عملکرد مدل‌های یادگیری ماشین

مدل‌های یادگیری ماشین (ML) بر اساس اصل بنیادی عمل می‌کنند: آن‌ها از داده‌ها "یاد می‌گیرند" تا پیش‌بینی‌ها یا تصمیم‌ها را بدون برنامه‌نویسی صریح برای وظیفه موردنظر انجام دهند.

🔴جمع‌آوری داده: همه چیز با داده‌ها شروع می‌شود. هر چه تعداد بیشتری از داده‌های باکیفیت جمع‌آوری کنید، مدل شما می‌تواند بهتر عمل کند. این داده‌ها می‌توانند هر چیزی مرتبط با مسئله‌ای باشند که در حال تلاش برای حل آن هستید - تصاویر، متن، اعداد و غیره.

🔵پیش‌پردازش داده: بعد از جمع‌آوری داده، اغلب نیاز به تمیز کردن و تبدیل داده وجود دارد. این ممکن است شامل پردازش مقادیر ناقص، نرمال‌سازی یا استانداردسازی داده، رمزگذاری متغیرهای طبقه‌بندی شده و تقسیم داده به مجموعه‌های آموزش و آزمایش باشد.

🟢انتخاب مدل: انواع مختلفی از مدل‌های ML وجود دارند (مانند رگرسیون خطی، درخت‌های تصمیم، شبکه‌های عصبی). انتخاب مدل معمولاً بستگی به ماهیت داده‌ها و مسئله‌ای دارد که در حال تلاش برای حل آن هستید.
_______________________
📚 @ArmanbehnamAI

الگوریتم های یادگیری ماشین

https://careers.cafebazaar.ir/#/jobs/06591DFD52

موقعیت شغلی دیتا سانتیست کافه بازار

در لحظه مسائل تو این زمینه ها هستن:
Auctions & Pricing
Recommendation Systems
Fraud Detection

https://youtu.be/QUNrBEhvXWQ?si=36cZGpTv1c25xgSw
از استاد علوم کامپیوتر دانشگاه هاروارد مجموعه ای از سوالات درباره هوش مصنوعی و علوم کامپیوتر پرسیدن.
سوالاتی مثل اینکه چرا محاسبات در کامپیوتر به شکل(۰و۱) پردازش میشه در حالی که (۰و۱و۲) سریع تره؟
یا اینکه سیستم های پیشنهادگر و موتور های جست و جو چه طور کار میکنند؟

📚 Building Statistical Models in Python (2023)

1⃣ Join Channel Download:
https://t.me/+MhmkscCzIYQ2MmM8

2⃣ Download Book: https://t.me/c/1854405158/460

💬 Tags: #Statistics

USEFUL CHANNELS FOR YOU

📚 Title: Building Statistical Models in Python (2023)

📸 Book Cover: Click Here

شش گام در تحلیل داده:
شناسایی مسئله و نیاز مشتری
جمع آوری داده و تحلیل اکتشافی
آماده سازی و تمیز کردن داده ها
مدلسازی
ارزیابی مدل
اجرایی کردن و ارائه نتایج به مشتری

توضیحات بیش تر:
https://databasetown.com/6-steps-of-data-science-lifecycle/

اصول ۴ گانه در علم داده ها
https://www.onlinemanipal.com/blogs/four-pillars-of-data-science

👨🏻‍💻 همیشه آموزش با کیفیت گرون نیست! اگه یادگیری علم داده رو شروع کردین، از همین الان سطح یادگیری‌تون رو با دوره‌های دانشگاه‌های معتبر دنیا ارتقا بدین. موسسات معتبری مثل استنفورد، هاروارد و MIT، دوره های رایگان زیادی در زمینه علوم داده، هوش مصنوعی، یادگیری ماشین و... دارند.💯

1) دوره هوش مصنوعی با پایتون هاروارد : CS50’s
2) دوره علوم داده؛ یادگیری ماشین هاروارد : ML
3) دوره هوش مصنوعی AI : MIT
4) دوره تفکر محاسباتی و علوم داده ICT & DS : MIT
5) دوره یادگیری ماشین Introduction To ML : MIT
6) دوره روش های ماتریسی Matrix Methods : MIT
7) دوره یادگیری آماری استنفورد : Statistical
8) دوره استخراج داده‌های عظیم استنفورد : Mining


✅ اگه میخواین به دوره‌های بیشتری هم دسترسی داشته باشین، می‌تونین از لینک‌های زیر استفاده کنین، کلی دوره رایگان وجود داره.👌🏼

◾️ دوره‌های دانشگاه هاروارد : Harvard
◽️ دوره‌های دانشگاه MIT : MIT
◾️ دوره‌های دانشگاه استنفورد : Stanford

#️⃣ #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📎 @DataScience_ir

📚 Data Algorithms with Spark (2022)

1⃣ Join Channel Download:
https://t.me/+MhmkscCzIYQ2MmM8

2⃣ Download Book: https://t.me/c/1854405158/518

💬 Tags: #Spark

USEFUL CHANNELS FOR YOU

📚 Title: Data Algorithms with Spark (2022)

📸 Book Cover: Click Here

به اهمیت مصورسازی داده‌ها که اشاره کرده بودیم. حالا می‌خواهیم دو تا از نرم‌افزارهای قدرتمند و معروف، توی این زمینه رو بهتون معرفی کنیم:
Tableau و Power BI!

این سوال، همیشه پیش میاد که کدوم یک از این‌ها بهتر هستند و باید کدوم رو برای یادگیری، انتخاب کنیم.
مسلما هر کدوم از این‌ها، معایب و مزایایی دارند که موقع انتخاب نرم‌افزارِ مناسب برای کار، باید بهشون توجه کنیم و متناسب با نیاز و هدفمون، دست به انتخاب بزنیم. توی این تصویر، به برخی از این نکات به خوبی اشاره شده است.

سلسه پست‌های #مطالب_آموزشی
#مهارت #دانشمند_داده

@Data_Science_Association