Algorithm design & data structureچ

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

🟣 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

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

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

🔹 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 ➖➖➖➖

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

📉 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

این گیف نشان می دهد که چگونه داده ها از طریق یک شبکه عصبی آموزش دیده جریان می یابند. چگونه ورودی های هر لایه با وزن های آموخته شده ضرب می شوند و چه ترکیبی از عملیات ساده ریاضی نتیجه نهایی را به همراه دارد. گیف کد تولید شده است. برای بازتولید مراحل یا استفاده از آنها برای متحرک سازی مدل خود، نوت بوک Jupyter زیر را بررسی کنید. 🌐 Jupyter #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

پیمایش Inorder در درخت دودویی: پیمایش Inorder یکی از روش‌های پیمایش درخت دودویی است که در آن، ابتدا گره‌های فرعی سمت چپ، سپس گره والد و در نهایت گره‌های فرعی سمت راست بازدید می‌شوند. الگوریتم به صورت زیر است: پیمایش زیر درخت چپ بازدید از گره والد پیمایش زیر درخت راست این روش باعث می‌شود که گره‌ها به ترتیب صعودی (از کوچک به بزرگ) بازدید شوند، به شرطی که درخت دودویی جستجو باشد. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

💻🍽 پروژه سیستم خرید آنلاین غذا از رستوران 🍽💻 سلام دوستان! امروز می‌خوام یه پروژه جالب رو معرفی کنم که برای درس ساختمان داده پیاده‌سازی کردم. این پروژه یک سیستم خرید آنلاین غذا از رستوران است که شامل ویژگی‌های زیر می‌باشد: ✅ ثبت نام کاربران ✅ مرتب سازی منو به صورت داینامیک ✅ هش رمز عبور برای امنیت بیشتر ✅ مسیریابی بین دو مکان (رستوران و محل تحویل) 🔗 لینک دانلود پروژه و توضیحات تکمیلی: 🌐 github توضیحات کاملتر و جزئیات پیاده‌سازی این پروژه رو می‌تونید توی گیت‌هاب پیدا کنید. ممنون که همراه ما هستید! 😊

🔥 بالاخره نوبت تابستون شد🏝 💯 اگه دنبال یه فکر بکر و یه ماجراجویی حسابی برای تابستون 1403 هستی، خوبه که بدونی مکتب شریف، بساطش رو برات مهیا کرده⛵️ 🎯 کافیه همین امروز یه سر به وب‌سایت مکتب بزنی تا ببینی حرفه‌ای‌ها، تابستونشون رو چجوری میگذرونن!🎯 🏐 پیش ‌ثبت‌نام و آزمون استعدادسنجی ➡️ 👨‍💻 و یا برای کسب اطلاعات بیشتر کافیه به آی‌دی ما پیام بدی! ‌‌‌‌ 💬 @MaktabSharif_Admin ▪️▫️▪️▫️▪️▫️▪️▫️▪️▫️ 🌐 وبسایت |💬کانال تلگرام |🌐 اینستاگرام #استخدام_با_طعم_آموزش #برنامه_نویسی

در علوم کامپیوتر و برنامه نویسی کامپیوتر، ممکن است یک ساختار داده برای ذخیره داده ها به منظور استفاده از آن با الگوریتم های مختلف انتخاب یا طراحی شود. در برخی موارد، عملیات اساسی الگوریتم به طور محکم با طراحی ساختار داده همراه است. هر ساختار داده حاوی اطلاعاتی در مورد مقادیر داده ها، روابط بین داده ها و - در برخی موارد - توابعی است که می تواند روی داده اعمال شود. به عنوان مثال، در یک زبان برنامه نویسی شی گرا، ساختار داده و روش های مرتبط با آن به عنوان بخشی از تعریف کلاس به یکدیگر متصل می شوند. در زبان های غیر شی گرا، ممکن است توابعی برای کار با ساختار داده تعریف شده باشند، اما از نظر فنی بخشی از ساختار داده نیستند. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

🌐شبکه عصبی CNN چیست؟ شبکه عصبی کانولوشنال (CNN) نوعی الگوریتم یادگیری عمیق است که از مغز انسان الهام گرفته شده است. این به ویژه برای تجزیه و تحلیل داده های بصری قدرتمند است. 🧩 مولفه اصلی: لایه کانولوشنال لایه کانولوشن قلب یک CNN است. چندین فیلتر را روی تصویر ورودی اعمال می کند، هر فیلتر ویژگی های مختلفی مانند لبه ها، بافت ها و الگوها را تشخیص می دهد. این فرآیند به شبکه اجازه می دهد تا تصویر را با جزئیات درک کند. در اینجا نحوه کار آن آمده است: پیچیدگی: شبکه تصویر را در بخش های کوچک اسکن می کند و آن را در سه بعد (ارتفاع، عرض و عمق) بررسی می کند تا جزئیات پیچیده را ثبت کند. فعال‌سازی: توابع غیرخطی مانند ReLU (واحد خطی اصلاح‌شده) برای معرفی غیرخطی استفاده می‌شوند و شبکه را قادر می‌سازد تا الگوهای پیچیده را بیاموزد. ادغام: این مرحله ابعاد نقشه های ویژگی را کاهش می دهد و شبکه را از نظر محاسباتی کارآمد می کند و در عین حال اطلاعات مهم را حفظ می کند. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

یکی از مهم ترین مهارت ها DSA (Data Structure Algorithms) است که هر دانش آموز علوم کامپیوتر باید داشته باشد. اغلب دیده می شود که افرادی که دانش خوبی از این فناوری ها دارند، برنامه نویسان بهتری نسبت به دیگران هستند. ساختار داده ها(Data Structure) : ساختار داده به عنوان روشی خاص برای ذخیره و سازماندهی داده ها در دستگاه های ما برای استفاده کارآمد و مؤثر از داده ها تعریف می شود. ایده اصلی استفاده از ساختارهای داده، به حداقل رساندن پیچیدگی های زمانی و مکانی است. یک ساختار داده کارآمد حداقل فضای حافظه را می گیرد و برای اجرای داده ها به حداقل زمان نیاز دارد. الگوریتم (Algotithm): الگوریتم به عنوان یک فرآیند یا مجموعه ای از دستورالعمل های کاملاً تعریف شده تعریف می شود که معمولاً برای حل یک گروه خاص از مسائل یا انجام یک نوع خاص از محاسبات استفاده می شود. به بیان ساده تر، مجموعه ای از عملیات است که به صورت گام به گام برای اجرای یک کار انجام می شود. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

🚨🚨 آخرین مهلت استفاده از تخفیف بی‌سابقه دوره‌ها 🚨🚨 ⏳ ۳۵٪ تخفیف تکرارنشدنی دانشکار فقط تا آخر امروز برقراره! 📣 اگر به دنبال آموزشی هستی که از صفر مهارت رو یادت بده و تورو برای بازار کار آماده کنه، از این فرصت حتما استفاده کن! ⚡️ دوره‌ها و بوت‌کمپ‌های زیر تخفیف ویژه دارن: 🔸 بوت‌کمپ استخدامی Python - Django 🔹 بوت‌کمپ استخدامی Front-End 🔸 دوره آموزش و استخدام DataScience & Machine Learning 🔹 دوره آموزش و استخدام Data Analysis 🔗 برای ثبت‌نام اولیه و مشاوره رایگان روی لینک زیر کلیک کن👇 🌐 httb.ir/EfWQK ⬅️ ➖➖➖➖➖➖

🏐 دوره آنلاین متخصص ماشین لرنینگ با مدرک دانشگاه تهران ــــــــــــــــــــــــــــــــــــ ⁉️ چرا این دوره: ✔️ تضمین استخدام داوطبین برتر در سازمان پژوهش های علمی و صنعتی ایران ✔️ انجام، ۱۵ مینی پروژه و ۵ پروژه مستقل و یک پروژه جامع در طول دوره . ✔️ مدرک دو زبانه از دانشگاه تهران ✔️ پشتیبانی علمی ۲۴ ساعته ــــــــــــــــــــــــــــــــــــــ ⁉️ مخاطبین این دوره چه کسانی هستند؟ 🔸 دانشجویان و فارغ التحصیلان رشته های فنی و مهندسی 🔹 افرادی که قصد مهاجرت تحصیلی یا کاری دارند 🔸 شاغلین در حوزه هوش مصنوعی 🔹 مدیران ارشد و میانی سازمان ها 🔸 علاقمندان به حوزه هوش مصنوعی ــــــــــــــــــــــــــــــــــــــ 📌 جهت دریافت مشاوره رایگان و اطلاعات تکمیلی؛ از طریق سایت آن آکادمی اقدام نمایید 💢 httb.ir/XIZXT 💢 httb.ir/XIZXT 💢 httb.ir/XIZXT ــــــــــــــــــــــــــــــــــــ 02188905269 @onacademy

عید قربان رو به همه دوستان عزیزم تبریک می‌گم😍🌷 امیدوارم این عید پر از برکت و شادی برای شما و خانواده‌هاتون باشه و الان که در فصل امتحانات هستید یه خسته نباشید هم بهتون گفته باشم😄 اگر تا حالا از خدمات بلوبانک استفاده نکردید، پیشنهاد می‌کنم حتماً امتحان کنید. کافیه برنامه بلوبانک رو از بازار یا مایکت دانلود کنید یا از لینک زیر استفاده کنید (لطفاً VPN رو خاموش کنید): ✅ دانلود برنامه بلوبانک در مایکت ✅ دانلود برنامه بلوبانک در بازار وقتی برنامه رو دانلود و نصب کردید، موقع ثبت‌نام کد معرف MLUIIQ رو وارد کنید. بعد از ثبت‌نام، کد دعوت خودتون رو دریافت می‌کنید و می‌تونید برای دوستانتون بفرستید. تا امشب، به ازای هر نفری که دعوت کنید، مبلغ 250,000 تومان به حسابتون واریز میشه و کارت بانکیتون هم رایگان براتون ارسال میشه! ممنونم از اینکه همراه ما هستید🤗