🇷 در داخل ایران:
1⃣ آنلیم
✨ یک پلتفورم نوآورانه و بسیار user-friendly، با پشتیبانی از عموم زبان‌های رایج برنامه‌نویسی و دارای بانک سوالات، برگزاری مسابقات و دوره‌های مختلف
2️⃣ کوئرا
🪩 جامعه توسعه‌دهندگان ایران، دارای بانکی غنی از سوالات متنوع در دسته‌بندی‌های گوناگون و برگزاری مسابقات مختلف استخدامی از طرف شرکت‌های ایرانی‌
🌐 بین‌المللی:
1️⃣ HackerRank
🆕 پلتفرمی برای تمرین سوالات برنامه‌نویسی و الگوریتم، با دسته‌بندی بر اساس موضوعات مختلف از جمله علوم داده، هوش مصنوعی، و SQL.
2️⃣ CodeChef
🔗 پلتفرمی برای حل سوالات الگوریتم و شرکت در مسابقات برنامه‌نویسی؛ به‌ویژه مناسب برای مسابقات آنلاین و رقابتی.
3️⃣ LeetCode
🎤 تمرکز بر سوالات مصاحبه‌های کاری در شرکت‌های بزرگ؛ دارای سوالات الگوریتمی و داده‌ساختار برای آماده‌سازی مصاحبه.
4️⃣ Exercism
💻 تمرین زبان‌های برنامه‌نویسی مختلف با راهنمایی از منتورهای حرفه‌ای؛ تمرکز بر یادگیری زبان‌ها و ارتقای مهارت.
5️⃣ Codewars
📱 ارائه چالش‌های برنامه‌نویسی در سطح‌های مختلف؛ امکان انتخاب زبان‌های مختلف برای تمرین و بهبود مهارت.
6️⃣ TopCoder
💻 یکی از قدیمی‌ترین پلتفرم‌ها برای تمرین سوالات برنامه‌نویسی و شرکت در مسابقات کدنویسی رقابتی؛ به‌ویژه مناسب برای شرکت در رقابت‌های بزرگ.
7️⃣ Sphere Online Judge (SPOJ)
🖥 مجموعه بزرگی از سوالات برنامه‌نویسی و الگوریتم برای تمرین و ارزیابی مهارت‌ها.
8️⃣ Coderbyte
💻شامل سوالات الگوریتم و چالش‌های مصاحبه‌های کاری به‌ویژه برای آمادگی در مصاحبه‌های فنی.
9️⃣ Project Euler
📊 تمرکز بر سوالات ریاضی و الگوریتمی که نیاز به برنامه‌نویسی دارند؛ به‌ویژه برای علاقه‌مندان به مسائل پیچیده.
1️⃣0️⃣ Edabit
🎮 پلتفرمی برای تمرین مسائل ساده تا پیچیده در زبان‌های مختلف، مناسب برای مبتدیان و توسعه مهارت‌ها.
✔️ این پلتفرم‌ها منابع عالی برای تمرین تفکر الگوریتمی و آماده‌سازی برای مصاحبه‌های شغلی و بهبود مهارت‌های برنامه‌نویسی هستند.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Transformers can be slow for real-time applications like robotics. We study if modern recurrent architectures, like xLSTM and Mamba, can be faster alternatives. Experiments on 432 tasks show that they compare favourably in terms of performance and speed

◾️ A Large Recurrent Action Model: xLSTM enables Fast Inference for Robotics Tasks

#مقاله #ایده_جذاب #رباتیک #کدینگ #کد #مدل #مهندسی_پزشکی #ساخت_ربات #کد_ربات
#Model #xLSTM #LSTM
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

⭕️ معرفی الگوریتم گرادیان کاهشی (Gradient Descent)
👨🏻‍💻 یکی از الگوریتم‌های مهم حوزه یادگیری ماشین که هدفش بهینه‌سازی مدل‌هاست تا خطا یا همون تابع هزینه رو به کمترین مقدار ممکن برسونه، الگوریتم گرادیان کاهشی است.

🌫 این الگوریتم چطوری کار می‌کنه؟
شروع کار: با یه سری مقادیر اولیه برای پارامترها شروع می‌کنیم.
محاسبه گرادیان: گرادیان تابع هزینه نسبت به پارامترها محاسبه میشه.
به‌روزرسانی پارامترها: پارامترها در جهت کاهش تابع هزینه تنظیم میشن.
تکرار: این فرآیند تا زمانی که به همگرایی برسیم، تکرار میشه.

انواع گرادیان کاهشی:
نوع اول؛ Batch Gradient Descent: از کل دیتاست برای هر آپدیت استفاده می‌کنه. خیلی دقیق ولی کُندتره.
نوع دوم؛ Stochastic Gradient Descent: هر بار فقط یه نمونه داده رو برای آپدیت استفاده می‌کنه، سریع‌تره ولی نوسان داره.
نوع سوم؛ Mini-batch Gradient Descent: یه تعداد مشخص از داده‌ها رو برای هر آپدیت استفاده می‌کنه، ترکیب خوبی از سرعت و دقته.

#گرادیان_کاهشی #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🔺 منظور از یادگیری عمیق هندسی یا geometric deep learning استفاده از ابزارهای ریاضیاتی مانند گراف، توپولوژي، هندسه منیفلد ، شیف و دیگر تئوری های ریاضیاتی مانند تویولوژي جبری و هندسه جبری برای طراحی شبکه های بهتر دارای قدرت یادگیری بهتر با دیتای کمتر و همچنین در نظر گرفتن خصوصیات دیتا است. برای آشنای بیشتر دیدن ویدیوهای زیر خالی از لطف نیست:
📎 https://www.youtube.com/playlist?list=PLn2-dEmQeTfRQXLKf9Fmlk3HmReGg3YZZ
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🎮 زبان پایتون تو چه زمینه هایی کاربرد داره ؟!
#اینفوگرافیک #پایتون #کاربرد
#Infographic #Python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

📽️ پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در پایتون 📽️
🎓 حسام محمدحسینی، مدیر ارشد مهندسی داده در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا، کارشناسی ارشد مهندسی برق و مخابرات از دانشگاه تربیت مدرس
🎓 سعید مجیدی، متخصص پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب، دکترای یادگیری ماشین با گرایش پردازش زبان از دانشگاه تافتس آمریکا
🎓 علیرضا کدیور، تحلیلگر داده و هم‌بنیانگذار در شرکت دقیقه، مدرس مبانی برنامه‌نویسی و تحلیل داده در دانشگاه شریف، کارشناسی ارشد آمار و تحقیق در عملیات از دانشگاه اسکس انگلستان
📚 سرفصل‌ها
۱. پیش‌پردازش متن و کار با عبارات قاعده‌مند در پایتون
۲. پردازش زبان‌های طبیعی با پایتون
۳. یادگیری ماشین برای پردازش زبان در پایتون
۴. کار با مدل های زبانی بزرگ در پایتون
۵. پروژه پایانی
🕰️ یکشنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵ به وقت تهران (آنلاین)
🗓️ ۱۰ هفته ۳۰ ساعت از ۴ آذر ۱۴۰۳
🔴 فرصت ثبت نام با تخفیف‌ تا ۲۱ آبان ۱۴۰۳
لینک ثبت نام:
d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

آموزش برنامه نویسی به زبان c++
آموزش زبان c++
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کتاب برنامه نویسی به زبان c
جعفر نژاد
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

𝗗𝗮𝘁𝗮 𝗦𝗰𝗶𝗲𝗻𝗰𝗲 𝗜𝗻𝘁𝗲𝗿𝘃𝗶𝗲𝘄 𝗤𝘂𝗲𝘀𝘁𝗶𝗼𝗻:
Why is it important to maximize margin in SVM?
Some of the advantages include -
1. Improved Generalization:
وقتی فاصله رو زیاد می‌کنیم، مدل تصمیم می‌گیره که تا جایی که می‌تونه از نزدیک‌ترین نقطه‌های هر دسته دورتر باشه. اینطوری احتمال اینکه داده‌های جدید اشتباه پیش‌بینی بشن کمتر میشه، چون یه فضای امن اطراف مرز تصمیم‌گیری ایجاد شده. فاصله بزرگتر باعث میشه مدل به تغییرات کوچیک یا نویز توی داده‌ها حساسیت نشون نده.
2.Focus on Critical Points:
وقتی فاصله زیاد میشه، مدل بیشتر داده‌های تمرینی رو بی‌خیال میشه و فقط به نقاط مهمی که نزدیک مرز تصمیم‌گیری هستن توجه می‌کنه. اینطوری مدل ساده‌تر و سریع‌تر کار می‌کنه، چون فقط با چند تا نقطه سروکار داره.
3.Robustness to Outliers:
هرچند که SVM کاملاً در برابر نویز مقاوم نیست، ولی با فاصله بیشتر، نسبت به تغییرات کوچیک یا نویز توی داده‌های آموزشی مقاومت بیشتری پیدا می‌کنه. اگه یه نقطه دورتر از مرز باشه، تاثیرش روی مدل کمتره.
Link
➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

مقاله ای Survey از مدل GAN اینجا میتونین اطلاعات جامعتری که دوستان سوال داشتن بدس بیارن
#کتاب #ایده_جذاب #منابع
#Survey #GAN
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

👁‍🗨 ...چشم الکترونیکی نیل هاربیسون: شنیدن رنگ‌ها به جای دیدن آن‌ها!... 👁‍🗨
🎆 تصور کنید رنگ‌ها را بشنوید! این همان تجربه‌ای است که نیل هاربیسون، هنرمند سایبورگ، با دستگاه چشم الکترونیکی یا ایبُرگ خود خلق کرده است. به دلیل آکروماتوپسی (کوری کامل رنگ)، او قادر به تشخیص رنگ‌ها نبود، اما این دستگاه به او امکان می‌دهد رنگ‌ها را به‌صورت صدا درک کند.
🎆 چگونه؟ دستگاه با حسگر رنگی خود فرکانس‌های نوری را تشخیص داده و آن‌ها را به فرکانس‌های صوتی تبدیل می‌کند که از طریق لرزش‌های استخوانی به گوش او منتقل می‌شوند. این فرایند بر پایه‌ی تبدیل طول موج نور به صداست که به هاربیسون اجازه می‌دهد رنگ‌ها را به‌جای دیدن، بشنود.
🎆 این فناوری ترکیبی از علم اعصاب، سایبرنتیک و هنر است و نه‌تنها درک رنگ او را متحول کرده بلکه نگاه ما به توانایی‌های انسانی را نیز به چالش می‌کشد!
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

تجربه‌ای که نیل هاربیسون از شنیدن رنگ‌ها داره توسط هیچ کسی قابل درک نیست، ولی اگر دلت میخواد مداری ببندی که صدای رنگ ها رو برات دربیاره، بهت میگم چطوری:
⚙️ قطعات مورد نیاز:
1. برد آردوینو (مثلاً Arduino Uno)
2. ماژول سنسور رنگ TCS3200
3. بازر (buzzer)
4. سیم جامپر
🔌 اتصالات مدار:
1. اتصال سنسور رنگ TCS3200:
- سنسور را به ترتیب به پین‌های دیجیتال ۴، ۵، ۶، ۷، و ۸ آردوینو متصل کنید. و VCC به ۵ ولت و GND به GND آردوینو وصل شود.
2. اتصال بازر:
- پایه مثبت بازر به پین دیجیتال ۹ وصل شود.
- پایه منفی بازر به GND آردوینو متصل شود.
🧑‍💻و در نهایت این کد رو روی آردوینو بریز:

#include <TCS3200.h>

#define S0 4
#define S1 5
#define S2 6
#define S3 7
#define OUT_PIN 8
#define BUZZER_PIN 9

// Initialize the TCS3200 color sensor
TCS3200 colorSensor(S0, S1, S2, S3, OUT_PIN);

// Map RGB values to sound frequency ranges
int colorToFrequency(int red, int green, int blue) {
    int frequency;
    
    if (red > green && red > blue) {
        // Red detected: Map red intensity to 500-1000 Hz
        frequency = map(red, 0, 255, 500, 1000);
    } 
    else if (green > red && green > blue) {
        // Green detected: Map green intensity to 1000-1500 Hz
        frequency = map(green, 0, 255, 1000, 1500);
    } 
    else {
        // Blue detected: Map blue intensity to 1500-2000 Hz
        frequency = map(blue, 0, 255, 1500, 2000);
    }
    
    return frequency;
}

void setup() {
    Serial.begin(9600);
    colorSensor.begin();
    pinMode(BUZZER_PIN, OUTPUT);
}

void loop() {
    int red = colorSensor.readRed();
    int green = colorSensor.readGreen();
    int blue = colorSensor.readBlue();
    
    // Print RGB values to the serial monitor
    Serial.print("R: ");
    Serial.print(red);
    Serial.print(" G: ");
    Serial.print(green);
    Serial.print(" B: ");
    Serial.println(blue);

    // Convert the detected color to a sound frequency
    int frequency = colorToFrequency(red, green, blue);

    // Play the frequency on the buzzer
    tone(BUZZER_PIN, frequency, 200);  // Play tone for 200 milliseconds
    delay(300);                        // Small delay before the next tone
}

💻 توضیحات کد:
1. تابع colorToFrequency برای هر رنگ اصلی مقادیر RGB را به یک بازه فرکانسی خاص تبدیل می‌کند:
- قرمز به بازه‌ی ۵۰۰ تا ۱۰۰۰ هرتز
- سبز به بازه‌ی ۱۰۰۰ تا ۱۵۰۰ هرتز
- آبی به بازه‌ی ۱۵۰۰ تا ۲۰۰۰ هرتز
2. تابع tone برای پخش فرکانس تعیین‌شده از بازر به مدت ۲۰۰ میلی‌ثانیه استفاده می‌شود و صدای متفاوتی را بر اساس رنگ شناسایی‌شده تولید می‌کند.
3. خروجی سریال: مقادیر RGB به مانیتور سریال چاپ می‌شوند تا شما بتوانید شدت رنگ‌های شناسایی‌شده را در زمان واقعی مشاهده کنید.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

الگوریتم dbscan: نمودی از مظلومیت ماشین‌لرنینگ در برابر تجاوز دیپ‌لرنینگ
معمولا وقتی اسم کلاسترینگ به گوش می‌خوره، معروف‌ترین اسمی که به ذهن میاد kmeans هست. ولی خب روش‌های معروف دیگه‌ای هم جز kmeans هستند. یکی از معروف‌ترین این روش‌ها dbscan است. این روش این شکلیه که دو تا هایپرپارامتر اپسیلون و مینیمم تعداد همسایگی داره و میاد برای هر نقطه حساب می‌کنه می‌بینه در همسایگی به میزان اپسیلون اون نقطه، چند تا نقطه دیگه وجود دارند، اگر به اندازه اون هایپرپارامتر مینیمم تعداد همسایگی، نقطه وجود داشته باشه، اون نقطه به عنوان core point تعیین می‌شه. در مرحله بعدی می‌بینه که چه core point‌هایی حالا در همسایگی هم هستند و یک chain یا در واقع یک connected component رو تشکیل می‌دن. به مجموعه اون core point‌ها یک کلاستر تخصیص می‌ده. حالا نقاط دیگه یا در همسایگی یکی از این core point‌های یک کلاستر هستند که در این صورت جزو اون کلاستر می‌شن، یا در مجموعه همسایگی هیچ core point ای واقع نمی‌شن و در این صورت بهشون لیبل outlier می‌خوره. dbscan روش جالبیه و برخلاف kmeans می‌تونه بیشتر روی توزیع فوکس کنه و کلاسترهایی با شکل‌های غیر توپی دربیاره، مثلا میتونه در کیسی که یک کلاستر، بیرون یک کلاستر دیگه رو محاصره کرده، کلاسترها رو از هم جدا کنه.
نکته این پست اما اینه که شما اگر الان برید از دانشجوهای هوش مصنوعی دانشگاه شریف هم بپرسید که dbscan چیه، به ندرت می‌دونن که چیه. در زمان‌های نه چندان دور، معمولا dbscan یا در درس یادگیری ماشین بهش اشاره‌ای می‌شد و یا این که اگر درس ارائه انتهای ترم داشت، کسی راجع به dbscan ارائه می‌داد. امروز اما اوضاع فرق کرده. قبلاها در درس یادگیری ماشین، خیلی مباحث نظیر انواع روش‌های کلاسترینگ یا مثلا انواع روش‌های feature reduction بحث می‌شد ولی جدیداها با مدشدن دیپ‌لرنینگ، آتشش به دامن کورس یادگیری ماشین هم گرفته و به جای بحث در مورد یادگیری ماشین، انگار درس دیپه که ارائه می‌شه. خیلی‌ها این نظر رو دارند که دیگه اون روش‌های سابقی که تو ماشین لرنینگ بحث می‌شد با اومدن دیپ لرنینگ معنایی ندارند و نباید وقتی بابت اونها تلاف بشه. نظر شخصی من اما اینه که بخشی از وظیفه یک درس یا کورس، آموزش نحوه تفکر و مدلسازی هست و نه آموزش صرفا بهترین مدل‌سازی. خیلی مسائل و الگوریتم‌ها در همین مباحث یادگیری ماشین غیردیپی هستند که روش‌های دیپ روش جوابی ندارد یا جواب دارند ولی به طرز دیگه‌ای به مساله نگاه می‌کنند. ممکنه مطرح کنید که خب وقتی طرف با مساله کلاسترینگ مواجه شد می‌ره سرچ می‌کنه و می‌بینه که روش dbscan ای هم هست و یادش می‌گیره. منتهای مطلب این لازمه‌اش اینه که حداقل در متن درس ماشین لرنینگ،‌ یک اشاره‌ای بشه که همه یادگیری ماشین، شبکه عصبی نیست و به گوش دانشجو بخوره که روش‌های کلاسترینگ موثر دیگه‌ای هم هست.
#تجارب #الگوریتم #یادگیری_عمیق #یادگیری_ماشین
#DeepLearning #MachineLearning #dbscan
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

هدف modeltime اینه که پیش‌بینی‌های سری‌های زمانی رو با سرعت و مقیاس‌پذیری بالا و به ساده‌ترین شکل ممکن در R انجام بده!
ویژگی‌های modeltime:
1. کار با مدل‌های مختلف سری زمانی
• از ARIMA و Exponential Smoothing تا Prophet و رگرسیون خطی، Elastic Net، XGBoost و حتی بیشتر!
2. جریان کاری یادگیری ماشین برای پیش‌بینی
• برخلاف پکیج‌های قدیمی مثل forecast و fable، modeltime از یک جریان کاری مشابه یادگیری ماشین استفاده می‌کنه که شامل مجموعه‌های آموزشی/آزمایشی و فواصل همسانی هست.
3. مقایسه بصری مدل‌ها
• یکی از مزایای بزرگ modeltime، توانایی مقایسه سریع و بصری مدل‌های مختلفه.
4. معیارهای دقت
• علاوه بر نمایش‌های بصری، می‌تونیم معیارهای دقت هر مدل و گروه‌های سری زمانی مختلف رو هم دریافت کنیم.
5. پیش‌بینی نهایی
• پس از انتخاب مدل یا مدل‌های مناسب، پیش‌بینی نهایی سریع و آسونه!
https://business-science.github.io/modeltime/articles/getting-started-with-modeltime.html

#علم_داده #پیش‌بینی #R #مدل_سازی #سری_زمانی #یادگیری_ماشین #تحلیل_داده
#DeepLearning #MachineLearning #DataScience #ML #DL #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

⏰ چقدر زمان لازمه تا الگوریتمت اجرا بشه؟
📝 راهنمای جامع برای «پیچیدگی زمانی»
👨‍💻 وقتی داری روی یه مدل یادگیری ماشین کار میکنی، یکی از مهم‌ترین چیزایی که باید بدونی
اینه که الگوریتمت با افزایش حجم داده چقدر سریع یا کند عمل می‌کنه. این همون مفهوم پیچیدگی زمان هست، و بهت کمک می‌کنه بهترین الگوریتم رو برای داده‌هات انتخاب کنی!
✔️ بررسی چند تا از معروف‌ترین الگوریتم‌ها:
┌ Time Complexity
├ PDF (1)
└ PDF (2)

#الگوریتم #پیچیدگی_زمانی #یادگیری_ماشین
#DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

هرچند بقیه خودروسازی‌ها اینو دارند اخیرا هم‌چینی ها اگر دست روی فرمون نباشه هشدار میده و صنعت خودروسازی جهان داره به سمت امنیت بیشتر سرنشینان سوق پیدا میکنه.
کسایی که در حیطه ماشین های خودران کار میکنید ی بخشی از اینده شما میتونه چنین پروژه هایی باشه.
#ماشین_خودران #بینایی_ماشین #مقاله #ایده_جذاب
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻