نقشه راه
Data Science ML Full Stack Roadmap
#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی #زبان_پایتون
#DeepLearning #MachineLearning #Python #DataScience #ML #DL #Learn #roadmap
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        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 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 💻

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 💻

گراف‌های دانش به مدل‌های زبانی (LLM) کمک می‌کنند تا با درک روابط پیچیده بین کاربران و آیتم‌ها، ترجیحات کاربران را بهتر یاد بگیرند.
هوشمندتر کردن پیشنهادات هوش مصنوعی با فهمیدن دلیل علاقه شما به چیزها
◾️ Knowledge Graph Enhanced Language Agents for Recommendation
#مقاله #ایده_جذاب #گراف #مدل_زبانی
#LLM #DL #ML #MachineLearning #DeepLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Vector Database by hand ✍️
Building a Vector Database in Excel

#SVM #DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

در این مقاله از اینکه مشکل شبکه های عصبی چیست؟ صحبت میشه و بحث به اینکه چرا نیاز به شبکه های عصبی بیزی داریم به پایان میرسه.
◾️ Bayesian Neural Networks
#شبکه_عصبی #مقاله #آمار
#BNN #DL #ML #DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        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 💻

🌐 شبکه عصبی CNN چیست؟ شبکه عصبی کانولوشنال (CNN) نوعی الگوریتم یادگیری عمیق است که از مغز انسان الهام گرفته شده است. این به ویژه برای تجزیه و تحلیل داده های بصری قدرتمند است.
🧩 مولفه اصلی: لایه کانولوشنال لایه کانولوشن قلب یک CNN است. چندین فیلتر را روی تصویر ورودی اعمال می کند، هر فیلتر ویژگی های مختلفی مانند لبه ها، بافت ها و الگوها را تشخیص می دهد. این فرآیند به شبکه اجازه می دهد تا تصویر را با جزئیات درک کند.
در اینجا نحوه کار آن آمده است:
پیچیدگی: شبکه تصویر را در بخش های کوچک اسکن می کند و آن را در سه بعد (ارتفاع، عرض و عمق) بررسی می کند تا جزئیات پیچیده را ثبت کند.
فعال‌سازی: توابع غیرخطی مانند ReLU (واحد خطی اصلاح‌شده) برای معرفی غیرخطی استفاده می‌شوند و شبکه را قادر می‌سازد تا الگوهای پیچیده را بیاموزد.
ادغام: این مرحله ابعاد نقشه های ویژگی را کاهش می دهد و شبکه را از نظر محاسباتی کارآمد می کند و در عین حال اطلاعات مهم را حفظ می کند.
#CNN #DL #ML #MachineLearning #DeepLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

یادگیری ماشین کاربردی با پایتون با کتاب آنلاین Applied ML
ایبوک دکتر مایکل پیزونکا استادیار دانشگاه تگزاس به همراه ویدئوها و تمرین ها و پروژه های عملی
https://geostatsguy.github.io/MachineLearningDemos_Book/intro.html
#هوش_مصنوعی #پایتون #یادگیری_ماشین #کتاب
#python #MachineLearning #Book
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🌟 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 💻

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 💻

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 💻

در این مقاله نشان می‌دهند که چگونه مدل‌های ViT ویژگی‌هایی مانند شکل، رنگ و بافت را رمزگذاری می‌کنند و این برای بازیابی تصاویر مبتنی بر ویژگی، نقشه‌های حرارتی توکن‌ها و کاهش همبستگی‌های کاذب مفید است.
▪️ Decomposing and Interpreting Image Representations via Text in ViTs Beyond CLIP

#ViT #ViTs #DeepLearning #ML
#DL #MachineLearning #DataScience
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Python Machine Learning
یادگیری ماشین پایتون
#هوش_مصنوعی #کتاب #یادگیری_ماشین #پایتون
#MachineLearning #DeepLearning #python #AI #book
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

✏️ جدیدترین جزوه «یادگیری ماشین»
🖥 دانشگاه جانز هاپکینز / ترم پاییز
✅ هدف اصلی این جزوه پوشش مفاهیم آماری یادگیری ماشین؛ شامل جبرخطی و آمار و احتمال، بهینه‌سازی با ML و الگوریتم‌های یادگیری ماشینه.
🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻