علم داده (Data Science)

Открыть в Telegram

🗨 ارتباط با ما (تبلیغات، سوال، پیشنهاد و انتقاد): ‏📩 @Contact2Mebot 💯 کانال دوم ما: @Datascientists_Files 💎 در پیام‌رسان بله(آپدیت اتومات): https://ble.ir/dataplusscience 💡 در پیام‌رسان ایتا(آپدیت اتومات): https://eitaa.com/DataPlusScience

Больше

Иран42 223 Образование28 247

6 233

Подписчики

Нет данных24 часа

-17 дней

-2730 день

770

Просмотры поста

Нет данных24 часа

Нет данных48 часов

12.35%

Коэффициент вовлеченности

Нет данных

Постов в день

Ads index

beta

Архив постов

6 233

آشنایی با ترنسفومر تولید شده توسط مدل Gemini 3 Nano Banana pro! ➖➖➖➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

پایگاه‌های داده برداری در این تصویر، سامانه‌های Vector Database و پایگاه‌های دادهٔ پشتیبان Vector Search را در چهار رده نشان می‌دهد: ۱) اختصاصی متن‌باز: ابزارهایی مانند Chroma، Vespa، LanceDB، Marqo، Qdrant و Milvus که به‌طور ویژه برای ذخیره‌سازی و بازیابی برداری طراحی شده‌اند. ۲) عمومی متن‌باز با جستجوی برداری: شامل OpenSearch، ClickHouse، PostgreSQL و Cassandra که این قابلیت را به‌صورت ماژولی ارائه می‌کنند. ۳) اختصاصی تجاری: Weaviate و Pinecone که خدمات سازمانی و مدیریت‌شده فراهم می‌سازند. ۴) عمومی تجاری با پشتیبانی برداری: Elasticsearch، Redis، Rockset و SingleStore که امکان جستجوی برداری را در کنار دادهٔ سنتی فراهم می‌کنند. مطالعه بیشتر @DataPlusScience

6 233

Repost from علم داده (Data Science)

📌 آشنایی با عامل‌های هوش مصنوعی (AI Agents) 🔹 یک راهنمای جامع برای درک عامل‌های هوش مصنوعی و نحوه عملکرد آن‌ها این داکیومنت توسط گوگل منتشر شده و به بررسی مفهوم عامل‌های هوش مصنوعی (AI Agents) می‌پردازد. عامل‌ها می‌توانند از مدل‌های زبانی استفاده کنند، داده‌ها را پردازش کنند، ابزارهای مختلف را به کار گیرند و تصمیم‌گیری‌های هوشمندانه‌ای انجام دهند. 📝 سرفصل‌ مطالب: ✅ معرفی عامل‌های هوش مصنوعی و تفاوت آن‌ها با مدل‌های زبانی (Language Models) ✅ بررسی معماری شناختی (Cognitive Architecture) عامل‌ها ✅ استفاده از ابزارها (Tools) برای تعامل با داده‌های واقعی ✅ پیاده‌سازی عامل‌های هوش مصنوعی با LangChain و Vertex AI ✅ نمونه‌کدهای کاربردی برای استفاده از عامل‌ها در محیط‌های تولیدی 📌 این مستند برای توسعه‌دهندگان، پژوهشگران و علاقه‌مندان به هوش مصنوعی که می‌خواهند با عامل‌های هوش مصنوعی کار کنند، بسیار مفید است. ➖➖➖➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

Repost from رویدادها و دوره های آموزشی

👈 برترین کانال‌های آموزشی در زمینه های هوش‌مصنوعی, پایتون و یادگیری ماشین و علم داده ‏⭐️ معرفی دوره های رایگان AI, ML, LLM و DataScience 👉 @Ai_Tv ⭐️مجله هوش‌مصنوعی 👉 @Homeai ⭐️ یادگیری عمیق و هوش مصنوعی 👉 @cvision ⭐️ آموزش‌های تخصصی هوش مصنوعی 👉 @class_vision ⭐️ دوره‌های تخصصی LLM ،VLM و Agentic AI 👉 @llm_huggingface ⭐️رویدادهای هوش‌مصنوعی 👉 @eventai ⭐️آموزش Machine Learning 👉 @Machine_learn ⭐️آموزش علوم داده 👉 @DataPlusScience ⭐️آموزش ، اخبار و تحولات هوش‌مصنوعی 👉 @Ai_NewsTv ‏⭐️ دوره های رایگان Python , ML و Ai از موسسات معتبر 👉 @Python4all_pro ‏⭐️منابع آموزشی پایتون برای علم داده ،ML & Ai : 👉 @programmers_street

6 233

Repost from رویدادها و دوره های آموزشی

6 233

جی‌پی‌تی (GPT) شبیه چه کسی است؟! در پژوهشی از دانشگاه هاروارد، پاسخ‌های GPT به مجموعه‌ای از شاخص‌های روان‌شناختی و ارزش‌های اجتماعی (با تکیه بر داده‌های World Values Survey از ۹۴ هزار نفر) با پاسخ‌های مردم ۶۵ کشور مقایسه شده است. یافته‌ها نشان می‌دهند که GPT شباهت زیادی به جوامع غربی (Western)، تحصیل‌کرده (Educated)، صنعتی (Industrialized)، ثروتمند (Rich) و دموکراتیک (Democratic) (که با اصطلاح WEIRD شناخته می‌شوند) دارد و در مقابل، فاصله زیادی با جوامعی مانند اتیوپی، پاکستان یا قرقیزستان. در واقع، GPT بیشتر شبیه ساکنان جوامع WEIRD است: فردگرا (individualistic)، و دارای سبک تفکر تحلیلی (analytic thinking). وقتی از GPT می‌پرسند "انسان معمولی کیست؟"، تصویری که ارائه می‌دهد با خودپنداره‌ی رابطه‌محور (relational self-concept) که در بسیاری از فرهنگ‌ها رایج است، فاصله دارد. این یعنی GPT نه تنها از دیدگاه خاصی به جهان نگاه می‌کند، بلکه تصورش از "انسان عادی" هم WEIRD است. متن کامل مقاله را اینجا بخوانید ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🎓 هفته رایگان DataCamp از ۱۲ تا ۱۸ آبان، فرصت دارید به تمام دوره‌های آموزشی DataCamp به‌صورت کامل و رایگان دسترسی داشته باشید. در این بازه می‌توانید مهارت‌های داده‌محور مورد علاقه‌تان را یاد بگیرید، پروژه‌های عملی انجام دهید و حتی گواهی پایان‌دوره معتبر دریافت کنید. 🔗 لینک دسترسی: https://www.datacamp.com/ ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🧠 کتاب مهندسی هوش مصنوعی (AI Engineering) 📘 این کتاب تازه منتشر شده مجموعه‌ای ساختارمند از مبانی و فناوری‌های کلیدی مهندسی هوش مصنوعی است؛ مسیری از طراحی مدل تا استقرار سیستم‌های هوشمند در مقیاس صنعتی. ⚙️ مهندسی داده (Data Engineering): شامل جمع‌آوری، یکپارچه‌سازی و پاک‌سازی داده‌ها برای ساخت پایگاه دانشی قابل‌اتکا جهت مدل‌های یادگیری. 🧩 یادگیری ماشین (Machine Learning): فرآیند انتخاب الگوریتم، تنظیم ابرپارامترها، و ارزیابی عملکرد مدل‌ها بر پایه‌ی داده‌های تجربی. 🧬 یادگیری عمیق (Deep Learning): توسعه‌ی شبکه‌های عصبی پیچیده با چارچوب‌های TensorFlow و PyTorch برای تحلیل داده‌های غیرخطی و چندبعدی. 🧠 عملیات یادگیری ماشینی (MLOps): خودکارسازی چرخه‌ی آموزش، ارزیابی، نسخه‌بندی و استقرار مدل‌ها در مقیاس سازمانی. ☁️ استقرار و نظارت (Deployment & Monitoring): طراحی معماری‌های ابری، پایش مستمر عملکرد و تضمین پایداری و اخلاق مدل در محیط تولید. ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🔥🔥📣📣 لیست کانال ها و منابع های آموزشی هوش مصنوعی و علوم الگوریتم های آین

6 233

📊 نقشه مهارت‌های علم داده (Data Science Competency Map) 🧠 این نمودار چارچوب مهارتی علم داده را نشان می‌دهد؛ ترکیبی از دانش ریاضی، آماری و فنی برای تحلیل، مدل‌سازی و استقرار سامانه‌های هوشمند داده‌محور. 📐 ریاضیات: جبر خطی، بهینه‌سازی و کاهش بُعد برای پایه‌گذاری الگوریتم‌های تحلیلی 💻 برنامه‌نویسی: تسلط بر Python، R و پایگاه‌های داده (SQL، MongoDB) 🎲 احتمال و آمار: توزیع‌ها، آزمون فرض و رگرسیون برای اعتبارسنجی نتایج ⚙️ مهندسی ویژگی: انتخاب و تولید ویژگی‌های مؤثر در یادگیری مدل 🤖 یادگیری ماشین: آموزش، ارزیابی و بهینه‌سازی مدل‌ها با رویکرد داده‌محور 🧬 یادگیری عمیق: طراحی شبکه‌های عصبی با TensorFlow و PyTorch 💬 NLP: تحلیل متون و بردارهای معنایی واژه‌ها 📊 بصری‌سازی داده: Tableau، Power BI و Qlik برای تحلیل تصویری ☁️ استقرار مدل: Azure، Flask و Django برای پیاده‌سازی عملیاتی ✨ تلفیق این مهارت‌ها زیربنای نقش دانشمند داده (Data Scientist) را می‌سازد. ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🧠 تکنیک‌های پیشرفته‌ی RAG 📘 این کتابچه راهنمایی برای بهینه‌سازی سامانه‌های تولید مبتنی بر بازیابی (Retrieval-Augmented Generation) است؛ مدلی که دقت و واقع‌گرایی پاسخ‌های مدل‌های زبانی بزرگ (LLMs) را با اتصال به پایگاه دانش بیرونی افزایش می‌دهد. 📊 کتاب چهار مرحله‌ی اصلی RAG را پوشش می‌دهد: 🔹 نمایه‌سازی (Indexing): شامل پیش‌پردازش داده و استراتژی‌های تقسیم‌بندی (Chunking) برای بهبود ساختار و جست‌وجو 🔹 پیش‌بازیابی (Pre-Retrieval): بازنویسی و مسیردهی هوشمند پرسش‌ها با کمک مدل‌های زبانی بزرگ 🔹 بازیابی (Retrieval): استفاده از فیلتر متادیتا، جست‌وجوی ترکیبی (Hybrid Search) و فاین‌تیون مدل‌های Embedding 🔹 پس‌بازیابی (Post-Retrieval): باز‌رتبه‌بندی (Re-ranking)، فشرده‌سازی متن و مهندسی پرامپت (Prompt Engineering) برای افزایش کیفیت پاسخ این منبع برای پژوهشگران و توسعه‌دهندگانی مناسب است که می‌خواهند عملکرد سیستم‌های RAG و Chatbot خود را بهبود دهند. ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

📣📣🚫💢💢 آرشیو کانالها و منابع برنامه نویسی و آموزشی هوش مصنوعی را برای شما آماده کردیم. 💢 منابع و مقالات هوش مصنوعی و علوم پزشکی 🔰 @AI_DeepMind 💢 یادگیری عمیق و هوش مصنوعی 🔰 @cvision 💢 آموزش‌های تخصصی هوش مصنوعی 🔰 @class_vision 💢 دوره‌های تخصصی LLM ،VLM و Agentic AI 🔰 @llm_huggingface 💢 ساختمان داده و طراحی الگوریتم 🔰 @AlgorithmDesign_DataStructuer 💢 کشف ارتباط علوم اعصاب، هوش مصنوعی و کدنویسی 🔰 @Neurogenix1 💢 جامعه هوش مصنوعی 🔰 @silicon_brain 💢 رویدادهای هوش مصنوعی 🔰 @eventai 💢 آموزش صفر تا صد پایتون با میلاد 🔰 @Easy4Python 💢 رویدادها و تحولات هوش مصنوعی 🔰 @Ai_Events 💢یادگیری ماشین | یادگیری عمیق | هوسم 🔰 @pytorch_howsam 💢 آخرین اخبار و منابع فناوری ؛ هوش مصنوعی و یادگیری ماشین 🔰 @Docpython 💢 آموزش علوم داده 🔰 @DataPlusScience 💢 آموزش پایتون و رزبری پای 🔰 @raspberry_python

6 233

📣📣🚫💢💢 آرشیو کانالها و منابع برنامه نویسی و آموزشی هوش مصنوعی را برای شما آماده کردیم. 💢 منابع و مقالات هوش مصنوعی و علوم پزشکی 🔰 @AI_DeepMind 💢 یادگیری عمیق و هوش مصنوعی 🔰 @cvision 💢 آموزش‌های تخصصی هوش مصنوعی 🔰 @class_vision 💢 دوره‌های تخصصی LLM ،VLM و Agentic AI 🔰 @llm_huggingface 💢 ساختمان داده و طراحی الگوریتم 🔰 @AlgorithmDesign_DataStructuer 💢 کشف ارتباط علوم اعصاب، هوش مصنوعی و کدنویسی 🔰 @Neurogenix1 💢 جامعه هوش مصنوعی 🔰 @silicon_brain 💢 رویدادهای هوش مصنوعی 🔰 @eventai 💢 آموزش صفر تا صد پایتون با میلاد 🔰 @Easy4Python 💢یادگیری ماشین | یادگیری عمیق | هوسم 🔰 @pytorch_howsam 💢 آخرین اخبار و منابع فناوری ؛ هوش مصنوعی و یادگیری ماشین 🔰 @Docpython 💢 آموزش علوم داده 🔰 @DataPlusScience 💢 آموزش پایتون و رزبری پای 🔰 @raspberry_python

6 233

🎓 دوره تخصصی Building Agentic AI Systems — with Andrew Ng 🔹 این دوره‌ی رایگان توسط Andrew Ng، از بنیان‌گذاران Google Brain و Coursera، ارائه شده و به آموزش طراحی و توسعه‌ی سامانه‌های Agentic AI می‌پردازد. سرفصل‌های اصلی این دوره: 1️⃣ مقدمه بر هوش مصنوعی عاملی (Introduction to Agentic AI) — آشنایی با مفهوم iterative multi-step workflows و مزایای آن نسبت به مدل‌های سنتی. 2️⃣ الگوی بازتاب (Reflection Pattern) — طراحی سازوکارهایی برای self-critique و output improvement. 3️⃣ الگوی استفاده از ابزارها (Tool Use Pattern) — اتصال مدل به APIs, databases و محیط‌های code execution. 4️⃣ نکات عملی در پیاده‌سازی (Practical Implementation) — evaluation metrics, error analysis و system optimization. 5️⃣ برنامه‌ریزی و چندعاملی (Planning & Multi-Agent Systems) — ساخت autonomous agents و هماهنگی بین چند عامل هوشمند. 🧠 پروژه نهایی: توسعه‌ی یک Research Agent خودکار برای جمع‌آوری داده، تحلیل و تولید گزارش پژوهشی. 🔗 ثبت‌نام : https://zaya.io/a8r0a ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience

6 233

🤖 هوش‌ مصنوعی‌ مولد در عمل (Hands-On Generative AI) 📘 کتابی از انتشارات O’Reilly (۲۰۲۵) که به‌صورت کاربردی نحوه‌ی درک و پیاده‌سازی مدل‌های مولد (Generative Models) را آموزش می‌دهد. نویسندگان با تکیه بر تجربه‌های واقعی، روش استفاده از مدل‌های باز برای تولید متن، تصویر و صدا را شرح داده و ملاحظات اخلاقی را برجسته می‌کنند. 🧩 بخش نخست (Leveraging Open Models) به مفاهیم رسانه‌های مولد، سازوکار ترنسفورمرها (Transformers)، فشرده‌سازی با VAE و ساخت مدل‌های Stable Diffusion و CLIP می‌پردازد. 🧠 بخش دوم (Transfer Learning) آموزش Fine-Tuning مدل‌های زبانی و تصویری را با ابزارهایی چون DreamBooth، LoRA و Quantization توضیح می‌دهد. 🎨 بخش پایانی (Going Further) کاربردهای خلاقانه‌ی Text-to-Image و Audio Generation را بررسی کرده و حوزه‌های نوینی چون 3D Vision، Video Generation و Multimodal AI را معرفی می‌کند. ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🖥 💻🖥🖥 معرفی لیست دوره ها، رویدادها و مقالات هوش مصنوعی و پایتون در تلگرام ✈️📣🔘 🚨🚨✅️ ✔️ عضویت در لینک زیر https://t.me/addlist/x5UsyVzYjZw5YzNk 🔼🔼🔼🔼

6 233

🧠 نقشه‌ راه توسعه عامل‌های هوشمند (AI Agents) این اینفوگرافی، ساختار هفت‌مرحله‌ای طراحی یک AI Agent را تبیین می‌کند: 1️⃣ تعریف System Prompt – تعیین Goals، Roles و Instructions به‌منظور تعریف رفتار و محدوده تصمیم‌گیری عامل. 2️⃣ مدل زبانی (LLM) – انتخاب مدل زبانی پایه و تنظیم Parameters جهت تطبیق با نیاز مسئله. 3️⃣ ابزارها (Tools) – یکپارچه‌سازی ابزارها، APIs و MCP Servers برای دسترسی به داده‌ها و اکشن‌های محیطی. 4️⃣ حافظه (Memory) – طراحی ساختارهای حافظه (Episodic، Vector DB، SQL DB و File Store) برای نگهداری دانش و زمینه. 5️⃣ ارکستراسیون (Orchestration) – مدیریت Workflows، Triggers، Message Queues و تعامل Agent2Agent به‌صورت پویا. 6️⃣ رابط کاربری (UI) – طراحی لایه‌ی تعامل کاربر با عامل برای مشاهده، هدایت و کنترل رفتار. 7️⃣ ارزیابی هوشمند (AI Evals) – ارزیابی و بهبود مستمر از طریق Performance Metrics و تحلیل تطبیقی خروجی‌ها. ➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

📊 ماتریس مهارت‌های کلیدی در نقش‌های نوین هوش مصنوعی این ماتریس نشان می‌دهد نقش‌های مختلف در اکوسیستم AI به مجموعه‌های متفاوتی از توانمندی‌ها نیاز دارند: 🤖 مهندس یادگیری ماشین (ML Engineer) و دانشمند داده (Data Scientist) بیشترین بار مهارتی را دارند؛ از الگوریتم‌های یادگیری ماشین و تحلیل آماری تا Deep Learning و MLOps. 📝 مهندس مدل‌های زبانی (LLM Engineer) و مهندس پرامپت (Prompt Engineer) بر مهارت‌های نوظهور مانند LLMs، RAG و Prompt Engineering متمرکز هستند. 🏗 معمار هوش مصنوعی (AI Architect) و مهندس تصمیم (Decision Engineer) باید توانایی بالایی در System Design & Architecture و طراحی سامانه‌های تصمیم‌یار داشته باشند. دیگر نقش‌ها مانند مدیر مدل‌سازی (Model Manager) یا مهندس تحلیلی (Analytics Engineer) نیز به ترکیبی از مهارت‌های داده‌ای، مدل‌سازی و رهبری نیاز دارند. 🔑 پیام اصلی این ماتریس این است که آینده شغلی در AI تنها با یک ابزار یا زبان برنامه‌نویسی ساخته نمی‌شود؛ بلکه نیازمند ترکیب چندلایه‌ای از مهارت‌های فنی، داده‌ای، معماری و اخلاقی است که هر نقش را متمایز می‌کند. 📊👨‍🏫 @DataPlusScience

6 233

سرمایه‌گذاری و شراکت غول‌های مشاوره در دنیای عامل‌های هوش مصنوعی این نقشه نشان می‌دهد که شرکت‌های بزرگ مشاوره‌ای مثل Accenture، Deloitte، KPMG، PwC، EY، McKinsey، BCG و Bain از سال ۲۰۲۳ تاکنون بیش از صد مورد شراکت، سرمایه‌گذاری و خرید در استارتاپ‌های مرتبط با AI Agents داشته‌اند. برای آشنایی بیشتر با اینکه چگونه این موج تازه، مدل سنتی صنعت مشاوره را دگرگون می‌کند، این مطلب را بخوانید. ➖➖➖➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science

6 233

🌟آموزش بصری یادگیری عمیق 📘 این کتاب به شما کمک می‌کند تا به صورت بصری و بدون استفاده از فرمول‌های پیچیده ریاضی و کدنویسی، مفاهیم یادگیری عمیق را درک کنید. 🔍 مباحث شامل: شبکه‌های عصبی، رگرسیون خطی و غیرخطی، طبقه‌بندی دودویی و چندکلاسه، و... 👨‍💻 نویسنده: معر عامر، دانش‌آموخته‌ی امپریال کالج لندن و متخصص یادگیری عمیق. #یادگیری_عمیق #کتاب_الکترونیک #یادگیری_ماشین #هوش_مصنوعی #آموزش ➖➖➖➖➖➖➖➖➖➖➖➖ برای آموزش علم داده به جمع ما بپیوندید: 👇 📊👨‍🏫 @DataPlusScience | @Data➕Science