Algorithm design & data structure
این کانال برای تمامی علاقهمندان به کامپیوتر، مخصوصاً حوزه ساختمان دادهها و الگوریتمها، مفید می باشد. آشنایی با ریاضیات مقدماتی، برنامهنویسی مقدماتی و پیشرفته و همچنین شیگرایی میتواند در درک بهتر مفاهیم این درس کمک کند. 👨💻Admin👉 @Se_mohamad
نمایش بیشتر3 651
مشترکین
-7224 ساعت
+2287 روز
+28630 روز
- مشترکین
- پوشش پست
- ER - نسبت تعامل
در حال بارگیری داده...
معدل نمو المشتركين
در حال بارگیری داده...
📚📘 معرفی کتاب: درک الگوریتمها 📘📚
🔍 آیا تا به حال به این فکر کردهاید که الگوریتمها چگونه کار میکنند و چه نقشی در دنیای ما دارند؟ کتاب "درک الگوریتمها" نوشته آدیتا بهارگاوا، به زبان ساده و همراه با تصاویر جذاب، شما را با دنیای پیچیده و در عین حال شگفتانگیز الگوریتمها آشنا میکند. 🤓🔍
💡 این کتاب با توضیحات شفاف و مثالهای کاربردی، به شما کمک میکند تا مفاهیم پیچیده الگوریتمی را به راحتی درک کنید. از مبانی پایهای تا مباحث پیشرفتهتر، همه چیز به زبانی ساده و قابل فهم بیان شده است. 💻📈
🔥 ویژگیهای برجسته کتاب:
✅ زبان ساده و روان
✅ تصاویر و نمودارهای جذاب
✅ مثالهای عملی و کاربردی
✅ مناسب برای همه، از مبتدی تا پیشرفته
🌟 اگر به دنیای برنامهنویسی و الگوریتمها علاقهمند هستید یا دوست دارید دانش خود را در این زمینه گسترش دهید، این کتاب یکی از بهترین منابعی است که میتوانید داشته باشید. 🌟
🔗 همچنین میتوانید این پست را با دوستان خود به اشتراک بگذارید تا آنها نیز از این منبع ارزشمند بهرهمند شوند. 📤👥
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
@AlgorithmDesign_DataStructuer .pdf24.54 MB
👍 4🙏 3
اگر میخواهید وارد دنیای هوش مصنوعی شوید و هیچ اطلاعی از شبکههای عصبی ندارید، پیشنهاد میکنم حتماً این جزوه را مطالعه کنید. این جزوه میتواند به شما در درک بهتر شبکههای عصبی کمک زیادی کند. 🤖📘
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
@AlgorithmDesign_DataStructuer (2).pdf5.52 KB
👌 4
چرا از توابع فعال سازی(Activation Functions) در شبکه های عصبی استفاده کنیم🤔؟
1️⃣غیر خطی بودن(Non-linearity): دادههای دنیای واقعی اغلب شامل روابط پیچیدهای هستند که توسط یک مدل خطی قابل دریافت نیستند. توابع فعالسازی شبکه را قادر میسازد تا با اضافه کردن غیرخطی بودن، این الگوهای پیچیده را ثبت کند.
2️⃣مرزهای تصمیم(Decision Boundaries): مدل های خطی فقط می توانند داده ها را با یک خط (یا ابر صفحه در ابعاد بالاتر) جدا کنند. توابع فعال سازی به شبکه اجازه می دهد تا مرزهای تصمیم گیری پیچیده تری ایجاد کند.
3️⃣استفاده از عمق(Depth Utilization): با توابع فعالسازی، هر لایه میتواند دادهها را به شیوهای غیر خطی تبدیل کند و به شبکههای عمیقتر اجازه میدهد تا توابع پیچیدهتری را نشان دهند.
برای مثال :
تصور کنید می خواهید نقاط داده را به دو دسته طبقه بندی کنید. بدون تابع فعالسازی، بهترین کاری که مدل شما میتواند انجام دهد این است که یک خط مستقیم برای جدا کردن این دو دسته بکشد. با این حال، اگر داده ها به صورت خطی قابل تفکیک نباشند (به عنوان مثال، دایره های متحدالمرکز)، یک خط مستقیم کافی نخواهد بود.
با توابع فعالسازی، شبکه میتواند چندین تبدیل خطی و غیرخطیها را برای ایجاد یک مرز تصمیم پیچیدهتر، مانند یک منحنی یا چند خط، ترکیب کند تا به درستی نقاط داده را طبقهبندی کند.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍 4
Repost from هشتگ تبلیغ تخصصی
Photo unavailableShow in Telegram
🟣 سلسه وبینارهای رایگان علمداده و ماشین لرنینگ تابستان ۱۴۰۳
🔴 سرفصلها: موقعیتهای شغلی مرتبط با داده، نحوه جستجو شغل در لینکدین، ۵ نکته کلیدی در فرآیند جستجو شغل، پرسشوپاسخ و...
🟢 شروع از شنبه، ۱۶ تیر ساعت ۲۰
👈 برای ثبتنام رایگان کلیک کنین:
👉 httb.ir/Wq6fY
👉 httb.ir/Wq6fY
@DSLanders | کافهتدریس
🔥 1
00:03
Video unavailableShow in Telegram
انتشار رو به جلو (Forward propagation) :
همانطور که از نام پیداست، داده های ورودی در جهت جلو از طریق شبکه تغذیه می شوند. هر لایه پنهان دادههای ورودی را میپذیرد، آنها را طبق تابع فعالسازی پردازش میکند و به لایهی متوالی ارسال میکند.
چرا شبکه Feed-forward network؟
به منظور تولید مقداری خروجی، داده های ورودی باید فقط در جهت رو به جلو بروند. داده ها در طول تولید خروجی نباید در جهت معکوس جریان داشته باشند در غیر این صورت یک چرخه تشکیل می دهند و خروجی هرگز تولید نمی شود. چنین پیکربندی های شبکه ای به عنوان شبکه فید فوروارد شناخته می شوند. شبکه Feed-forward network به انتشار رو به جلو کمک می کند.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
Comp-1.gif.mp40.09 KB
👍 5
Photo unavailableShow in Telegram
Merge Sort :
برای مشاهده نحوه عملکرد Merge Sort از منظری متفاوت، به تصویر بالا نگاه کنید. همانطور که می بینید، آرایه به قطعات کوچکتر و کوچکتر تقسیم می شود تا زمانی که دوباره با هم ادغام شوند. و همانطور که ادغام اتفاق می افتد، مقادیر هر زیر آرایه با هم مقایسه می شوند تا کمترین مقدار اول باشد.
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
🔥 5
Repost from هشتگ تبلیغ تخصصی
Photo unavailableShow in Telegram
🔹 دوره آموزشی «علـــــم داده (Data Science)»
🟢 اهداف دوره:
⏺ تربیت متخصص #دیتا_ساینس و تحلیل داده
⏺ پیادهسازی علم داده به صورت کاربردی
⏺ آمادهسازی و تقویت دانشجویان برای اشتغــال یا تحصیل
⏺ ارتقاء رزومه دانشپذیران
✅ آموزش با نرم افزارها و زبــانهای R، Python و SQL
🔥 نیاز روز بــــازار کــــار ایــــــران و خـــارج
🔬 آموزش #آنلاین به همراه انجام پروژه و موردکاویهای واقعی
🏛 موسسه آموزش عالی آزاد توسعه
✅ با گواهینامه مورد تایید وزارت علوم، تحقیقات و فناوری
📌 مشاوره رایگان و مشاهده جزئیات دوره:
➡️ httb.ir/h1rFQ
➡️ httb.ir/h1rFQ
➡️ httb.ir/h1rFQ
➖➖➖➖
00:06
Video unavailableShow in Telegram
ساختار شبکههای عصبی مصنوعی
🧠نورونها در یک شبکه عصبی مصنوعی به لایههایی سازماندهی شدهاند. اولین لایه، لایه ورودی نامیده میشود و شامل نورونهایی است که سیگنال را به شکل دادههای خارجی دریافت میکنند (مثل تصاویر، متن، موقعیتها در یک بازی شطرنج و غیره). این نورونها با نورونهای حسی در بدن مقایسه میشوند که به محرکهای خارجی پاسخ میدهند.
لایه نهایی، لایه خروجی نام دارد. این نورونها سیگنالی را صادر میکنند که مربوط به حل مشکل موجود است (مثل شناسایی یک تصویر، انتخاب حرکت بعدی در یک بازی شطرنج و غیره).
بین لایههای ورودی و خروجی، لایههای پنهان قرار دارند. این لایههای پنهان با نمایشهای انتزاعیتری از ورودی سروکار دارند که به شبکه عصبی کمک میکند تا خروجی صحیح را محاسبه کند (مثل ویژگیهای خاص در یک تصویر، حالتهای آینده تخته در یک بازی شطرنج و غیره).
ممکن است هر تعداد لایه مخفی در ANN وجود داشته باشد، اما معمولاً بهتر است از حداقل تعداد ممکن استفاده شود.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
ANN.gif.mp40.33 KB
👍 2👌 1
📘 نمونه سوال درس ساختمان داده همراه با 📝 پاسخ
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
@AlgorithmDesign_DataStructuer.pdf2.25 KB
Photo unavailableShow in Telegram
📉 در این نمودار عملکرد loss، هدف ما کاهش loss به حداقل نیز می باشد، که با استفاده از نزول گرادیانی قابل دستیابی است. ما محاسبه میکنیم که هر تغییر در وزن چگونه عملکرد هزینه را تغییر میدهد، و از مشتقات جزئی برای بهروزرسانی وزنها در جهت کاهش عملکرد هزینه استفاده میکنیم تا به شیب منفی که به سمت حداقل نیز میرود، برسیم.
🎯 نرخ یادگیری تعیینکنندهی این فرآیند است که مشخص میکند چقدر ما به حداقل loss نزدیک میشویم. اگر نرخ یادگیری کم باشد، الگوریتم ممکن است برای همگرایی زمان بیشتری نیاز داشته باشد، در حالی که نرخ یادگیری بالا ممکن است منجر به نزدیک شدن زودتر به حداقل گردد.
🔄 برای به روزرسانی وزنها و loss، از Backpropagation استفاده میشود، که بر اساس قاعده زنجیرهای حساب است. این روش برای محاسبه شیب عملکرد هزینه نسبت به وزنها در شبکه مورد استفاده قرار میگیرد، سپس این شیب در الگوریتم نزول گرادیانی برای به روزرسانی وزنها و بهبود عملکرد شبکه به کار میرود.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👌 6👍 1
یک طرح متفاوت انتخاب کنید
طرح فعلی شما تنها برای 5 کانال تجزیه و تحلیل را مجاز می کند. برای بیشتر، لطفا یک طرح دیگر انتخاب کنید.