سرفصلهای درس
Distributed and Scalable Data Engineering

This course will introduce students to working with distributed systems for efficiently collecting and analyzing large quantities of varied data. This is a survey-style course covering common data platforms and analysis patterns including Postgres (SQL), Hadoop (MapReduce), Spark, Kafka (logs), Lambda Architecture (streaming), and Cassandra (NoSQL).

✔️ تفاوت Publish و Expose پورت‌های کانتینر داکر

🔶احتمالا براتون سوال شده Publish و Expose پورت های کانتینر داکر چه تفاوتی با یکدیگر دارند؟ آیا هردو برای Port Forwarding استفاده میشوند؟
🔷از دیدگاه تکنیکال چه تفاوت هایی میان این ۲ روش وجود دارد؟

🖥 تماشا در یوتوب:
👉 Link: https://www.youtube.com/watch?v=riM5yxQJEXU

#Docker #داکر #Publish #Expose #Container #کانتینر
〰️〰️〰️〰️〰️
©️ @DjangoEx | @AI_Python

از چنلهای خیلی خوب یوتیوب

https://m.youtube.com/channel/UCHB9VepY6kYvZjj0Bgxnpbw/playlists

#فیلم #مقاله #کلاس_آموزشی #هوش_مصنوعی #الگوریتمها #پایتون

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

#خبر

#آتنا ، راهکارِ شناسا برای احراز هویت آنلاین

https://ecomotive.ir/1399/09/12/authena-online-authentication/

مرتبط با معرفی سرویس هوشمند احراز هویت آنلاین آتنا (Authena)

#Authena

Learning to Summarize from Human Feedback

Github:
https://github.com/openai/summarize-from-feedback

Dataset:
https://openaipublic.blob.core.windows.net/summarize-from-feedback/website/index.html#/

Paper:
https://proceedings.neurips.cc//paper/2020/file/1f89885d556929e98d3ef9b86448f951-Paper.pdf

#فیلم #مقاله #کلاس_آموزشی #هوش_مصنوعی #الگوریتمها #پایتون #پردازش_زبان_طبیعی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

Siamese networks with Keras, TensorFlow, and Deep Learning

https://www.pyimagesearch.com/2020/11/30/siamese-networks-with-keras-tensorflow-and-deep-learning/

یکی از بیشترین سوالاتی که پرسیده میشه اینه که از کجا و چطور باید شروع کنم (یادگیری عمیق) توی این پست می‌خوام به این سوال پاسخ بدم (تاریخ : ۱۴ آذر ۱۳۹۹)

افرادی که این سوال رو می‌کنند معمولاً دو دسته هستند اونهایی که آکادمیک بصورت خیلی جدی دنبال کردند و تئوری قضیه رو بلدند و اونهایی که هیچ دیدی از تئوری ندارند و بخاطر ترند بودن وارد میشوند.

چندتا فرض : ۱- لینوکس و پایتون رو بلد هستید (پایتون سطح متوسط و لینوکس همون LPIC 1 هم کفایت می‌کنه)
۲- با خوندن کتاب مشکلی ندارید
۳- قرار هست کلا بیخیال یادگیری به زبان فارسی بشید

این لیست کتابهایی هست که پیشنهاد می‌کنم :

1- The hundred-page machine learning (Andriy Burkov)

این کتاب برای کسایی هست که یادگیری ماشین رو خیلی خیلی کم میشناسند، قبل از این که بخواید وارد بشید لازمه اول مطمئن بشید همون چیزی هست که فکرشو می‌کردید.

2- Hands on ML with scikit-learn, keras, tensorflow (2nd edition) (Aurelien Geron)

نیازی به تعریف نداره بهترین کتاب برای شروع کد زدن بدون ریاضیات پیچیده، بهمراه تئوری کافی.

اینجا مرحله‌ای هست که دانشگاهی و آموزشگاهی و ... و خیلی از افرادی که دارند کار می‌کنند (حدود ۹۵٪) میزنن جاده خاکی یا درحال پیاده‌سازی ایده‌ها و روش‌های مختلف هستند یا درحال خوندن مقالات روز دنیا، اینکه شما چقدر تسلط دارید و چقدر عالی مدل‌هارو ایجاد می‌کنید ی بحث هست اما اینکه آیا واقعاً این مدل می‌تونه به تمام مشتریان شما در زمان مناسب پاسخ بده و .... بحث مهمتری هست.

3- Build Machine Learning Powered Application : Going from idea to product (Emmanuel Ameisen)

برای شروع کتاب خوبی هست، البته مطالبی که توی کتابهای قبلی خوندید رو می‌تونید فقط نگاهی بندازید.

4- Machine Learning Engineering (Andriy Burkov)

مباحث مربوط به سرویس دهی و ... از یک جایی به بعد نیاز به ML engineer داره اما لازمه شما با این مباحث آشنایی کامل داشته باشید مخصوصاً اگر قراره پروژه خودتون رو راه بندازید.

5- Building Machine Learning Pipelines : Automating Model Life Cycle with Tensorflow (Hannes Hapke)

این بخش خیلی خیلی مهمه، قرار نیست تا ابد هر چندوقت یکبار بشینید و بصورت دستی دیتا جدید رو ترین کنید و همه مراحل رو پیش بگیرید باید از data pipeline ها استفاده کنید (چیزی که خیلی خیلی کم دیده می‌شه)

6- TinyML : Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers (Pete Warden)

شاید هیچ وقت لازم نشه روی این سخت‌افزارها سرویس دهنده باشید، اما چیزهایی که توی این کتاب قرار هست یاد بگیرید واقعاً واجب هست.

7- Practical Deep Learning for Cloud, Mobile, and Edge : .... (Anirudh Koul)

تا اینجا بصورتی بود که خسته کننده نباشه و کدینگ و ... هم پیش بره اما کم کم باید وارد مباحث تئوری و ریاضیات هم شد.

8- d2l.ai

بخش تئوری این کتاب شامل کلی tips and tricks می‌شه که جالب هستند.

9- deeplearningbook.org

همه‌ی تئوری‌ها و ریاضیاتی که پیچوندید رو باید بالاخره یاد بگیرید :)

امیدوارم این لیست مفید باشه، سعی کردم کتابهایی که خوب هستند یا خودم خوندم و نتیجه گرفتم رو فقط معرفی کنم وگرنه این لیست ادامه دار بود.

امیدوارم مفید باشه 🌹
#چطور_شروع_کنیم

Probabilistic Graphical Models
10-708 • Spring 2019 • Carnegie Mellon University
https://sailinglab.github.io/pgm-spring-2019/lectures/

ماژول 3 به همراه اسلاید - کورس نوت و ویدیو در مورد مباحث یادگیری عمیق است
Module 3: Deep Learning & Generative Models

برای مثال مطالب جالبی برای GAN ها میتوانید بخوانید
Deep generative models (part 1):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-17/

Deep Generative Models (Part 2):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-18/

#منابع #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

دوره #پردازش_زبان_طبیعی دانشگاه میشیگان- دکتر قاسمی
YouTube:
https://m.youtube.com/channel/UCYGBs23woNtXUSl6AugHNXw

Github: https://github.com/deskool/nlp-class

#منابع #فیلم #کلاس_آموزشی

❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN

گوگل ابزار یافتن اتوماتیک باگ در کدهای پایتون رو بصورت opensource در github قرار داده

Github Link

اما اگه خواستید بدونید این ابزار چقدر مهمه توجه شمارو به این خبر سال ۲۰۱۸ جلب می‌کنم

Google Automatic Bug Finder Already Found More Than 9.000 Vulnerabilities

ازین به بعد توی پروژه‌های پایتون سعی کنید ازین ابزار استفاده‌ کنید، مخصوصاً دوستانی که
Django/Flask/FastApi
کار می‌کنند، یادتون باشه این ابزار در از حالا در اختیار هکرها هم هست.
اگر فکر می‌کنید سایت و پروژه شما مگه چیه که برای هکرها اهمیت داشته باشه، یادتون باشه کسی کل رزومه رو بررسی نمی‌کنه 😉😬

🗒Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic...
📗PDF

#arXiv
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python

✔️ بهترین استاد برنامه نویسی کیه؟ از کی یاد بگیریم؟

🔶 در این ویدئو در مورد اینکه یک مدرس خوب برنامه نویسی باید چه ویژگی هایی داشته باشه صحبت میکنم.

🔷 البته، بهترین همیشه یک چیز نسبی هست، در این ویدئو معیارهایی رو یاد میگیریم تا بتونیم بهترین استاد خودمون رو پیدا کنیم و سرعتمون رو در یادگیری درست و اصولی افزایش بدیم. چه چیزی مهم تر از "زمان" ما هست که برای یادگیری داره صرف میشه؟ پس بهتره از این زمان به درستی استفاده کنیم.

🖥 مشاهده در یوتوب:
👉 Link: https://www.youtube.com/watch?v=iwAZFZPsIUg

〰️〰️〰️〰️〰️
©️ @DjangoEx | @AI_Python

گفتگو با دکتر مریم توکل پیرامون موضوع زیر: 👇👇

🔰 Fairness-aware machine learning
یادگیری سیستم‌های هوشمند با در نظر گرفتن معیارهای عدالت اجتماعی

🔸 در تاریخ یکشنبه ۱۶ آذر ساعت ۲۱ به وقت تهران

در پیج اینستاگرام زیر برگزار میگردد.

https://instagram.com/ai_python_podcast


❇️ @AI_Python

وقتی کمبود اطلاعات را نادیده میگیریم چه اتفاقی می افتد؟
خیلی وقت ها در پیش پردازش داده ،به راحتی از کنار اطلاعات ناقص می گذریم. اما ممکن است در خود این داده های خالی الگویی باشد و آن وقت است که نادیده گرفتن آن ها اثرات جبران ناپذیری برای ما دارد...
در این ویدئو دید کلی ای از این اثرات و انواع missing values بدست می آوریم:
https://youtu.be/FqxllA_HCR8
همچنین شما می توانید نسخه فارسی این ویدئو رو در ویرگول بخوانید.
#deeplearning #data_preprocessing
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python

راه‌های ارتباطی با دکتر مریم توکل

وبسایت شخصی:
http://maryamtavakol.com

گوگل اسکالر:
https://scholar.google.de/citations?user=2ycXzoIAAAAJ&hl=en

لینکدین:
https://www.linkedin.com/in/maryam-tavakol-5869682b/

🗒Explaining Predictions of Deep Neural Classifier via Activation Analysis.
📗PDF

#arXiv
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python

✔️ کانال آموزش پایتون و جنگو به فارسی

Channel:
@DjangoEx

Group:
@DjangoIR

🗒On-Device Sentence Similarity for SMS Dataset.
📗PDF

#arXiv
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python

🗒Modeling Voters in Multi-Winner Approval Voting.
📗PDF

#arXiv
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python