اخبار هوش مصنوعی

یک خبر عالی: OpenAI قابلیت جدیدی ارائه کرده که دیتاست بهش میدی خودش برات یک پروژه داده کاوی از صفر تا صد انجام میده کافیه فایل CSV رو آپلود کنین و ازش بخاین داده‌هارو تحلیل کنه و نمودارشُ بکشه. چه کارایی بلده برامون انجام بده: ✅ تحلیل داده ✅ پاکسازی داده ✅ رسم نمودارها ✅ نوشتن کد به پایتون ✅ و در آخر ذخیره کدها به فرمت ipynb اگه دوست داری خودت کد پایتون بزنی، آموزش پایتون برای علوم داده رو توی کانال یوتیوب دیتاهاب ببین.

Free alternative for github copilot. یک ابزار رایگان که شبیه github copilot عمل میکنه و ادعا میکنه تا ابد رایگانه #code #copilot #alternative #tools #ai @pythony https://codeium.com

✔️ StatQuest with josh Starmer خیلی از تاپیک‌های یادگیری ماشین، آمار و علوم داده می‌تونه در نگاه اول سنگین و پیچیده باشه! اما می‌تونید تاپیک‌های هوش‌مصنوعی رو به شکل ساده از اینجا یادبگیرید. 🔗 https://youtube.com/@statquest 👤 Josh Starmer #MachineLearning #NLP #Statistics #DeepLearning #NeuralNetworks @ai_python

نکته بعدی اینه که: حالا یادگرفتم بعدش چیکار کنم؟ پیشنهاد من اینه که دوتا کار انجام بدید، اول شروع کنید یه پروژه برای خودتون تعریف کنید و پروژه رو از طریق هاگینگ فیس اسپیس به اشتراک بزارید. اینطوری هم دیده میشید و هم بیشتر یاد میگیرید. نکته بعدی اینه که سعی کنید روی یک مسیله تمرکز کنید و ایده جدید بدید توش. هرچیزی که یادگرفتید رو امتحان کنید، روش جدید و خلاقانه بدید و یک مقاله بنویسید. روی آرکایو یا مدیوم به اشتراک بزارید. این باعث میشه توی رزومه دیده بشه که میتونید یک کار تحقیقاتی هم بکنید.

یک سری از دوستان در مورد اینکه چطوری میتونم یادگیری ماشین رو شروع کنم سوال کرده بودند. منابع چی هست؟ از کجا شروع کنم و ... برای شروع میتونید اول یه نگاهی به این کتاب بندازید: https://themlbook.com/ این کتاب خیلی مختصر ایده کلی بهتون میده و اگر پیش زمینه ای دارید میتونید سریع وارد موضوع بشید. ولی خب همه چیزهایی که نیاز دارید رو نداره و باید پایتون بلد باشید به عنوان مثال. کتاب دیگه می‌تونه این باشه: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow by Geron Aurelien که ایده کلی و کراس و تنسورفلو و ... رو هم تا حدودی یاد میده. ولی اگر میخواهید هوش مصنوعی رو از پایه شروع کنید، حداقل یک دوره شش ماهه تا یک ساله خواهید داشت. چون این کتابها تیوری خیلی ضعیفی ارایه میدند. برای اینکه بتونید تیوری بحث رو متوجه بشید و بیشتر پیشرفت کنید به نظرم پایه ای تر شروع کنید. این دوره شش ماهه بهتره این ها رو بخونید: اول ایده کلی هوش مصنوعی رو متوجه بشید با این کتاب: https://aima.cs.berkeley.edu/ الگوریتمهای مختلف و خوبی هم یاد میده. اشکال مختلف یادگیری هم توش مطرح شده. اگه میخواهید وارد حوزه پردازش زبان بشید با این کتاب ادامه بدید: https://web.stanford.edu/~jurafsky/slp3/ سعی کنید اگر واقعا میخواهید پردازش زبان کار کنید این کتاب رو کامل بخونید. اگر میخواهید وارد حوزه پردازش تصویر بشید این رو بخونید: https://www.amazon.de/-/en/Rafael-C-Gonzalez/dp/013168728X این کتاب تمریناتش با متلب هست ولی میتونید با پایتون هم بزنید کدش رو. بیشتر روشهای پایه و اساسی پردازش تصویر مطرح می‌شه توش. این رو بخونید مباحث دیگه مثل کانولوشن رو کاملتر و راحت تر درک میکنید. بحث بعدی این هست که یادگیری عمیق یادبگیرید که یکی از بهترین کتابهاش این هست: https://www.deeplearningbook.org/ جبر خطی هم توش مطرح شده. کتاب نسبتا کامل و جامعی هست. کامل میتونید ازش یادبگیرید. ولی بحث پیاده سازی رو نباید غافل بشید، به نظرم پیاده سازی رو از این کتاب یاد بگیرید: https://www.manning.com/books/deep-learning-with-pytorch این بهتون یادگیری عمیق با پایتورچ یاد میده. دیگه تنسورفلو و کراس رو کم کم باید بزارید کنار چون کمتر بهش توجه میشه و اکثرا با پایتورچ کار میکنند جدیدا. در مورد ترنسفرمرها هم کتابهای مختلفی هست، این دوتا از کتابهای خوب این زمینه است و اگر میخواهید چیزهای جدیدتر رو هم یادبگیرید بهتره اینارو هم بخونید: https://transformersbook.com/ https://www.amazon.de/-/en/Sava%C5%9F-Y%C4%B1ld%C4%B1r%C4%B1m/dp/1801077657 مورد بعدی این هست که این مسیر یادگیری صرفا شامل یادگیری ماشین و یادگیری عمیق شد. اگر میخواهید که به دیتاساینس هم بیشتر وارد بشید بهتره این کتاب رو بخونید: https://www.amazon.de/-/en/Python-Data-Science-Handbook-Essential/dp/1491912057 ولی خب حوزه ها خیلی گسترده هستند، مخصوصا دیتاساینس رو باید بیشتر مطالعه کنید. صرفا با این کتابها در حد جونیور میتونید شروع کنید البته اگر همیشه سعی کنید که مطالب جدید رو دنبال کنید.