ML Algorithms8⃣: K-Means Clustering

k-Means is an unsupervised learning algorithm used for clustering tasks. The goal is to partition a dataset into \( k \) clusters, where each data point belongs to the cluster with the nearest mean. It is an iterative algorithm that aims to minimize the variance within each cluster.

The steps involved in k-Means clustering are:
1. Initialization: Choose \( k \) initial cluster centroids randomly.
2. Assignment: Assign each data point to the nearest cluster centroid.
3. Update: Recalculate the centroids as the mean of all points in each cluster.
4. Repeat: Repeat steps 2 and 3 until the centroids do not change significantly or a maximum number of iterations is reached.

Ex: Suppose we have a dataset with points in 2D space, and we want to cluster them into \( k = 3 \) clusters.

# Import necessary libraries
import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import seaborn as sns

# Example data
np.random.seed(0)
X = np.vstack((np.random.normal(0, 1, (100, 2)),
               np.random.normal(5, 1, (100, 2)),
               np.random.normal(-5, 1, (100, 2))))

# Applying k-Means clustering
k = 3
kmeans = KMeans(n_clusters=k, random_state=0)
y_kmeans = kmeans.fit_predict(X)

# Plotting the clusters
plt.figure(figsize=(8,6))
sns.scatterplot(x=X[:, 0], y=X[:, 1], hue=y_kmeans, palette='viridis', s=50, edgecolor='k')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red', label='Centroids')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('k-Means Clustering')
plt.legend()
plt.show()

ML Algorithms && Models

#MLSecOps
"Here Comes The AI Worm:
Unleashing Zero-click Worms that Target GenAI-Powered Applications", 2024.

اصل دیالکتیک، می گوید هر پدیده ای، ضد خود را،در درونش می پرورد!
و چقدر این اصل،رک و صریح پیام ش را می رساند.
پول،یکی ازین پدیده ها بود! که با یک #مقاله ی چند صفحه ای از شخصی ممکن الوجود! اما مجهول الهویه بنام ساتوشی-ناکاموتو ، به محاق رفت
اکوسیستم هوش مصنوعی هم یکی دیگر ازین پدیده هاست
که ظاهرا می توان توسط خودش، محصولات بر لبه فنآوري خودش را با موفقیت، مورد حمله قرار داد.
تصور می کنم عصر مقاله نویسی، سالهاست پایان گرفته است وقتی همین موجود آنرا می نویسد و خودش هم آنرا تصحیح می کند و از زبان سوم شخص بیان می کند طوریکه خودش، هم نتواند تشخیص بدهد که تقلب رخ داده است.
در این بین و خارج از محدوده جغرافیایی تقلب های علمی، هنوز مقالات و پژوهش هایی منتشر می شود که قابل اعتنا ست
آنها با انجام تحقیقات و پژوهش های واقعی، نمی خواهند مزیت هوش بیولوژیک توسط هوش مصنوعی ربوده شود!
#Research
#AI
#security
#InfoSec

⬅️🕸یک به روز آوری، یک جهان مشکل!:

تبلیغات شرکت Crowdstrike پیش از اتفاق امروز:

«بیزنس شما می‌تواند در ۶۲ دقیقه توسط نیروی مهاجم از کار بیفتد. اتفاقی که می‌تواند داده‌ها، اعتبار و سهام شما را در خطر بیندازد.»

اکنون که شرکت‌های بزرگی در سرتاسر جهان ساعت‌هاست به علت نقص فنی در Crowdstrike دچار اختلال شده‌اند، این تبلیغ بین کاربران فضای مجازی در حال دست به دست شدن است.
#مايکروسافت
#ویندوز
#InfoSec
#data
#security
#Crowdstrike

🫧 مولفه های مهم برای ابتکارات در تحول دیجیتال موفق

#پست_آزاد : شانس ِ تحصیلی...
متولد نیویورک
فارغ التحصیل کرج
🤓

📚Master Machine Learning Algorithms...
#ML
#Algorithms

کدام بزرگتر است : تعداد اتم‌های موجود در جهان،یا تعداد حرکات ممکن در بازی شطرنج؟

‍
‼️♟مرکز «شانون نامبر» بر اساس محاسبات رایانه‌ای خود اعلام کرد در یک بازی شطرنج دستکم ۱۰ به توان ۱۲۰ حرکت برای مهره‌ها موجود است و البته این احتمال وجود دارد تعداد بیشتری حرکت بتوان انجام داد.

♟این رقم از تعداد اتم‌هایی که در جهان هستی وجود دارد، بیشتر است. محققان بر اساس دقیق‌ترین بررسی‌های خود می‌گویند تعداد همه اتم‌ها در جهان بین ۱۰ به توان ۸۷ تا ۱۰ به توان ۹۲ محاسبه می‌شود.

در ابتدای بازی شطرنج ۲۰ امکان حرکت برای مهره سفید و ۲۰ امکان حرکت برای مهره سیاه وجود دارد. زمانی که هر فرد نخستین حرکت را انجام می‌دهد، برای او ۴۰۰ حرکت احتمالی وجود خواهد داشت. پس از آن تعداد حرکت‌ها به نسبت افزایش میابد و البته بسته به اقداماتی که فرد مقابل انجام می‌دهد، در کمترین حالت یک مهره می‌تواند بین ۲۰ تا ۳۰ حرکت را پیش‌روی خود ببیند.

منبع : liverpoolmuseums