زبان های برنامه نویسی مورد استفاده در لایه های مختلف IoT

جاوا و پایتون در تمام لایه ها قابل استفاده هستن

#python #java #iot

@pythonicAI

فرایند یادگیری ماشین در یک نگاه

@pythonicAI

Elements of statistical learning

یکی از کتابهای خوب در زمینه یادگیری آماری و یادگیری ماشینی
نویسندگان:
Trevor Hastie 
Robert Tibshirani
Jerome H. Friedman

@pythonicAI

📝 چگونه هوش مصنوعی صنعت خودرو سازی را متحول خواهد کرد

🔸از خودروهای بدون راننده گرفته تا روبات های موجود در کف کارخانه ، هوش مصنوعی در حال متحول کردن صنعت خودرو است. در اینجا مراحلی که شرکتهای هوشمند برای بهره مندی از فرصت هایی که هوش مصنوعی پیش پای آن ها میگذارد را بررسی میکنیم.

طی دو دهه آینده، هوش مصنوعی (AI) خودرو های خودران را جزء خودرو های پرطرفدار در بازار خواهد کرد. در آن واحد، هوش مصنوعی بیشتر جنبه های فرآیند تولید خودکار را از تحقیق و طراحی گرفته تا مدیریت پروژه و عملکردهای پشتیبانی کسب و کار، تغییر خواهد داد.

🔻برای دریافت اطلاعت بیشتر به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/news/ai-applications-in-automobile-industry/

#تازه_ها
#هوش_مصنوعی
#مجله_شهاب

ScienceAlert - Latest
A Neuroscientist Explains What Sugar Really Does to Our Brains

➖ @sciencetoall ➖

Facebook AI researchers have created Fashion++

An AI tool that learns from sample images and then recommends easy changes to a person’s outfit to make it more stylish.

Link

#artificialintelligence

@pythonicAI

Inside a #Google data center

انقلابی در عرصه هوش مصنوعی با جولیا

ویژگی های جولیا:

1. یک زبان برنامه نویسی متن باز با پروانه MIT آمریکا

2. سرعت نزدیک به c

3. مانند زبان لیسپ است، به این معنا که کدهای برنامه نیز داده هایی از برنامه به شمار میروند، که امکان تولید کدهای برنامه نویسی پویا را به برنامه نویس می‌دهد.

4. سینتکس ساده و روان مثل پایتون

5. پویایی مثل روبی

6. قابلیت فراخوانی برنامه های پایتون، متلب،  c و c++

7. پشتیبانی از metaprogramming  به منظور تولید برنامه با کد کمتر و سرعت بیشتر

8. پشتیبانی بهینه از یونی‌کد شامل UTF-8

@uselinux
💥کرنل لینوکس در ورود به سال 2020 به 27.8 میلیون خط در گیت رسید اما در سال 2019 دولوپران کمتری روی آن کار کردند!
@uselinux
در سال 2019 کرنل لینوکس 74,754 کامیت دریافت کرد درحالی که این تعداد پایین ترین میزان از سال 2013 بوده است
در سال 2017 و 2018 کامیت ها 80k و در سال 2016 حدود 77k و در سال های 2014 , 2015 به میزان 75k بوده است
@uselinux
علاوه بر کامیت ها میزان دولوپران نیز کمتر بوده است
در سال 2019 حدود 4189
در سال 2018 حدود 4362
و در سال 2017 نیز 4402
@uselinux
و با وجود کامیت های کمتر 3,386,347 خط کد جدید به آن اضافه و 1,696,620 خط از آن حذف شده است
و لینوس توروالدز بیشترین میزان کانتریبیوت را داشته است .
@uselinux
منبع

Some of Machine Learning Algorithms

#machinelearning #artificialintelligence

@pythonicAI

GPyTorch

Gaussian processes for modern machine learning systems

Link

Github

#machinelearning #artificialintelligence

@pythonicAI

رودمپی جالب برای شروع دیپ لرنینگ از الفبا تا تخصص

لینک

#roadmap #deeplearning #artificialintelligence

@pythonicAI

These Projects will make you the Super Hero of Python: Link

#python #machinelearning #deeplearning #artificialintelligence

@pythonicAI

#fun
رفتار پایتون با فریم ورک های ماشین لرنینگ، دیپ لرنینگ و دیتا ساینس 😉

@pythonicAI

ببر، ببر! 
كه در جنگل هاي شب تابناک می درخشی
كدام دیده و دست جاودانه
تقارن هولناک تو را
آفريدن توانست؟

در کدامین درياها يا آسمان هاي دوردست
آتش دیدگان تو شعله ور بود؟
بر كدامين بال و پر
ياراي بلند پروازی داشت؟
و كدامين دست
آتش را برگرفتن ياراست؟

و كدامين شانه، كدامين هنر توانست
دهلیزهای قلب تو را تنید؟
و آنگاه كه قلبت تپيدن گرفت
کدام پنجه به رعشه افتاد؟
كدام زانوان لرزيد؟
چه پتكي وچه زنجيری؟
در كدام كوره پرداخته شد مغز تو؟
و بر كدام سندان، به كدام لمس پر هراس
بر آن مرگبارگي چنگ انداخت

در آن ساعت که نيزه می افكدند ستارگان
و نم مي‌زدند افلاک را با اشك‌هايشان
ايا او به ديدار آفريده‌اش خنديد
آيا هم او تو را خلق كرد كه بره را آفريد؟

ببر، ببر! 
كه در جنگل هاي شب تابناک می درخشی
كدام دیده و دست جاودانه
تقارن هولناک تو را
آفريدن توانست؟

🔸 ببر - اثر ویلیام بلیک

@pythonicAI

What are three methods for scaling your data?

✅ "Normalization" or "scaling" - general terms that refer to transforming your input data to a new scale (often a linear transformation) such as to 0 to 1, -1 to 1, 0 to 10, etc

✅ Min-Max - linear transformation of data that maps the minimum value to 0 and the maximum value to 1

✅ Standardization - transforms each feature to a normal distribution with a mean of 0 and standard deviation of 1. May also be referred to as Z-score transformation

One major drawback to each of the three scaling methods:

🔸 General normalization scaling is sensitive to outliers since the presence of outliers will compress most values and make them appear extremely close together.

🔸 Min-Max scaling is also sensitive to outliers since the presence of outliers will compress most values and make them appear extremely close together.

🔸 Standardization (or Z-score transformation) rescales to an unbounded interval which can be problematic for certain algorithms, e.g. some neural networks, that expect input values to be inside a specific range.

#machinelearning #artificialintelligence

@pythonicAI

#fun
It is the errors, Harry, that show us what our model truly is, far more than the accuracy...

#machinelearning #artificialintelligence

@pythonicAI

محققان کمپانی Cisco برای بهبود امنیت شبکه از جولیا برای یادگیری ماشین استفاده می کنند .

منبع :
https://juliacomputing.com/case-studies/cisco.html

🆔 @Julia_DA