📝کشاورزی با هوش مصنوعی و لیزر

ماشینی که علف‌های هرز رو شناسایی می کنه و با لیزر می سوزونه!
#هوش_مصنوعی
#AI
◦•◉✿ @python_rd ✿◉•◦

⭐ خیلی حس خوبیههه😂
🌱 برات پیش اومده؟😉⠀⠀
#میم
#فان
⠀◦•◉✿ @python_rd ✿◉•◦

مطلبی درباره تفاوت == و is
◦•◉✿ @python_rd ✿◉•◦

✅ مطلبی در مورد تفاوت == و is

ما وقتی ی متغیر می‌سازیم، مثلا ی لیست، به این صورت:
list1 = [1, 2, 3, 4]
🔸️این متغیری که لیستمون رو بهش نسبت دادیم به ی خونه از حافظه رم اشاره میکنه، یعنی این لیست رو داخل ی خونه رم میذاره و به آدرس اون خونه اشاره میکنه.
حالا ی لیست دیگه بسازیم:
list2 = list1
🔷️در واقع ما گفتیم لیست دوم هم به همون آدرسی که لیست یک اشاره میکرد اشاره کنه.
حالا هر تغییری تو لیست یک یا لیست دو ایجاد کنیم اون یکی هم تغییر میکنه، مثلا:
list2.append(5)
نتیجه میشه:
print(list1) -> [1, 2, 3, 4, 5]
print(list2) -> [1, 2, 3, 4, 5]

ولی اگه بیایم بگیم:
list3 = list1[:]

🔸️اینجا میگیم ی لیست بساز و آیتم‌های لیست یک رو بریز داخلش، ولی نگفتیم لیست سه = لیست یک؛ بنابراین لیست سه به ی خونه دیگه از حافظه رم اشاره میکنه ولی مقدارش همون مقدار لیست یک هست.
به این ترتیب اگه بگیم:
list3.append(6)
نتیجه میشه:
print(list1) -> [1, 2, 3, 4, 5]
print(list2) -> [1, 2, 3, 4, 5]
print(list3) -> [1, 2, 3, 4, 5, 6]

🔷️چون ما دیتای ی خونه دیگه از حافظه رم رو تغییر دادیم و فقط مقدار متغیری که به اون خونه اشاره میکنه تغییر کرد.

🔸️برای متوجه شدن این تفاوت می‌تونید با دستور زیر نتیجه رو ببینید:

print(id(list1))
print(id(list2))
print(id(list3))

🔷️تابع id آدرس خونه‌ای که متغیر بهش اشاره میکنه رو میده، اینجا لیست یک و لیست دو ی چیز رو چاپ میکنن ولی لیست سه ی چیز دیگه رو چاپ میکنه.

🔸️حالا علامت == فقط مقدار دو تا متغیر رو با هم مقایسه میکنه ولی علامت is میاد هم مقدارشون و هم اینکه به ی خونه اشاره میکنن یا نه رو بررسی میکنه، پس:

list1 is list2 -> True
list1 == list2 -> True

list1 is list3 -> False
list1 == list3 -> False (البته چون اونجا ۶ رو به لیست سه اضافه کردیم)
قبل append
list1 == list3 -> True

🔷️این همون مفهوم (کپی سطحی)shallow copy در پایتونه.
روش اول کپی نکرد، بلکه آدرس خونه رم رو به متغیر دوم نسبت داد ولی دومی کپی سطحی کرد.

حالا فرض کنید لیست اول رو به این صورت تعریف کردیم:
list1 = [1, 2, [3, 4], 5]
🔸️یعنی یه لیست دیگه هم بعنوان ی آیتم بهش دادیم، یعنی به عبارتی لیست تو در تو ایجاد کردیم.
اینجا اگه از روش کپی سطحی استفاده کنیم بازم همون مشکل اول بوجود میاد؛ چون باز آدرس خونه رم لیست داخلی رو داد به متغیر دومی.
list2 = list1[:]
حالا فرض کنید تغییر رو بصورت زیر اعمال کردیم:
list2[2][0] = 9
دوباره خروجی لیست اول رو ببینید:
print(list1) -> [1, 2, [9, 4], 5]

🔷️چطور میتونیم جلوی این مشکل رو بگیریم و بعبارتی ی (کپی عمیق)deepcopy داشته باشیم؟

با استفاده از کتابخونه داخلی copy:
import copy
list2 = copy.deepcopy(list1)

البته میشه با همین کتابخونه هم ی کپی سطحی داشت، بصورت زیر:
list3 = copy.copy(list1)

◦•◉✿ @python_rd ✿◉•◦

اگر کسی میدونه و یادش هست تو کدوم قسمت و کدوم فصل دوره پایتون سبزلرن این موضوع رو کامل باز شده توقسمت کامنت ها به بقیه اطلاع بدید تا اگر مشکلی پیش اومد در فیلم ها رفع ابهام بشه!
سپاس

حذف بک گراند با پایتون

◦•◉✿ @python_rd ✿◉•◦

🔆ماشین لرنینگ👌

◦•◉✿ @python_rd ✿◉•◦

🐍 #تمرین_پایتون: مرتب سازی دیکشنری

🔷️برای مرتب‌سازی دیکشنری با کلیدها:

🔸️۱- دیکشنری با نام Dict تعریف و مقداردهی اولیه می‌شود.

🔸️۲- کلیدهای دیکشنری درون لیستی با نام keys قرار می‌گیرند و با تابع sort مرتب می‌شوند.

🔷️۳- عناصر موجود در Dict با کلیدهای مرتب‌شده در گام قبل، درون sorted_dict قرار می‌گیرند. دیکشنری با تابع update به روز می‌شود.

🔷️۴- دیکشنری نمایش داده می‌شود.

#Dictionary
#دیکشنری
@python_rd

🐍 #تمرین_پایتون: مرتب سازی کلیدهای دیکشنری با تابع sort

🔸️یکی از راه‌های مرتب‌سازی دیکشنری ها، استفاده از تابع sort و ذخیره دیکشنری در قالب شی OrderDict است.

🔷️برای مرتب‌سازی دیکشنری با تابع Sort:

🔸️۱- از ماژول collection, زیر کلاس OrderedDict را import کنید.

🔷️۲- دیکشنری با نام dic تعریف کنید و آن را مقدار دهی اولیه نمایید.

🔸️۳- عناصر موجود در دیکشنری به صورت  dict.items به تابع sort پاس داده می‌شود. برای آنکه عناصر مرتب‌شده، با ترتیب مرتب‌شده ذخیره شوند از زیر کلاس OrderDict نمونه‌سازی شده است و عناصر در این نمونه ذخیره‌سازی می‌شوند.

🧐سوال: به نظرتون چه تفاوتی بین دیکشنری ساخته شده توسط تابع dict و نمونه ساخته شده توسط OrderDict وجود دارد؟🤔

#پایتون
#دیکشنری
@python_rd

📕Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
یادگیری ماشین با استفاده از تنسورفلو، کراس و Scikit
چاپ سوم
جدیدترین نسخه

📅سال چاپ: 2023
📝چاپ کننده: O'Reilly

#کتاب
#یادگیری_ماشین #ماشین_لرنینگ #یادگیری_عمیق #دیپ_لرنینگ #شبکه_عصبی #کاهش_بعد #درخت_تصمیم #تنسورفلو #کراس #بینایی_ماشین #ماشین_ویژن #یادگیری_تقویتی #پردازش_زبان_طبیعی
#AI #MachineLearning #Classification #SVM #Ensemble #RandomForest #DecisionTree #DimensionalReduction #NEuralNetwork #DeepLearning #TensorFlow #Keras #Scikit #ANN #MachineVision #ComputerVision #CNN #RNN #GAN #NLP #Reinforcement
#book

◦•◉✿ @python_rd ✿◉•◦

📚یادگیری ماشین با استفاده از تنسورفلو، کراس و Scikit
چاپ سوم
جدیدترین نسخه

📅سال چاپ: 2023
📝چاپ کننده: O'Reilly
#book
#کتاب
◦•◉✿ @python_rd ✿◉•◦

معرفی سایت های AI مفید برای یادگیری زبان:

https://b-amooz.com/


http://beta.character.ai


https://app.smalltalk2.me/


◦•◉✿ @python_rd ✿◉•◦

🩺چت‌بات حوزه پزشکی گوگل توسط بیمارستان‌ها درحال آزمایش است

🔹مدل هوش مصنوعی Med-PaLM 2 گوگل که برای پاسخ‌دادن به سؤالات پزشکی طراحی شده، از ماه آوریل در مرکز تحقیقاتی «مایو کلینیک» (Mayo Clinic) درحال آزمایش است. Med-PaLM 2 براساس مدل PaLM 2 ساخته شده که گوگل در کنفرانس I/O 2023 امسال آن را معرفی کرد و زیربنای Bard است.
🔹گوگل معتقد است مدل به‌روزشده آن می‌تواند در کشورهایی که «دسترسی محدودتری به پزشکان دارند»، مفید باشد. Med-PaLM 2 براساس مجموعه‌ای از داده‌های تخصصی پزشکی آموزش داده شده که به گفته گوگل، در پاسخ‌دادن به سؤالات پزشکی بهتر از چت‌بات‌های عمومی مانند ChatGPT و Bard عمل خواهد کرد.

#هوش_مصنوعی
#AI
◦•◉✿ @python_rd ✿◉•◦

🔆نرم افزار آب و هوا با پایتون

◦•◉✿ @python_rd ✿◉•◦

✅دانلود Python Notes for Professionals

فقط فهرست مطالب رو ببینید.
#book
#کتاب
◦•◉✿ @python_rd ✿◉•◦

فایل PDF کتاب Python Notes for Professionals
دانلود کنید. کتاب با ارزشی هست.
#book
#کتاب
◦•◉✿ @python_rd ✿◉•◦

تشخیص چهره با پایتون
#project
#پروژه
◦•◉✿ @python_rd ✿◉•◦

🔷️🔸️هوش مصنوعی بین ۱۰ تا ۴۰ سال دیگر، نیمی از مشاغل را از چنگ انسان درمی‌آورد

🔹مؤسسه‌ی تحقیقاتی McKinsey در گزارشی تحلیلی می‌گوید هوش مصنوعی مولد به‌صورت سالانه ۴٫۴ تریلیون دلار به ارزش اقتصاد جهانی خواهد افزود. این یکی از خوش‌بینانه‌ترین پیش‌بینی‌هایی به شمار می‌رود که درباره‌ی هوش مصنوعی مولد انجام شده؛ فناوری هیجان‌انگیزی که در ماه‌های اخیر رشد زیادی تجربه کرده است.
🔹فناوری هوش مصنوعی مولد که شامل چت‌بات‌هایی مثل ChatGPT می‌شود و توانایی تولید متن و محتواهای دیگر را دارد، بهره‌وری کارها را افزایش می‌دهد. McKinsey معتقد است که هوش مصنوعی بخش قابل‌توجهی از کارها را خودکار می‌کند تا زمانی که از کارکنان گرفته می‌شود، ۶۰ تا ۷۰ درصد کاهش یابد.
🔹مکنزی در گزارش ۶۸ صفحه‌ای جدیدش گفته است که در بین سال‌های ۲۰۳۰ تا ۲۰۶۰ نیمی از تمامی کارها درگیر اتوماسیون خواهند شد. McKinsey قبلاً پیش‌بینی کرده بود که هوش مصنوعی در بین سال‌های ۲۰۳۵ تا ۲۰۷۵ نیمی از کارها را درگیر اتوماسیون می‌کند؛ با این‌ حال قدرت ابزارهای هوش مصنوعی باعث شد این شرکت پیش‌بینی‌هایش را اصلاح کند.
#هوش_مصنوعی #AI
🖥 ◦•◉✿ @python_rd ✿◉•◦

مدل هوش مصنوعی 2 Med-Pal گوگل که برای پاسخ دادن به سؤالات پزشکی طراحی شده از ماه آوریل در مرکز تحقیقاتی مایو کلینیک (Mayo Clinic) در حال آزمایش است. 2 Med-Pal براساس مدل 2 PalM ساخته شده که گوگل در کنفرانس 2023 I/O امسال آن را معرفی کرد و زیربنای Bard است.
گوگل معتقد است مدل به روز شده آن میتواند در کشورهایی که دسترسی محدودتری به پزشکان دارند مفید باشد. 2 Med-Pal براساس مجموعه ای از داده های تخصصی پزشکی آموزش داده شده که به گفته ،گوگل در پاسخ دادن به سؤالات پزشکی بهتر از چت باتهای عمومی مانند ChatGPT و Bard عمل خواهد کرد.

◦•◉✿ @python_rd ✿◉•◦

خلاصه اینطوریاست🫡🤣🤐
⠀⠀
#میم
#فان
⠀◦•◉✿ @python_rd ✿◉•◦