deep_learning

🌟 پردازش تصویر ایران🌟 🧠مرجع رسمی هوش مصنوعی ایران 📚 Deep Reinforcement Learning with Python 🗂چاپ کننده: Pocket guide 📅سال چاپ: 2024 🧷سایت ما :  Imageprocessing.ir @Digital_Image_Processing #AI، #هوش_مصنوعی، #برنامه_نویسی #ML, #python, #DRL

🌟 پردازش تصویر ایران🌟 🧠مرجع رسمی هوش مصنوعی ایران 📚 Unsupervised Learning with Generative AI 🗂چاپ کننده: Pocket guide 📅سال چاپ: 2024 🧷سایت ما :  Imageprocessing.ir @Digital_Image_Processing #AI، #هوش_مصنوعی، #برنامه_نویسی #ML, #python, #DRL #GenerativeAI

الگوریتم Kruskal برای یافتن درخت پوشای کمینه (Minimum Spanning Tree - MST) الگوریتم Kruskal یکی از معروف‌ترین روش‌ها برای یافتن درخت پوشای کمینه در یک گراف وزن‌دار است. درخت پوشای کمینه یک زیرمجموعه از یال‌های گراف است که تمام رأس‌ها را به هم متصل کرده و مجموع وزن یال‌ها را به کمترین مقدار می‌رساند. این الگوریتم از نوع حریصانه (Greedy) است، یعنی در هر مرحله بهترین انتخاب ممکن را انجام می‌دهد تا به نتیجه بهینه برسد. 🌟 گام‌های الگوریتم Kruskal: 1. مرتب‌سازی یال‌ها: ابتدا تمام یال‌های گراف را به ترتیب وزن از کم به زیاد مرتب می‌کنیم. 2. ایجاد مجموعه‌های ناپیوسته: برای هر رأس یک مجموعه مجزا تشکیل می‌دهیم (در ابتدا هر رأس به تنهایی یک مجموعه است). 3. اضافه کردن یال‌ها به MST: - یال‌ها را یکی یکی از کمترین وزن به بزرگترین بررسی می‌کنیم. - اگر اضافه کردن یک یال باعث ایجاد حلقه نشود، آن را به درخت پوشا اضافه می‌کنیم. - اگر یال باعث ایجاد حلقه شود، آن را نادیده می‌گیریم. 4. اتمام الگوریتم: این روند تا زمانی ادامه دارد که تمام رأس‌ها به هم متصل شده و یک درخت پوشای کمینه ساخته شود. ⏱️ پیچیدگی زمانی الگوریتم: الگوریتم Kruskal شامل دو بخش اصلی است: 1. مرتب‌سازی یال‌ها: با استفاده از الگوریتم‌های مرتب‌سازی سریع مانند Merge Sort یا Quick Sort، پیچیدگی زمانی این مرحله O(Elog E) است که E تعداد یال‌های گراف است. 2. جستجوی مجموعه‌ها و ترکیب آن‌ها: برای مدیریت مجموعه‌ها از ساختار داده‌ای Union-Find استفاده می‌شود که با بهینه‌سازی‌هایی مانند فشرده‌سازی مسیر (Path Compression) و اتحاد بر اساس رتبه (Union by Rank)، پیچیدگی زمانی این عملیات‌ها به O(α(V)) کاهش می‌یابد. به طور کلی، پیچیدگی زمانی الگوریتم برابر است با: O(E log E + E α(V)) که در آن E تعداد یال‌ها و V تعداد رأس‌های گراف است. از آنجایی که E log E سریع‌تر از E α(V) رشد می‌کند، پیچیدگی زمانی کلی O(E log E) است. 📊 ویژگی‌ها و کاربردها: - نوع الگوریتم: حریصانه (Greedy) - کاربردها: - ساخت درخت پوشای کمینه در شبکه‌های ارتباطی. - کاهش هزینه‌های طراحی شبکه. - حل مسائل بهینه‌سازی گراف‌ها. - محدودیت‌ها: - مناسب برای گراف‌های پراکنده (Sparse). برای گراف‌های متراکم (Dense)، الگوریتم‌های دیگر مانند Prim ممکن است عملکرد بهتری داشته باشند. ✨ با پیروی از این مراحل و فهمیدن پیچیدگی‌ها، الگوریتم Kruskal به یکی از بهترین انتخاب‌ها برای ساخت درخت پوشای کمینه تبدیل می‌شود. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

🌍  کتابخانه دانشگاه تهران🌍 مرجع رسمی دانلود منابع دانشگاهی ✨Python ✨ 📕برنامه نویسی پایتون 📅سال چاپ: 2024 📚چاپ اول 🧷سایت ما:  Imageprocessing.ir #برنامه #برنامه_نویسی #سورس_کد #زبان_پایتون #پایتون #کدنویسی #Python #Programming #Python_Programming #Source_Code @ebookonline

Deep Learning #Goodfellow #Bengio #Courville #AI 😈 @math_books

🔻معرفی الگوریتم "Apriori" #مطلب_علمی الگوریتم Apriori یکی از الگوریتم‌های پرکاربرد در داده‌کاوی است که برای پیدا کردن ویژگی‌های آیتم‌های مکرر و یافتن الگوها و ارتباطات بین آن‌ها به کار می‌رود. این الگوریتم به‌خصوص برای تحلیل سبد خرید مشتریان بسیار استفاده می‌شود و می‌تواند روابط میان اقلامی که معمولاً با هم خریداری می‌شوند را شناسایی کند. 💢مراحل کلی پیاده‌سازی این الگوریتم 1. جمع‌آوری داده‌ها (Data Collection): فرض کنید در یک فروشگاه لوازم الکترونیکی، تراکنش‌های زیر ثبت شده باشد: - خرید اول: لپ‌تاپ، موس، کیف لپ‌تاپ - خرید دوم: گوشی موبایل، هدفون - خرید سوم: لپ‌تاپ، موس، گوشی موبایل - خرید چهارم: لپ‌تاپ، موس - خرید پنجم: گوشی موبایل، هدفون، شارژر 2. محاسبه پشتیبانی (Support Calculation): تعداد دفعات خرید هر آیتم محاسبه می‌شود. برای مثال: - لپ‌تاپ: 3 - موس: 3 - کیف لپ‌تاپ: 1 - گوشی موبایل: 3 - هدفون: 2 - شارژر: 1 3. حذف آیتم‌های غیرمکرر (Pruning): با تعیین حداقل آستانه پشتیبانی (فرضاً 2 یا 3)، آیتم‌هایی که کمتر از 3 بار خریداری شده‌اند حذف می‌شوند. نتیجه: - لپ‌تاپ: 3 - موس: 3 - گوشی موبایل: 3 - کیف لپ‌تاپ، هدفون و شارژر حذف می‌شوند. 4. محاسبه جفت آیتم‌های مکرر (Frequent Pairs Calculation): جفت آیتم‌هایی که با هم خریداری می‌شوند محاسبه می‌شود. نتایج به‌دست‌آمده: - (لپ‌تاپ، موس): 3 - (لپ‌تاپ، گوشی موبایل): 1 - (موس، گوشی موبایل): 5. ادامه فرآیند برای مجموعه‌های بزرگ‌تر: این روند برای آیتم‌ست‌های طولانی‌تر ادامه می‌یابد تا دیگر مجموعه آیتم‌های مکرر جدیدی یافت نشود. 💢مثال نهایی: در این مثال، مجموعه آیتم‌های مکرر شامل: - لپ‌تاپ - موس - گوشی موبایل 💢نتیجه گیری: فروشگاه می‌تواند موس و لپ‌تاپ را در کنار هم پیشنهاد کند یا برای تشویق مشتریان به خرید بیشتر، آن‌ها را در تبلیغات یا بسته‌های تخفیفی ترکیب کند. 🆔 @StatisticsSBU2 | انجمن علمی آمار دانشگاه شهید بهشتی

Software Project Management With PMI, IEEE-CS, and Agile-SCRUM Moh’d A. Radaideh De Gruyter, 2024

معرفی #کتاب های #یادگیری_عمیق و #یادگیری_ماشین : ✅ Data Mining and Machine Learning (Zaki) 👉link ✅ Deep Learning Foundations and Concepts, 2023, (Bishop) 👉link ✅ Pattern Recognition and Machine Learning (Bishop) 👉link ✅ Deep Learning (Goodfellow ) 👉 link ✅ Probabilistic Machine Learning_ An Introduction, 2022 , (Murphy) 👉link ✅ Probabilistic Machine Learning: Advanced Topics, 2023 , (Murphy) 👉link ✅ Dive into Deep Learning ,2023 👉link ✅ Linear Algebra and Optimization for Machine Learning 👉link ✅ Deep Learning with Python: Chollet, Francois 👉 link ✅ Deep Learning with PyTorch Step-by-Step 👉 link ✅ Mathematics for Machine Learning 👉 link ✅ Hands-On Data Preprocessing in Python 👉 link ✅ Mastering Machine Learning Algorithms 👉 link اگر کتاب های مهم دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید. #هوش_مصنوعی #آموزش #شبکه_عصبی #مدل_های_دیپ_لرنینگ 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

Python Справочник Полное описание языка 3-е издание (2017) (ru) By Alex Martelli, Anna Ravenscroft & Steve Holden #python

مقاله جدیدم👌

Optimized Test Data Generation for Path Testing Using Improved Combined Fitness Function with Modified Particle Swarm Optimization Algorithm | IEEE Conference Publication | IEEE Xplore https://ieeexplore.ieee.org/abstract/document/10667115