Data Science Python and R

بخش پنجم همراه با زیرنویس دوره رو با هشتگ زیر دنبال کنید 👇👇👇👇 🎋#Udemy_PyTorch_Zero_to_Mastery_2023_6 #PyTorch #پایتون #یادگیری_عمیق #پای_تورچ 🆔 @data_science_python_and_r

⭕️ هفته دسترسی رایگان به دوره‌های DataCamp 🔥 دسترسی رایگان به +460 دوره آموزشی علوم داده 🗓 از 6 نوامبر تا 12 نوامبر 👨🏻‍💻 سایت DataCamp از امروز به مدت یک هفته، دسترسی رایگان و نامحدود به تمامی قسمت‌های پلتفرمش رو، شامل بیش از 460 دوره آموزشی، بدون هیچ گونه محدودیتی و نیازی به کارت اعتباری رو ایجاد کرده! 💯 🟣 از همین امروز! فرصت دارین تا با ایجاد فقط یک حساب کاربری با یک ایمیل، رایگان به تمام قسمت‌‌های پلتفرم DataCamp دسترسی داشته باشین. از ویژگی‌های بارز این یک هفته رایگان: ◼️ دسترسی به +460 دوره آموزشی در زمینه داده و AI بدون پیش نیاز. ◻️ دوره های مقدماتی تا پیشرفته یادگیری SQL, Python, ChatGPT, MLOps, R, Generative AI و بسیاری موارد دیگر. ◼️ دریافت گواهینامه در پایان هر دوره. ✅ لینک دسترسی به دوره‌های رایگان DataCamp:👇🏼 ┌ 🏷 Free Access Week | Nov 6 – Nov 12 └ 🚀 +460 FREE DataCamp Courses 🆔 @data_science_python_and_r

⭕️ دوره رایگان NLP به فارسی 👨🏻‍💻 مهندس ناصر خنجری مدیر گروه مهندسی کامپیوتر دانشگاه زنجان، دوره پردازش زبان‌های طبیعی رو به زبان فارسی و رایگان در پیج دانشگاهی منتشر کردن.🔥 ✅ اینم لینک دوره‌:👇🏼 🏷 دوره پردازش زبان‌های طبیعی ┤ ◾️جلسه اول ┤ ◽️جلسه دوم ┤ ◾️جلسه سوم ┤ ◽️جلسه چهارم ┤ ◾️جلسه پنجم ┤ ◽️جلسه ششم ┤ ◾️جلسه هفتم ┤ ◽️جلسه هشتم ┤ ◾️جلسه نهم ┤ ◽️جلسه دهم ┤ ◾️جلسه یازدهم ┤ ◽️جلسه دوازدهم ┤ ◾️جلسه سیزدهم ┤ ◽️جلسه چهاردهم ┘ ◾️جلسه پانزدهم 🆔 @data_science_python_and_r

🎯 استفاده از هوش مصنوعی در پروژه‌های ML! 👨🏻‍💻 بزرگترین پروژه در زمینه هوش مصنوعی توی کامیونیتی فارسی، کتابخونه اُپن سورس Hezar هست. این کتابخونه و فریموورک ابزارهای هوش مصنوعی و یادگیری ماشین رو طراحی می‌کنه تا نیازی به دونستن جزئیات فنی نداشته باشین. ☑️ کتابخانه Hezar تنها یه کتابخونه مدل نیست، بلکه همه جنبه‌هایی که برای هر فرآیند یادگیری ماشین مثل دیتاست‌ها، پیش‌پردازنده‌ها، استخراج ویژگی‌ها و ... نیاز دارین رو در اختیارتون قرار میده.👌🏼 ✅ از ویژگی‌های کلیدی این کتابخانه: رابط کاربری ساده و کاربر پسند، استفاده از مدل‌های هوش مصنوعی پیشرفته تنها با چند خط کد، ادغام شده با Hugging Face Hub که امکان دسترسی به تعداد زیادی مدل و منابع هوش مصنوعی رو میده و ... 🔖 راهنمای استفاده از Hezar: ┌ 🏷 Hezar AI Library ├ 🧩 Documentation └ 🗃 GitHub 🆔 @data_science_python_and_r

📽 Applied DataScinece Course | Persian  دوره رایگان و فارسی دیتاساینس کاربردی این پلی لیست شامل ۱۰ ویدیو از ویدیوهای دوره دیتاساینس کاربردی دیتارودمپ می باشد که به صورت هفتگی منتشر خواهد شد. طی ۱۰ هفته یک پروژه ساده دیتاساینس از ابتدا تا مرحله آموزش مدل‌های ماشین لرنینگ و مقایسه آنها به زبان ساده آموزش داده شده است. دیتاست استفاده شده در این دوره، دیتاست شرکت اسپیس ایکس است که با دوره Applied Data science Capstone IBM در پلتفرم کورسرا مطابقت دارد. با تماشای این ۱۰ جلسه و انجام تمرینات که در ویدیو ها گفته شده اخذ سرتیفیکیت Applied Data Science Capstone IBM در پلتفرم کورسرا به مراتب ساده تر و قابل درک تر خواهد شد. تمام نوت‌بوک‌های این ۱۰ هفته در گیت هاب قابل دسترس است. 🔗 YouTube 🔗 GitHub #DataScience #Data #MachineLearning #ML #Courses 🆔 @data_science_python_and_r

📌 Onboard Ai: Chat with up to 10 GitHub repos at a time to locate and understand functionality, diagnose bugs, and quickly write complex code changes. با استفاده از این سایت می‌تونید ادرس Repo گیت‌هاب رو بهش بدید و درباره اون ریپو ازش سوال کنید و درباره توابعش، مشکلات و باگ‌ها توضیحات بخواید و در نهایت در اون کد تغییرات دلخواه‌تون رو اعمال کنید. 🔗 https://www.getonboardai.com/ #AiToolBox #Tools #Github #Copilot 🆔 @data_science_python_and_r

🆔 @data_science_python_and_r

‏دوره Generative AI اندرو Ng شروع شده. به شدت توصیه میکنم. این دوره رایگان برای همه در دسترسه. بچه های کامیونیتی که در حال یادگیری هستید از دست ندید. زیرنویس فارسی هم بعدن اضافه میکنیم لینک ثبت نام X Andrew Ng 🆔 @data_science_python_and_r

✅ لیستی از بهترین کانال های هوش مصنوعی، علم داده و فناوری هوشمند یک سری از بهترین کانال ها رو برای شما آماده کردیم. (ادمینهای همین گروهها) یک سری کانال که عموما جدید هستند زدند، خوشحال میشم به منظور اشتراک گذاری و اطلاع رسانی بیشتر بهتون معرفی کنم. 📚آموزش دنیای علمی کامپیوتر 📌@Digitallearning5 📚آموزش و منابع هوش مصنوعی با دکتر فرزاد 📌@ai_deepmind 📚مدرسه علم داده 📌@DataSciSchool 📚نوآوری ها و فناوری های پیشرفته-انگلیسی 📌 @innovation_aqua 📚معرفی برنامه های کاربردی مبتنی بر هوش مصنوعی 📌@APPXA 📚بهترین های روزانه هوش مصنوعی 📌 @ByteBook 📚هوش مصنوعی در علوم‌پزشکی 📌@health_ai 📚کارگروه هوش مصنوعی و آموزش 📌@ai_education1 📚برنامه نویسی، هوش مصنوعی و نوآوری 📌 @innovations_in_ai 📚رویدادهای هوش مصنوعی و علوم داده 📌 @AI_Events 📚دنیای هوش مصنوعی 📌@Ai_inf 📚رایگان متخصص هوش مصنوعی شو 📌@parsinfotech 📚نخبگان علم داده 📌 @dataelites 📚بزرگترین مرجع اطلاع رسانی آماری 📌 @Amar_kadeh 📚ارائه رودمپ‌های آموزشی در حوزه موقعیت‌های شغلی علوم داده 📌 @DataHobbies 📚زانکو، رباتیک، هوش مصنوعی و استارتاپ 📌@zankoo_ai 📚پژوهش در سیستم های توصیه گر 📌 @Recommender_Systems 📚هوش مصنوعی و علم داده دو زبانه، از رودمپ تا محصول با پریسان 📌 @AIwithParissan 📚هوش مصنوعی و سلامت 📌@Artificial_intelligence_HIT 📚منابع و کتاب های پایتون و هوش مصنوعی 📌 @DocPython 📚آموزش مقدمات پایتون و ریاضی 📌 @pymath 📚بحث های پیشرفته یادگیری ماشین 📌@RoadtoAGI 📚بررسی ابزارهای هوش مصنوعی 📌@Ai_Everyday_tools 📚دوره آموزشی، ورکشاپ و کارگاه های علم داده 📌 @Skills_videos_Data_Science 📚پروژه های یادگیری ماشین و یادگیری عمیق 📌@myaiprojects 📚علم داده، ماشین لرنینگ، Python و R 📌@data_science_python_and_r 📚سلامت و پزشکی مبتنی بر هوش مصنوعی 📌@mahdiandai 📚ایده‌های هوش مصنوعی و بینایی کامپیوتر 📌@OpenCV_olc افرادی هم که کانال دارند می‌توانند در @EMADS_AI معرفی کنند. برای اشتراک گذاری بیشتر برای دوستان خود فوروارد کنید.

ورژن جدید بازی جی تی آی رو ساختن ولی هنوز نیومده بیرون تکنولوژیش بر اساس هوش مصنوعه، یعنی تمام کارکترهای بازی (مردم معمولی ) تک تک شون توسط هوش مصنوعی شخصیت پردازی شده و میتونی باهاشون درباره هرچیزی حرف بزنی مثل یک انسان واقعی بعد جالبه کارکترها خیلی باهوشن فکر میکنن که دنیایی که توش هستن واقعیه😐 ویدئو رو ببینید متوجه میشد 🆔 @data_science_python_and_r

❇️ این دوره رو به شدت توصیه میکنم که ببنید ⭐️ مطالبی که در این دوره بهش پرداخته شده ⭐️ ❇️ Create a Large Language Model from Scratch with Python ⭐️ Contents ⭐️ (0:00:00) Intro (0:03:25) Install Libraries (0:06:24) Pylzma build tools (0:08:58) Jupyter Notebook (0:12:11) Download wizard of oz (0:14:51) Experimenting with text file (0:17:58) Character-level tokenizer (0:19:44) Types of tokenizers (0:20:58) Tensors instead of Arrays (0:22:37) Linear Algebra heads up (0:23:29) Train and validation splits (0:25:30) Premise of Bigram Model (0:26:41) Inputs and Targets (0:29:29) Inputs and Targets Implementation (0:30:10) Batch size hyperparameter (0:32:13) Switching from CPU to CUDA (0:33:28) PyTorch Overview (0:42:49) CPU vs GPU performance in PyTorch (0:47:49) More PyTorch Functions (1:06:03) Embedding Vectors (1:11:33) Embedding Implementation (1:13:06) Dot Product and Matrix Multiplication (1:25:42) Matmul Implementation (1:26:56) Int vs Float (1:29:52) Recap and get_batch (1:35:07) nnModule subclass (1:37:05) Gradient Descent (1:50:53) Logits and Reshaping (1:59:28) Generate function and giving the model some context (2:03:58) Logits Dimensionality (2:05:17) Training loop + Optimizer + Zerograd explanation (2:13:56) Optimizers Overview (2:17:04) Applications of Optimizers (2:18:11) Loss reporting + Train VS Eval mode (2:32:54) Normalization Overview (2:35:45) ReLU, Sigmoid, Tanh Activations (2:45:15) Transformer and Self-Attention (2:46:55) Transformer Architecture (3:17:54) Building a GPT, not Transformer model (3:19:46) Self-Attention Deep Dive (3:25:05) GPT architecture (3:27:07) Switching to Macbook (3:31:42) Implementing Positional Encoding (3:36:57) GPTLanguageModel initalization (3:40:52) GPTLanguageModel forward pass (3:46:56) Standard Deviation for model parameters (4:00:50) Transformer Blocks (4:04:54) FeedForward network (4:07:53) Multi-head Attention (4:12:49) Dot product attention (4:19:43) Why we scale by 1/sqrt(dk) (4:26:45) Sequential VS ModuleList Processing (4:30:47) Overview Hyperparameters (4:32:14) Fixing errors, refining (4:34:01) Begin training (4:35:46) OpenWebText download and Survey of LLMs paper (4:37:56) How the dataloader/batch getter will have to change (4:41:20) Extract corpus with winrar (4:43:44) Python data extractor (4:49:23) Adjusting for train and val splits (4:57:55) Adding dataloader (4:59:04) Training on OpenWebText (5:02:22) Training works well, model loading/saving (5:04:18) Pickling (5:05:32) Fixing errors + GPU Memory in task manager (5:14:05) Command line argument parsing (5:18:11) Porting code to script (5:22:04) Prompt: Completion feature + more errors (5:24:23) nnModule inheritance + generation cropping (5:27:54) Pretraining vs Finetuning (5:33:07) R&D pointers (5:44:38) Outro #CPU #GPU #PyTorch #GPT #GPTLanguageModel #LLMs #CUDA #Python 🆔 @data_science_python_and_r 👇👇👇👇👇👇👇👇👇👇