♨️ #فیلترشکن تست شده و پیشنهادی
Peach Vpn

لطفا اگر از فیلترشکن ها راضی بودین حتما برا بقیه هم بفرستید که وصل بشن

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

♨️ #فیلترشکن مود شده و پیشنهادی
BlueSpeed Vpn

لطفا اگر از فیلترشکن ها راضی بودین حتما برا بقیه هم بفرستید که وصل بشن

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

♨️ #فیلترشکن تست شده و پیشنهادی
Troot Vpn

لطفا اگر از فیلترشکن ها راضی بودین حتما برا بقیه هم بفرستید که وصل بشن

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

♨️ #فیلترشکن مود شده و پیشنهادی
Low Vpn

لطفا اگر از فیلترشکن ها راضی بودین حتما برا بقیه هم بفرستید که وصل بشن

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

♨️ #فیلترشکن تست شده و پیشنهادی
Mammoth Vpn

لطفا اگر از فیلترشکن ها راضی بودین حتما برا بقیه هم بفرستید که وصل بشن

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

🗂️ فلشم سوخت ؛ چطوری میتونم فایل های توش رو بازیابی کنم؟!

🔢 در ابتدا لازمه نرم افزار M3 Data Recovery رو دانلود و نصب کنید.

🔢 پس از اتمام بارگیری ، فلش یا مموری کارتتون رو به سیستم وصل کنید.

🔢 حالا برنامه رو اجرا کنید و روی ماژول بازیابی اطلاعات کلیک کنید.

🔢 درایو قلم یا کارت حافظه خودتون رو انتخاب کنید و روی Next کلیک کنید تا داده های از دست رفته خودتون رو پیدا کنید.

🔢 وقتی اسکن تموم شد میتونید فایل های پیدا شده رو پیش نمایش کنید و بعد پرونده هایی رو که می‌خواید بازیابی بشن انتخاب و در نهایت ذخیره کنید.

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

🆒 #ربات تبدیل #فایل به #لینک

💎 با این ربات میتونید فایل هاتون رو خیلی سریع به لینک تبدیل کنید نکته قابل توجه اینکه برای فایل های ویدیویی قابلیت پخش آنلاین داره.

⭐️حتی میتونی اون رو به کانال خودت اضافه کنی تا بعد از ارسال هر پست در کانال، لینک دانلود و استریم فایل رو ضمیمه اون قرار بده.

🔤 @Filestreamprobot

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

🖥 مانیتور میخری بعد از یک ماه صفحه‌ش پر پر میکنه؟!

▪️شاید برای خیلیاتون پیش اومده باشه که یه لپ‌تاپ یا مانیتور استوک میخرین بعد از یک مدت صفحه پر پر میکنه میگی چرا؟!

خب معلومه ، به خاطر اینکه قبلش درست تستش نکردی!

🔢 وارد وب‌سایت زیر بشید :

🔗 eizo.be/monitor-test

🔢 تو صفحه‌ای که براتون باز میشه تیک Defective pixels رو بزنید و بعدش استارت تست رو بزنید

🔢 حالا پنج تا رنگ اصلی رو به شما نمایش میده ، چک کنید ببینید پیکسل سوخته یا نقصی نداشته باشه!!!

+ علاوه بر روش فوق از برنامه Dead pixels هم میتونید استفاده کنید ؛ این برنامه به شکل تخصصی تر به برسی ال‌سی‌دی شما میپردازه...

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

#معرفی_سایت

😀 افزایش کیفیت فوق العاده صدا

⚡️به کمک این سایت میتونید کیفیت صدا و ووکال های خودتون رو رایگان و در حد استادیو بالا ببرید ؛ فقط کافیه ثبت نام کنید و ویس خودتون رو آپلود کنید

❗️بر روی ران کلیک کنید ( برای ثبت نام نیاز به حساب گیت هاب داره قبلش باید گیت هاب حساب ساخته باشید )

🌐https://replicate.com/lucataco/resemble-enhance

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

📱 روش های تنظیم سرعت فن و دما در ویندوز

📰در ویندوز، دو روش کلی برای تنظیم سرعت فن و دما وجود دارد ؛ یکی استفاده از تنظیمات BIOS و دیگری استفاده از برنامه SpeedFan

🔢 مراحل تنظیم سرعت فن در BIOS

• به BIOS مادربرد خود وارد شوید و به دنبال منوی مربوط به فن ها (Fan) یا نظارت بر سیستم (System Monitoring) باشید.

• در این منو، می توانید سرعت فن را برای هر فن به صورت جداگانه تنظیم و یا حتی دمای سیستم رو در این منو مشاهده و کنترل کنید.

🔢 مراحل تنظیم سرعت فن با SpeedFan

• برنامه SpeedFan رو نصب و اجرا کنید.

• در رابط کاربری SpeedFan، دمای فعلی CPU، GPU، دیسک و سایر قطعات رو مشاهده خواهید کرد.

• برای تنظیم سرعت فن، روی یکی از آیکون های فن کلیک کنید و در پنجره باز شده سرعت فن را به صورت دستی تنظیم کنید.

• همچنین می توانید از تنظیمات خودکار SpeedFan برای تنظیم سرعت فن بر اساس دما استفاده کنید.

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

سلام دوستان
لینک گروه کانال رو اینجا میزارم براتون. خواستین join شین تا بیشتر حرف بزنیم😍

این گروه بیشتر برای رفع مشکلات کامپیوتری و برنامه‌نویسی‌تون ایجاد شده🥰

لینک گروه کانالمون✅:

https://t.me/+TB0Ys3OZf4q7nrkX

#ترفند
✅ روشن کردن کامپیوتر با صفحه کلید


با بهره گیری از ترفندی که هم اکنون به شما معرفی خواهیم کرد میتوانید بدون نیاز به نرم افزار خاصی و تنها با استفاده از تنظیمات سیستمی به وسیله دکمه های کیبوردتان ، کامپیوترتان را روشن کنید.


روش کار :

ابتدا کامپیوتر را Restart کرده و چندین بار کلید Delete را فشار داده تا به محیط Setup بروید.

سپس گزینه Intergrated Peripherals را انتخاب کنید و در صفحه باز شده گزینه Keyboard Power on را انتخاب کنید، که شامل گزینه های زیر می باشد و به ترتیب آنها را توضیح می دهیم:


1️⃣ گزینه Password : با انتخاب این گزینه می توان پسوردی را وارد نمود و از طریق پسورد کامپیوتر را روشن کرد. اگر این گزینه را انتخاب کنیم باید بعد از آن گزینه KB Power On Password را انتخاب و پسورد مورد نظر را وارد کرد و سپس آن را تائید نمود.


2️⃣ گزینه Any Key : با انتخاب این گزینه با هر کلید صفحه کلید می توان کامپیوتر را روشن نمود.


3️⃣ گزینه Disabled : با انتخاب این میتوان گزینه روشن شدن کامپیوتر را توسط صفحه کلید غیره فعال نمود.


4️⃣ گزینه KeyBoard 98 : این گزینه مخصوص صفحه کلید های قدیمی است.

پس از انتخاب یکی از گزینه های بالا کلید F10 را فشار داده و تغیرات اعمال شده را با زدن کلید Y و سپس کلید Enter آن را تائید می کنیم.

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

🦠 سریع ترین راه برای نابودی ویروس ها...!

▪️اگر ویندوزت اکتیو هست و به تازگی نصب یا آپدیتش کردی تا انتهای این پست رو همراه من باش ؛ چراکه میخوام سریع ترین روش رو برای اسکن کردن و ویروس کشی ویندوز معرفی کنم.

🔢 دکمه Win+r رو باهم بگیر.

🔢 تایپ کن MRT و اوکی رو بزن.

🔢 تو صفحه ای که باز میشه Next رو بزن.

🔢 حالا گزینه اول یعنی Quick scan رو انتخاب و Next رو بزن.

❓ کاربردش چیه؟!

• اگر این ابزار عفونت رو تشخیص بده ، بلافاصله اون رو برطرف می‌کنه و گزارشی حاوی تعداد پرونده های اسکن شده ، پرونده های آلوده و پرونده های حذف شده ایجاد می کنه👌

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

قیمت‌گذاری همستر:
1000 همستر = 12 دلار

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

یه چیز مفید یادتون بدم : ( واقعا خیلی مفید ) اگه دانش آموز یا دانشجو هستید و با ریاضی سرو کار دارید تو گوگل wolfram alpha رو سرچ کنید و سایتشو باز کنید هر سوال ریاضی که میخوابید حل کنید رو اون بهترین جواب رو به شما میده

حتی یه قسمت پایین جوابش هست که نوشته : step-by-step solution

مرحله به مرحله ی رسیدن به جواب رو هم براتون نوشته

(برای پدر و مادرهایی که میخوان با بچه هاشون
تو خونه ریاضی کار کنن میتونه بهترین ابزار باشه ) #کاربردی

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

رتبه‌بندی برترین دانشگاه‌های جهان (دانشگاه آزاد بالاتر از شریف قرار گرفت!)

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

فردا آنلاین باشین roadmapها به صورت مفصل از همه مشاغلی که تو پیج گفته شد قرار میدم✅

نقشه راه دانشمند داده یا متخصص علم داده (Data Scientist)🔥

شامل یادگیری مهارت‌ها و مفاهیم مختلف در حوزه داده، تحلیل، آمار، و یادگیری ماشین است. دانشمندان داده برای تحلیل داده‌ها و استخراج اطلاعات ارزشمند از آن‌ها نیاز به ترکیبی از مهارت‌های برنامه‌نویسی، ریاضیات، آمار و حوزه‌های مختلف تجاری دارند. در ادامه، یک نقشه راه جامع برای تبدیل شدن به یک دانشمند داده آورده شده است:

1️⃣ مبانی ریاضی و آمار:

⏪آمار توصیفی (Descriptive Statistics): یادگیری مفاهیم اولیه مانند میانگین، میانه، واریانس و انحراف معیار.
⏪آمار استنباطی (Inferential Statistics): درک مباحثی مانند آزمون‌های فرضیه، فاصله‌های اطمینان و تحلیل واریانس (ANOVA).
⏪احتمالات (Probability): یادگیری اصول احتمالات، قوانین بیز، و توزیع‌های مختلف (نرمال، نمایی، برنولی و غیره).

2️⃣برنامه‌نویسی و ابزارهای مرتبط:

⏩Python: زبان اصلی برای تحلیل داده‌ها. یادگیری کتابخانه‌های مهم:
⏩NumPy: برای محاسبات عددی.
⏩Pandas: برای پردازش و مدیریت داده‌ها.
⏩Matplotlib و Seaborn: برای مصورسازی داده‌ها.
⏩R: زبانی که به‌ویژه در آمار و تحلیل داده‌ها بسیار محبوب است.
⏩SQL: برای کار با پایگاه‌داده‌ها و انجام کوئری‌ها.

3️⃣مدیریت داده‌ها:

⏪پایگاه‌داده‌های رابطه‌ای و NoSQL: یادگیری نحوه کار با پایگاه‌داده‌های رابطه‌ای (مانند MySQL و PostgreSQL) و غیررابطه‌ای (مانند MongoDB).
⏩مبحث Data Wrangling: تمیز کردن، آماده‌سازی و پردازش داده‌ها برای تحلیل.

4️⃣یادگیری ماشین (Machine Learning):

⏪یادگیری نظارت شده (Supervised Learning): یادگیری الگوریتم‌هایی مانند رگرسیون، درخت تصمیم، SVM، و جنگل‌های تصادفی.
⏪یادگیری بدون نظارت (Unsupervised Learning): یادگیری الگوریتم‌هایی مانند K-Means و تحلیل مولفه‌های اصلی (PCA).
⏪یادگیری تقویتی (Reinforcement Learning): درک اصول یادگیری تقویتی و الگوریتم‌های مربوطه.

5️⃣تحلیل داده و مصورسازی:

⏪تحلیل اکتشافی داده‌ها (Exploratory Data Analysis - EDA): تکنیک‌ها و ابزارهای EDA برای تحلیل و شناسایی الگوها و روندها در داده‌ها.
⏪مصورسازی داده‌ها: یادگیری استفاده از ابزارهای مصورسازی مانند Tableau، Power BI و همچنین کتابخانه‌های Python برای ایجاد نمودارها و گراف‌ها.

6️⃣مهندسی ویژگی (Feature Engineering):

⏪انتخاب ویژگی‌ها (Feature Selection): یادگیری نحوه شناسایی ویژگی‌های مهم و حذف ویژگی‌های غیرضروری.
⏪ایجاد ویژگی‌ها (Feature Creation): استفاده از داده‌های خام برای ایجاد ویژگی‌های جدید.

7️⃣مدل‌سازی و ارزیابی:

⏪مدل‌سازی: ساخت و آموزش مدل‌ها با استفاده از داده‌های تمرینی.
⏪ارزیابی مدل: استفاده از متریک‌های ارزیابی مانند دقت (Accuracy)، F1-Score، Precision و Recall.
⏪تکنیک‌های اعتبارسنجی (Cross-Validation): برای جلوگیری از Overfitting و بهینه‌سازی مدل.

8️⃣یادگیری عمیق (Deep Learning):

⏪شبکه‌های عصبی (Neural Networks): یادگیری ساختارهای پایه شبکه‌های عصبی و کاربرد آن‌ها در مسائل مختلف.
⏪فریمورک‌های یادگیری عمیق: یادگیری استفاده از TensorFlow و PyTorch برای ساخت و آموزش مدل‌های یادگیری عمیق.

9️⃣مبحث Big Data و پردازش توزیع‌شده:

⏩بخش Apache Hadoop: یادگیری نحوه کار با اکوسیستم Hadoop برای پردازش داده‌های بزرگ.
⏩Apache Spark: یادگیری نحوه استفاده از Spark برای پردازش داده‌ها در مقیاس بزرگ و اجرای تحلیل‌های سریع.

0️⃣1️⃣مدیریت پروژه و کار تیمی:

⏪مدیریت پروژه: یادگیری تکنیک‌های مدیریت پروژه و کار با ابزارهایی مانند Jira و Trello.
⏪ارتباط با ذی‌نفعان: توانایی ارتباط موثر با اعضای تیم و ذی‌نفعان تجاری.

1️⃣1️⃣منابع آموزشی و گواهینامه‌ها:

⏮کتاب‌ها:

⏩"Data Science from Scratch" by Joel Grus
⏩"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron

⏮دوره‌های آنلاین:

⏩Coursera: دوره "Data Science Specialization" توسط Johns Hopkins University.
⏩edX: دوره "Data Science MicroMasters" از MIT.
⏩Kaggle: دوره‌های رایگان در زمینه تحلیل داده‌ها و یادگیری ماشین.

2️⃣1️⃣پروژه‌های عملی و تجربیات:

⏪تحلیل مجموعه‌داده‌ها: کار بر روی پروژه‌های واقعی با مجموعه‌داده‌های عمومی از Kaggle یا UCI Machine Learning Repository.
⏪ساخت داشبوردهای مصورسازی: ایجاد داشبوردهایی با استفاده از Tableau یا Power BI برای نمایش نتایج تحلیل‌ها.
⏪مشارکت در پروژه‌های متن‌باز: مشارکت در پروژه‌های متن‌باز در GitHub برای تقویت مهارت‌ها.

⏺پروژه‌های پیشنهادی برای دانشمندان داده:

⏹تحلیل داده‌های فروش: پیش‌بینی فروش آینده با استفاده از داده‌های تاریخی.
⏹مدل‌سازی پیش‌بینی: ساخت یک مدل برای پیش‌بینی چرخش مشتریان بر اساس داده‌های مشتریان.
⏹تحلیل احساسات: تحلیل نظرات مشتریان و استخراج احساسات مثبت یا منفی.

با دنبال کردن این نقشه راه و تمرین پروژه‌های عملی، می‌توانید به یک دانشمند داده حرفه‌ای تبدیل شوید و مهارت‌های لازم برای کار در زمینه تحلیل داده‌ها و یادگیری ماشین را کسب کنید.

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°

نقشه راه مهندس یادگیری ماشین (Machine Learning Engineer)♨️

شامل یادگیری مفاهیم پایه ریاضیات، برنامه‌نویسی، الگوریتم‌های یادگیری ماشین و ابزارهای مرتبط است. این نقش ترکیبی از علوم کامپیوتر، آمار و مهندسی نرم‌افزار را می‌طلبد. در ادامه، یک نقشه راه جامع برای تبدیل شدن به مهندس یادگیری ماشین آورده شده است:

1️⃣مبانی ریاضی و آمار:

⬅️جبر خطی (Linear Algebra): یادگیری ماتریس‌ها، بردارها، ضرب ماتریسی و تجزیه مقادیر منفرد (SVD). منابع: "Linear Algebra and Its Applications".
⬅️حساب دیفرانسیل و انتگرال (Calculus): درک مشتقات و انتگرال‌ها و نحوه بهینه‌سازی توابع. به ویژه در گرادیان کاهشی و مشتقات جزئی.
⬅️آمار و احتمالات: مفاهیم پایه آمار (میانگین، واریانس، توزیع‌ها) و احتمالات شرطی، بیزین و قانون احتمالات. منابع: Probability and Statistics for Engineers and Scientists

2️⃣برنامه‌نویسی و ابزارهای مرتبط:

⬅️زبان Python: محبوب‌ترین زبان برنامه‌نویسی برای یادگیری ماشین. یادگیری کتابخانه‌های Python مانند:
⬅️NumPy: برای محاسبات عددی.
⬅️Pandas: برای مدیریت داده‌ها و پردازش داده‌ها.
⬅️Matplotlib و Seaborn: برای مصورسازی داده‌ها.
⬅️R: یک زبان دیگر برای تحلیل داده‌ها و یادگیری ماشین که بیشتر در حوزه آماری استفاده می‌شود.
⬅️Git: برای مدیریت نسخه کدها و همکاری تیمی.

3️⃣پایگاه‌داده و کار با داده‌ها:

⬅️زبان SQL: یادگیری نحوه کوئری زدن و کار با پایگاه داده‌های رابطه‌ای.
⬅️NoSQL: مانند MongoDB برای کار با پایگاه‌های داده غیر رابطه‌ای.
⬅️Data Wrangling: توانایی تمیز کردن، آماده‌سازی و دستکاری داده‌ها برای ورود به مدل‌ها.

4️⃣یادگیری ماشین (Machine Learning):

⬅️یادگیری نظارت شده (Supervised Learning): الگوریتم‌هایی که از داده‌های برچسب‌گذاری شده استفاده می‌کنند.
⬅️رگرسیون خطی و لجستیک: یادگیری مدل‌های پیش‌بینی با خروجی‌های عددی یا باینری.
⬅️درخت تصمیم (Decision Trees): و جنگل تصادفی (Random Forests) برای طبقه‌بندی و پیش‌بینی.
⬅️ماشین بردار پشتیبان (SVM): یک الگوریتم طبقه‌بندی با استفاده از بردارها و سطوح تصمیم‌گیری.
⬅️یادگیری غیرنظارت شده (Unsupervised Learning): الگوریتم‌هایی که از داده‌های بدون برچسب استفاده می‌کنند.
⬅️خوشه‌بندی (Clustering): الگوریتم‌هایی مانند K-Means برای گروه‌بندی داده‌های مشابه.
⬅️کاهش ابعاد (Dimensionality Reduction): مانند PCA (تحلیل مولفه‌های اصلی) برای کاهش پیچیدگی داده‌ها.
⬅️یادگیری تقویتی (Reinforcement Learning): یادگیری براساس پاداش و جریمه. مطالعه الگوریتم‌هایی مانند Q-learning و Deep Q-Networks.

5️⃣کتابخانه‌ها و فریمورک‌های یادگیری ماشین:

⬅️مبحث Scikit-learn: یک کتابخانه محبوب برای پیاده‌سازی الگوریتم‌های پایه یادگیری ماشین مانند رگرسیون، طبقه‌بندی و خوشه‌بندی.
⬅️TensorFlow: یک فریمورک قدرتمند برای ساخت مدل‌های یادگیری عمیق و شبکه‌های عصبی.
⬅️Keras: یک رابط سطح بالا برای TensorFlow که توسعه و تست مدل‌ها را آسان‌تر می‌کند.
⬅️PyTorch: فریمورکی محبوب برای پیاده‌سازی و تست مدل‌های یادگیری عمیق و شبکه‌های عصبی.

6️⃣مهندسی ویژگی (Feature Engineering):

⬅️انتخاب ویژگی‌ها (Feature Selection): یادگیری تکنیک‌هایی برای انتخاب ویژگی‌های مهم و حذف داده‌های بی‌فایده.
⬅️ایجاد ویژگی‌ها (Feature Creation): استفاده از داده‌های خام برای ایجاد ویژگی‌های جدید که به بهبود دقت مدل کمک می‌کنند.
⬅️مقیاس‌بندی (Scaling): نرمال‌سازی داده‌ها برای سازگاری با الگوریتم‌های مختلف.

7️⃣ارزیابی و بهینه‌سازی مدل‌ها:

⬅️متریک‌های ارزیابی مدل: یادگیری معیارهایی مانند دقت (Accuracy)، F1-Score، Precision و Recall برای ارزیابی عملکرد مدل.
⬅️Cross-Validation: استفاده از تکنیک‌های اعتبارسنجی متقابل برای بررسی دقت مدل‌ها.
⬅️Overfitting و Underfitting: درک چالش‌های مرتبط با تعمیم‌دهی مدل‌ها به داده‌های جدید و روش‌های جلوگیری از Overfitting مانند Regularization.

8️⃣یادگیری عمیق (Deep Learning):

⬅️شبکه‌های عصبی مصنوعی (Neural Networks): یادگیری ساختارها و اصول شبکه‌های عصبی، شامل لایه‌های ورودی، مخفی و خروجی.
⬅️شبکه‌های عصبی پیچشی (Convolutional Neural Networks - CNNs): برای پردازش تصاویر.
⬅️شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs): برای پردازش داده‌های توالی مانند متن و سری‌های زمانی.
⬅️یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های پیش‌آموزش‌دیده برای تسریع در یادگیری مدل‌های جدید.

9️⃣مهندسی نرم‌افزار و سیستم‌ها:

⬅️مبحث API‌ ها و توسعه برنامه: یادگیری نحوه ساخت و استفاده از API‌ ها برای به‌کارگیری مدل‌ها در تولید.
⬅️Docker و Kubernetes: یادگیری نحوه استفاده از Docker برای بسته‌بندی برنامه‌ها و Kubernetes برای مدیریت کانتینرها.
⬅️استقرار مدل‌ها (Model Deployment): یادگیری روش‌های استقرار مدل‌های یادگیری ماشین در تولید از طریق ابزارهایی مانند Flask یا FastAPI

0️⃣1️⃣مدیریت پروژه‌ها و کار با داده‌ها در مقیاس بزرگ:

⬅️مبحث Big Data: یادگیری تکنیک‌ها و ابزارهای مدیریت داده‌های بزرگ مانند Hadoop و Spark.
⬅️مبحث Cloud Computing: یادگیری نحوه استفاده از سرویس‌های ابری مانند AWS (SageMaker)، Google Cloud Platform (GCP) و Microsoft Azure برای مدیریت و استقرار مدل‌ها.
⬅️MLOps: یادگیری نحوه پیاده‌سازی اصول DevOps در یادگیری ماشین برای اتوماسیون فرایندهای آموزشی و استقرار مدل‌ها.

1️⃣1️⃣منابع و دوره‌های آموزشی:

◀️کتاب‌ها:

➡️"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron
➡️"Deep Learning" by Ian Goodfellow
➡️"Pattern Recognition and Machine Learning" by Christopher Bishop

◀️دوره‌های آنلاین:

➡️Coursera: دوره "Machine Learning" توسط Andrew Ng.
➡️Udacity: دوره "Deep Learning Nanodegree".
➡️Fast.ai: دوره رایگان برای یادگیری یادگیری عمیق با PyTorch.


2️⃣1️⃣تمرین و پروژه‌های عملی:

⬅️پروژه‌های عملی: برای یادگیری عملی، پروژه‌هایی مانند طبقه‌بندی تصاویر، تحلیل سری زمانی، و پیش‌بینی داده‌ها را انجام دهید.
⬅️شرکت در چالش‌ها: شرکت در چالش‌های برنامه‌نویسی و داده‌کاوی در پلتفرم‌هایی مانند Kaggle برای تقویت مهارت‌ها.
⬅️مشارکت در پروژه‌های متن‌باز: مشارکت در پروژه‌های یادگیری ماشین متن‌باز در GitHub.

⏺پروژه‌های پیشنهادی برای مهندسین یادگیری ماشین:

⏹پروژه طبقه‌بندی تصاویر: استفاده از CNN برای طبقه‌بندی تصاویر dataset‌های معروف مانند MNIST یا CIFAR-10.
⏹تحلیل داده‌های سری زمانی: پیش‌بینی قیمت سهام با استفاده از RNN و LSTM.
⏹پروژه‌های NLP: استفاده از مدل‌های NLP برای تحلیل متن، مانند طبقه‌بندی نظرات کاربران یا ساخت ربات چت.

با دنبال کردن این نقشه راه و تمرین پروژه‌های عملی، می‌توانید به یک مهندس یادگیری ماشین حرفه‌ای تبدیل شوید و به حل مسائل پیچیده یادگیری ماشین در دنیای واقعی بپردازید.

°----------------------------------------°

https://t.me/programercity

°----------------------------------------°