Algorithm design & data structureچ

شبکه عصبی فقط این😂🥹 #fan 📣👨‍💻 @AlgorithmDesign_DataStructuer

الگوریتم فلوید در این الگورتیم ما به دنبال کوتاه ترین مسیرها هستیم. همان طور که در فرمول بالا پیداس یک راه مستقیم بین vi و vj وجود دارید یک راه هم از vk وجود دارد تا به vj برسد. برای همین است ما میایم بین این دو مینیمم میگیریم زیرا ممکن است راه دیگری نسبت به راه مستقیمی که به vj وجود دارد با هزینه کمتری بتوانیم به آن برسیم. 📣👨‍💻 @AlgorithmDesign_DataStructuer

🎊 مدرسه نوروزی شبکه عصبی و یاد گیری عمیق (آنلاین) ــــــــــــــــــــــــــــــــــــ ⁉️ چرا این دوره: ⬅️ تضمین استخدام داوطبین برتر در سازمان پژوهش های علمی و صنعتی ایران ⬅️ آموزش کامل در 8 روز ⬅️ دوره کاملا مهارتی با اجرای پروژه های واقعی ⬅️ شبکه سازی قوی با متخصصین این حوزه ⬅️ حضور پشتیبان علمی در کلاس ها به صورت همزمان ⬅️ پشتیبانی علمی ۲۴ ساعته ــــــــــــــــــــــــــــــــــــ ⁉️ مخاطبین این دوره چه کسانی هستند؟ ✔️ دانشجویان و فارغ التحصیلان رشته های فنی و مهندسی و علوم پایه ✔️ دانشجویانی که قصد انجام مقالات علمی-پژوهشی را دارند ✔️ دانشجویانی که در آستانه دفاع از پایان نامه هستند ✔️ افرادی که قصد مهاجرت تحصیلی یا کاری دارند ✔️ شاغلین در حوزه هوش مصنوعی  ✔️ مدیران ارشد و میانی سازمان ها ✔️ علاقمندان به حوزه هوش مصنوعی به ویژه شبکه های عصبی و یادگیری عمیق ــــــــــــــــــــــــــــــــــــ 📌 جهت دریافت مشاوره رایگان و اطلاعات تکمیلی؛ از طریق سایت آن آکادمی اقدام نمایید 🌎 httb.ir/qdhHG 👈 ــــــــــــــــــــــــــــــــــــ 02188905269 @onacademy

📌 تبلیغ:22807 شماره سفارش از سایت: 3392 ➖➖➖➖➖➖ کانال تبلیغ: کانال تلگرامی Algorithm design & data structuer @AlgorithmDesign_DataStructuer ▫️ ️طرح: پست شبانه ▫️ ️ساعت: ۲۲ ▫️ ️تاریخ شمسی رزرو: 19 اسفند ▫️ ️تاریخ میلادی رزرو: 09 March

🎊 مدرسه نوروزی شبکه عصبی و یاد گیری عمیق (آنلاین) ــــــــــــــــــــــــــــــــــــ ⁉️ چرا این دوره: ⬅️ تضمین استخدام داوطبین برتر در سازمان پژوهش های علمی و صنعتی ایران ⬅️ آموزش کامل در 8 روز ⬅️ دوره کاملا مهارتی با اجرای پروژه های واقعی ⬅️ شبکه سازی قوی با متخصصین این حوزه ⬅️ حضور پشتیبان علمی در کلاس ها به صورت همزمان ⬅️ پشتیبانی علمی ۲۴ ساعته ــــــــــــــــــــــــــــــــــــ ⁉️ مخاطبین این دوره چه کسانی هستند؟ ✔️ دانشجویان و فارغ التحصیلان رشته های فنی و مهندسی و علوم پایه ✔️ دانشجویانی که قصد انجام مقالات علمی-پژوهشی را دارند ✔️ دانشجویانی که در آستانه دفاع از پایان نامه هستند ✔️ افرادی که قصد مهاجرت تحصیلی یا کاری دارند ✔️ شاغلین در حوزه هوش مصنوعی  ✔️ مدیران ارشد و میانی سازمان ها ✔️ علاقمندان به حوزه هوش مصنوعی به ویژه شبکه های عصبی و یادگیری عمیق ــــــــــــــــــــــــــــــــــــ 📌 جهت دریافت مشاوره رایگان و اطلاعات تکمیلی؛ از طریق سایت آن آکادمی اقدام نمایید 🌎 httb.ir/qdhHG 👈 ــــــــــــــــــــــــــــــــــــ 02188905269 @onacademy

سلام دوستان🤗 ◀️اگر به دنبال این هستید که Pytorch را برای شبکه های عصبی عمیق یادبگیرید پیشنهاد من یک سایت بسیار خوب است که با کتاب خانه Pythorch و بسیاری از کتاب خونه های دیگر مثل numpy ,pandas و ... شما را آشنا میکند. همچنین در این سایت پروژه هایی زده شده که شما را در درک بهتر شبکه های عصبی کمک می کند. غیر از این کتاب خونه های دیگری هم هستند که شما میتوانید خیلی ساده تر شبکه عصبی خودتان را درست کنید و دیتاست خود را وارد آن کنید ولی بنظر خودم بهتره که با Pythorch یاد بگیرید زیرا این کتاب خونه خیلی ساده و قابل مفهومی تر از بقیه کتاب خانه ها می باشد. https://www.learnpytorch.io/

محاسبه توان با استفاده از بازگشتی با پیچیدگی زمانی کمتر از n 📣👨‍💻 @AlgorithmDesign_DataStructuer

امان از این اورفیت! 🤒 نمودار بالا، لاس مربوط به ترین و ولیدیشن یک مدل اورفیت شده هست. میخوایم تو این پست درمورد اورفیت صحبت کنیم... ❓اورفیت چیه؟ اگه مدل ما حین یادگیری، همزمان با کاهش لاس ترین، لاس ارزیابیش شروع به افزایش کنه، میگیم مدل اورفیت شده. پس این شد: کاهش لاس ترین، اما افزایش لاس ولیدیشن (ارزیابی) ❓سه روش جلوگیری از اورفیت چیه؟ 1️⃣ رگولاریزیشن L1 و L2 (اضافه کردن یک قید وزن روی لاس مدل) 2️⃣ دراپ‌اوت (خاموش کردن رندومی نورون‌های یک لایه) 3️⃣ دیتا آگمنتیشن تو پست‌های بعدی درمورد این سه تا مورد جلوگیری از اورفیت توضیح میدیم. 📣👨‍💻 @AlgorithmDesign_DataStructuer

به دست آوردن فاکتوریل یک عدد به صورت بازگشتی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 بوت‌کمپ 3 روزه گام اول Data Science: تحلیل داده 1 🔔 کمپ فشرده گام اول Data Science، از تاریخ 22 تا 25 اسفندماه، هم به صورت حضوری هم آنلاین برگزار خواهد شد. 🛍تخفیف ویژه فقط برای شما (10 تا 30%) ✔️ امکان پرداخت به صورت اقساطی ✔️ امکان یادگیری سریع و فشرده چند روزه 🎁 لازم به ذکر است که ثبت‌نام در این کمپ، همراه با دریافت هدیه ویژه 2 کمپ تخصصی رایگان از طرف آموزشگاه کندو خواهد بود. 📎 اطلاعات بیشتر: ➕ cando.ac/Data_Science 👈 🟢 دریافت مشاوره تخصصی و رایگان : 👩‍💻@CANDOm_jani 👩‍💻@CANDOF_Ebrahimi 👩‍💻@CANDOZ_Qoliha 👩‍💻@Cando_mehdipour 👨‍💻@CANDOazizpour 👩‍💻@CANDO_Nikooravan 🛒 آموزشگاه مهندسی کندو برترین آموزشگاه IT ایران 📞 02143810 (تماس از تهران) 📞 02192004381 (شهرستان) 🌎 www.CanDo.ac 💬 @CanDo_ac

اسکالر، بردار، ماتر یس و تانسورها: • اسکالرها: اسکالرها مقادیر عدد ی تکی هستند که مقدار یا مقداریتی را نشان می دهند. آنها هیچ جهت یا جهت گیری ندارند، فقط یک مقدار دارند. مثالهایی از اسکالرها شامل دما، زمان و جرم هستند. • بردارها: بردارها مقادیری هستند که هم مقدار و هم جهت را نشان می دهند. آنها به صورت آرایه هایی از اعداد نمایش داده میشوند، که هر عدد مربوط به یک جزء از بردار در یک بعد خاص است. بردارها به طور معمول برای نمایش مقادیر فیزیکی مانند سرعت و نیرو استفاده میشوند. • ماتریس ها: ماتریس ها آرایه های مستطیلی از اعداد هستند که به صورت سطرها و ستون ها ترتیب داده شده اند. آنها برا ی نمایش مجموعه های داده ها یا تبدیالت استفاده میشوند. هر عنصر در یک ماتریس با استفاده از شاخص های سطر و ستون خود شناسایی می شود. ماتریس ها به طور گسترده ای در عملیاته ا و تبدیالت ریاضی مورد استفاده قرار می گیرند. • تانسورها: تانسورها آرایه های چند بعدی هستند که بردارها و ماتریس ها را عمومی تر می کنند. آنها می توانند تعدادی بعد داشته باشند و هر عنصر در یک تانسور با استفاده از شاخص های خود در هر بعد شناسا یی می شود.تانسورها به طور گسترده ای در یادگیری عمیق مورد استفاده قرار م ی گی رند زیرا می توانندساختارها و داده های پیچیده را نمایش دهند. 📣👨‍💻 @AlgorithmDesign_DataStructuer

ماتریس مجاورت: ماتـریس مجاورتـی روشـی عمومی برای پیادهسازی گرافها است . در این روش از یک ماتریس n × n برای نمایش گراف استفاده میکنیم که n تعداد گرههای گراف است. در واقع زمانی که ما میخواهیم در برنامه نویسی نشان دهیم که کدام نودها با هم ارتباط دارند از این روش استفاده میکنیم البته این مانریس که در شکل میبینید ارتباط نود هایی را نشان میدهد که یک گام برداشتیم برای ارتباط های دیگر اگر ماتریس بالا را یک بار دیگر در خودش ضرب کنیم دو گام انور را نشان میدهد و به همین ترتیب. 📣👨‍💻 @AlgorithmDesign_DataStructuer

🖥اگه اسم کامپیوتر کوانتومی، یادگیری ماشین کوانتومی (QML) و یا اینترنت کوانتومی رو شنیدین این کانال برای شما بهترین انتخابه! ☄️کانال "کیوپدیا | QuPedia" کامل‌ترین مرجع فارسی در زمینه مهندسی کوانتومی•‌☄️ ⭐️مناسب برای دانشجوهای: 📌فیزیک، برق، کامپیوتر، و ریاضی و سایر رشته های مهندسی(مواد، مکانیک، شیمی و... ) 🔖آدرس کانال🔖 🚀@QuPedia 🚀@QuPedia 🚀@QuPedia

کدام یک از روش های مرتب سازی زیر به طور معمول درجا (inplace) نیست؟

multilayer perceptron neural network حال به جای اینکه دو کلاس را از هم جدا کنیم میتوانیم چند کلاس مختلف درست کنیم و آن ها را از هم جدا کنیم ولی باید دقت کنید در اینجا جدا پذیری دیگر خطی نیست به صورت غیر خطی میتوان آن ها را از هم جدا کرد. همان طور که در شکل میبیند یه سری ورودی داریم آن ها را وارد یه سری لایه پنهان میکنیم که هر کدام میتوانند چندین نورون داشته باشند هر کدام از این خروجی های نورون روی آن ها یه تابع غیر خطی اعمال شده و بعد وارد نورون جدید شود. که میتوانیم چندین خروجی داشته باشیم. نکته ای که وجود دارد این لایه ها و تعداد نورون ها بستگی به سوالی دارد که به شما میدهند و شما بر اساس داده هایی که دارید لایه ها و نورون ها رو مشخص میکنید. 📣👨‍💻 @AlgorithmDesign_DataStructuer