کم گوی و گزیده گوی چون for
تا ز اندک تو RAM بشود پُر


🧬

مکالمه دو برنامه نویس که ما هیچی ازش نمیفهمیم



🧬

چیت شیت مَشتی برای SQL

🐏

✅معرفی پلاگین هوشمند codesnippets

▪️ این پلاگین به شما اجازه میده تا قطعات کوچکی از کد رو به راحتی تو وبسایت خودتون اضافه کنید.

▪️علاوه بر این می‌تونید از کد‌های آماده PHP، HTML، CSS و JS استفاده کنید یا کد‌های خودتون رو بسازید، این نرم افزار از ابزارهای ساخت وبسایت مانند Elementor و Gutenberg پشتیبانی هم می‌کنه.

▪️با این ابزار شما می‌تونید کد‌های خودتون رو فعال یا غیرفعال کنید، اون هارو با برچسب‌ها دسته‌بندی کنید، اون هارو با فرمت JSON وارد یا خارج کنید و یا اون هارو به صورت پلاگین یا تم PHP تبدیل کنی.

👉 https://codesnippets.pro/

✨

سلام :)

من خودم از اون دسته از آدم‌هایی هستم که همه چیز رو خود‌آموز ياد گرفتم و اینطوری برام راحت‌تر بوده، این وسط یکی از مشکلاتی که همیشه تو یادگیری داشتم کمبود منابع تمرین محور بود، این که بتونم در قالب یک پروژه و تمرین یک مبحثی رو یاد بگیریم.

امروز به صورت اتفاقی چشمم به این ریپو افتاد، اگه دوست دارید به صورت پروژه محور یک زبان برنامه‌نویسی رو یاد بگیرید، این ریپو با ۱۳۸ هزار ستاره تو گیت‌هاب نجاتتون می‌ده و لیست خیلی خوبی از آموزش‌های پروژه محور داره و مطمئنم خیلی به دردتون می‌خوره:

https://github.com/practical-tutorials/project-based-learning

#ProgrammingCourse

💋
‌ ‌‌ ‌‌

باگ‌بانتی (جایزه دادن به گزارش باگ امنیتی) #اصطلاحات

📁 چیت‌شیت جامع پایتون برای علم داده

این چیت‌شیت یکی از جامع‌ترین مجموعه‌های برگه‌ تقلب پایتون توی حوزه علوم داده است و برای سطح مبتدی تا پیشرفته مفید و کاربردیه.



🐔

سازنده پایتون:
"دنبال یک پروژه به عنوان سرگرمی میگشتم که منو سرگرم کنه تو تعطیلات کریسمس، فقط یک کامپیوتر داشتم پس تصمیم گرفتم یک مفسر بنویسم برای یک زبان اسکریپت نویسی که بعدا اسمش رو گذاشتم پایتون"


بنیاد ماشین لرنینگ روی سرگرمی ایشون بنا شده





🦋

⌨️ برای تمرین برنامه‌نویسی یه سر به اینا بزن!

▪️سایت آوردم واست که هرکدوم یه عالمه تمرین برنامه نویسی توش هست ؛ مهم نیست چه زبانی کار میکنی ، این سایتا تقریباً از تمامی زبان های برنامه نویسی پشتیبانی میکنن.

1️⃣ سایت اول : leetcode

🔗این سایت به شما سوال برنامه نویسی میده و محیطی رو هم اختصاص داده برای نوشتن کدهای شما ؛ از 14 زبان برنامه‌نویسی پشتیبانی میکنه و بیش 3.500 سوال داره.

🔢 سایت دوم : hackerrank

🔗این سایت براساس دسته‌بندیی که شما انتخاب میکنید یک عالمه سوال برنامه نویسی بهتون نمایش میده ؛ درجه بندی سوال هم داره و میتونید به ترتیب سختی اونارو مرتب کنید.

🔢 سایت سوم : codesignal

🔗این سایت هم مشابه دو سایت قبلی کلی سوال بهتون میده فقط فرقش اینه که برای خیلی از پاسخ‌هاش ویدیو آپلود کرده و سعی میکنه با عکس و انیمیشن پاسخ سوالاتش رو بده.
#معرفی_سایت #کد
🌼

نقشه راه دیتا ساینس

🍇

📢مسیر دیتا ساینس به چه شکله؟



🐏

📊برای داده هام از چه نموداری استفاده کنم بهتره؟

💡 کدوم کمک میکنه که رفتار داده م رو بهتر بفهمم؟

🎯🔍 فرقی نمیکنه از چه ابزاری استفاده میکنی، این شکل بت ایده میده چه نموداری مناسب تره!

🔥جزو ابتدایی ترین کارهای یه دیتا ساینتیست، اینه که اول ببینه تو داده هاش چه خبره!

📉توی صنعت و وقتایی که با داده های واقعی سر و کار داریم، بخش زیادی از زمان ما صرف مرتب کردن و اصلاح داده ها میشه قبل از اینکه بخوایم کار دیگه ای کنیم


🦢

🔥 یکی از ابتدایی ترین کارهای Data Scientist، ارزیابی کیفیت داده ست..

📉 از بین ستون ها، کدوم هاشون داده های خالی داره

🚀کتابخونه missingo با یک خط یه شماتیک کلی از وضعیت پراکندگی کیفیت داده هاتون میده [شکل و ببین]

💯امکان ارزیابی جداگانه ی هر ستون

🛎

🧠 شبکه‌های عصبی، یکی از پرقدرت‌ترین ابزارهای یادگیری ماشینی هستند. این شبکه‌ها با استفاده از ساختارهای پیچیده، مانند شبکه‌های عمیق انتقالی (DBN) و گیت‌های بازگشتی گیبس (GRU)، توانایی یادگیری و تشخیص الگوها را دارند. 🌟

🤖 همچنین، در علم داده ما شاهد استفاده از روش‌های دیگری نیز هستیم. SVM که یک تقسیم‌بندی با حاشیه بیشینه است، با استفاده از داده‌های برچسب‌دار، به تشخیص الگوها می‌پردازد. در حالی که شبکه حافظه ترتیبی نئوترون (NTM) با قابلیت حافظه و دسترسی به اطلاعات گذشته، وظایف پیچیده‌تری را انجام می‌دهد. 📚

🔌 شبکه‌های تغذیه جلو (Feed Forward)، پرسپترون (Perceptron) و شبکه‌های عمیق تماماً متصل (DFF) نیز در دسته‌بندی و پیش‌بینی داده‌ها مورد استفاده قرار می‌گیرند. این شبکه‌ها با استفاده از لایه‌های متصل خطی و توابع غیرخطی، قادر به مدل‌سازی روابط پیچیده می‌باشند. 📊

با توجه به تنوع این ابزارها، شبکه‌های عصبی به عنوان یکی از اصولی‌ترین و مفیدترین روش‌ها در زمینه یادگیری ماشینی شناخته می‌شوند. 💡✨

🚀 ماشین لرنینگ به زبان ساده💡

‏🤔 بد نیست همه مون یکم بدونیم در دنیای هوش مصنوعی چی میگذره!

‏🧐 سعی شده یه سری مفاهیم کلی با شکل در حد امکان و خلاصه توضیح داده بشه




💎

عملیات ماشین لرنینگ :
در MLOps، یک سفر موفق از داده‌ها تا مدل‌های یادگیری ماشینی شامل چندین مرحله حیاتی است. بیایید با هم آن‌ها را بررسی کنیم:

📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.

🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.

🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.

🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.

📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.

🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.

✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.

💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.

📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.

🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.

📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.

🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.

🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.

📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.

🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.

🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.

📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.

🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.

👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.

🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.توضیح

📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.

🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.

🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.

🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.

📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.

🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.

✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.

💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.

📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.

🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.

📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.

🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.

🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.

📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.

🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.

🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.

📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.

🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.

👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.

🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.