با سلام خدمت همراهان گرامی🤗

🎈پیشاپیش ولادت امام حسن عسکری(ع) بر امام زمان(عج) و همه شما مبارک🌹


#اطلاعیه_۱_چهارمین_دوره_سمکد

۱- از هم اکنون میتوانید با تشکیل تیم 👬 خود در سامانه www.quera.ir در مسابقه دست‌گرمی🔥 ثبت‌نام کرده و برای آشنایی با روند مسابقه سمکد، مسائل مربوط به مراحل آنلاین سال‌های گذشته سمکد را حل کرده و ارسال نمایید.😬


۲- همچنین برای ثبت نام در مسابقه مرحله اول 🥇 نیز می‌توانید از هم‌اکنون ثبت‌نام خود را نهایی کنید.

۳- دقت داشته باشید که ثبت‌نام شما در مسابقه دست‌گرمی🔥 به معنای ثبت‌نام قطعی در مسابقه اصلی🥇 نمی‌باشد.
لینک مسابقه دستگرمی:

https://quera.ir/contest/other/

۴- 📜پاسخ‌های شما به مسابقه دست‌گرمی در تعدای از سوالات در همان لحظه نمره‌دهی خواهد شد و در سوال «بهینه‌سازی» باید خودتان طبق نکته‌ای که گفته شده است، با استفاده از فایل آزمایه‌ها نمره خود را استخراج کنید.
چنانچه سوالی داشتید، میتوانید در قسمت «سوال بپرسید» سوال خود را مطرح کنید تا مسولان مسابقه در اسرع وقت آن را پاسخ دهند.🤩😏


۵- همچنین دقت داشته باشید که این مسابقه ویژه دانش‌آموزان دبیرستان‌های دوره اول می‌باشد.

4 Traits, qualities that a data scientist must seek ...

1) Technical bar: Data science teams work everyday in SQL, specifically in Postgres, and expect candidates to know Python/some fluency in some sort of statistical language. Also, someone who is really comfortable with querying really large datasets.

2) Communication: we’re in roles where a lot of our day-to-day is spent getting great insights or building models and communicating results of that to stakeholders, whether that’s product managers, marketing folks or finance. It’s super key that data science candidates have good communication skills.

3) Grit, tenacity and willingness to solve hard problems: Things that DS teams solve are generally hard problems. My hope is that anyone who joins the data science team is excited about hard problems and bumping against hard challenges.

4) Passion for the arts and passion for the mission: This is not the most important but great to have.
#datascience

❇️ @AI_Python_EN

📝 یک مقاله خوب پیرامون مبحث Transformer ها در پردازش زبان طبیعی،کاربردها و چالش های آن و راه حل های موجود برای این چالش ها

✅ مواردی که در این مقاله پوشش داده شده است شامل عناوین زیر است :

1-Sequence-to-Sequence Models – A Backdrop
2-Introduction to the Transformer in NLP
3-Understanding Transformer-XL
4-The New Sensation in NLP: Google’s BERT

🔗 لینک: shorturl.at/blR12


#پردازش_زبان_طبیعی #مقاله
#NLP
#transformer

✅ @ai_python

#پردازش_زبان_طبیعی و #بینایی_کامپیوتر/ #بینایی_ماشین
#ComputerVision #NLP

❇️ @AI_Python
✴️ @AI_Python_EN

“BatchNormalization is not a norm!” by Prateek Gulati https://towardsdatascience.com/batchnormalization-is-not-a-norm-cebfd921dadd

آموزشی مقدماتی برای دانشجویان کارشناسی

«مفاهیم و برنامه نویسی شبکه های GAN با تنسرفلو و پایتورچ»

#پایتون #شبکه_عصبی_تخاصمی #تنسرفلو #منابع #یادگیری_عمیق #کتاب #پایتورچ #برنامه_نویسی #الگوریتمها

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

25 Best Free #Dataset s for Machine Learning

https://www.edureka.co/blog/25-best-free-datasets-machine-learning/

❇️ @AI_Python_EN

گروه ما رو در لینکدین دنبال کنید
https://www.linkedin.com/groups/13793807

#ارائه آذرماه
#آزمایشگاه_سپهر برگزار می‌کند:
۲۱مین #نشست_تخصصی با موضوع: قواعد توسعه نرم افزار خوب
شرکت برای عموم آزاد است.
@cominsys_channel

💡 What's the difference between bagging and boosting?

Bagging and boosting are both ensemble methods, meaning they combine many weak predictors to create a strong predictor.

One key difference is that bagging builds independent models in parallel and "averages" their results in the end, whereas boosting builds models sequentially, at each step emphasizing reducing error that remains in the model by better fitting to the observations that were missed in previous steps.

❇️ @AI_Python_EN

Machine Learning w.r.t meditation routine.
Machine before meditation = underfitting
Machine after meditation = optimal fitting
Planning of meditation = overfitting
#datascience

❇️ @AI_Python_EN

برترین مهارت‌های فناورانه سال 2020

https://bit.ly/2OYnC8T

براساس گزارش موسسه Udemy که در حوزه برگزاری دوره‌های آموزشی آنلاین در سطح بین‌المللی فعالیت دارد به تفکیک محبوب‌ترین و پررشدترین ابزارها و تکنولوژی‌های سال 2020 براساس تحلیل مخاطبین این موسسه به شرح ذیل است.

محبوب‌ترین ابزارها و تکنولوژی‌ها:
▪️Python
▪️React (Web)
▪️Angular
▪️Docker
▪️Django
▪️CompTIA
▪️Amazon AWS
▪️Deep Learning
▪️React Native (Mobile)

برترین تکنولوژی‌ها با بیشترین رشد تقاضا:
▪️Tensorflow
▪️ChatBot
▪️Microsoft Azure
▪️OpenCV
▪️Neural Network
▪️Lpic-Linux
▪️Blockchain
▪️Splunk
▪️QGIS
▪️Kotline

پی‌نوشت:
حضور بیش از 6 ابزار و مفاهیم تخصصی حوزه‌های علم‌داده و یادگیری عمیق بعنوان محبوب‌ترین و پررشدترین تکنولوژی‌های سال 2020 از نکات قابل توجه این گزارش است. امری که نشان از جایگاه ویژه مشاغل مرتبط با علم‌داده در سال آتی خواهد شد.

@DataAnalysis

پروژه های برتر با کد #پایتون

Python Projects with Source Code – Practice Top Projects in Python

https://data-flair.training/blogs/python-projects-with-source-code/

❇️ @AI_Python

صد کتاب رایگاه علم داده

https://www.learndatasci.com/free-data-science-books/

#کتاب #علم_داده #منابع #آموزش
#datascience

❇️ @AI_Python
✴️ @AI_Python_EN

برای طراحی قالب پوستر نیازمند به یک طراح هستیم.
لطفا نمونه پوسترهای طراحی شده خود را به این آی دی ارسال بفرمایید:
@MeysamAsgariC
با تشکر

74 Summaries of Machine Learning and NLP Research Marek Rei :

http://www.marekrei.com/blog/74-summaries-of-machine-learning-and-nlp-research/

#ArtificialIntelligence #DeepLearning #MachineLearning

❇️ @AI_Python_EN

نقشه‌راه یادگیری علوم داده و مطالب مرتبط به این حوزه

#machinelearning #nlp #datascience #statistics
#منابع #یادگیری_ماشین #علم_داده #آمار

@pythony
github.com/virgili0/Virgilio

❇️ @AI_Python