-
جهت همکاری:👇 t.me/maryamrhb پیج اینستاگرام در زمینه علم داده:👇 www.instagram.com/dr.maryrahbar
🔲CS231n: Convolutional Neural Networks for Visual Recognition
❇️دوره شبکه‌های مصنوعی کانولوشنی دانشگاه استنفورد.
✔️ https://cs231n.github.io/
دوستان عزیزی که جهت مشاوره و کوچینگ دیتاساینس پیام دادند، به علت حجم بالای پیام ها با کمی تاخیر پاسخگوی همگی شما عزیزان خواهیم بود.
با تشکر از صبوری شما مهربانان❤️
✅MACHINE LEARNING CHEATSHEET
Summary of Machine Learning Algorithms descriptions,
advantages and use cases. Inspired by the very good book
and articles of MachineLearningMastery, with added math,
and ML Pros & Cons of HackingNote.
Design inspired by The
Probability Cheatsheet of W. Chen. Written by Rémi Canard.
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
✅Preprocessing data
The sklearn.preprocessing package provides several common utility functions and transformer classes to change raw feature vectors into a representation that is more suitable for the downstream estimators.👇
https://scikit-learn.org/stable/modules/preprocessing.html#preprocessing
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
Clustering of unlabeled data can be performed with the module sklearn.cluster.
https://scikit-learn.org/stable/modules/clustering.html#k-means
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
Hi guys,
Checkout these excellent #Pandas cheatsheets built to help you work with data in #Python.
It's very helpful to speed up learning, or as a quick reference to refresh our mind.
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
#پوزیشن PhD - سیدنی، استرالیا، در حوزه:
Agent-Based Models for Simulation on Mobility Behaviour and Intelligence
▪️برخی از مهارت ها:
• Data processing, cleaning and fusing technique
• Knowledge in transport planning and modelling
‼️ Fluency in coding using Python and experience in Python data analysis libraries such as pandas, numpy and scikit-learn
▪️بررسی بیشتر در سایت:
https://research.unsw.edu.au/submit-application
▪️ارسال رزومه به:
📧 rashidi@unsw.edu.au
☯ @Mr_IE | آقای صنایع 🚥
📌استخدام کارشناس برنامه‌نویس
📌شرکت: هلدینگ مالی بانکی
📌 محل کار: تهران
✅مهارت و تخصص‌های مورد نیاز:
🔺تسلط به Net Core.
و Net Framework.
🔺تجربه کار با Angular
🔺تسلط به مفاهیم مدلسازی و طراحی بانک‌های اطلاعاتی
🔺تسلط به مفاهیمJquery وCSS و هم‌چنینMVC
🔺 تسلط کامل به زبان SQL و پیاده‌سازی بانک‌های اطلاعاتی با استفاده از Microsoft Sql server و اوراکل
🔺آشنایی به کار با دیتابیس‌هایSQL/NoSQL
🔺 تسلط بر تحلیل و طراحی و ابزار مرتبط
🔺تجربه طراحی دیتابیس با تراکنش‌های بالا
🔺تسلط به ابزارهای مانیتورینگ دیتابیس و آشنایی با Replication
🔺آشنایی با Git/TFS
🔺آشنایی با Swarm و Docker
🔺آشنایی با مفاهیم BI و ابزارهای موجود در این ارتباط
✅توانایی عمومی:
🔹انجام کار گروهی
🔹توانایی استفاده روان از متون انگلیسی تخصصی مرتبط
🔹حداقل مدرک کارشناسی در یکی از رشته‌های مرتبط با فناوری اطلاعات
🔹برخورداری از دانش و تجربه کافی در زمینه برنامه‌نویسی و طراحی شئ‌گرا
🔹آشنایی کافی با مفاهیم معماری نرم‌افزار و معماری‌های چند لایه و توزیع شده
🔹شناخت فرایند مهندسی نرم‌افزار 🔹آشنایی با مفاهیم RUP و متدلوژی‌های Agile
🔹 کمک به مدیریت پروژه در برنامه‌ریزی پروژه
🔹آشنایی با دست‌کم یکی از مدل‌های ارزیابی فرایند
🔹۳سال سابقه کار مفید
🔈قرارداد همکاری به صورت پاره وقت و پروژه محورتنظیم خواهد شد.
📣ارسال رزومه به
quant.job.recruitment@gmail.com
🔘خواهشمند است، رزومه خود را با عنوان کارشناس برنامه‌نویس ارسال بفرمایید.
➖➖➖➖➖➖➖➖➖➖
🔗کارشناس #برنامه_نویس
#استخدام
#پاره_وقت
#dot_Net_core #dot_Net_framework
#MVC #HTML #CSS #angular
#JQuery #SQL #NOSQL
#Git #Docker
#BI
Cost, Activation, Loss Function|| Neural Network|| Deep Learning. What are these?
#costfunction
https://twitter.com/DrMaryamRahbar/status/1318504354358480896?s=20
7 Data Science / Machine Learning Cheatsheets in one
1- Some Interesting Datasets that you need to practice data science/ ML, What dataset you are working on👇?
2-Python - Data Wrangling tutorial
3- Python - Machine Learning Basics
4- Feature Engineering Ideas
5- Handling Imbalanced dataset
6- Python - Deep Learning tutorial
7- Python - Data Visualization tutorial
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
🔸How Deep Neural Networks Work🔸
https://end-to-end-machine-learning.teachable.com/p/how-deep-neural-networks-work
🔸What Is the Cost Function?🔸
♦️Loss function is a method of evaluating “how well your algorithm models your dataset”. If your predictions are totally off, your loss function will output a higher number. If they’re pretty good, it’ll output a lower number. As you tune your algorithm to try and improve your model, your loss function will tell you if you’re improving or not. ‘Loss’ helps us to understand how much the predicted value differ from actual value♦️
🔳کانال تلگرام
🔸What Is Data Normalization, and Why Do We Need It?🔸
🔻The process of standardizing and reforming data is called “Data Normalization.” It’s a pre-processing step to eliminate data redundancy. Often, data comes in, and you get the same information in different formats. In these cases, you should rescale values to fit into a particular range, achieving better convergence.🔺
🔳کانال تلگرام
🔸What Will Happen If the Learning Rate Is Set Too Low or Too High?🔸
♦️- When your learning rate is too low, training of the model will progress very slowly as we are making minimal updates to the weights. It will take many updates before reaching the minimum point.
♦️-If the learning rate is set too high, this causes undesirable divergent behavior to the loss function due to drastic updates in weights. It may fail to converge (model can give a good output) or even diverge (data is too chaotic for the network to train).
#learning_rate
🔸What are the Layers in CNN?🔸
There are five different layers in #CNNs
1-Input layer
2-Convo layer (Convo + ReLU)
3-Pooling layer
4-Fully connected(FC) layer
5-Softmax/logistic layer
6-Output layer
🔳کانال تلگرام
✴️Data Science Tools sheet:
1- Data retrieval with SQL
2-Working with data with R
3- Working with data with Python
4- Engineering productivity tips with Git, Bash and Vim
#datascience #sheet
✅Massachusetts Institute of Technology
Credit: Afshine Amidi and Shervine Amidi
https://www.mit.edu/
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
🌱مشاوره و کوچینگ دیتاساینس اولین بار در ایران با تیمی مجرب و حرفه ای در این رشته به منظور رشد و پیشرفت فردی-گروهی در زمینه دیتاساینس و هوش مصنوعی 🌱
- چرا دیتاساینتیت شوم؟
- چگونه یک دیتا ساینتیست شوم؟
-منابع رشته دیتاساینس (علم داده) چیست؟
-در چه حوزه ای از علم داده فعالیت کنم؟
-کدام کشور را برای مهاجرت تحصیلی و کاری انتخاب کنم؟
-کدام دوره های آنلاین مناسب با پیشرفت من است؟
- فضا و‌محیط کاری دیتاساینتیست در خارج از کشور چگونه است؟
-مصاحبه کاری دیتاساینس چگونه است؟
-چگونه آمادگی لازم برای مصاحبه کاری در زمینه کار دیتا را کسب کنم؟
💫لطفا جهت هماهنگی روز و ساعت از طریق آیدی تلگرام زیر اقدام کنید.
مرکز نوآوری نکسترا با مشارکت پارک علم و فناوری دانشگاه تهران، اولین مسابقه بازشناسی چهره در ایران را برگزار می‌کند.
جهت کسب اطلاعات بیشتر و آشنایی با قوانین مسابقه #فیس‌کاپ به سایت مراجعه نمایید.
🌐 https://facecup.ir
🔹🔶https://instagram.com/facecup.ir?igshid=7izxethxctx8
✅Hierarchical clustering is a general family of clustering algorithms that build nested clusters by merging or splitting them successively. This hierarchy of clusters is represented as a tree (or dendrogram). The root of the tree is the unique cluster that gathers all the samples, the leaves being the clusters with only one sample. See the Wikipedia page for more details.👇
https://scikit-learn.org/stable/modules/clustering.html#hierarchical-clustering
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
✅ نمونه سوالات استخدامی متخصصین علم داده در سطح دنیا بهمراه پاسخ سوالات!!!
🔘برای کارشناسانی که تمایل به همکاری با شرکت های بین المللی دارند و از نوع سوالات مصاحبه استخدامی میخواهند بیشتر آشنا باشند.
@machinelearningir
1) https://www.springboard.com/blog/data-science-interview-questions/
2) https://www.edureka.co/blog/interview-questions/data-science-interview-questions/
3) https://towardsdatascience.com/top-30-data-science-interview-questions-7dd9a96d3f5c
4) https://towardsdatascience.com/over-100-data-scientist-interview-questions-and-answers-c5a66186769a
5) https://www.gangboard.com/blog/machine-learning-interview-questions-and-answers
Maryam Rahbar
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
✅One of the most powerful toolkits for Data Analysis
🔺Top 10 libraries essential for data scientists🔻
TensorFlow
Scikit-Learn
Numpy
Keras
PyTorch
LightGBM
Eli5
SciPy
Plotly
Pandas
What is Python Pandas?
Pandas is used for data manipulation, analysis, and cleaning. Python pandas is well suited for different kinds of data, such as:
-Tabular data with heterogeneously-typed columns
-Ordered and unordered time series data
-Arbitrary matrix data with row & column labels
-Unlabelled data
-Any other form of observational or statistical data sets
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
گیت یا Git چیست؟ گیت‌هاب چیست؟ این‌ها چه فرقی دارند؟ اصلا به چه درد می‌خورند؟
در یک پیام صوتی کوتاه، سعی کرده‌ام به همه این سئوالات، که غالبا توسط دانشجویان مطرح می‌شود و بسیار شایع هستند، پاسخی کامل بدهم. برای شنیدن پاسخ، می‌توانید از کست‌باکس و تلگرام استفاده کنید.
🎧 شنیدن در کست‌باکس [+]
🎧 شنیدن در تلگرام [+]
البته پیش از این، با تدریس جذاب و جامعی از جادی (امیر میرمیرانی)، آموزش گیت (Git) به صورت رایگان و بر روی فرادرس منتشر شده است که می‌توانید از طریق لینک زیر، به آن دسترسی پیدا کنید.
🔗 آموزش رایگان گیت بر روی فرادرس [+]
ـــــــــــــــــــــــــــــــــ
🔗 لینک همین مطلب در سایر شبکه‌های اجتماعی:
توئیتر | لینکدین
ـــــــــــــــــــــــــــــــــ
سید مصطفی کلامی هریس
وبسایت: kalami.ir
کانال رسمی: @KalamiHeris
کانال پرسش و پاسخ: @Kalami_QA
CONFUSION MATRIX/
CLASSIFICATION REPORT
#confusionmatrix
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
🔸Amazon Machine Learning Free Course🔸
https://aihubprojects.com/amazon-has-made-machine-learning-course-public/
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
✅Introduction to Deep Learning for Engineers Using Python
🔳کانال تلگرام
🔹پیج اینستاگرام
🔖کانال یوتیوب
📣تویتر
🔸What Is the Role of Activation Functions in a Neural Network?🔸
♦️At the most basic level, an activation function decides whether a neuron should be fired or not. It accepts the weighted sum of the inputs and bias as input to any activation function. Step function, Sigmoid, ReLU, Tanh, and Softmax are examples of activation functions.♦️
🔳کانال تلگرام
🔸What Is Dropout and Batch Normalization?🔸
🔻Dropout: is a technique of dropping out hidden and visible units of a network randomly to prevent overfitting of data (typically dropping 20 percent of the nodes). It doubles the number of iterations needed to converge the network.
🔺Batch normalization: is the technique to improve the performance and stability of neural networks by normalizing the inputs in every layer so that they have mean output activation of zero and standard deviation of one.
🔳کانال تلگرام
مجموعه پادکست
کاربردهای هوش مصنوعی در کسب و کار
بخش دهم: امریکن اکسپرس
برخی مطالب پوشش داده شده:
- تاریخچه و سوابق
- اطلاعات مالی و عملکردی
- مشکلات موجود در حوزه پرداخت اعتباری
- تشخیص تقلب
- حفظ و بهبود تجربه مشتریان
- تشخیص پرداخت‌های تقلب و غیر مجاز
- دستیار Mezi
- افزایش امنیت تراکنش‌ها با دستیار شخصی
- آشنایی با Apache Hadoop
- بررسی نتایج به دست آمده
📚 مراجع:
1️⃣ کتاب Artificial Intelligence in Practice، انتشارات وایلی، 2019
2️⃣ مدخل American Express در ویکی‌پدیا
3️⃣ گزارش مصور شرکت Amex در سال 2018
4️⃣ گزارش نیلسون در زمینه ابعاد مالی تقلب در کارت اعتباری
5️⃣ بررسی کاربردهای یادگیری ماشین در تشخیص تقلب
6️⃣ رویکرد Amex برای استفاده از یادگیری ماشین
7️⃣ شرکت Amex چطور از کلان‌داده و هوش مصنوعی استفاده می‌کند؟
8️⃣ یادگیری ماشین در شرکت American Express
✴️ شنیدن این اپیزود در دیگر پلتفرم‌ها
🔗 کست‌باکس [+]
🔗 اینستاگرام [+]
#پادکست #هوش_مصنوعی
ـــــــــــــــــــــــــــــــــ
سید مصطفی کلامی هریس
وبسایت: kalami.ir
کانال رسمی: @KalamiHeris
کانال پرسش و پاسخ: @Kalami_QA
🔸Why are convolutional neural networks better than other neural networks in processing data such as images and video?🔸
The reason why Convolutional Neural Networks (#CNNs) do so much better than classic neural networks on images and videos is that the convolutional layers take advantage of inherent properties of images.
♦️1 Convolutions
- Simple feedforward neural networks don’t see any order in their inputs. If you shuffled all your images in the same way, the neural network would have the very same performance it has when trained on not shuffled images.
- CNN, in opposition, take advantage of local spatial coherence of images. This means that they are able to reduce dramatically the number of operation needed to process an image by using convolution on patches of adjacent pixels, because adjacent pixels together are meaningful. We also call that local connectivity. Each map is then filled with the result of the convolution of a small patch of pixels, slid with a window over the whole image.
♦️2 Pooling layers
a)There are also the pooling layers, which downscale the image. This is possible because we retain throughout the network, features that are organized spatially like an image, and thus downscaling them makes sense as reducing the size of the image. On classic inputs you cannot downscale a vector, as there is no coherence between an input and the one next to it.
🔳کانال تلگرام