DLeX: AI Python
دانشگاه های آزاد و پیام نور به ترتیب پنجمین و هفتمین دانشگاه بزرگ دنیا هستند! ❇️ @ai_python
تعداد اساتید شاغل در دانشگاه های مختلف به تفکیک دستگاه اجرایی و رتبه استادی
در مجموع کل 66314 استاد شاغل هستند
❇️ @ai_python
در مجموع کل 66314 استاد شاغل هستند
❇️ @ai_python
DLeX: AI Python
تعداد اساتید شاغل در دانشگاه های مختلف به تفکیک دستگاه اجرایی و رتبه استادی در مجموع کل 66314 استاد شاغل هستند ❇️ @ai_python
حالا اینارو چرا گفتیم. برای این:
یک نرخی هست به اسم student-teacher ratio که نشون میده به ازای هر چند دانشجو یک استاد در دانشگاه مشغول هست. کم بودن این نرخ نشون میده که دانشجو به اساتید بیشتری دسترسی داره.
با آمار گفته شده حساب کنیم چیزی حدود ۶۷:۱ در میاد. یعنی برای هر ۶۷ دانشجو یک استاد.
این نرخ به صورت میانگین برای کشورهای مختلف نشان داده شده است در ادامه.
❇️ @ai_python
یک نرخی هست به اسم student-teacher ratio که نشون میده به ازای هر چند دانشجو یک استاد در دانشگاه مشغول هست. کم بودن این نرخ نشون میده که دانشجو به اساتید بیشتری دسترسی داره.
با آمار گفته شده حساب کنیم چیزی حدود ۶۷:۱ در میاد. یعنی برای هر ۶۷ دانشجو یک استاد.
این نرخ به صورت میانگین برای کشورهای مختلف نشان داده شده است در ادامه.
❇️ @ai_python
DLeX: AI Python
حالا اینارو چرا گفتیم. برای این: یک نرخی هست به اسم student-teacher ratio که نشون میده به ازای هر چند دانشجو یک استاد در دانشگاه مشغول هست. کم بودن این نرخ نشون میده که دانشجو به اساتید بیشتری دسترسی داره. با آمار گفته شده حساب کنیم چیزی حدود ۶۷:۱ در میاد.…
منبع: http://www.nationmaster.com/country-info/stats/Education/Pupil--teacher-ratio%2C-primary#-date
اگر اشتباهی شده حتما اطلاع بدید ممنون میشم.
تحلیل مابقی بر عهده خودتان.
❇️ @ai_python
اگر اشتباهی شده حتما اطلاع بدید ممنون میشم.
تحلیل مابقی بر عهده خودتان.
❇️ @ai_python
📌 داکیومنت آنلاین و رایگان برای اکثر زبان ها و تکنولوژی های موجود با قابلیت مشاهده آفلاین
🔗 devdocs.io
باتشکر از دوست خوبمون @Omid_Mazaheri 🙏
@Ai_python
🔗 devdocs.io
باتشکر از دوست خوبمون @Omid_Mazaheri 🙏
@Ai_python
#تیکه_کلام
👱🏻#بیل_گیتس میگه :
✅ برای برنامه نویسی لازم نیست که یک نابغه باشید. کافیه جمع و تفریق رو بلد باشید. 👨💻
❇️ @ai_python
👱🏻#بیل_گیتس میگه :
✅ برای برنامه نویسی لازم نیست که یک نابغه باشید. کافیه جمع و تفریق رو بلد باشید. 👨💻
❇️ @ai_python
DLeX: AI Python via @vote
کدام کتابخانه را برای یادگیری عمیق ترجیح میدهید؟ ( در نظر داریم آموزشهای مربوطه را در کانال قرار دهیم)
anonymous poll
Tensorflow – 192
👍👍👍👍👍👍👍 78%
PyTorch – 40
👍 16%
Caffe – 8
▫️ 3%
Theano – 5
▫️ 2%
👥 245 people voted so far.
anonymous poll
Tensorflow – 192
👍👍👍👍👍👍👍 78%
PyTorch – 40
👍 16%
Caffe – 8
▫️ 3%
Theano – 5
▫️ 2%
👥 245 people voted so far.
This media is not supported in your browser
VIEW IN TELEGRAM
از امروز کامیون های خودران شرکت Uber بارهای آریزونا را حمل خواهند کرد.
منبع: https://www.theverge.com/2018/3/6/17081626/uber-self-driving-trucks-delivering-cargo-arizona
❇️ @ai_python
منبع: https://www.theverge.com/2018/3/6/17081626/uber-self-driving-trucks-delivering-cargo-arizona
❇️ @ai_python
Forwarded from Apply Market
Media is too big
VIEW IN TELEGRAM
آیا شاخصی برای ارزشیابی دانشگاه های خارجی در ایران وجود دارد؟
این ویدیو تا حدی پاسخ این سوال را خواهد داد.
🆔 @ApplyMarket
این ویدیو تا حدی پاسخ این سوال را خواهد داد.
🆔 @ApplyMarket
DLeX: AI Python
❇️ @ai_python
لینک های شرکت در این دوره ها و توضیحات مربوطه:
💎 جبر خطی و احتمالات در یادگیری ماشینی با استفاده از پایتون
این کارگاه دوره فشردهای در حوزه ریاضیات یادگیری ماشینی است. در این دوره آموزشی روشهای عمده در جبر خطی و تئوری احتمالات ارائه میشود؛ روشهایی که مستقیما به الگوریتمهای یادگیری ماشینی مرتبط هستند. پس از این کارگاه فراگیران هم نحوه خواندن مباحث ریاضیاتی در مقالات یادگیری ماشینی را خواهند آموخت و هم نحوه توصیف مدلهای خودشان به زبان ریاضی با استفاده از عملیات موجود در جبر خطی را یاد میگیرند. تمامی این مفاهیم به صورت گام به گام در کتابخانههای استاندارد پایتون پیاده سازی میشود.
لینک ثبت نام: http://www.ifc.ir/linear-algebra-and-probabilities
💎 پیشبینی سریهای زمانی با استفاده از پایتون
پیشبینی وضعیت آینده همواره یکی از مهمترین مسائل در بازارهای مالی بهشمار میرود. مدلها و روشهای گوناگونی جهت انجام پیشبینی مورد کاربرد محققان و فعالان بازار است. مدلهای اقتصادسنجی و الگوریتمهای هوشمند نظیر شبکههای عصبی و یادگیری عمیق ازجمله مهمترین روشهای پیشبینی آینده مبتنی بر دادههای گذشته تلقی میشوند. این مدلها و الگوریتمها را میتوان در بسترها و با استفاده از ابزارهای متفاوتی پیادهسازی کرده و به نتایج موردنظر دست یافت. در این دوره آموزشی افراد پس از آشنایی و یادگیری نحوه کدنویسی در پایتون و درک صحیحی از دادهها و ساختار آن در سریهای زمانی، مدلهای پیشبینی اعم از خطی و غیرخطی را پیادهسازی خواهند کرد. همچنین پس از انجام پیشبینی به ارزیابی آن خواهند پرداخت.
لینک ثبت نام: http://www.ifc.ir/time-series-using-python
⭐️ با تخفیف ویژه برای دانشجویان
👨🏻💼 مدرس: جناب دکتر علی حبیب نیا
❇️ @ai_python
💎 جبر خطی و احتمالات در یادگیری ماشینی با استفاده از پایتون
این کارگاه دوره فشردهای در حوزه ریاضیات یادگیری ماشینی است. در این دوره آموزشی روشهای عمده در جبر خطی و تئوری احتمالات ارائه میشود؛ روشهایی که مستقیما به الگوریتمهای یادگیری ماشینی مرتبط هستند. پس از این کارگاه فراگیران هم نحوه خواندن مباحث ریاضیاتی در مقالات یادگیری ماشینی را خواهند آموخت و هم نحوه توصیف مدلهای خودشان به زبان ریاضی با استفاده از عملیات موجود در جبر خطی را یاد میگیرند. تمامی این مفاهیم به صورت گام به گام در کتابخانههای استاندارد پایتون پیاده سازی میشود.
لینک ثبت نام: http://www.ifc.ir/linear-algebra-and-probabilities
💎 پیشبینی سریهای زمانی با استفاده از پایتون
پیشبینی وضعیت آینده همواره یکی از مهمترین مسائل در بازارهای مالی بهشمار میرود. مدلها و روشهای گوناگونی جهت انجام پیشبینی مورد کاربرد محققان و فعالان بازار است. مدلهای اقتصادسنجی و الگوریتمهای هوشمند نظیر شبکههای عصبی و یادگیری عمیق ازجمله مهمترین روشهای پیشبینی آینده مبتنی بر دادههای گذشته تلقی میشوند. این مدلها و الگوریتمها را میتوان در بسترها و با استفاده از ابزارهای متفاوتی پیادهسازی کرده و به نتایج موردنظر دست یافت. در این دوره آموزشی افراد پس از آشنایی و یادگیری نحوه کدنویسی در پایتون و درک صحیحی از دادهها و ساختار آن در سریهای زمانی، مدلهای پیشبینی اعم از خطی و غیرخطی را پیادهسازی خواهند کرد. همچنین پس از انجام پیشبینی به ارزیابی آن خواهند پرداخت.
لینک ثبت نام: http://www.ifc.ir/time-series-using-python
⭐️ با تخفیف ویژه برای دانشجویان
👨🏻💼 مدرس: جناب دکتر علی حبیب نیا
❇️ @ai_python
گروه ریاضی و رمزنگاری:
↪️ https://t.me/joinchat/HdXdAUv287poCj8cYQbbuw
گروه پرسش و پاسخ یادگیری عمیق:
↪️ https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw
گروه پرسش و پاسخ پردازش زبان طبیعی:
↪️ https://t.me/joinchat/ClyM2hD0u8mHCI0lj-IHgQ
گروه پرسش و پاسخ لینوکس پایتون و هوش مصنوعی:
↪️ https://t.me/joinchat/ClyM2j9QzOiTI_Ul3Oqa_g
گروه ارز دیجیتال:
↪️ https://t.me/joinchat/ClyM2ks_FYVvdY6Gn_PjqA
کانال یوتیوب دروس فارسی دکتر رضوی (هوش مصنوعی، پایتون و یادگیری عمیق):
↪️ http://www.youtube.com/c/SeyedNaserRazavi
کانال پایتون، هوش مصنوعی، لینوکس و علوم شناختی:
↪️ https://t.me/joinchat/AAAAAEIZz9O4RpAXQ_ylTw
❇️ @ai_python
↪️ https://t.me/joinchat/HdXdAUv287poCj8cYQbbuw
گروه پرسش و پاسخ یادگیری عمیق:
↪️ https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw
گروه پرسش و پاسخ پردازش زبان طبیعی:
↪️ https://t.me/joinchat/ClyM2hD0u8mHCI0lj-IHgQ
گروه پرسش و پاسخ لینوکس پایتون و هوش مصنوعی:
↪️ https://t.me/joinchat/ClyM2j9QzOiTI_Ul3Oqa_g
گروه ارز دیجیتال:
↪️ https://t.me/joinchat/ClyM2ks_FYVvdY6Gn_PjqA
کانال یوتیوب دروس فارسی دکتر رضوی (هوش مصنوعی، پایتون و یادگیری عمیق):
↪️ http://www.youtube.com/c/SeyedNaserRazavi
کانال پایتون، هوش مصنوعی، لینوکس و علوم شناختی:
↪️ https://t.me/joinchat/AAAAAEIZz9O4RpAXQ_ylTw
❇️ @ai_python
DLeX: AI Python via @vote
کدام کتابخانه را برای یادگیری عمیق ترجیح میدهید؟ ( در نظر داریم آموزشهای مربوطه را در کانال قرار دهیم) anonymous poll Tensorflow – 192 👍👍👍👍👍👍👍 78% PyTorch – 40 👍 16% Caffe – 8 ▫️ 3% Theano – 5 ▫️ 2% 👥 245 people voted so far.
در مورد PyTorch علاقه مندان میتونن آموزشهای دکتر رضوی رو دنبال بکنند:
https://t.me/ai_python/3140
در مورد تنسورفلو از امروز آموزشها شروع میشند و به صورت خیلی کوتاه و پست های تلگرامی در اختیار دوستان قرار میگیرند.
با ما باشید.
با ما نبودید هم لفت بدید😒
مثل شاطر براتون پست میزاریم لفت هم میدید والا 😒😒😒
❇️ @ai_python
https://t.me/ai_python/3140
در مورد تنسورفلو از امروز آموزشها شروع میشند و به صورت خیلی کوتاه و پست های تلگرامی در اختیار دوستان قرار میگیرند.
با ما باشید.
با ما نبودید هم لفت بدید😒
مثل شاطر براتون پست میزاریم لفت هم میدید والا 😒😒😒
❇️ @ai_python
Telegram
AI, Python, Machine Learning, Cognitive Neuroscience
اسلایدهای جلسه معرفی کارگاه یادگیری عمیق با پایتون (۱۳ اسفند)
#یادگیریـعمیق
#پایتون
#دکترـرضوی
پاسخ به سوالات: https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw
#یادگیریـعمیق
#پایتون
#دکترـرضوی
پاسخ به سوالات: https://t.me/joinchat/ClyM2hFyG5NPY4Cu-B_Tmw
#تنسورفلو 01
تنسورفلو چیست و چرا؟
تنسورفلو (انگلیسی: TensorFlow یک کتابخانهٔ نرمافزاری متنباز برای یادگیری ماشین در انواع مختلف وظایف مفهومی و زبان است که در حال حاضر توسط ۵۰ تیم تحقیقاتی و محصولات مختلف گوگل از جمله بازشناسی گفتار، جیمیل، گوگل فوتوز و جستجو که بسیاری از آنها سابقاً از دیستبلیف استفاده کرده بودند، استفاده میشود. تنسورفلو در آغاز توسط تیم گوگل برین مرکز تحقیقاتی گوگل به صورت داخلی استفاده میشد ولی بعدها در ۹ نوامبر ۲۰۱۵ تحت مجوز آپاچی منتشر شد.
دلایل زیادی نظیر اینکه تصاویر طیف خاکستری در کامپیوتر معمولاً به صورت ماتریسهای n∗m ذخیره میشوند(تصاویر رنگی با ابعاد بیشتر مانند n∗m∗3) و وقتی ما دستهای از تصاویر داریم (مثلاً k تصویر)، مجبوریم ابعاد ماتریسها را به صورت n∗m∗k یا در تصاویر رنگی n∗m∗3∗k افزایش دهیم سبب شدند که در طراحی TensorFlow از داده ساختار تانسور برای نگه داری مقادیر و نوع داده متغیرها استفاده شود. اما مهم ترین دلیل استفاده TensorFlow از تانسورها، در حقیقت سهولت مدیریت وزنها و مقادیر نرونها در لایههای مختلف در شبکههای عصبی عمیق و یادگیری عمیق است.
تنسور چیست؟
اصولا اگر داده را به صورت بردار در نظر بگیریم به سه نوع خواهد بود:
دسته ۱: داده های برداری که به شکل یک بردار ۱ بعدی هستند
دسته ۲: داده های ماتریسی که به صورت ۲ بعدی خواهند بود
دسته ۳: داده هایی که به صورت ماتریس هایی با ابعاد بالاتر از ۲ هستند که به آنها تنسور گفته میشود.
دلیل اصلی اینکه می بایستی محاسبات تنسور را بیاموزیم این است که در کل داده هایی مانند تصویر به صورت تنسور هایی هستند که گاها بهم مرتبط (مانند ویدئو) و گاها نامرتبط بهم (تصاویر نا مرتبط) می باشند.
❇️ @ai_python
تنسورفلو چیست و چرا؟
تنسورفلو (انگلیسی: TensorFlow یک کتابخانهٔ نرمافزاری متنباز برای یادگیری ماشین در انواع مختلف وظایف مفهومی و زبان است که در حال حاضر توسط ۵۰ تیم تحقیقاتی و محصولات مختلف گوگل از جمله بازشناسی گفتار، جیمیل، گوگل فوتوز و جستجو که بسیاری از آنها سابقاً از دیستبلیف استفاده کرده بودند، استفاده میشود. تنسورفلو در آغاز توسط تیم گوگل برین مرکز تحقیقاتی گوگل به صورت داخلی استفاده میشد ولی بعدها در ۹ نوامبر ۲۰۱۵ تحت مجوز آپاچی منتشر شد.
دلایل زیادی نظیر اینکه تصاویر طیف خاکستری در کامپیوتر معمولاً به صورت ماتریسهای n∗m ذخیره میشوند(تصاویر رنگی با ابعاد بیشتر مانند n∗m∗3) و وقتی ما دستهای از تصاویر داریم (مثلاً k تصویر)، مجبوریم ابعاد ماتریسها را به صورت n∗m∗k یا در تصاویر رنگی n∗m∗3∗k افزایش دهیم سبب شدند که در طراحی TensorFlow از داده ساختار تانسور برای نگه داری مقادیر و نوع داده متغیرها استفاده شود. اما مهم ترین دلیل استفاده TensorFlow از تانسورها، در حقیقت سهولت مدیریت وزنها و مقادیر نرونها در لایههای مختلف در شبکههای عصبی عمیق و یادگیری عمیق است.
تنسور چیست؟
اصولا اگر داده را به صورت بردار در نظر بگیریم به سه نوع خواهد بود:
دسته ۱: داده های برداری که به شکل یک بردار ۱ بعدی هستند
دسته ۲: داده های ماتریسی که به صورت ۲ بعدی خواهند بود
دسته ۳: داده هایی که به صورت ماتریس هایی با ابعاد بالاتر از ۲ هستند که به آنها تنسور گفته میشود.
دلیل اصلی اینکه می بایستی محاسبات تنسور را بیاموزیم این است که در کل داده هایی مانند تصویر به صورت تنسور هایی هستند که گاها بهم مرتبط (مانند ویدئو) و گاها نامرتبط بهم (تصاویر نا مرتبط) می باشند.
❇️ @ai_python
DLeX: AI Python via @like
جایزه نوبل مسخره ترین سوال در گروه های برنامه نویسی میرسه به:
اینجا کسی فلان چیز رو بلده؟!
خب سوالت رو بپرس 😐 بلد نبودند اسم گروه رو نمیزاشتن فلان چیز 😡
❇️ @ai_python
اینجا کسی فلان چیز رو بلده؟!
خب سوالت رو بپرس 😐 بلد نبودند اسم گروه رو نمیزاشتن فلان چیز 😡
❇️ @ai_python