⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵ایده پشت شبکه‌های عصبی کانولوشنی
👉🔗 https://t.me/data_ml/346

🔵آشنایی با مفاهیم Filter،stride و padding
👉🔗 https://t.me/data_ml/349

🔵پیاده‌سازی شبکه‌های عصبی کانولوشنال با Keras
👉🔗 https://t.me/data_ml/352

🔵ابعاد و تعداد پارامترها در CNN
👉🔗 https://t.me/data_ml/355

🔵مصورسازی لایه‌های پنهان در CNN
👉🔗 https://t.me/data_ml/358

🔵پیاده‌سازی CNNها با PyTorch
👉🔗 https://t.me/data_ml/362

🔺 کوئیز

🔵کوییز شماره ۹۷: کرنل در CNN
👉🔗 https://t.me/data_ml/347

🔵کوییز شماره ۹۸: پدینگ Same
👉🔗 https://t.me/data_ml/350

🔵کوییز شماره ۹۹: تابع فعال‌ساز مورد استفاده در CNNها
👉🔗 https://t.me/data_ml/353

🔵کوییز شماره ۱۰۰: محاسبه تعداد پارامتر
👉🔗 https://t.me/data_ml/356

🔵کوییز شماره ۱۰۱: مصورسازی فیلترها
👉🔗 https://t.me/data_ml/359

🔵کوییز شماره ۱۰۲: پیاده‌سازی CNN با PyTorch
👉🔗 https://t.me/data_ml/363

🔺 نکته

🔵پادکست شبکه‌ عصبی کانولوشنی
👉🔗 https://t.me/data_ml/348

🔵بلاگ Pooling، Pooling و فیلتر
👉🔗 https://t.me/data_ml/351

🔵تکنیک‌هایی برای کاهش زمان محاسبات در CNN
👉🔗 https://t.me/data_ml/354

🔵اشتراک‌گذاری پارامتر در لایه‌های کانولوشنی
👉🔗 https://t.me/data_ml/357

🔵چرا هوش مصنوعی قابل توصیف یا XAI برای آینده مهمه؟
👉🔗 https://t.me/data_ml/360

🔵تفاوت Deep CNNs و Shallow CNNs
👉🔗 https://t.me/data_ml/364

#Weekend
#Deep_Learning
#CNNs

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵معماری LeNet
👉🔗 https://t.me/data_ml/370

🔵رقابت ILSVRC
👉🔗 https://t.me/data_ml/373

🔵معماری AlexNet
👉🔗 https://t.me/data_ml/376

🔵معماری VGG
👉🔗 https://t.me/data_ml/380

🔵معماری Inception
👉🔗 https://t.me/data_ml/384

🔵معماری ResNet
👉🔗 https://t.me/data_ml/387

🔺 کوئیز

🔵کوییز شماره ۱۰۳: معماری LeNet-5
👉🔗 https://t.me/data_ml/371

🔵کوییز شماره ۱۰۴: اولین استفاده از ReLU و چند GPU در یک معماری
👉🔗 https://t.me/data_ml/374

🔵کوییز شماره ۱۰۵: اندازه تصویر ورودی در AlexNet
👉🔗 https://t.me/data_ml/378

🔵کوییز شماره ۱۰۶: نرخ یادگیری در fine-tuning
👉🔗 https://t.me/data_ml/382

🔵کوییز شماره ۱۰۷: معماری Inception و رأی اکثریت
👉🔗 https://t.me/data_ml/385

🔵کوییز شماره ۱۰۸: معماری ResNeXt
👉🔗 https://t.me/data_ml/388

🔺 نکته

🔵بلاگ معماری LeNet-5
👉🔗 https://t.me/data_ml/372

🔵بلاگ رقابت سالانه ILSVRC
👉🔗 https://t.me/data_ml/375

🔵ویدئو مقاله شبکه عصبی الکس‌نت
👉🔗 https://t.me/data_ml/379

🔵یادگیری انتقالی و پیاده سازی VGGNet
👉🔗 https://t.me/data_ml/383

🔵بلاگ گوگل‌نت
👉🔗 https://t.me/data_ml/386

🔵ویدئو مقاله شبکه عصبی رزنت
👉🔗 https://t.me/data_ml/389

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵معماری Densenet
👉🔗 https://t.me/data_ml/392

🔵معماری Squeeznet
👉🔗 https://t.me/data_ml/395

🔵معماری MobileNet
👉🔗 https://t.me/data_ml/398

🔵آشنایی با Keras
👉🔗 https://t.me/data_ml/403

🔵آشنایی با Pytorch
👉🔗 https://t.me/data_ml/406

🔺 کوئیز

🔵کوییز شماره ۱۰۹: عملکرد لایه‌های Bottleneck در Densenet
👉🔗 https://t.me/data_ml/393

🔵کوییز شماره ۱۱۰: نسخه 1.1 SqueezeNet
👉🔗 https://t.me/data_ml/396

🔵کوییز شماره ۱۱۱: مدل‌های MobileNet v1 و MobileNet v2
👉🔗 https://t.me/data_ml/399

🔵کوییز شماره ۱۱۲: کدوم مورد درباره مدل EfficientNet
👉🔗 https://t.me/data_ml/401

🔵کوییز شماره ۱۱۳: کاربرد اصلی keras.applications
👉🔗 https://t.me/data_ml/404

🔵کوییز شماره ۱۱۴: PyTorch.vision و تابع اعمال تبدیلات هندسی
👉🔗 https://t.me/data_ml/407

🔺 نکته

🔵 آشنایی با DenseNets-B و DenseNets-BC
👉🔗 https://t.me/data_ml/394

🔵روند استفاده از معماری‌های شبکه عصبی در مقالات علمی
👉🔗 https://t.me/data_ml/397

🔵معماری EfficientNet
👉🔗 https://t.me/data_ml/400

🔵یادگیری انتقالی و پیاده سازی EfficientNet با Keras
👉🔗 https://t.me/data_ml/402

🔵تبدیل متن در Keras
👉🔗 https://t.me/data_ml/405

🔵از استفاده ()zero_grad در PyTorch
👉🔗 https://t.me/data_ml/408

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵آشنایی با خودرمزگذارها یا AutoEncoders
👉🔗 https://t.me/data_ml/412

🔵آشنایی با رمزگذار یا Encoder
👉🔗 https://t.me/data_ml/415

🔵فضای پنهان یا Latent Space
👉🔗 https://t.me/data_ml/418

🔵آشنایی با رمزگشا یا Decoder
👉🔗 https://t.me/data_ml/421

🔵معماری شبکه یونت (U-Net)
👉🔗 https://t.me/data_ml/424

🔵کاربردهای خودرمزنگارها
👉🔗 https://t.me/data_ml/427

🔺 کوئیز

🔵کوییز شماره ۱۱۵: اتوانکودرهای Denoising
👉🔗 https://t.me/data_ml/413

🔵کوییز شماره ۱۱۶: کدگذارهای خودرمزنگار و RNNها
👉🔗 https://t.me/data_ml/416

🔵کوییز شماره ۱۱۷: اهمیت تفسیرپذیری فضای پنهان
👉🔗 https://t.me/data_ml/419

🔵کوییز شماره ۱۱۸: بهینه‌سازی Decoder در شبکه‌های اتوانکودر
👉🔗 https://t.me/data_ml/422

🔵کوییز شماره ۱۱۹: مزیت رقابتی U-Net نسبت به مدل‌های دیگه
👉🔗 https://t.me/data_ml/425

🔵کوییز شماره ۱۲۰: استفاده از خودرمزنگارها در سیستم‌های توصیه‌گر
👉🔗 https://t.me/data_ml/428

🔺 نکته

🔵 انواع اتوانکودرها
👉🔗 https://t.me/data_ml/414

🔵قطعه کد ایجاد یک Encoder
👉🔗 https://t.me/data_ml/417

🔵چه عواملی روی ظرفیت و اندازه فضای پنهان در یک خودرمزنگار تأثیر گذارن؟
👉🔗 https://t.me/data_ml/420

🔵بلاگ اتوانکدر
👉🔗 https://t.me/data_ml/423

🔵ویدئو مقاله شبکه عصبی یونت | U-Net 2015
👉🔗 https://t.me/data_ml/426

🔵بلاگ معماری U-Net
👉🔗 https://t.me/data_ml/429

🔵بلاگ اتوانکدرهای متغیر (VAEs)
👉🔗 https://t.me/data_ml/430

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵آشنایی با روش‌های تعبیه برداری لغات یا Word Embedding
👉🔗 https://t.me/data_ml/433

🔵مدل‌های تعبیه کلمات دسته‌ای یا Categorical
👉🔗 https://t.me/data_ml/435

🔵مدل‌های تعبیه کلمات آماری یا Statistical
👉🔗 https://t.me/data_ml/436

🔵مدل‌های تعبیه کلمات بردار متراکم یا Dense Vector
👉🔗 https://t.me/data_ml/439

🔵تعبیه برداری کلمه متناظر یا Contextualized Embedding
👉🔗 https://t.me/data_ml/442

🔵کاربردها، مزایا و معایب تعبیه برداری لغات
👉🔗 https://t.me/data_ml/445

🔺 کوئیز

🔵کوییز شماره ۱۲۱: تفاوت بین تعبیه‌های آماری و تعبیه‌های چگال
👉🔗 https://t.me/data_ml/434

🔵کوییز شماره ۱۲۲: تفاوت اصلی بین LSA و LDA
👉🔗 https://t.me/data_ml/437

🔵کوییز شماره ۱۲۳: مدل مناسب برای تحلیل داده‌های متنی نویزدار
👉🔗 https://t.me/data_ml/440

🔵کوییز شماره ۱۲۴:ساختار مدل BERT
👉🔗 https://t.me/data_ml/443

🔵کوییز شماره ۱۲۵: مزیت و محدودیت اصلی استفاده از تعبیه برداری لغت
👉🔗 https://t.me/data_ml/446

🔺 نکته

🔵 جمع‌بندی روش‌های تعبیه برداری لغات
👉🔗 https://t.me/data_ml/438

🔵ویدئو توضیح تعبیه برداری لغات و Word2Vec
👉🔗 https://t.me/data_ml/441

🔵ویدئو نحوه کارکرد مدل BERT
👉🔗 https://t.me/data_ml/444

🔵پلی‌لیست پردازش زبان‌های طبیعی
👉🔗 https://t.me/data_ml/447

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵آشنایی با ساختار ترنسفورمرها و ایده پشت آنها
👉🔗 https://t.me/data_ml/451

🔵تعبیه ورودی یا Input Embedding در ترنسفورمرها
👉🔗 https://t.me/data_ml/454

🔵تعبیه موقعیتی یا Positional Embedding
👉🔗 https://t.me/data_ml/457

🔵آشنایی با ماژول Attention Head
👉🔗 https://t.me/data_ml/459

🔵لایه‌های کدگذار و کدگشا
👉🔗 https://t.me/data_ml/462

🔵نقش Feed Forward در ترنسفورمر
👉🔗 https://t.me/data_ml/465

🔺 کوئیز

🔵کوییز شماره ۱۲۶: مزیت مکانیزم Multi-Head Attention
👉🔗 https://t.me/data_ml/452

🔵کوییز شماره ۱۲۷: تکنیک برای بهبود کیفیت تعبیه‌های ورودی
👉🔗 https://t.me/data_ml/455

🔵کوییز شماره ۱۲۸: دلیل استفاده از توابع مثلثاتی در مدل ترنسفورمر
👉🔗 https://t.me/data_ml/458

🔵کوییز شماره ۱۲۹: نحوه محاسبه وزن‌ها در مکانیسم توجه
👉🔗 https://t.me/data_ml/460

🔵کوییز شماره ۱۳۰: عملکرد شبکه‌های Feedforward
👉🔗 https://t.me/data_ml/463

🔵کوییز شماره ۱۳۱: تأثیر لایه‌ی Add & Norm در فرایند یادگیری
👉🔗 https://t.me/data_ml/466

🔺 نکته

🔵بلاگ مدل BERT
👉🔗 https://t.me/data_ml/453

🔵ویدئو مدل‌های ترنسفورمر و مدل BERT
👉🔗 https://t.me/data_ml/456

🔵کوئری‌ها‌، کلیدها و مقدارها در معماری ترنسفورمر
👉🔗 https://t.me/data_ml/461

🔵مدل‌های ساخته شده براساس لایه‌های کدگذار و کدگشا
👉🔗 https://t.me/data_ml/464

🔵شبیه سازی زندگی و شغل با بازی و سریال
👉🔗 https://t.me/data_ml/467

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵معرفی معماری GPT
👉🔗 https://t.me/data_ml/471

🔵مدل GPT-2 چه بود و چه کرد؟
👉🔗 https://t.me/data_ml/474

🔵آشنایی با مدل GPT-3
👉🔗 https://t.me/data_ml/477

🔵آشنایی با مدل GPT-4
👉🔗 https://t.me/data_ml/480

🔵پیاده‌سازی مدل GPT با PyTorch
👉🔗 https://t.me/data_ml/483

🔵استفاده از API‌های GPT در برنامه‌های کاربردی
👉🔗 https://t.me/data_ml/486

🔺 کوئیز

🔵کوییز شماره ۱۳۲: توانایی تولید پاسخ‌های منسجم در معماری GPT
👉🔗 https://t.me/data_ml/472

🔵کوییز شماره ۱۳۳: در مدل GPT-2، نقش BPE چیست؟
👉🔗 https://t.me/data_ml/475

🔵کوییز شماره ۱۳۴: روش‌های جلوگیری از overfitting در GPT-3
👉🔗 https://t.me/data_ml/478

🔵کوییز شماره ۱۳۵: مهم‌ترین وجه تمایز GPT-4 Turbo نسبت به GPT-4
👉🔗 https://t.me/data_ml/481

🔵کوییز شماره ۱۳۶: بهبود مدیریت حافظه در پیاده‌سازی GPT
👉🔗 https://t.me/data_ml/484

🔵کوییز شماره ۱۳۷: پارامتر جلوگیری از تولید پاسخ‌های تکراری یا خنثی
👉🔗 https://t.me/data_ml/487

🔺 نکته

🔵 ترانسفورمر و مکانیزم توجه | Transformer and Attention
👉🔗 https://t.me/data_ml/473

🔵آیا Transformerها برای برچسب گذاری تصویر هم استفاده میشن؟
👉🔗 https://t.me/data_ml/476

🔵بهترین جی‌پی‌تی‌های سفارشی GPT Store کدام‌اند؟
👉🔗 https://t.me/data_ml/479

🔵چیت‌شیت نحوه پرامپت‌نویسی بهینه و کارآمد برای ChatGPT
👉🔗 https://t.me/data_ml/482

🔵بلاگ مدل ترنسفورمر
👉🔗 https://t.me/data_ml/485

🔵پارامترهای مهم در استفاده از APIهای GPT
👉🔗 https://t.me/data_ml/488

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵مقدمه‌ای بر انواع داده‌ها
👉🔗 https://t.me/data_ml/492

🔵داده‌های جدولی یا Tabular Data
👉🔗 https://t.me/data_ml/493

🔵داده‌های متنی یا Text Data
👉🔗 https://t.me/data_ml/496

🔵داده‌های تصویری یا Image Data
👉🔗 https://t.me/data_ml/498

🔵داده‌های ویدئویی یا Video Data
👉🔗 https://t.me/data_ml/499

🔵داده‌های صوتی یا Audio Data
👉🔗 https://t.me/data_ml/500

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵آشنایی با انواع نمودارها در تحلیل داده‌
👉🔗 https://t.me/data_ml/504

🔵نمودار میله‌ای (Bar Chart)
👉🔗 https://t.me/data_ml/508

🔵نمودار دایره‌ای (Pie Chart)
👉🔗 https://t.me/data_ml/511

🔵هیستوگرام در تجزیه و تحلیل داده‌ها
👉🔗 https://t.me/data_ml/514

🔵نمودار پراکندگی یا Scatter Plot
👉🔗 https://t.me/data_ml/517

🔵نمودار جعبه‌ای در تجزیه و تحلیل داده‌ها
👉🔗 https://t.me/data_ml/520


🔺 کوئیز

🔵کوییز شماره ۱۴۰: نوع مناسب داده برای نمایش با Radar Chart
👉🔗 https://t.me/data_ml/506

🔵کوییز شماره ۱۴۱: مزیت استفاده از نمودار میله‌ای انباشته
👉🔗 https://t.me/data_ml/509

🔵کوییز شماره ۱۴۲: میزان اثربخشی استفاده از نمودار دایره‌ای
👉🔗 https://t.me/data_ml/512

🔵کوییز شماره ۱۴۳: جابه‌جایی قله‌های هیستوگرام به سمت چپ
👉🔗 https://t.me/data_ml/515

🔵کوییز شماره ۱۴۴: تخمین خط رگرسیون در نمودار پراکندگی
👉🔗 https://t.me/data_ml/518

🔵کوییز شماره ۱۴۵: داده با توزیع نامتقارنه در نمودار جعبه‌ای
👉🔗 https://t.me/data_ml/521

🔺 نکته

🔵 انواع دیاگرام در آنالیز داده
👉🔗 https://t.me/data_ml/507

🔵نمودار میله‌ای | بار چارت | استک بار | کلاستر بار
👉🔗 https://t.me/data_ml/510

🔵درک نمودار دایره ای و نحوه کار با آن در پایتون
👉🔗 https://t.me/data_ml/513

🔵هیستوگرام: مفاهیم و کد پایتون
👉🔗 https://t.me/data_ml/516

🔵اسکتر پلات در آنالیز داده
👉🔗 https://t.me/data_ml/519

🔵باکس پلات در آنالیز داده
👉🔗 https://t.me/data_ml/522

#Weekend
#Deep_Learning

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵نکات مقدماتی Excel برای تجزیه و تحلیل داده
📎https://t.me/data_ml/526

🔵نکات پیشرفته Excel برای تجزیه و تحلیل داده
📎https://t.me/data_ml/529

🔵آشنایی با Google Sheet در تحلیل داده‌
📎https://t.me/data_ml/532

🔵طراحی داشبورد تعاملی در Google Sheets
📎https://t.me/data_ml/535

🔵آشنایی با Google Looker
📎https://t.me/data_ml/538

🔵آشنایی با Google Analytics
📎https://t.me/data_ml/542

🔺 کوئیز

🔵کوییز شماره ۱۴۶: فرمول‌های اکسل
📎https://t.me/data_ml/527

🔵کوییز شماره ۱۴۷: ایجاد یک لیست کشویی در اکسل
📎https://t.me/data_ml/530

🔵کوییز شماره ۱۴۸: وارد کردن داده‌ها از یک صفحه گسترده دیگه
📎https://t.me/data_ml/533

🔵کوییز شماره ۱۴۹: تفاوت بین Control Widget و Filter در Data Studio
📎https://t.me/data_ml/536

🔵کوییز شماره ۱۵۰: جدول‌های مشتق شده در Looker
📎https://t.me/data_ml/540

🔵کوییز شماره ۱۵۱: Google Analytics و تحلیل مسیرهای کاربر در سایت
📎https://t.me/data_ml/543

🔺 نکته

🔵 روش‌های پاکسازی داده در اکسل
📎https://t.me/data_ml/528

🔵ساخت یک داشبورد تعاملی از صفر تا ۱۰۰ در اکسل
📎https://t.me/data_ml/531

🔵تابع GOOGLETRANSLATE در Google Sheets
📎https://t.me/data_ml/534

🔵ارسال خودکار ایمیل با داده‌های Google Sheets
📎https://t.me/data_ml/537

🔵متاداده، بیگ کوئری و ترافور و ارتباط‌شون با Looker
📎https://t.me/data_ml/541

🔵استفاده از گزارش Cohort Analysis
📎https://t.me/data_ml/544

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵قسمت اول: مفاهیم پایه‌ای تبلو
📎 https://t.me/data_ml/549

🔵بخش دوم مفاهیم تبلو
📎 https://t.me/data_ml/552

🔵بخش سوم مفاهیم تبلو
📎 https://t.me/data_ml/554

🔵آشنایی با نرم افزار Power BI
📎 https://t.me/data_ml/557

🔵آشنایی با DAX و M: دو زبان مهم در Power BI
📎 https://t.me/data_ml/560

🔺 کوئیز

🔵کوییز شماره ۱۵۲: Marks در تبلو
📎 https://t.me/data_ml/550

🔵کوییز شماره ۱۵۳: هدف از استفاده از پارامترها در تبلو
📎 https://t.me/data_ml/553

🔵کوییز شماره ۱۵۴: هدف از استفاده از ویژگی Show Me در تبلو
📎 https://t.me/data_ml/555

🔵کوییز شماره ۱۵۵: اشتراک‎‌گذاری گزارش‌ها و داشبوردهای Power BI با دیگران
📎 https://t.me/data_ml/558

🔵کوییز شماره ۱۵۶: توابع تو در تو در DAX
📎 https://t.me/data_ml/561

🔺 نکته

🔵 پیاده سازی یک داشبورد فروش با کمک Tableau
📎 https://t.me/data_ml/551

🔵 ۷ نکته برای طراحی داشبورد
📎 https://t.me/data_ml/556

🔵چند مثال برای زبان‌های M و DAX
📎 https://t.me/data_ml/562

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵پیش پردازش داده: Data Cleaning و Data Cleansing
📎 https://t.me/data_ml/566

🔵پیش پردازش داده: نرمال‌سازی داده
📎 https://t.me/data_ml/569

🔵پیش پردازش داده: مدیریت حافظه
📎 https://t.me/data_ml/571

🔵پیش پردازش داده: مدیریت داده‌های پرت
📎 https://t.me/data_ml/575

🔵پیش پردازش داده: انتخاب ویژگی
📎 https://t.me/data_ml/578

🔵پیش پردازش داده: افزایش داده
📎 https://t.me/data_ml/581

🔺 کوئیز

🔵کوییز شماره ۱۵۷: استانداردسازی داده‌های متنی در پاکسازی داده‌ها
📎 https://t.me/data_ml/567

🔵کوییز شماره ۱۵۸: تکنیک Memory Pooling در پردازش موازی داده‌ها
📎 https://t.me/data_ml/572

🔵کوییز شماره ۱۵۹: کاهش نقاط پرت با استفاده از تبدیل‌های ریاضی
📎 https://t.me/data_ml/576

🔵کوییز شماره ۱۶۰: محاسبه اهمیت ویژگی‌ها در روش انتخاب ویژگی‌ تعبیه‌شده
📎 https://t.me/data_ml/579

🔵کوییز شماره ۱۶۱: افزایش داده و کاهش وابستگی مدل به محل قرارگیری اشیاء
📎 https://t.me/data_ml/582

🔺 نکته

🔵 بررسی پیش پردازش داده یا Data Preprocessing
📎 https://t.me/data_ml/568

🔵بهینه کردن زمان اجرا و حافظه دیتافریم‌
📎 https://t.me/data_ml/574

🔵مثال عملی شناسایی و مدیریت داده‌های پرت در پایتون
📎 https://t.me/data_ml/577

🔵تفاوت بین انتخاب ویژگی و استخراج ویژگی
📎 https://t.me/data_ml/580

🔵کاربرد تقویت داده در یادگیری عمیق و بهبود عملکرد چطوره؟
📎 https://t.me/data_ml/583

#Weekend
#Data_Analysis

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵بررسی معیارهای ارزیابی SSE ،MSE و SAE
📎 https://t.me/data_ml/587

🔵ضریب تعیین یا R² Score
📎 https://t.me/data_ml/590

🔵ماتریس درهم ریختگی یا Confusion Matrix
📎 https://t.me/data_ml/594

🔵معیار ROC / AUC
📎 https://t.me/data_ml/597

🔵ارزیابی خوشه‌بندی: روش‌های باناظر
📎 https://t.me/data_ml/601

🔵ارزیابی خوشه‌بندی: روش‌های بدون ناظر
📎 https://t.me/data_ml/603

🔺 کوئیز

🔵کوییز شماره ۱۶۲: انتخاب معیار محاسبه خطا برای یک مسئله
📎 https://t.me/data_ml/588

🔵کوییز شماره ۱۶۳: شرایط استفاده از ضریب تعیین
📎 https://t.me/data_ml/592

🔵کوییز شماره ۱۶۴: ماتریس سردرگمی و دقت مدل
📎 https://t.me/data_ml/595

🔵کوییز شماره ۱۶۵: تحلیل چند کلاسه و روش محاسبه AUC
📎 https://t.me/data_ml/598

🔵کوییز شماره ۱۶۶: چرا از ضریب رند تعدیل‌شده استفاده می‌شه؟
📎 https://t.me/data_ml/602

🔵کوییز شماره ۱۶۷: شاخص ارزیابی برای محاسبه میزان فشردگی داخل خوشه‌ها
📎 https://t.me/data_ml/604

🔺 نکته

🔵 معیارهای بررسی خطا در مدل‌های یادگیری ماشین
📎 https://t.me/data_ml/589

🔵برنامه‌ریزی برای یادگیری ماشین لرنینگ
📎 https://t.me/data_ml/593

🔵فهم ماتریس درهم ریختگی با رسم شکل
📎 https://t.me/data_ml/596

🔵نقشه‌راه یادگیری هوش مصنوعی از پایه در سال ۲۰۲۴
📎 https://t.me/data_ml/599

#Weekend
#Evaluation_Metrics

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵تعریف خوشه‌بندی (Clustering)
📎 https://t.me/data_ml/609

🔵الگوریتم K-means
📎 https://t.me/data_ml/611

🔵خوشه‌بندی سلسله‌مراتبی یا Hierarchical Clustering
📎 https://t.me/data_ml/614

🔵الگوریتم DBSCAN
📎 https://t.me/data_ml/617

🔵استفاده از شبکه‌های عصبی برای خوشه‌بندی
📎 https://t.me/data_ml/621

🔵معیارهای ارزیابی خوشه‌بندی
📎 https://t.me/data_ml/624

🔺 کوئیز

🔵کوییز شماره ۱۶۸: کاهش تاثیر داده‌های پرت در نتایج K-means
📎 https://t.me/data_ml/612

🔵کوییز شماره ۱۶۹: کاربرد روش UPGMA در خوشه‌بندی سلسله‌مراتبی
📎 https://t.me/data_ml/615

🔵کوییز شماره ۱۷۰: تشخیص نقاط پرت توسط DBSCAN
📎 https://t.me/data_ml/619

🔵کوییز شماره ۱۷۱: وجه تمایز SOM از بقیه روش‌های خوشه‌بندی
📎 https://t.me/data_ml/622

🔵کوییز شماره ۱۷۲: ارزیابی شباهت بین دو خوشه‌بندی با استفاده از احتمال شرطی
📎 https://t.me/data_ml/625

🔺 نکته

🔵 معرفی جامع تکنیک‌های خوشه‌بندی در یادگیری ماشین
📎 https://t.me/data_ml/610

🔵بلاگ معرفی الگوریتم K-means
📎 https://t.me/data_ml/613

🔵مقایسه K-means و خوشه‌بندی سلسله‌مراتبی
📎 https://t.me/data_ml/616

🔵بلاگ الگوریتم DBSCAN
📎 https://t.me/data_ml/620

🔵جمع‌بندی معیارهای ارزیابی خوشه‌بندی
📎 https://t.me/data_ml/626

#Weekend
#Clustering

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵عملیات CRUD در پایگاه‌های داده
📎 https://t.me/data_ml/630

🔵پرس‌وجو یا Query در پایگاه داده
📎 https://t.me/data_ml/633

🔵به‌کارگیری شرط (WHERE) در پرس‌وجوها
📎 https://t.me/data_ml/636

🔵مفاهیم Group By و Order By در پایگاه‌ داده‌ها
📎 https://t.me/data_ml/639

🔵آشنایی با Subquery یا زیرپرس‌وجو
📎https://t.me/data_ml/642

🔵ابزارها و نرم‌افزارهای پایگاه داده
📎 https://t.me/data_ml/646

🔺 کوئیز

🔵کوییز شماره ۱۷۳: مزایای استفاده از Stored Procedures
📎 https://t.me/data_ml/631

🔵کوییز شماره ۱۷۴: عبارت MERGE در SQL
📎 https://t.me/data_ml/634

🔵کوییز شماره ۱۷۵: بررسی یک کوئری
📎 https://t.me/data_ml/637

🔵کوییز شماره ۱۷۶: از GROUP BY با ROLLUP
📎 https://t.me/data_ml/640

🔵کوییز شماره ۱۷۷: عملگر EXISTS در Subquery
📎 https://t.me/data_ml/644

🔵کوییز شماره ۱۷۸: یک ابزار برای یکپارچه سازی داده
📎 https://t.me/data_ml/647

🔺 نکته

🔵 بلاگ زبان SQL و دستورهای آن برای دیتا ساینس
📎 https://t.me/data_ml/632

🔵تفاوت پایگاه‌های داده SQL و NoSQL
📎 https://t.me/data_ml/635

🔵متداول‌ترین سوالات مصاحبه SQL
📎 https://t.me/data_ml/638

🔵بررسی کامل یک کوئری
📎 https://t.me/data_ml/641

🔵بررسی مفهوم ساب‌کوئری با یک مثال
📎 https://t.me/data_ml/645

🔵بهترین ابزارهای نرم‌افزاری علم داده
📎 https://t.me/data_ml/648

#Weekend
#Database

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵نرمال‌سازی و نرمال‌زدایی در پایگاه‌های داده
📎 https://t.me/data_ml/652

🔵مفهوم ایندکس‌گذاری در پایگاه‌های داده
📎 https://t.me/data_ml/656

🔵انواع JOIN در پایگاه داده‌ها
📎 https://t.me/data_ml/660

🔵انبار داده یا Data Warehousing
📎 https://t.me/data_ml/663

🔵پایگاه داده‌های NoSQL
📎 https://t.me/data_ml/667

🔵پشتیبان‌گیری و بازیابی در پایگاه‌های داده
📎 https://t.me/data_ml/669

🔺 کوئیز

🔵کوییز شماره ۱۷۹: شرایطی استفاده از Materialized Views در نرمال‌زدایی
📎 https://t.me/data_ml/654

🔵کوییز شماره ۱۸۰: توصیفی از ایندکس خوشه‌بندی شده در پایگاه‌داده‌ها
📎 https://t.me/data_ml/658

🔵کوییز شماره ۱۸۱: HASH JOIN در پایگاه داده
📎 https://t.me/data_ml/661

🔵کوییز شماره ۱۸۲: امکان بارگذاری موازی و مقیاس‌پذیری بالا در Data Vault 2.0
📎 https://t.me/data_ml/665

🔵کوییز شماره ۱۸۳: تکنیک Log Shipping در SQL Server
📎 https://t.me/data_ml/670

🔺 نکته

🔵 مروری بر تکنیک‌های نرمال‌زدایی
https://t.me/data_ml/655

🔵مقایسه انبار داده و پایگاه داده
📎 https://t.me/data_ml/659

🔵مقایسه انبار داده و دریاچه داده
📎 https://t.me/data_ml/662

🔵آشنایی با معماری Data Vault 2.0
📎 https://t.me/data_ml/666

🔵تفاوت پایگاه‌های داده SQL و NoSQL
📎 https://t.me/data_ml/668

🔵مروری بر انواع وابستگی در پایگاه داده‌ها
📎 https://t.me/data_ml/671

#Weekend
#Database

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵مدیریت کیفیت داده در حاکمیت داده
🔵امنیت داده‌ها و حریم خصوصی در حاکمیت داده
🔵مدیریت چرخه حیات داده در حاکمیت داده
🔵دسترسی و کنترل داده در حاکمیت داده
🔵مدیریت متادیتا در حاکمیت داده

🔺 کوئیز

🔵کوییز شماره ۱۸۶: چالش در مدیریت کیفیت داده در محیط‌های Big Data
🔵کوییز شماره ۱۸۷: تکنیک رمزنگاری برای حفظ محرمانگی داده‌ها در حال استفاده
🔵کوییز شماره ۱۸۸: حذف کامل و غیرقابل بازیابی داده‌ها از سیستم‌های ابری
🔵کوییز شماره ۱۸۹: مدیریت هویت و دسترسی (IAM)
🔵کوییز شماره ۱۹۰: مفهوم Data Lineage در زمینه مدیریت متادیتا

🔺 نکته

🔵 داده به عنوان محصول (Data as a Product)
🔵آشنایی با رمزنگاری همومورفیک

#Weekend
#Data_Governance

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵توسعه مدل و نسخه بندی در MLOps
🔵فرآیند CI/CD در MLOps
🔵اهمیت مدیریت داده‌ها در MLOps
🔵حاکمیت و تطابق مدل در MLOps
🔵مقیاس‌پذیری و مدیریت منابع در MLOps

🔺 کوئیز

🔵کوییز شماره ۱۹۱: مفهوم Shadow Mode Deployment در MLOps
🔵کوییز شماره ۱۹۲: تکنیک مدیریت کیفیت داده در MLOps
🔵کوییز شماره ۱۹۳: بهبود شفافیت و قابلیت توضیح مدل‌های یادگیری ماشین
🔵کوییز شماره ۱۹۴: مفهوم Elastic Inference در زمینه مقیاس‌پذیری MLOps

🔺 نکته

🔵مراحل چرخه MLOps
🔵 داکر در دیتا ساینس و پروژه‌های ماشین لرنینگ

#Weekend
#MLOps

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵فرمت CSV
🔵فرمت JSON
🔵فرمت Parquet
🔵فرمت Pickle
🔵فرمت XML

🔺 کوئیز

🔵کوییز شماره ۱۹۵: مفهوم CSV on the Web (CSVW)
🔵کوییز شماره ۱۹۶: استفاده از JSON در فرمت فایل BSON
🔵کوییز شماره ۱۹۷: قابلیت‌های Page Index در Parquet
🔵کوییز شماره ۱۹۸: تفاوت بین pickle و json
🔵کوییز شماره ۱۹۹: XML Catalogs

🔺 نکته

🔵گویش در فایل‌های CSV
🔵فرمت JSONL
🔵ویژگی Bloom Filter در Parquet
🔵مکانیزم Memo در Pickle
🔵ویژگی XML Signature

#Weekend
#File_Formats

@Data_ML | دیتاساینس و ماشین‌ لرنینگ

⏰ پست‌های هفته‌ای که گذشت رو این‌جا پیدا کنین!

🔺 آموزشی

🔵PyCharm IDE
🔵Visual Studio Code IDE
🔵Jupyter Notebook IDE
🔵Spyder IDE
🔵Atom & IDLE IDEs

🔺 کوئیز

🔵کوییز شماره ۲۰۰: ابزار Profiler در PyCharm
🔵کوییز شماره ۲۰۱: امکان مدیریت و اجرای وظایف مختلف پروژه در VS Code
🔵کوییز شماره ۲۰۲: استفاده از Magic Commands در Jupyter Notebook
🔵کوییز شماره ۲۰۳: امکان مشاهده مستندات و سایر اطلاعات در Spyder
🔵کوییز شماره ۲۰۴: پیاده‌سازی IDLE

#Weekend
#Python_IDEs

@Data_ML | دیتاساینس و ماشین‌ لرنینگ