به نام خدا
توی جریان گشت و گذار در لینکدین معمولا افراد زیادی رو دیدم که رزومه خودشون رو به اشتراک گذاشتند و به دنبال فرصت شغلی بودند و یا حتی هستند. یکی از ایشان از یک عبارتی استفاده کرده بود که توجه من را جلب کرد . ایشان گفته بودند که قصد دارند از Tutorial Hell خارج شوند و بقیه مسیر یادگیری را در کار واقعی طی کنند . این کلمه یعنی Tutorial Hell را جستجو کردم و به پست زیر رسیدم و بنظرم در آن، توصیف خوبی را از آن مطرح شده و برای آن راهکارهای خوبی ارائه شده.
امیدوارم که همه ما بتوانیم آموخته های خود را در اولین زمان ممکن به ارزش افزوده تبدیل کنیم و در عمل سودمند باشیم .
https://www.linkedin.com/pulse/escaping-tutorial-hell-guide-progress-your-learning-journey-jatasra-dvdgf?trk=feed_main-feed-card_feed-article-content
توی جریان گشت و گذار در لینکدین معمولا افراد زیادی رو دیدم که رزومه خودشون رو به اشتراک گذاشتند و به دنبال فرصت شغلی بودند و یا حتی هستند. یکی از ایشان از یک عبارتی استفاده کرده بود که توجه من را جلب کرد . ایشان گفته بودند که قصد دارند از Tutorial Hell خارج شوند و بقیه مسیر یادگیری را در کار واقعی طی کنند . این کلمه یعنی Tutorial Hell را جستجو کردم و به پست زیر رسیدم و بنظرم در آن، توصیف خوبی را از آن مطرح شده و برای آن راهکارهای خوبی ارائه شده.
امیدوارم که همه ما بتوانیم آموخته های خود را در اولین زمان ممکن به ارزش افزوده تبدیل کنیم و در عمل سودمند باشیم .
https://www.linkedin.com/pulse/escaping-tutorial-hell-guide-progress-your-learning-journey-jatasra-dvdgf?trk=feed_main-feed-card_feed-article-content
Linkedin
Escaping Tutorial Hell: A Guide to Progress in Your Learning Journey
Learning a new skill or diving into a new field of knowledge is exhilarating. With the internet at our fingertips, tutorials, courses, and guides on every topic imaginable are just a click away.
👍6
Forwarded from فایل‌های گلچین علم داده
1_MLP.zip
1023.6 MB
۱_مباحث پایه و شبکه های تماما متصل MLP
مهمترین و پایه ای ترین قسمت درس اینجاست از بقیه مباحث جدی تر بگیرینش در واقع بقیه مباحث صرفا ایده شبکه های عصبی رو تو جاهای مختلف به کار برده و اصل قضیه همین شبکه های عصبی fully connected (یا multi layer perceptron) هستش
مهمترین و پایه ای ترین قسمت درس اینجاست از بقیه مباحث جدی تر بگیرینش در واقع بقیه مباحث صرفا ایده شبکه های عصبی رو تو جاهای مختلف به کار برده و اصل قضیه همین شبکه های عصبی fully connected (یا multi layer perceptron) هستش
2_CNN.zip
774 MB
۲_شبکه های کانولوشن CNN و کاربردهاشون (پایه بینایی ماشین)
3_RNN.zip
242.1 MB
۳_شبکه های عصبی بازگشتی RNN و به طور خاص LSTM برای تحلیل داده هایی پشت سرهمی و مرتبط به هم مثل داده های متنی
4_AE.zip
350.3 MB
۴_یادگیری بدون نظارت عمیق و شبکه های autoEncoder
حل مسائل بدون نظارت (unsupervised learning) با کمک شبکه های عصبی علی الخصوص شبکه های AutoEncoder
حل مسائل بدون نظارت (unsupervised learning) با کمک شبکه های عصبی علی الخصوص شبکه های AutoEncoder
5_GAN.zip
478.8 MB
۵_شبکه های تخاصمی GAN
TA.zip
845.5 MB
ویدیوهای کلاس ta
جلس اول: مروری بر مقدمات پایتون
جلسه دوم و سوم: تنسورفلو ورژن ۱
جلسه چهارم: تنسورفلو ورژن ۲ و کراس
البته به نظرم پایتورچ یاد بگیرین و تمرینات رو هم با پایتورچ بزنین
جلس اول: مروری بر مقدمات پایتون
جلسه دوم و سوم: تنسورفلو ورژن ۱
جلسه چهارم: تنسورفلو ورژن ۲ و کراس
البته به نظرم پایتورچ یاد بگیرین و تمرینات رو هم با پایتورچ بزنین
HomeWork.zip
63.7 MB
تمرینات و پروژه درس
پاسخنامه خودم رو برای بعضی از تمرینات و پروژه توی گیتهاب گذاشتم (البته کاملن درست نیستن!)
پاسخنامه خودم رو برای بعضی از تمرینات و پروژه توی گیتهاب گذاشتم (البته کاملن درست نیستن!)
Exam.zip
2.2 MB
امتحانات میانترم و پاینترم درس به همراه پاسخنامه
slides.zip
30.8 MB
اسلاید ها
DL_HW_Soleymani.zip
4.9 MB
ویدیو ها رو دسته بندی کردم به شکلی که ویدیوهای مربوط به یک مبحث با هم تو یه فایل زیپن پیشنهاد میکنم مبحث به مبحث منطبق با اسلایدها، ویدیوها رو ببینین و تمرین ازشون حل کنین
یادگیری عمیق دکتر فاطمی زاده
یادگیری عمیق دکتر فاطمی زاده
👍1
<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1, user-scalable=no, interactive-widget=resizes-content" />
این تگ چه میکند؟
به ویژه این:
resizes-content
این تگ چه میکند؟
به ویژه این:
resizes-content
Building Microservices: Using an API Gateway
From nginx blog
https://www.nginx.com/blog/building-microservices-using-an-api-gateway/?trk=comments_comments-list_comment-text
From nginx blog
https://www.nginx.com/blog/building-microservices-using-an-api-gateway/?trk=comments_comments-list_comment-text
NGINX
Building Microservices Using an API Gateway | NGINX
Learn why and how to build microservices using API gateways for communication between clients and applications.
مهندسی داده یکی از فیلدایی‌ه که تو دانشگاه به اون صورت کورس تخصصی‌ای نداره که بتونیم عمیق یاد بگیریم، به‌شدت گسترده‌ست و buzz wordهای زیادی از لحظه‌ای که آدم شروع به کار کردن می‌کنه، داره.
ما چند تا از بچه‌های دانشکده، همراه با چند تا از هم‌کارامون تو شرکتای ایرانی، یه رودمپ واسه مهندسی‌داده درست کردیم (اسم تیم‌مون هم databurstه)
مثل کاری که سر درس وب با امید عزیز انجام دادیم، این ریپازیتوری هم پابلیک‌ه و دوست داریم بتونیم مشارکت شما رو هم داشته باشیم.
https://github.com/data-burst/data-engineering-roadmap
اگه ستاره بهمون بدین هم که دمتون‌گرم ❤️
ما چند تا از بچه‌های دانشکده، همراه با چند تا از هم‌کارامون تو شرکتای ایرانی، یه رودمپ واسه مهندسی‌داده درست کردیم (اسم تیم‌مون هم databurstه)
مثل کاری که سر درس وب با امید عزیز انجام دادیم، این ریپازیتوری هم پابلیک‌ه و دوست داریم بتونیم مشارکت شما رو هم داشته باشیم.
https://github.com/data-burst/data-engineering-roadmap
اگه ستاره بهمون بدین هم که دمتون‌گرم ❤️
GitHub
GitHub - data-burst/data-engineering-roadmap
Contribute to data-burst/data-engineering-roadmap development by creating an account on GitHub.
🎉10👍3
https://jailbreakbench.github.io/
Jailbreak attacks cause large language models (LLMs) to generate harmful, unethical, or otherwise unwanted content. Evaluating these attacks presents a number of challenges, and the current landscape of benchmarks and evaluation techniques is fragmented. First, assessing whether LLM responses are indeed harmful requires open-ended evaluations which are not yet standardized. Second, existing works compute attacker costs and success rates in incomparable ways. Third, some works lack reproducibility as they withhold adversarial prompts or code, and rely on changing proprietary APIs for evaluation. Consequently, navigating the current literature and tracking progress can be challenging….
Jailbreak attacks cause large language models (LLMs) to generate harmful, unethical, or otherwise unwanted content. Evaluating these attacks presents a number of challenges, and the current landscape of benchmarks and evaluation techniques is fragmented. First, assessing whether LLM responses are indeed harmful requires open-ended evaluations which are not yet standardized. Second, existing works compute attacker costs and success rates in incomparable ways. Third, some works lack reproducibility as they withhold adversarial prompts or code, and rely on changing proprietary APIs for evaluation. Consequently, navigating the current literature and tracking progress can be challenging….