سلام دوستان عزیز و همراهان همیشگی تیم data elites
در این پست پاسخنامه یکی از مهم ترین کتاب های‌ آماری را در اختیار شما قرار دادیم
لطفاً مارا دنبال بکنید 😉
📔پاسخنامه کتاب آشنایی با احتمال و نظریه توزیع ها( پنج استاد) : جلد یک دکتر احمد پارسیان
#پاسخنامه_کتاب_پنج_استاد
ما رو در فضای مجازی دنبال کنید ❤️
Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 🙂
در این پست قصد داریم صبحت های دکتر عبدالله صفری استادیار گروه آمار دانشگاه تهران مشاهده کنیم ، در ارتباط با آینده رشته آمار و علم داده صبحت کردند
✅ علم آمار یا علم داده
#علم_داده
#دکتر_عبدالله_صفری
#آمار
ما را در فضای مجازی دنبال کنید ♥️
Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 🙂
در این پست قصد داریم به معرفی چند کتاب در حوزه یادگیری ماشین بپردازیم

✅ معرفی چند کتاب درحوزه یادگیری ماشین در سال های اخیر

1 : کتاب "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow"
نوشته Aurélien Géron: این کتاب به عنوان یک منبع جامع برای شروع به یادگیری ماشین استفاده می‌شود. در این کتاب ابزارهای مختلف یادگیری ماشین مانند Scikit-Learn، Keras، و TensorFlow به طور جامع توضیح داده شده‌اند.

2 : کتاب "Deep Learning"
نوشته Ian Goodfellow، Yoshua Bengio، و Aaron Courville: این کتاب برای آشنایی با شبکه‌های عصبی عمیق و روش‌های یادگیری ژرف استفاده می‌شود. این کتاب به شما در یادگیری از پایه تا پیشرفته در شبکه‌های عصبی عمیق کمک می‌کند.
3 : کتاب "Python for Data Analysis"

نوشته Wes McKinney: این کتاب برای کسانی که در حوزه تحلیل داده و یادگیری ماشین فعالیت می‌کنند، بسیار مفید است. در این کتاب مفاهیم پایه Python برای تحلیل داده و یادگیری ماشین به طور جامع توضیح داده شده‌اند.

4 : کتاب "Introduction to Statistical Learning"
نوشته Gareth James، Daniela Witten، Trevor Hastie، و Robert Tibshirani: این کتاب یکی از بهترین منابع برای شروع به یادگیری ماشین است. در این کتاب مفاهیم اساسی یادگیری ماشین و روش‌های مختلف توضیح داده شده‌اند و مثال‌های عملی نیز ارائه شده‌اند.

5 : کتاب "Applied Predictive Modeling"
نوشته Max Kuhn و Kjell Johnson: این کتاب به مفاهیم آماری و یادگیری ماشین در حوزه پیش‌بینی و مدل‌سازی پرداخته و به شم

6 : کتاب "The Hundred-Page Machine Learning Book"
نوشته Andriy Burkov: این کتاب یک مقدمه کوتاه و جامع برای یادگیری ماشین است که به شما امکان می‌دهد تا با مفاهیم اصلی یادگیری ماشین، الگوریتم‌های مختلف و روش‌های کاربردی آشنا شوید.

7 : کتاب "Reinforcement Learning: An Introduction"
نوشته Richard S. Sutton و Andrew G. Barto: این کتاب به مفاهیم یادگیری تقویتی و الگوریتم‌های آن برای حل مسائل کنترل، مدل‌سازی و برنامه‌ریزی آشنا می‌کند.

8 : کتاب "Generative Deep Learning"
نوشته David Foster: این کتاب به مفاهیم شبکه‌های مولد ژرف، روش‌های یادگیری بدون نظارت و کاربردهای آنها در حوزه تصویر و گفتار می‌پردازد.

9 : کتاب "Deep Reinforcement Learning"
نوشته Pieter Abbeel و John Schulman: این کتاب به مفاهیم یادگیری تقویتی ژرف و روش‌های آن برای حل مسائل کنترل، مدل‌سازی و برنامه‌ریزی آشنا می‌کند.

10 : کتاب "Pattern Recognition and Machine Learning"
نوشته Christopher M. Bishop: این کتاب به مفاهیم یادگیری ماشین، شبکه‌های عصبی و روش‌های یادگیری بدون نظارت می‌پردازد و در کاربردهای مختلفی از جمله تصویر، گفتار و حوزه پزشکی مورد استفاده قرار می‌گیرد.

11 : کتاب "The Elements of Statistical Learning: Data Mining, Inference, and Prediction"
نوشته Trevor Hastie، Robert Tibshirani، و Jerome Friedman: این کتاب کلاسیک در حوزه یادگیری ماشین با رویکرد آماری است که برای یادگیری مدل‌های تصادفی و آماری مورد استفاده قرار می‌گیرد. این کتاب برای تحلیل داده‌های پیچیده، توصیف مدل‌های آماری و برای پیش‌بینی و ارزیابی عملکرد مدل‌های یادگیری ماشین استفاده می‌شود.

12 : کتاب "Bayesian Data Analysis"
نوشته Andrew Gelman، John B. Carlin، Hal S. Stern، David B. Dunson، Aki Vehtari، و Donald B. Rubin: این کتاب به مفاهیم بیزی و تحلیل داده‌های پیچیده با رویکرد بیزی می‌پردازد. این کتاب در تحلیل داده‌های بزرگ و پیچیده که شامل بردارهای پویای داده، طیف‌های فرکانسی، و داده‌های بزرگ برای یادگیری ماشین استفاده می‌شود، مفید است.

#علم_داده
#یادگیری_ماشین
ما در فضای مجازی دنبال کنید❤️

Instagram
Telegram
Linkedin

سلام به همراهان تیم data elites 🙂
در این پست قصد داریم به معرفی یک منبع مناسب در ارتباط با آموزش نرم افزار R بپردازیم

✅ جزوه محاسبات آماری دکتر حسین باغشینی( منبع کتاب Statistical Computing with R )
شامل مباحث مقدماتی و پیشرفته نرم افزار R

ما را در فضای مجازی دنبال کنید ❤️
Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 🙂


در این پست قصد داریم به سطح مقدماتی مبحث یادگیری تقویتی بپردازیم

✅ یادگیری تقویتی ( Reinforcement Learning (RL)) :

یادگیری تقویتی (RL) شاخه ای از یادگیری ماشینی است که بر تعامل بین یک عامل و محیط آن تمرکز می کند. این یک پارادایم یادگیری است که در آن یک عامل با انجام اقداماتی در یک محیط و دریافت بازخورد به شکل پاداش یا جریمه، تصمیم گیری را می آموزد.

در RL، عامل می آموزد که سیگنال پاداش تجمعی را در طول زمان از طریق آزمون و خطا به حداکثر برساند. به داده های از پیش برچسب گذاری شده یا دستورالعمل های صریح تکیه نمی کند، بلکه از تجربیات خود می آموزد. هدف یافتن یک خط مشی بهینه، نقشه برداری از حالت ها به اقدامات است که پاداش بلندمدت مورد انتظار را به حداکثر می رساند.

چارچوب RL شامل عناصر کلیدی زیر است:

عامل: یادگیرنده یا نهاد تصمیم گیرنده ای که با محیط تعامل دارد.

محیط: زمینه بیرونی که عامل با آن در تعامل است. می تواند یک محیط شبیه سازی شده، یک محیط فیزیکی یا ترکیبی از هر دو باشد.

حالت: نمایش محیط در یک زمان خاص که عامل مشاهده می کند.

اقدام: تصمیمی است که عامل بر اساس حالت مشاهده شده گرفته می شود.

پاداش: سیگنال بازخوردی است که عامل پس از انجام یک عمل از محیط دریافت می کند. مطلوبیت اقدامات عامل را کمیت می کند.

خط مشی: استراتژی یا قاعده ای که عامل برای انتخاب اقدامات در حالات داده شده از آن پیروی می کند. حالت ها را به کنش ها ترسیم می کند.

فرآیند RL معمولاً شامل مراحل زیر می شود:

اکتشاف: عامل با انجام اقداماتی بر اساس خط مشی فعلی خود، محیط را کاوش می کند. ممکن است از استراتژی‌های مختلفی مانند انجام اقدامات تصادفی یا استفاده از مبادلات اکتشاف- بهره‌برداری استفاده کند.

انتقال وضعیت: عمل عامل منجر به انتقال از وضعیت فعلی به حالت جدید در محیط می شود.

مشاهده پاداش: عامل بر اساس انتقالی که انجام داده است، از محیط پاداش دریافت می کند.

یادگیری: نماینده خط مشی خود را بر اساس پاداش‌ها و وضعیت‌های مشاهده شده به‌روزرسانی می‌کند. هدف این است که سیاستی را بیاموزیم که پاداش تجمعی مورد انتظار را در طول زمان به حداکثر برساند.

الگوریتم‌ها و تکنیک‌های مختلفی در RL مورد استفاده قرار می‌گیرند، مانند روش‌های Q-learning، SARSA، Deep Q-Networks (DQN) و روش‌های گرادیان سیاست. این روش‌ها عامل را قادر می‌سازد تا توانایی‌های تصمیم‌گیری خود را در طول زمان یاد بگیرد و بهبود بخشد.

یادگیری تقویتی برای طیف وسیعی از مشکلات، از جمله روباتیک، بازی، رانندگی مستقل، سیستم‌های توصیه و بسیاری موارد دیگر به کار گرفته شده است. در حوزه‌هایی که قوانین صریح یا داده‌های برچسب‌گذاری شده به آسانی در دسترس نیستند، و عامل نیاز به یادگیری از طریق تعامل با محیط دارد، نوید بسیار خوبی را نشان داده است.

حال به معرفی چند منبع می پردازیم :
❇️ منبع یک : یکی از بهترین منابع در حوزه یادگیری تقویتی short course David Silver می باشد : Introduction to Reinforcement Learning with David Silver

❇️منبع دوم : کتاب Mastering Reinforcement Learning with Python

❇️ منبع سوم : Reinforcement Learning: An Introduction

❇️ منبع چهارم : Coursera Specialization

❇️ منبع پنجم : "Reinforcement Learning: An Introduction"

نوشته Richard S. Sutton و Andrew G. Barto: این کتاب یکی از کتاب‌های پرفروش و معروف در زمینه یادگیری تقویتی است. آن را می‌توان به عنوان یک منبع کامل و جامع در مورد مفاهیم و الگوریتم‌های یادگیری تقویتی در نظر گرفت. این کتاب به طور مشروح و به همراه مثال‌های عملی به توضیح مفاهیم اصلی و روش‌های مختلف یادگیری تقویتی می‌پردازد.

❇️ منبع ششم : "Deep Reinforcement Learning"

نوشته Pieter Abbeel و John Schulman: این کتاب بر روی ترکیبی از یادگیری تقویتی و شبکه‌های عصبی عمیق (Deep Neural Networks) تمرکز دارد. در این کتاب، مفاهیم اصلی یادگیری تقویتی به همراه کاربردها و الگوریتم‌های عمیق یادگیری تقویتی بررسی می‌شوند. این کتاب به خوانندگان کمک می‌کند تا درک عمیق‌تری از موضوع بدست آورند و الگوریتم‌های پیشرفته‌تر را در نظر بگیرند.

❇️ منبع هفتم : "Reinforcement Learning and Optimal Control"

نوشته Dimitri P. Bertsekas: این کتاب متمرکز بر روش‌های یادگیری تقویتی و کنترل بهینه است. آن شامل الگوریتم‌های پایه و پیشرفته‌تر، مثال‌ها و تمرینات عملی است. این کتاب مناسب برای کسانی است که به دنبال درک نظری و کاربردی در مورد کنترل بهینه و یادگیری تقویتی هستند.

ما را در فضای مجازی دنبال کنید ❤️

Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 🙂
در پست قصد داریم یک مقاله در ارتباط با مدل شبکه ی عصبی در ارتباط با صوت معرفی کنیم

⭕️ اولین مدل شبکه عصبی استخراج real-time صوت
⭕️ مقاله
Real-Time Target Sound Extraction
🔰 در این مدل، با وارد کردن یک صوت منبع به عنوان ورودی، می‌توانید اجزای تشکیل دهنده آن را به راحتی از یکدیگر تفکیک کنید.

🔰 برای دریافت مقاله و کد های بیشتر به این لینک مراجعه کنید

ما را در فضای مجازی دنبال کنید ❤️

Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 😍

در این پست قصد داریم یک فایل در ارتباط با ریاضیات در یادگیری ماشین معرفی کنیم

⭕️ فایل Mathematic for Machine Learning

سرفصل های این فایل :
✅ بخش اول : Statistical Theory

✅ بخش دوم : Optimization

✅ بخش سوم : Deep learning

ما را در فضای مجازی دنبال کنید ❤️

Instagram
Telegram
LinkedIn

توضحیات اقای دکتر حامد ملک استاد دانشگاه شهید بهشتی
عمده تحولات چند سال اخیر در حوزه هوش مصنوعی مدیون پیشرفتهای قابل توجه در حوزه Deep Learning است.
با توجه به اینکه محتوای فارسی به روز در این حوزه کمتر به صورت عمومی منتشر شده، تصمیم گرفتم ویدئوهای درس «یادگیری عمیق» را که این ترم برای دانشجویان ارشد هوش مصنوعی در دانشکده کامپیوتر بهشتی در حال برگزاری است در یوتیوب منتشر کنم. کلاس همچنان در حال برگزاری است و به مرور ویدئوها تکمیل می‌شوند.

اگر دوست دارید بدانید معماری ChatGPT چیست و مدلهای زبانی بزرگ چطور کار میکنند، جلسات اخیر کلاس می‌تواند براتون مفید باشه.

لینک playlist درس در یوتیوب: https://lnkd.in/etwt3Fzk

ما در فضای مجازی دنبال کنید ❤️


Instagram
Telegram
Linkedin

سلام به همراهان تیم data elites 😉
اگر به حوزه Big Data علاقه مند هستید
میتونید ویدئو های درس دکتر حامد ملک استاد دانشکده مهندسی کامپیوتر دانشگاه شهید بهشتی در کانال یوتیوب ایشون تماشا کنید

🛑 لینک ویدئو: https://zaya.io/yygjl

ما رو در فضای مجازی دنبال کنید❤️
Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elites 😉

ما اومدیم که پر قدرت با نیرو های جدیدمون کار روشروع کنیم😉

سرخط خبر های فضای مجازی Chat GPT 🤩

👈🏻👈🏻👈🏻 معرفی این ابزار کاربردی رو از زبان خودش بخونید😉

همراه ما در فضا های مجازی بمونید🥰


Instagram
Telegram
LinkedIn

سلام به همراهان تیم data elite ❤️

در این پست قصد داریم یک دوره رایگان و جدید تحلیل سری زمانی با نرم افزار R و پایتون معرفی کنیم
مدرس دوره : Lerenzo Neaooli

پژوهشگر دانشگاه University of Applied Science and Art of Southern Switzerland

✅ تحلیل و آنالیز سری زمانی

لینک دوره

همراه ما در فضای های مجازی بمونید 😎
Instagram
LinkedIn
Telegram

سلام به همراهان تیم data elites ✋❤️

✅ یک Cheat sheet فوق العاده برای chatgpt در حوزه علم داده

منبع : Datacamp
همراه ما در فضای های مجازی بمونید 🙂

Instagram
LinkedIn
Telegram

تیم data elites با افتخار برگزار می کند ❤️

✅ برگزاری وبینار آشنایی با گرایش آمار ریاضی
(ویژه انتخاب رشته آزمون کارشناسی ارشد ۱۴۰۲)
✅ زهرا اسفندیار دانشجوی کارشناسی ارشد آمار ریاضی دانشگاه تهران
🟨 توجه: شرکت در جلسه رایگان و برای عموم آزاد است 🙂

⭕️تاریخ: ۱۱ خرداد ۱۴۰۲
⭕️ ساعت: ۱۹ شب

🔹 لینک برگزاری جلسه
فیلم این وبینار در این پیام مشخص شده است.

همراه ما در فضای های مجازی بمونید 💜

Instagram
LinkedIn
Telegram

تیم data elites با افتخار برگزار می کند ❤️

✅ برگزاری وبینار آشنایی با گرایش علم داده‌ها
(ویژه انتخاب رشته آزمون کارشناسی ارشد ۱۴۰۲)
✅ علیرضا ایرانی دانشجوی کارشناسی ارشد علم داده دانشگاه شهید بهشتی (تحلیلگر داده هلدینگ گلستان)
🟨 توجه: شرکت در جلسه رایگان و برای عموم آزاد است 🙂

⭕️تاریخ: ۱۲ خرداد ۱۴۰۲
⭕️ ساعت: ۲۰ شب

🔹 لینک برگزاری جلسه
فیلم این جلسه در اینجا نیز قرار داده‌شده است.

همراه ما در فضای های مجازی بمونید 💜

Instagram
LinkedIn
Telegram

تیم data elites با افتخار برگزار می کند ❤️

✅ برگزاری وبینار آشنایی با گرایش بیم سنجی
(ویژه انتخاب رشته آزمون کارشناسی ارشد ۱۴۰۲)
✅ محراب عتیقی دانشجو رشته بیم سنجی دانشگاه شهید بهشتی

🟨 توجه: شرکت در جلسه رایگان و برای عموم آزاد است 🙂

⭕️تاریخ: ۱۳ خرداد ۱۴۰۲
⭕️ ساعت: ۲۰ شب

🔹 لینک برگزاری جلسه

همراه ما در فضای های مجازی بمونید 💜

Instagram
LinkedIn
Telegram

🛑چارت درسی گرایش آمار ریاضی دانشگاه تهران

✅ مقطع کارشناسی ارشد

همراه ما در فضای های مجازی بمونید
Instagram
Telegram
LinkedIn