Here are the full YouTube links for each resource in your 100 Days of Data Science plan:
Days 1–15: Python for Data Science
[Python for Data Science Crash Course]
https://www.youtube.com/watch?v=LHBE6Q9XlzI
Days 16–30: Pandas and NumPy for Data Analysis
[Pandas and NumPy Crash Course]
https://www.youtube.com/watch?v=vmEHCJofslg
Days 31–45: Data Visualization with Matplotlib & Seaborn
[Matplotlib & Seaborn Full Course]
https://www.youtube.com/watch?v=0P7QnIQDBJY
#DataScience #MachineLearning #Python #Excel #DataAnalytics #DeepLearning #NLP
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Days 1–15: Python for Data Science
[Python for Data Science Crash Course]
https://www.youtube.com/watch?v=LHBE6Q9XlzI
Days 16–30: Pandas and NumPy for Data Analysis
[Pandas and NumPy Crash Course]
https://www.youtube.com/watch?v=vmEHCJofslg
Days 31–45: Data Visualization with Matplotlib & Seaborn
[Matplotlib & Seaborn Full Course]
https://www.youtube.com/watch?v=0P7QnIQDBJY
#DataScience #MachineLearning #Python #Excel #DataAnalytics #DeepLearning #NLP
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
🌟 پردازش زبان طبیعی (NLP) در زبان فارسی: چالشها و فرصتها 🌟
کار با پردازش زبان طبیعی (NLP) در زبان فارسی به دلیل برخی ویژگیهای خاص، با چالشهایی همراه است. این چالشها میتوانند به دلیل ساختار پیچیده زبان و محدودیت منابع داده به وجود بیایند. در ادامه به برخی از این چالشها اشاره میکنیم:
1️⃣ پیچیدگیهای ساختاری زبان فارسی: زبان فارسی دارای ویژگیهایی همچون صرف فعلها، ضمایر متصل، و نشانههایی مثل "ها" و "ی" است که پردازش جملات را پیچیدهتر میکند.
2️⃣ کمبود دادههای معتبر و بزرگ: در مقایسه با زبانهایی مانند انگلیسی، مجموعه دادههای بزرگ و آماده برای فارسی کمتر است و این مسئله دقت مدلهای NLP را کاهش میدهد.
3️⃣ متنهای غیررسمی در شبکههای اجتماعی: پیامهای شبکههای اجتماعی پر از اشتباهات املایی، اختصارات و کلمات محاورهای است که پردازش خودکار آنها را دشوار میسازد.
4️⃣ نبود ابزارهای استاندارد و پیشرفته: ابزارهای NLP برای زبانهای بزرگتر مثل انگلیسی توسعه یافتهاند و نسخههای فارسی آنها اغلب کمدقت یا ناکامل هستند.
5️⃣ چالش در جداسازی کلمات: نوشتار فارسی بهطور پیوسته است و فاصله بین کلمات همیشه مشخص نیست، که باعث دشواری در تشخیص دقیق کلمات میشود.
6️⃣ چندمعنایی و همریشه بودن کلمات: بسیاری از کلمات فارسی دارای معانی مختلف هستند و تشخیص معنای درست در جمله را پیچیده میکنند.
7️⃣ کمبود مدلهای زبانی تخصصی: مدلهای پیشآموزشدیده برای فارسی کم و معمولاً نیاز به تنظیم و آموزش دوباره دارند.
💡 هرچند که چالشها زیادند، اما پیشرفتهایی در این زمینه صورت گرفته و آینده روشنی برای پردازش زبان فارسی در حوزه NLP قابل تصور است!
#هوش_مصنوعی #یادگیری_ماشین #ماشین_لرنینگ
#NLP #DeepLearning #MachineLearning #DataAnalytics
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
کار با پردازش زبان طبیعی (NLP) در زبان فارسی به دلیل برخی ویژگیهای خاص، با چالشهایی همراه است. این چالشها میتوانند به دلیل ساختار پیچیده زبان و محدودیت منابع داده به وجود بیایند. در ادامه به برخی از این چالشها اشاره میکنیم:
1️⃣ پیچیدگیهای ساختاری زبان فارسی: زبان فارسی دارای ویژگیهایی همچون صرف فعلها، ضمایر متصل، و نشانههایی مثل "ها" و "ی" است که پردازش جملات را پیچیدهتر میکند.
2️⃣ کمبود دادههای معتبر و بزرگ: در مقایسه با زبانهایی مانند انگلیسی، مجموعه دادههای بزرگ و آماده برای فارسی کمتر است و این مسئله دقت مدلهای NLP را کاهش میدهد.
3️⃣ متنهای غیررسمی در شبکههای اجتماعی: پیامهای شبکههای اجتماعی پر از اشتباهات املایی، اختصارات و کلمات محاورهای است که پردازش خودکار آنها را دشوار میسازد.
4️⃣ نبود ابزارهای استاندارد و پیشرفته: ابزارهای NLP برای زبانهای بزرگتر مثل انگلیسی توسعه یافتهاند و نسخههای فارسی آنها اغلب کمدقت یا ناکامل هستند.
5️⃣ چالش در جداسازی کلمات: نوشتار فارسی بهطور پیوسته است و فاصله بین کلمات همیشه مشخص نیست، که باعث دشواری در تشخیص دقیق کلمات میشود.
6️⃣ چندمعنایی و همریشه بودن کلمات: بسیاری از کلمات فارسی دارای معانی مختلف هستند و تشخیص معنای درست در جمله را پیچیده میکنند.
7️⃣ کمبود مدلهای زبانی تخصصی: مدلهای پیشآموزشدیده برای فارسی کم و معمولاً نیاز به تنظیم و آموزش دوباره دارند.
💡 هرچند که چالشها زیادند، اما پیشرفتهایی در این زمینه صورت گرفته و آینده روشنی برای پردازش زبان فارسی در حوزه NLP قابل تصور است!
#هوش_مصنوعی #یادگیری_ماشین #ماشین_لرنینگ
#NLP #DeepLearning #MachineLearning #DataAnalytics
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 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 💻
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 💻
🚀 الگوریتم بلمن فورد (Bellman-Ford)
الگوریتم بلمن فورد یکی از الگوریتمهای مهم برای یافتن کوتاهترین مسیرها در گرافهای وزندار است. 💡 این الگوریتم به شما اجازه میدهد که از یک رأس شروع کرده و مسیرهای با کمترین وزن را به تمام رأسهای دیگر گراف پیدا کنید. یک ویژگی بارز بلمن فورد این است که با یالهای دارای وزن منفی هم به خوبی کار میکند و حتی چرخههای منفی را هم میتواند شناسایی کند. 🔍
🎯 مراحل اجرای الگوریتم
مقداردهی اولیه: ابتدا فاصله (وزن مسیر) از رأس شروع به خودش برابر با صفر و برای سایر رأسها بینهایت در نظر گرفته میشود. 🟢
بهروزرسانی وزنها: الگوریتم برای هر یال در گراف، |V|-1 بار تکرار میشود، که در آن |V| تعداد رأسها است. در هر مرحله، اگر مسیر کوتاهتری یافت شود، وزن آن مسیر بهروزرسانی میشود. 🔄
بررسی چرخههای منفی: در پایان، همه یالها یک بار دیگر بررسی میشوند. اگر وزنی تغییر نکرد، گراف چرخه منفی ندارد؛ در غیر این صورت، الگوریتم چرخه منفی را شناسایی کرده و میتواند اطلاع دهد که گراف شامل یک چرخه منفی است. ⚠️
⏱️ پیچیدگی زمانی
پیچیدگی زمانی الگوریتم بلمن فورد O(V×E) است، که در آن V تعداد رأسها و E تعداد یالهاست. به دلیل این پیچیدگی زمانی، این الگوریتم نسبت به الگوریتمهایی مثل دایکسترا کمی کندتر است، اما میتواند یالهای منفی را مدیریت کند. 🕰
🌐 کاربردهای بلمن فورد
شناسایی چرخههای منفی: این ویژگی در مدلسازی مسائل مالی و اقتصادی کاربرد دارد، جایی که چرخههای منفی ممکن است نشاندهنده فرصتهای آربیتراژ یا خطاهای سیستمی باشند. 📉
یافتن کوتاهترین مسیرها در شبکههای دارای وزن منفی: این ویژگی در شبکههای جریان کالا و مسیریابی بهینه در سیستمهای ارتباطی استفاده میشود. 🌍
📝 مثال کاربردی
فرض کنید یک گراف با یالهای دارای وزن مثبت و منفی داریم. الگوریتم بلمن فورد میتواند از یک رأس شروع کرده و به تمامی رأسهای دیگر دسترسی پیدا کند و اگر چرخه منفیای وجود داشته باشد، آن را شناسایی کند. 🔄
در کل، الگوریتم بلمن فورد با تواناییهای منحصربهفرد خود برای شناسایی یالهای منفی و چرخههای منفی در بسیاری از کاربردهای واقعی مثل مسیریابی در شبکهها و تحلیل اقتصادی بسیار مفید است.
#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DataAnalytics #DeepLearning #DL #MachineLearning #DataScience #ML
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
الگوریتم بلمن فورد یکی از الگوریتمهای مهم برای یافتن کوتاهترین مسیرها در گرافهای وزندار است. 💡 این الگوریتم به شما اجازه میدهد که از یک رأس شروع کرده و مسیرهای با کمترین وزن را به تمام رأسهای دیگر گراف پیدا کنید. یک ویژگی بارز بلمن فورد این است که با یالهای دارای وزن منفی هم به خوبی کار میکند و حتی چرخههای منفی را هم میتواند شناسایی کند. 🔍
🎯 مراحل اجرای الگوریتم
مقداردهی اولیه: ابتدا فاصله (وزن مسیر) از رأس شروع به خودش برابر با صفر و برای سایر رأسها بینهایت در نظر گرفته میشود. 🟢
بهروزرسانی وزنها: الگوریتم برای هر یال در گراف، |V|-1 بار تکرار میشود، که در آن |V| تعداد رأسها است. در هر مرحله، اگر مسیر کوتاهتری یافت شود، وزن آن مسیر بهروزرسانی میشود. 🔄
بررسی چرخههای منفی: در پایان، همه یالها یک بار دیگر بررسی میشوند. اگر وزنی تغییر نکرد، گراف چرخه منفی ندارد؛ در غیر این صورت، الگوریتم چرخه منفی را شناسایی کرده و میتواند اطلاع دهد که گراف شامل یک چرخه منفی است. ⚠️
⏱️ پیچیدگی زمانی
پیچیدگی زمانی الگوریتم بلمن فورد O(V×E) است، که در آن V تعداد رأسها و E تعداد یالهاست. به دلیل این پیچیدگی زمانی، این الگوریتم نسبت به الگوریتمهایی مثل دایکسترا کمی کندتر است، اما میتواند یالهای منفی را مدیریت کند. 🕰
🌐 کاربردهای بلمن فورد
شناسایی چرخههای منفی: این ویژگی در مدلسازی مسائل مالی و اقتصادی کاربرد دارد، جایی که چرخههای منفی ممکن است نشاندهنده فرصتهای آربیتراژ یا خطاهای سیستمی باشند. 📉
یافتن کوتاهترین مسیرها در شبکههای دارای وزن منفی: این ویژگی در شبکههای جریان کالا و مسیریابی بهینه در سیستمهای ارتباطی استفاده میشود. 🌍
📝 مثال کاربردی
فرض کنید یک گراف با یالهای دارای وزن مثبت و منفی داریم. الگوریتم بلمن فورد میتواند از یک رأس شروع کرده و به تمامی رأسهای دیگر دسترسی پیدا کند و اگر چرخه منفیای وجود داشته باشد، آن را شناسایی کند. 🔄
در کل، الگوریتم بلمن فورد با تواناییهای منحصربهفرد خود برای شناسایی یالهای منفی و چرخههای منفی در بسیاری از کاربردهای واقعی مثل مسیریابی در شبکهها و تحلیل اقتصادی بسیار مفید است.
#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DataAnalytics #DeepLearning #DL #MachineLearning #DataScience #ML
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧ ▼꯭ ⃤
@Technical_coding 💻
Data Science roadmap.pdf
384 KB
نقشه راه
Data Science ML Full Stack Roadmap
#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی #یادگیری_عمیق #نقشه_راه
#DeepLearning #DataAnalytics #MachineLearning #DataScience
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
Data Science ML Full Stack Roadmap
#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی #یادگیری_عمیق #نقشه_راه
#DeepLearning #DataAnalytics #MachineLearning #DataScience
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
📊 Navigating the Tension Between Black Box and Interpretable Algorithms in Machine Learning! 🤖
✨ Balancing accuracy and interpretability is essential! Linear Regression is simple, but Neural Networks deliver high accuracy at the cost of being black boxes.
کدام یک برای شما مهمتر است—دقت یا تفسیرپذیری؟ 🤔💡
تصور کنید یک الگوریتم هوشمند به شما میگوید که به بیماری خاصی مبتلا هستید. آیا دوست دارید دلیل این تشخیص را بدانید یا فقط به نتیجه نهایی علاقهمندید؟ این همان چالشی است که در دنیای یادگیری ماشین با آن روبرو هستیم!
از یک طرف، الگوریتمهایی مثل شبکههای عصبی با دقت بسیار بالا تصمیمگیری میکنند اما مثل یک جعبه سیاه عمل میکنند و نمیتوانیم بفهمیم چرا چنین تصمیمی گرفتهاند. از طرف دیگر، الگوریتمهایی مثل درختهای تصمیم قابل فهمتر هستند اما ممکن است دقت کمتری داشته باشند.
#MachineLearning #Algorithms #Interpretability #Accuracy #DeepLearning #DataAnalytics #DataScience #dataset #knowledge
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
✨ Balancing accuracy and interpretability is essential! Linear Regression is simple, but Neural Networks deliver high accuracy at the cost of being black boxes.
کدام یک برای شما مهمتر است—دقت یا تفسیرپذیری؟ 🤔💡
تصور کنید یک الگوریتم هوشمند به شما میگوید که به بیماری خاصی مبتلا هستید. آیا دوست دارید دلیل این تشخیص را بدانید یا فقط به نتیجه نهایی علاقهمندید؟ این همان چالشی است که در دنیای یادگیری ماشین با آن روبرو هستیم!
از یک طرف، الگوریتمهایی مثل شبکههای عصبی با دقت بسیار بالا تصمیمگیری میکنند اما مثل یک جعبه سیاه عمل میکنند و نمیتوانیم بفهمیم چرا چنین تصمیمی گرفتهاند. از طرف دیگر، الگوریتمهایی مثل درختهای تصمیم قابل فهمتر هستند اما ممکن است دقت کمتری داشته باشند.
#MachineLearning #Algorithms #Interpretability #Accuracy #DeepLearning #DataAnalytics #DataScience #dataset #knowledge
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
This media is not supported in your browser
VIEW IN TELEGRAM
🌟 هوش مصنوعی بدون کدنویسی!
اگر میخوای بدون دانش کدنویسی وارد دنیای یادگیری ماشین بشی، ابزار Classification Learner در MATLAB یه راهکار فوقالعادهست!
🖋 با این ابزار میتونی دادههات رو تحلیل کنی، الگوها رو کشف کنی و مدلهای حرفهای یادگیری ماشین رو فقط با چند کلیک بسازی.
ویژگیهای جذاب این ابزار:
✔️ تحلیل تعاملی دادهها و کشف الگوها
✔️ شناسایی ویژگیهای مهم برای بهترین مدلسازی
✔️ ایجاد مدلهای یادگیری ماشین در کمترین زمان
✔️ ارزیابی و مقایسه دقیق مدلها برای انتخاب بهترین نتیجه
🔥 نکته طلایی؟ میتونی مدل آمادهشده رو به متلب منتقل کنی یا کد تولیدشده رو تو پروژههای دیگه استفاده کنی!
این قابلیت از نسخه R2024a به بعد متلب در دسترسه. اگه هنوز امتحانش نکردی، وقتشه وارد دنیای بیمرز هوش مصنوعی بشی!
👨💻 لینک ابزار
#یادگیری_ماشین #متلب #هوش_مصنوعی #بدون_کدنویسی #مدلسازی #پایتون #متلب #مطلب
#DeepLearning #MachineLearning #code #ML #DL #python #matlab #DataAnalytics #DataScience #dataset #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
اگر میخوای بدون دانش کدنویسی وارد دنیای یادگیری ماشین بشی، ابزار Classification Learner در MATLAB یه راهکار فوقالعادهست!
🖋 با این ابزار میتونی دادههات رو تحلیل کنی، الگوها رو کشف کنی و مدلهای حرفهای یادگیری ماشین رو فقط با چند کلیک بسازی.
ویژگیهای جذاب این ابزار:
✔️ تحلیل تعاملی دادهها و کشف الگوها
✔️ شناسایی ویژگیهای مهم برای بهترین مدلسازی
✔️ ایجاد مدلهای یادگیری ماشین در کمترین زمان
✔️ ارزیابی و مقایسه دقیق مدلها برای انتخاب بهترین نتیجه
🔥 نکته طلایی؟ میتونی مدل آمادهشده رو به متلب منتقل کنی یا کد تولیدشده رو تو پروژههای دیگه استفاده کنی!
این قابلیت از نسخه R2024a به بعد متلب در دسترسه. اگه هنوز امتحانش نکردی، وقتشه وارد دنیای بیمرز هوش مصنوعی بشی!
👨💻 لینک ابزار
#یادگیری_ماشین #متلب #هوش_مصنوعی #بدون_کدنویسی #مدلسازی #پایتون #متلب #مطلب
#DeepLearning #MachineLearning #code #ML #DL #python #matlab #DataAnalytics #DataScience #dataset #AI
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
در این #مقاله برای امکانپذیر کردن ناوبری از طریق پیشبینی مشاهدات بصری آینده بر اساس مشاهدات گذشته و اقدامات ناوبری طراحی شده است. مقاله پیش رو از معماری ترنسفورمر دیفیوژن شرطی استفاده میکنه در این مقاله مشاهدات از طریق انسان و ربات جمع آوری شدندچارچوب CDiT کارایی محاسباتی را با مقیاسبندی خطی در رابطه با فریمهای متنی تضمین میکند. این معماری استفاده از FLOPها را به طور قابل توجهی در مقایسه با ترنسفورمره-دیفیوژن های سنتی کاهش میدهد و همزمان از قابلیت مقیاسپذیری تا یک میلیارد پارامتر پشتیبانی میکند. برای اطلاعات بیشتر مقاله رو مطالعه کنید.
▪️ Navigation World Models
▪️ Project Page
#ایده_جذاب #بینایی_ماشین #پردازش_تصویر #یادگیری_بانظارت #ربات #دیتاست
#DeepLearning #DataAnalytics #ML
#MachineLearning #DL #dataset
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
▪️ Navigation World Models
▪️ Project Page
#ایده_جذاب #بینایی_ماشین #پردازش_تصویر #یادگیری_بانظارت #ربات #دیتاست
#DeepLearning #DataAnalytics #ML
#MachineLearning #DL #dataset
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
نمونه ابزار های نمایش معماری شبکه های عصبی و مدل های دیپ لرنینگ:
✅ https://texample.net/tikz/examples/neural-network/
✅ https://github.com/HarisIqbal88/PlotNeuralNet
✅ https://github.com/lutzroeder/netron
✅ https://math.mit.edu/ennui/
✅ https://tikz.net/neural_networks/
✅ https://alexlenail.me/NN-SVG/LeNet.html
✅ https://github.com/martisak/dotnets
✅ https://github.com/gwding/draw_convnet
✅ https://github.com/szagoruyko/pytorchviz
✅ https://github.com/mert-kurttutan/torchview
✅ https://keras.io/api/utils/model_plotting_utils/
✅ https://github.com/viscom-ulm/Net2Vis
✅ https://github.com/mlajtos/moniel
اگر ابزارهای دیگه ای هم برای نمایش معماری شبکه های عصبی میشناسید لطفا زیر همین پست کامنت کنید.
#Deep_learning #Neural_Network #DL
#ML #DeepLearning #Data_Analytics #Machine_Learning #DataAnalytics #MachineLearning #DataScience #Data_Science #Model #Algorithm
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
✅ https://texample.net/tikz/examples/neural-network/
✅ https://github.com/HarisIqbal88/PlotNeuralNet
✅ https://github.com/lutzroeder/netron
✅ https://math.mit.edu/ennui/
✅ https://tikz.net/neural_networks/
✅ https://alexlenail.me/NN-SVG/LeNet.html
✅ https://github.com/martisak/dotnets
✅ https://github.com/gwding/draw_convnet
✅ https://github.com/szagoruyko/pytorchviz
✅ https://github.com/mert-kurttutan/torchview
✅ https://keras.io/api/utils/model_plotting_utils/
✅ https://github.com/viscom-ulm/Net2Vis
✅ https://github.com/mlajtos/moniel
اگر ابزارهای دیگه ای هم برای نمایش معماری شبکه های عصبی میشناسید لطفا زیر همین پست کامنت کنید.
#Deep_learning #Neural_Network #DL
#ML #DeepLearning #Data_Analytics #Machine_Learning #DataAnalytics #MachineLearning #DataScience #Data_Science #Model #Algorithm
➖➖➖➖➖➖➖➖➖➖➖
♡⠀ 〇⠀ ⎙⠀ ⌲
ʟɪᴋᴇ ᴄᴏᴍᴍᴇɴᴛ sᴀᴠᴇ sʜᴀʀᴇ
▼⃫╁⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼̶꯭ ⃤
@Technical_coding 💻
👍1