Machine Learning | یادگیری ماشین

Відкрити в Telegram

💡مهندس یادگیری ماشین شوید! 👔 جهت درج تبلیغات، به آیدی زیر پیام دهید:👇🏼‌ 🆔 @DataScienceir_Adv

Сітка:Data Science | علم داده Іран9 999 Технології та додатки4 022...

📈 Аналітичний огляд Telegram-каналу Machine Learning | یادگیری ماشین

Канал Machine Learning | یادگیری ماشین (@machinelearning_ir) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 34 104 підписників, посідаючи 4 022 місце в категорії Технології та додатки та 9 999 місце у регіоні Іран.

📊 Показники аудиторії та динаміка

З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 34 104 підписників.

За останніми даними від 17 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -213, а за останні 24 години на -10, загальне охоплення залишається високим.

Статус верифікації: Не верифікований
Рівень залученості (ER): Середній показник залученості аудиторії становить 9.23%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.87% реакцій від загальної кількості підписників.
Охоплення публікацій: В середньому кожен допис отримує 3 150 переглядів. Протягом першої доби публікація в середньому набирає 1 320 переглядів.
Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 5.
Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مصنوعی, ایجنت, مهندس, مدل, عمل.

📝 Опис та контентна політика

Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“💡مهندس یادگیری ماشین شوید! 👔 جهت درج تبلیغات، به آیدی زیر پیام دهید:👇🏼‌ 🆔 @DataScienceir_Adv”

Завдяки високій частоті оновлень (останні дані отримано 18 червня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.

34 104

Підписники

-1024 години

-547 днів

-21330 день

3 150

Перегляди допису

~ 1 32024 години

~ 1 71548 годин

9.23%

Коефіцієнт залучення

Немає даних

Дописів на день

Ads index

beta

Архів дописів

34 104

ایران‌جی‌پی‌یو — بستر قدرتمند ⚡️GPU برای توسعه، یادگیری و استقرار مدل‌های هوش مصنوعی در هر مقیاس 🚀 🧠 GPUهای نسل جدید: H100 / L40S / A10 آماده برای LLM، Vision و Agentهای سازمانی 🤖 🟢 پایداری واقعی با SLA 99.9% 💬 پشتیبانی لحظه‌ای ۲۴/۷، همیشه در کنار شما ✨ ما زیرساخت را فراهم می‌کنیم، تا شما فقط بر خلق و نوآوری تمرکز کنید. ❓ پرسش یا پروژه‌ای دارید که نیاز به توان پردازشی بالا دارد؟ تیم ما کنار شماست تا بهترین راه‌حل پردازشی را برای پروژه‌تان پیشنهاد دهد و مسیر اجرای مدل‌های هوش مصنوعی را سریع‌تر و اقتصادی‌تر کند. 🚀 فرم زیر را تکمیل کنید تا در کوتاه‌ترین زمان با شما تماس بگیریم! 🚀 https://b2n.ir/zj9753

34 104

🚨 تو سال ۲۰۲۵، مهم‌ترین مهارت برای مهندسان هوش مصنوعی نه پایتونه، نه RAG، و نه ساخت ایجنت‌ها. بلکه اون‌چه که واقعاً مزیت رقابتی و تفاوت ایجاد می‌کنه، Context Engineering (مهندسی زمینه). 🗂 خیلیا فکر می‌کنن مهندسی زمینه یعنی فقط باید پرامپت بهتری بنویسی. اما واقعیت اینه که Context Engineering یعنی طراحی کل جریان اطلاعات! اینکه مدل یا ایجنت چی ببینه، کِی ببینه و چطوری اون اطلاعات رو در طول زمان مدیریت کنه. 🤔 برای اینکه توش بهتر بشی، باید این سوالات رو از خودت بپرسی: 1⃣ اگه سؤال یا جستجو مبهم باشه، می‌تونی سند درست رو پیدا کنی؟ 2⃣ وقتی به محدودیت توکن رسیدی، بلدی گفت‌وگوهای قبلی رو خلاصه یا فشرده کنی؟ 3⃣ اگه سیستم ریست بشه یا تغییر کنه، می‌تونی مسیر گفت‌وگو رو حفظ کنی؟ 4⃣ وقتی چند تا ایجنت حافظه مشترک دارن، بلدی کنترل کنی هر کدوم به چی دسترسی داشته باشن؟ 5⃣ می‌تونی ابزارها رو طوری تنظیم کنی که مدل بدونه کی و کدوم ابزار رو باید استفاده کنه؟ ⚠️ هیچ فرمول جادویی و راه میانبری برای یادگیری Context Engineering وجود نداره. ✅ تنها راه اینه که خودت دست‌به‌کار بشی، آزمون و خطا کنی، تجربه بدست بیاری و کم‌کم درکش کنی. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

🏳️‍🌈 جزوه «دستورات پایتون برای DevOps» 👨🏻‍💻 این جزوه مرجع جامعی از ۱۰۰ دستور و اسکریپت پایتون برای DevOps هست که از پایه‌ترین کارها تا پیشرفته‌ترین اتوماسیون‌ها رو پوشش می‌ده. ▶️ از کارای ساده مثل مدیریت فایل و لاگ گرفته تا کار با Cloud، CI/CD، Docker، Flask و حتی Kubernetes. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

هر خریدی کنی، همون مبلغ بر‌می‌گرده به حسابت! 🔥 یادگیری برنامه‌نویسی رو شروع کن! 🎁 هر دوره‌ای از کوئرا کالج بخری، همون مبلغ به حساب کوئراییت برمی‌گرده تا باهاش یه دوره دیگه بگیری! 💳 امکان پرداخت توی ۴ قسط هم داری! ⌛️ فقط یادت نره این اعتبار تا چهارشنبه ۱۴ آبان فعاله. 🔗 https://quera.org/r/ml6pt

34 104

🖥 بهترین دوره‌هایی که درست ‌و حسابی و تخصصی، «مهندسی هوش مصنوعی» رو بهت یاد می‌دن! 1⃣ شبکه‌های عصبی از صفر تا صد 🔢 ساخت مدل‌های زبانی از صفر 🔢 مقدمه‌ای بر یادگیری عمیق 🔢 آشنایی با ترنسفورمرها 🔢 ساخت مدل‌های زبان بزرگ 🔢 بررسی مدل‌های زبانی مثل ChatGPT 🔢 ساخت GPT از صفر 🔢 هوش مصنوعی عامل‌محور 🔢 ترنسفورمرها و مکانیزم توجه 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

🚀🔥 آینده شغلی‌تو بساز! علم داده (Data Science) همون مهارتیه که همه‌ی بازار کار دنبالش هستن 💼📊 👨‍💻 توی این دوره جامع ۱۴۴ ساعته آموزش کاملاً عملی با ابزارهای روز مثل: 🐍 Python | 🗄 SQL | 📊 آمار | ⚡ Power BI | 📈 Tableau | 🔥 Apache Spark | 📉 R و کلی مباحث کاربردی دیگه برای ورود حرفه‌ای به دنیای داده رو یاد میگیری! 💡 این فقط یه دوره نیست، بلکه یه فرصت طلایی برای جهش در مسیر شغلی توئه! ⏳ ظرفیت محدود – همین حالا اقدام کن! ➖➖➖➖➖➖➖➖➖➖➖➖ 📍 اطلاعات و ثبت‌نام دوره: 👉https://B2n.ir/js6610 ➖➖➖➖➖➖➖➖➖➖➖➖ 🔶 کسب اطلاعات بیشتر و مشاوره: 📱 تلگرام: 09222477250 ☎️ تماس: 021-67641999 ➖➖➖➖➖➖➖➖➖➖➖➖ ✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص

34 104

Repost from تهران دیتا-دانشگاه تهران

💢 دوره جامع هوش تجاری دانشگاه تهران از داده تا تصمیم — همه‌چیز در یک مسیر حرفه‌ای 🚀 . تو دنیایی که هر روز حجم عظیمی از داده تولید میشه،برنده کسیه که بتونه داده رو از مرحله‌ی خام تا تصمیم‌سازی هدایت کنه و این دقیقاً مهارتیه که یک متخصص واقعی هوش تجاری (BI) داره👌 🎓 توی این دوره، قدم‌به‌قدم یاد می‌گیری چطور داده‌ها رو به بینش تبدیل کنی 👇 💡 نرم افزار SQL Server: جمع‌آوری، تمیزسازی و آماده‌سازی داده‌ها برای تحلیل حرفه‌ای؛ نوشتن Queryهای تحلیلی و طراحی ساختار دیتابیس مناسب. ⚙️ فرآیندهای عملیاتی Data Warehouse & Modeling: تبدیل داده‌های خام به مدل‌های تحلیلی؛ طراحی Fact و Dimension و مدل‌های ستاره‌ای و گل‌برفی برای تحلیل سریع و دقیق. 🔄 فرآیندETL با SSIS: استخراج، تبدیل و بارگذاری داده‌ها از منابع مختلف؛ آماده‌سازی داده برای گزارش و داشبورد حرفه‌ای. 📊 نرم افزار Power BI: ساخت داشبوردهای پویا، تعریف KPI و Measures حرفه‌ای؛ ارائه داده‌ها به شکل بصری و تصمیم‌ساز برای مدیران. 🧠 مهارت Business Understanding & Storytelling: ترجمه داده‌ها به زبان کسب‌وکار؛ ارائه بینش‌ها در قالب داستان تحلیلی و تصمیم‌سازی هوشمند

😎 همه‌چیز پروژه‌محور و کاملاً کاربردی، از پایه تا پیشرفته ➕ اعطای گواهینامه دوزبانه دانشگاه تهران مخصوص کسایی که نمی‌خوان فقط ابزار بلد باشن، می‌خوان با داده ها تصمیم بسازن✔️

🔥 اگه می‌خوای از پایه تا پیشرفته یاد بگیری چطور این مهارت‌ها رو در پروژه‌های واقعی پیاده کنی، در دوره جامع هوش تجاری دانشگاه تهران این مسیر رو قدم‌به‌قدم یاد می‌گیری👀 ➡️ https://tehrandata.org/courses/bi2/ 📞 09377516682 با ما همراه شوید و به جمع متخصصان هوش تجاری بپیوندید و یا جهت مشاوره رایگان تماس بگیرید. 📨 Telegram | 🌐 whatsapp | 📱 linkedin | 📱 Instagram | 🌐 website | 💬 admin #هوش_تجاری #PowerBI #SQLServer #SSIS #ETL #DataWarehouse #تحلیل_داده #BusinessIntelligence

34 104

👨🏻‍💻 من سه ماه وقتم رو تلف کردم تا یه عالمه ریپوی «عالی» مربوط به هوش مصنوعی رو از گیت‌هاب جمع کنم. ولی بعدا فهمیدم که ۹۰٪شون فقط یه فایل README دارن و دموهای خراب! ⬅️ بعد از زیر و رو کردن ۲۰۰ تا ریپوی نصفه‌نیمه، به این نتیجه رسیدم که فقط این ۷ تا ریپو واقعاً ارزش وقت گذاشتن دارن.👇 1️⃣ ریپوی Hands-on LLMs 🗂 از مدل‌های زبانی ساده تا فاین‌تیون کردن مدل‌ها با نوت‌بوک‌های واقعی. 2️⃣ ریپوی Awesome MCP Servers 🗂 یه لیست منتخب از 400+ MCP سرور اُپن‌سورس آماده برای استفاده تو محیط واقعی یا حتی پروژه‌های آزمایشی. 3️⃣ ریپوی Gen AI Agents 🗂 ساخت عامل‌های GenAI و آشنایی با ابزارها و APIهای مرتبط. 4️⃣ ریپوی Made with ML 🗂 چطور یه اپلیکیشن ML رو طراحی، توسعه، دیپلوی و بعدش ارتقا بدی. 5️⃣ ریپوی Prompt Engineering Guide 🗂 یه مجموعه کامل و پربار برای هر کسی که می‌خواد تو نوشتن پرامپت‌های موثر برای هوش مصنوعی استاد بشه! 6️⃣ ریپوی AI Agents for Beginners 🗂 ۱۲ تا درس مستقل داره. هر درس با مثال کد و تمرین، مفاهیم رو خیلی جمع‌وجور و کاملاً عملی یادت می‌ده! 7️⃣ ریپوی Awesome MCP Clients 🗂 یه لیست گلچین‌شده از کلاینت‌های MCP. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

👨🏻‍💻 من سه ماه وقتم رو تلف کردم تا یه عالمه ریپوی «عالی» مربوط به هوش مصنوعی رو از گیت‌هاب جمع کنم. ولی بعد فهمیدم که ۹۰٪شون فقط یه فایل README دارن و دموهای خراب! ⬅️ بعد از زیر و رو کردن ۲۰۰ تا ریپوی نصفه‌نیمه، به این نتیجه رسیدم که فقط این ۷ تا ریپو واقعاً ارزش وقت گذاشتن دارن.👇 1️⃣ ریپوی Hands-on LLMs 🗂 از مدل‌های زبانی ساده تا فاین‌تیون کردن مدل‌ها با نوت‌بوک‌های واقعی. 2️⃣ ریپوی Awesome MCP Servers 🗂 یه لیست منتخب از 400+ MCP سرور اُپن‌سورس آماده برای استفاده تو محیط واقعی یا حتی پروژه‌های آزمایشی. 3️⃣ ریپوی Gen AI Agents 🗂 ساخت عامل‌های GenAI و آشنایی با ابزارها و APIهای مرتبط. 4️⃣ ریپوی Made with ML 🗂 چطور یه اپلیکیشن ML رو طراحی، توسعه، دیپلوی و بعدش ارتقا بدی. 5️⃣ ریپوی Prompt Engineering Guide 🗂 یه مجموعه کامل و پربار برای هر کسی که می‌خواد تو نوشتن پرامپت‌های موثر برای هوش مصنوعی استاد بشه! 6️⃣ ریپوی AI Agents for Beginners 🗂 ۱۲ تا درس مستقل داره. هر درس با مثال کد و تمرین، مفاهیم رو خیلی جمع‌وجور و کاملاً عملی یادت می‌ده! 7️⃣ ریپوی Awesome MCP Clients 🗂 یه لیست گلچین‌شده از کلاینت‌های MCP. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

📉 جزوه «توابع زیان در یادگیری ماشین» 👨🏻‍💻 هر مدل یادگیری ماشین یه مغز متفکر داره که بهش میگه کجا اشتباه کرده و چطور باید خودش رو اصلاح کنه! اون مغز متفکر همون تابع زیانه (هزینه)! بدون وجودش، مدل نمی‌فهمه چقدر از جواب درست فاصله داره یا چطور باید بهتر بشه. 📚 تو این جزوه یه مجموعه تصویر از پرکاربردترین تابع‌های هزینه رو همراه با توضیح نشون داده که میگه هر کدوم دقیقاً چه کاری انجام می‌دن، کی باید ازشون استفاده کرد و رفتار هر کدوم چطوریه. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

شروع ثبت‌نام بوتکمپ «تحلیل داده» ⚠️ این بوتکمپ حضوری و با ظرفیت محدود برگزار می‌شه. ❗️بوتکمپ پروژه‌محوره و با تمرین‌ روی پروژه‌های واقعی تحلیل داده رو یاد می‌گیری. ❗️شرکت‌کننده‌ها منتور اختصاصی دارن که در حل چالش‌ها بهشون کمک می‌کنه. ❗️پس از پایان دوره عضو کامیونیتی کلاسور فمیلی میشی. 🔸مدت زمان برگزاری: ۶هفته 🔸تاریخ شروع : ۲۲ آبان 🔸روزهای برگزاری کلاس: پنج شنبه و جمعه دوره برای چه کسانی مناسبه؟ ✅ دانشجویان رشته کامپیوتر ✅ دانشجویان رشته‌های علوم کامپیوتر، برق یا مکانیک و صنایع ✅ افرادی که به حوزه داده علاقه دارند. 🌐 لینک ثبت نام :‌ https://kelaasor.com/bootcamp/data-analytics 👨‍💻 مشاوره : @kelaasoradmin

34 104

🗺 نقشه‌ راه چهار‌ساله‌ یادگیری ماشین و AI 👨🏻‍💻 یه نقشه‌ی، راه چهار‌ساله‌، برای علاقه مندان به یادگیری ماشین و هوش مصنوعی، که مرحله ‌به ‌مرحله بهت نشون می‌ده از سال اول تا رسیدن به سطح حرفه‌ای در حوزه ML، باید چیا رو یاد بگیری و از کجا شروع کنی. 🛑 برنامه‌ی یادگیری سالانه 🛑 لینک دوره‌های معتبر 🛑 پروژه‌های واقعی 🛑 بهترین کتاب‌های این حوزه 🟡 بررسی موضوعاتی مثل کارآموزی، مدل‌های زبانی و طراحی سیستم 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

👨🏻‍💻 من حدود ۲۰۰ ساعت از وقتم رو گذاشتم و بلاگ‌های شرکت‌های هوش مصنوعی رو خوندم. و راستش، این ۷ تا بلاگ چیزهایی یادم دادن که حتی توی دوره‌های ۱۲۰ هزار دلاری هم یاد نمی‌گیری! ✏️ سال‌ها با تیم‌های هوش مصنوعی کار کردم و دیدم خیلی از مهندس‌ها گیر تئوری‌های دانشگاهی می‌افتن و یادشون می‌ره که توی دنیای واقعی، کار مدل‌های AI فرق داره. ✅ برای همین رفتم سراغ بلاگ‌های فنی شرکت‌های بزرگ هوش مصنوعی تا بفهمم واقعاً اون‌ها چطوری فکر می‌کنن و مدل‌هاشون رو می‌سازن. ⬅️ بلاگ OpenAI's Scaling Laws 💡 نکته اصلی: فقط بزرگ بودن مدل مهم نیست. 📄 مدل باید با داده و قدرت محاسباتی هماهنگ رشد کنه. گاهی یه مدل کوچیک‌تر ولی بهینه‌تر، نتیجه‌ی خیلی بهتری می‌ده. ⬅️ بلاگ Anthropic's Constitutional AI 💡 نکته اصلی: «امنیت» باید از همون اول توی آموزش مدل‌ها گنجونده بشه، نه بعداً. 📄 هوش مصنوعی باید بتونه خودش رو نقد کنه و یاد بگیره درست‌تر رفتار کنه. ⬅️ بلاگ Google's Attention-All You Need 💡 نکته اصلی: سادگی از پیچیدگی بهتره. 📄 ترنسفورمرها اومدن و کل معماری‌های قدیمی رو کنار زدن. گاهی حذف بخش‌های اضافی، نتیجه رو بهتر می‌کنه. ⬅️ بلاگ DeepMind's Chinchilla 💡 نکته اصلی: بیشتر مدل‌ها به اندازه کافی داده ندیدن! 📄 ترکیب درست بین تعداد پارامترها و حجم داده خیلی مهمه. یه مدل کوچیک‌تر ولی با داده‌ی بیشتر معمولاً عملکرد بهتری داره. ⬅️ بلاگ Meta's LLaMA 💡 نکته اصلی: اُپن‌سورس بودن، ورق بازی رو برگردوند. 📄 وقتی جامعه بتونه به مدل‌ها دسترسی داشته باشه، پیشرفت سریع‌تر پیش می‌ره. ⬅️ بلاگ Cohere's RAG vs fine-tuning 💡 نکته اصلی: باید بدونی کِی از کدوم استفاده کنی. 📄 از RAG برای اطلاعات زنده و به‌روز، Fine-tuning برای دانش تخصصی و عمیق. ترکیبشون = حداکثر بازدهی. ⬅️ بلاگ Hugging Face's Model Training 💡 نکته اصلی: دموکراتیک‌کردن هوش مصنوعی باعث نوآوری می‌شه. 📄 ابزارها به ‌اندازه‌ی خود مدل‌ها مهمن. وقتی ابزارها قابل ‌دسترسی باشن، همه می‌تونن بسازن و اینجاست که رشد واقعی اتفاق می‌افته. ➖ ➖ ➖ ➖ ➖ 🎁 نکته‌ای که بین همه‌ی این شرکت‌ها مشترکه؟ پیشرفت از زیر سؤال بردن فرضیات شروع می‌شه. مهندس‌طور فکر کن، نه صرفاً محقق‌طور! 🔘 همه‌چیز رو به چالش بکش، 🔴 در مقیاس بزرگ تست کن، 🟡 چیزایی که جواب می‌ده رو به اشتراک بذار، 🔘 و برای اثرگذاری پروژه‌های واقعی بساز. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

🥇 تنها پلی‌لیستی که برای یادگیری جامع n8n بهش نیاز داری! 👨🏻‍💻 هر ویدیو از این پلی‌لیست، یه بخش از کار با n8n رو بهت یاد می‌ده! ⬅️ اینا یه سری از مباحثی که بهش پرداخته شده: 🔘 آموزش مقدماتی مهندسی پرامپت 🔴 اتصال گیت‌هاب به Notion 🟡 ساخت سیستم ثبت نظر خودکار 🔘 آموزش Nodematation با گوگل شیت 🟣 اتصال MySQL به Pipedrive 📹 n8n Tutorials 📹 n8n Tutorials 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

✅ اگه قرار بود «یادگیری هوش مصنوعی» رو دوباره شروع کنم، با این دوره‌ها پیش می‌رفتم! 👩🏻‍💻 من کلی وقت گذاشتم برای پیدا کردن دوره‌های خوب و با کیفیت هوش مصنوعی، و بعد از کلی آزمون و خطا، رسیدم به این لیست:👇 1⃣ دوره AI for Everyone 📔 سطح: مبتدی 👤 مناسب برای: کسایی که تازه وارد حوزه هوش مصنوعی شدن و می‌خوان یه دید کلی و غیرتکنیکال از این حوزه بگیرن. ➖ ➖ ➖ 2⃣ دوره AI Nanodegree 📔 سطح: مبتدی تا متوسط 👤 مناسب برای: کسایی که می‌خوان از بهترین متخصص‌های هوش مصنوعی، مجموعه‌ای از تکنیک‌های کاربردی رو یاد بگیرن. ➖ ➖ ➖ 3⃣ دوره Computer Science for AI 📔 سطح: متوسط 👤 مناسب برای: دانشجوهایی که می‌خوان پایه‌ی علوم کامپیوتر قوی‌تری برای ورود به AI بسازن. ➖ ➖ ➖ 4⃣ دوره LangChain in Action 📔 سطح: متوسط 👤 مناسب برای: برنامه‌نویس‌های پایتون که می‌خوان پروژه‌های واقعی با مدل‌های زبان بزرگ بسازن. ➖ ➖ ➖ 5⃣ دوره Professional programs 📔 سطح: متوسط تا پیشرفته 👤 مناسب برای: توسعه‌دهنده‌هایی که تجربه‌ی ML دارن و می‌خوان LLMهای حرفه‌ای‌تر بسازن. ➖ ➖ ➖ 6⃣ دوره Deep Learning Specialization 📔 سطح: متوسط 👤 مناسب برای: کسایی که تجربه‌ی کمی دارن، ولی می‌خوان عمیق‌تر وارد حوزه دیپ لرنینگ بشن. ➖ ➖ ➖ 7⃣ دوره Self-Driving Cars - Duckietown 📔 سطح: پیشرفته 👤 مناسب برای: علاقه‌مندای جدی به ماشین‌های خودران که عاشق کار یادگیری عملی‌ان. ➖ ➖ ➖ 8⃣ دوره Artificial Intelligence 📔 سطح: متوسط 👤 مناسب برای: افرادی که دنبال یه دوره‌ی کاملاً رایگان و در عین ‌حال حرفه‌ای هستن. ➖ ➖ ➖ 9⃣ دوره NLP with Deep Learning 📔 سطح: پیشرفته 👤 مناسب برای: دانشجوها و متخصص‌هایی که تجربه‌ی ML دارن و می‌خوان پایه‌ی قوی برای NLP، مدل‌های زبانی، و تشخیص گفتار بسازن. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

✍️ جزوه «ریاضیات یادگیری ماشین» 👨🏻‍💻 این جزوه از دانشگاه سوربن فرانسه‌ست و تمامی مفاهیم ریاضی موردنیاز برای یادگیری ماشین رو خیلی دقیق و مرتب به همراه مثال توضیح داده. ⬅️ جبر خطی: بردارها، ماتریس‌ها و... ⬅️ حساب دیفرانسیل: مشتق‌گیری و کاربردش. ⬅️ الگوریتم‌های بهینه‌سازی: یافتن بهترین جواب. ⬅️ احتمال: متغیرهای تصادفی و توزیع‌ها. 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

گولنگ فقط یه زبانه، مثل یه مهندس نرم‌افزار فکر کن! 🚩 بوت‌کمپ تخصصی گولنگ با تدریس اساتید مطرح 🔘 دوره‌ فشرده‌ آماده‌سازی برای ورود به بازارکار ✔️ کار گروهی و شبکه‌سازی‎ ✔️ تمرین و پروژه هدفمند ✔️ منتورینگ اختصاصی ❗️ ظرفیت محدود 💳 امکان پرداخت در اقساط ۴، ۱۲ و ۱۸ ماهه 🌐 فرم ثبت‌نام: 🔗 https://quera.org/r/hxkyx

34 104

Repost from N/a

⭐️ دسترسی رایگان به دوره‌های مدرسین منتخب فرادرس 🎉 شما می‌توانید یکی از دوره‌های آموزشی موجود در این طرح را به صورت کاملاً رایگان از فرادرس دریافت کنید. 🔗 مشاهده لیست دوره‌ها - [کلیک کنید] 🎁 کد تخفیف اختصاصی طرح: OMID ♦️ شرایط استفاده از کد تخفیف: 👇👇👇 1️⃣ هر کاربر، فقط یک بار می‌تواند از این کد استفاده کند. 2️⃣ این کد فقط برای یک آموزش و از یک مدرس فعال می‌شود و هنگام اعمال کد، باید یک آموزش در سبد سفارش شما باشد. 3️⃣ مهلت استفاده از آموزش دریافت شده در این طرح تا پایان روز سه‌شنبه، ۲۰ آبان ۱۴۰۴ می‌باشد. 🔄 FaraDars - فرادرس

34 104

🔹 گوگل جایگزین رایگان n8n رو منتشر کرد! 👨🏻‍💻 اسم این ابزار Opal هست، یه پلتفرم بدون نیاز به کدنویسی که تمرکزش روی هوش مصنوعی و اتصال بین ابزارهاست، و ترکیبی از برنامه‌نویسی تعاملی و قدرت زیرساختی گوگله. ⬅️ تفاوت بزرگش اینه که: لازم نیست بلد باشی کدنویسی کنی! فقط با دستور به زبان انگلیسی کار می‌کنه! مثلاً می‌نویسی: “یه اپ بساز که نکات جلسه رو به وظایف قابل‌اجرا تبدیل کنه” و Opal خودش کل جریان کاری رو برات طراحی می‌کنه. 🍽 مزایاش چیه؟ ⭐️ اتصال مستقیم به مدل‌های زبانی گوگل مثل Gemini ⭐️ ادغام کامل با ابزارهای گوگل کلود، Sheets، جی‌میل و... ⭐️ ساختار node-based مثل n8n ولی یکپارچه با فرانت‌اند ⭐️ ساخت MVP یا حتی اپ کامل فقط با drag & drop ⭐️ و خب چون گوگله، می‌تونه سریع‌تر از رقبا رشد کنه. 🚩 اما مشکلاتش؟ ⭐️ تحریم سرویس‌های گوگل برای ما ایرانی‌ها یه مانع جدیه. ⭐️ هنوز در فاز اولیه‌ست، برای استفاده در پروژه‌های بزرگ باید آزمون پس بده. ⭐️ احتمال lock-in تو اکوسیستم گوگل هست (یعنی به سختی می‌تونی مهاجرت کنی). 📔 در واقع Opal قراره کل مسیر ایده تا نرم‌افزار کاربردی رو پوشش بده: 👀 هم بک‌اند داره، 👀 هم فرانت می‌سازه، 👀 هم به مدل‌های مولد وصل می‌شه، 👀 هم از همه مهم‌تر، native با اکوسیستم گوگل کار می‌کنه. 🎁 بهترین ویژگیش چیه؟ الان تو نسخه بتا کاملاً رایگانه! 🔗 Opal 🔗 Opal 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

34 104

👨🏻‍💻 توی خیلی از پروژه‌ها (مثل پروژه‌های پیش‌بینی بازار یا آب ‌و هوا)، وقتی مدل یادگیری ماشین رو برای پیش‌بینی داده‌هایی استفاده می‌کنیم که خارج از محدوده‌ی داده‌های آموزشی هستن (که بهش میگن برون‌یابی extrapolation)، باید بدونیم هر مدل چطوری رفتار می‌کنه و اصلا نتایجش قابل اعتماده؟! چون این بخش خیلی خیلی مهمه! 1⃣ فرآیند گاوسی: وقتی از داده‌های آموزشی فاصله می‌گیره، این مدل‌ها تمایل دارن مقادیر رو نزدیک به میانگین ± انحراف معیار داده‌های آموزش داده ‌شده پیش‌بینی کنن (مدل تمایل داره برگرده به میانگین داده‌های آموزشی و انحراف معیارش). 🗂 پس هرچی از داده‌های واقعی دورتر میشه، عدم اطمینان بیشتر می‌شه (که منطقیه). یعنی مدل خودش می‌دونه داره وارد محدوده‌ی ناشناخته می‌شه و اعتمادش به پیش‌بینی پایین میاد. 2⃣ جنگل تصادفی: اینا معمولاً همون آخرین مقدار دیده‌شده در داده‌ها رو با اعتمادبه‌نفس بالا تا ابد تکرار می‌کنن (بدون توجه به اینکه روند کلی چیه). 🗂 اما واقعیت اینه که تقریباً هیچ دیتاستی این‌جوری رفتار نمی‌کنه، پس نمی‌تونیم به پیش‌بینی خارج از محدوده‌شون اعتماد کنیم. 3⃣ شبکه‌های عصبی: رفتارشون غیرقابل ‌پیش‌بینی‌تره. بسته به نوع معماری و نحوه‌ی آموزش، ممکنه در محدوده‌ی جدید رفتار عجیبی نشون بدن. 🗂 تو مثال بالا هم مدل (TabPFN) نشون می‌ده که عدم اطمینان در حال زیاد شدن و نامتقارنه؛ یعنی مدل خودش هم مطمئن نیست داره درست حدس می‌زنه! 5⃣ مدل Alchemite: این مدل الگوی آخرین روند دیده‌شده رو ادامه می‌ده، اما هم‌زمان عدم ‌قطعیت رو هم زیاد می‌کنه تا نشون بده شواهد کافی برای اطمینان نداره. (پشت اون حدس، شواهد کافی وجود نداره.) 🗂 این ویژگی باعث می‌شه وقتی ازش در طراحی آزمایش‌ها یا بهینه‌سازی استفاده می‌کنیم، برون‌یابی‌ها وزن کمتری پیدا کنن. یعنی مدل خودش مراقب اشتباه ‌کردنه و باعث می‌شه پیشنهادهای خارج از محدوده رو کمتر جدی بگیره. 🏷 نتیجه‌گیری: ما معمولاً تابع واقعی و دقیق پشت داده‌ها رو نمی‌دونیم، پس نمی‌تونیم بگیم کدوم روش «درست‌تر» خارج از محدوده پیش‌بینی می‌کنه! (برون‌یابی می‌کنه). اما می‌تونیم با شناخت رفتار هر مدل، بفهمیم هر مدل چه رفتاری داره، تا برای کارمون درست‌ترین ابزار رو انتخاب کنیم. 👍 Code for the figures 🎰 Code for the figures 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa