DLeX: AI Python

اسم من میثمه، در این کانال فقط چیزهایی که به نظر خودم جالب هستند رو پست میکنم. هوش مصنوعی یکی از موضوعاتی هست که در موردش می‌نویسم. دوست داشتید دنبال کنید دوست نداشتید میوت نکنید لفت بدید. مرسی. @ai_person

🎞 DOVER: the Disentangled Objective Video Quality Evaluator git clone https://github.com/teowu/DOVER.git cd DOVER pip install . 🖥 Github: https://github.com/teowu/dover 🗒 Paper: https://arxiv.org/abs/2211.04894v1 ➡️ Dataset: https://paperswithcode.com/dataset/youtube-ugc #مقاله ✳️ @AI_Python

https://www.linkedin.com/posts/sunghoon-ivan-lee-96617347_available-position-activity-6996495877104091136-Gtp8?utm_source=share&utm_medium=member_android #اپلای

دوره کلاسی جدید دانشگاه کارنگی ملون Advanced NLP - Carnegie Mellon 2022 https://m.youtube.com/playlist?list=PL8PYTP1V4I8D0UkqW2fEhgLrnlDW9QK7z #پردازش_زبان_طبیعی #منابع #فیلم #کلاس_آموزشی #NLP ✳️ @AI_Python

👉 Foundations Of Machine Learning Using this repo, you can learn the foundations of ML through intuitive explanations, clean code and visuals. Also, you can learn how to apply ML to build a production grade product to deliver value. 🔗 https://github.com/GokuMohandas/Made-With-ML #یادگیری_ماشین #منابع ✳️ @AI_Python

‌ ✳️ ‌آموزش رایگان داده ساختارها و الگوریتم‌ها در برنامه نویسی پایتون چکیده — در این آموزش ما سعی می‌کنیم که جنبه‌های مختلفی از برنامه‌نویسی پایتون و مخصوصا، داده ساختارها، الگوریتم‌ها و رشته و متن را آموزش دهیم. با رنج وسیعی از عملیات بر روی داده ساختارها و الگوریتم‌های بهینه برای این عملیات آشنا می‌شوید، با رشته‌ها و فایل‌‌های متنی کار کرده و برای عملیات پرتکرار و پر استفاده با رشته‌ها و متن‌ها، روش‌های بهینه‌ای را فرا می‌گیرید. در واقع در این فرادرس سعی بر این است تا المان‌های لازم برای برنامه‌نویسی حرفه‌ای با پایتون آموزش داده شود. ما در اين آموزش قصد داريم تا داده‌ساختارها و الگوریتم‌ها در برنامه‌نویسی پایتون را مورد بررسی قرار دهيم. 💯 مشاهده ویدئوی آموزش 👇👇 🔗 آموزش داده ساختارها و الگوریتم‌ها در برنامه نویسی پایتون — [کلیک کنید] @FaraDars — فرادرس

اصطلاح data-drift یا dataset drift که در فارسی به جابجایی داده یا رانش داده ترجمه می‌شود زمانی اتفاق می‌افتد که مجموعه داده مورد استفاده در آموزش مدل تفاوت زیادی با داده‌هایی که در زمان استقرار یا محیط عملیاتی ( اصطلاحا deploy یا production) مشاهده خواهد شد دارد و در نتیجه مدل شما نتایج نامطلوب و عجیب ایجاد کرده و عملکرد ضعیفی دربرخواهد داشت. در مقاله‌ای جدید، تیمی از محققان روش خاصی را برای برخورد با این مشکل در زمینه داده‌های تصویری ارائه کردند: "Data Models for Dataset Drift Controls in Machine Learning With Images" Paper: https://arxiv.org/abs/2211.02578 Code: https://github.com/aiaudit-org/raw2logit Dataset: https://paperswithcode.com/dataset/raw-microscopy-and-raw-drone #MachineLearning #DeepLearning #ArtificialIntelligence #ML #DL #AI #یادگیری_ماشین #مقاله ✳️ @AI_Python

Paint-with-Words, Implemented with Stable diffusion https://github.com/cloneofsimo/paint-with-words-sd

خدمت دوستان تفرقه انداز و بی اعصاب که صرفا دنبال کسی هستند که متهم بکنند عرض بکنم که: برای بار صدهزارم، ما هیچ شبکه اجتماعی داخلی هیچ کانال و گروهی نداریم، نداشتیم و نخواهیم داشت. از روز اول که تلگرام فیلتر شد اینطور ادامه دادیم: https://t.me/ai_python/3698 هم اکنون هم اینطور ادامه می دهیم. خدمت این دوستان عرض کنم که به صورت سوسکی زیر یک پست نامربوط شبکه اجتماعی خاصی را تبلیغ نکنند. پست قبلی که اشاره داشت به اینکه در شبکه اجتماعی تویتر هم دروغ هم واقعیت، هم کاربر واقعی و هم کاربر فیک بخشی از این شبکه را تشکیل می‌دهند نه گفته من، گفته خود مدیر این شبکه اجتماعی، ایلان ماسک بود. گرچه هزاران تحقیقات و ... انجام شده در مورد شبکه اجتماعی و misinformation و... که نشون میده این مشکل این شبکه بخصوص نیست بلکه اکثر شبکه ها این مشکل را دارند. بدیهی است که فیسبوک، تلگرام، شبکه داخلی خارجی، همه این مشکل را دارند. همین گفته هم دلیل بر این نمیشه که شما دوباره بفرمایید فلانی گفت برید شبکه‌های صدا و سیما رو ببینید. بازم دلیل نمیشه بگید گفت برید بی بی سی ببینید. قطع امید کردم از توضیح دادن. اصلا ولش کن، خودت چطوری؟ ☺️ و درنهایت، خاک بر سرت بهنود، موفق و موید باشید.

همین الان که Elon Musk در مورد آینده تویتر داره حرف میزنه، شرکتهای بزرگ، سازمانهای جهانی و اینفلوینسرهای خیلی مهم دارند گوش می‌دهند. توینر شاید به جرات بشه گفت که یکی از مهمترین منابع بشری در حال حاضر هستش. @ai_python

‌ ✳️ ‌آموزش رایگان کار با پیش پردازش‌ها در یادگیری ماشین با پایتون (Python) چکیده — امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تاثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است. ما در این آموزش قصد داریم تا آموزش کار با پیش پردازش ها در یادگیری ماشین با پایتون (Python) را مورد بحث و بررسی قرار دهیم. 💯 مشاهده ویدئوی آموزش 👇👇 🔗 آموزش کار با پیش پردازش‌ها در یادگیری ماشین با پایتون (Python) — [کلیک کنید] @FaraDars — فرادرس

1. Classification A Machine Learning task which seeks to classify data points into different groups (called targets or class labels) that are pre-determined by the training data. For example, if we have a medical dataset consisting of biological measurements...... (heart rate, body temperature, age, height, weight, etc.) and whether or not a person has a specific disease, we could train a classification model to predict whether or not a person has the disease given just the biological measurements. 2. Regression A supervised learning task that tries to predict a numerical result given a data point. For example, giving the description of a house (location, number of rooms, energy label) and predicting the market price of the house. 3. Underfitting A phenomenon in which a Machine Learning algorithm is not fitted well enough to the training data, resulting in low performance on both the training data and similar but distinct data.3. Underfitting cont. A common example of underfitting occurs when a neural network is not trained long enough or when there is not enough training data. The converse phenomenon is overfitting. 4. Overfitting A phenomenon in which a Machine Learning algorithm is too fitted to the training data, making performance on the training data very high, but performance on similar but distinct data low due to poor generalizability.A common example of overfitting occurs when a neural network is trained for too long. The converse phenomenon is underfitting. 5. Cost function This is what Machine Learning algorithms are trying to minimize to achieve the best performance. It is simply the error the algorithm makes over a given dataset. It is also sometimes referred to as “loss function.” 6. Loss function A (generally continuous) value that is a computation-friendly proxy for the performance metric. It measures the error between values predicted by the model and the true values we want the model to predict.During training, this value is minimized. “Loss function” is sometimes used interchangeably with “cost function,” although the two are differentiated in some contexts. 7. Validation data A subset of data that a model is not trained on but is used during training to verify that the model performs well on distinct data. Validation data is used for hyper parameter tuning in order to avoid over fitting. 8. Neural Network A specific type of Machine Learning algorithm which can be represented graphically as a network, inspired by the way that biological brains work.The network represents many simple mathematical operations (addition, multiplication, etc.) that are combined to produce a complex operation that may perform a complicated task (e.g. identifying cars in an image). 9. Parameter Generally refers to the numbers in a neural network or Machine Learning algorithm that are changed to alter how the model behaves (sometimes also called weights). If a neural network is analogous to a radio, providing the base structure of a system, then parameters are analogous to the knobs on the radio, which are tuned to achieve a specific behavior (like tuning in to a specific frequency). Parameters are not set by the creator of the model, rather, the values are determined by the training process automatically. 10. Hyperparameter A value that takes part in defining the overall structure of a model or behavior of an algorithm. Hyperparameters are not altered by the model training process and are set ahead of time before training. Many potential values for hyperparameters are generally tested to find those that optimize the training process. E.g, in a neural network, the number of layers is a hyperparameter (not altered by training), whereas the values within the layers (“weights”) themselves are parameters (altered by training).If the model is a radio, then a hyperparameter would be the number of knobs on the radio, while the values of these knobs would be parameters. #آموزش ✳️ @AI_Python

Here are 10 common AI terms explained in an easily understandable way. 1. Classification 2. Regression 3. Underfitting 4. Overfitting 5. Cost function 6. Loss function 7. Validation data 8. Neural Network 9. Parameter 10. Hyperparameter #آموزش ✳️ @AI_Python

رابط کاربری مثل جوکه، اگه مجبور هستی توضیحش بدی یعنی آنقدرها هم خوب نیست! @ai_python

⭕️دوره جامع دیتاساینتیست Data Scientist ⏰ 92 ساعت آموزش ✅ارائه مدرک قابل ترجمه ➖➖➖➖➖➖➖➖➖➖➖➖ ☎️مشاوره وثبت نام ۰۲۱-۶۷۶۴۱۹۹۹ 📲تلگرام و واتساپ 09222477250 ➖➖➖➖➖➖➖➖➖➖➖➖ جزئیات دوره آنلاین دانشمند داده ↙️ http://link.jsharif.com/public/3w364 ➖➖➖➖➖➖➖➖➖➖➖➖ 🔷با کانال ما در تلگرام همراه باشید🔷 https://t.me/joinchat/AAAAAD6fyUw0AYXKLGbkow

Machine Learning Explainability Workshop I Stanford https://youtube.com/playlist?list=PLoROMvodv4rPh6wa6PGcHH6vMG9sEIPxL #منابع #فیلم #یادگیری_ماشین #آموزش_کلاسی ✳️ @AI_Python

https://www.e-estekhdam.com/k9yb6x-%D8%A7%D8%B3%D8%AA%D8%AE%D8%AF%D8%A7%D9%85-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3-flutter-%D8%AF%D8%B1-%D8%B4%D8%B1%DA%A9%D8%AA-%D8%A7%DB%8C%D8%AF%D9%87-%D9%BE%D8%B1%D8%AF @ai_python

⭕دوره جامع یادگیری عمیق Deep learning با ماشین لرنینگ ⏳ در ۴۰ساعت ✅همراه با مدرک معتبر و قابل ترجمه ➖➖➖➖➖➖➖➖➖ ☎️ مشاوره و ثبت نام 021-67641999 📲تلگرام و واتساپ ۰۹۲۲۲۴۷۷۲۵۰ ➖➖➖➖➖➖➖➖➖ برای کسب اطلاعات بیشتر به لینک زیر مراجعه نمایید↙️ http://link.jsharif.com/public/1qqdm ➖➖➖➖➖➖➖➖➖ 🔷با کانال ما در تلگرام همراه باشید ↙️ https://t.me/joinchat/AAAAAD6fyUw0AYXKLGbkow

📌 متخصص شدن کار سختی نیست. فقط نیاز به منابع معتبر و کمی زمان دارید. 🔺در این لیست تمام‌ منابع مورد نیاز برای متخصص IT در دسترس شماست.