پلتفرم n8n یک ابزار متن‌باز برای اتوماسیون و ساخت ایجنت‌های هوش مصنوعی بدون نیاز به کدنویسی است.

در این ویدیوی آموزشی دو ساعته، مجموعه‌ای از پروژه‌های عملی با استفاده از n8n آموزش داده می‌شود؛ از ساخت چت‌بات تلگرام و ارسال ایمیل‌های هوشمند گرفته تا تولید محتوای خودکار و اتصال به سرویس‌هایی مثل Google Sheets، Typeform، Qdrant و Claude.

اگر به دنبال یادگیری سریع و کاربردی n8n در ترکیب با ابزارهای هوش مصنوعی هستید، این دوره می‌تواند گزینه مناسبی باشد.

📺 لینک ویدیو در یوتیوب:
https://www.youtube.com/watch?v=8-nTKVnUnwM


00:33 Project 1: RSS Feeds
14:12 Project 2: Form Submissions + Email
37:11 Project 4: HTTP Nodes + Scraping
1:15:12 Project 7: Social Media Content + Subflows
1:33:15 Project 8: Telegram Chatbot
1:53:47 Project 9: Add Voice to Telegram Response
1:57:40 Project 10: MCP


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🔍 مهارت‌های کلیدی در تیم‌های داده‌محور

در تیم‌های موفق داده‌محور (Data-driven)، ترکیب سه مهارت اصلی ضروری است:
💼 کسب‌وکار (Business Skills)
🧩 فناوری (Technology Skills)
📊 تحلیل داده (Analytics Skills)

📌 اعضای کلیدی تیم:
👨‍💼 رهبران کسب‌وکار: هدایت تحول داده‌ای در سازمان
📦 مدیران تحویل: انتقال بینش تحلیلی به کاربران
🧩 یکپارچه‌سازان جریان کار: ساخت ابزارهای تصمیم‌یار
📊 تحلیل‌گران بصری‌سازی: طراحی داشبورد و نمودار
🛠 مهندسان داده: ساختاردهی و تحلیل داده‌ها
🏗 معماران داده: تضمین کیفیت جریان‌های داده
🗣 مترجمان تحلیلی: پل ارتباطی بین کسب‌وکار و تحلیل
🧠 دانشمندان داده: توسعه مدل‌ها و الگوریتم‌ها

نمودار ون (Venn Diagram) نقش‌ها و هم‌پوشانی مهارت‌ها را روشن می‌سازد.
📌 هم‌افزایی این تخصص‌ها، رمز موفقیت داده‌محور است!

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📘 ریاضیات برای یادگیری ماشین

این مجموعه آموزشی مفاهیم کلیدی ریاضی و ساختاری در یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) را به‌صورت گام‌به‌گام بررسی می‌کند و برای دانشجویان، پژوهشگران و علاقه‌مندان حوزه هوش مصنوعی سودمند است.

🔍 مباحث کلیدی مطرح‌شده در این ارائه:

پرسپترون (Perceptron) و ساختار اولیه نورون مصنوعی
توابع هزینه پیوسته (Continuous Cost Functions)
نرون مدرن (Modern Neuron) و توابع فعال‌سازی (Activation Functions)
شبکه‌های عصبی تک‌لایه و چندلایه (Single/Multilayer Neural Networks)
شبکه‌های عصبی عمیق (Deep Neural Networks)
شبکه‌های کانولوشنی (CNNs) و استخراج خودکار ویژگی‌ها
شبکه‌های بازگشتی (RNNs) و تحلیل داده‌های ترتیبی
مکانیزم توجه (Attention) و معماری ترنسفورمر (Transformer)
تمایز پارامترها و فراپارامترها (Hyperparameters)
مفاهیم Overfitting، Underfitting، Backpropagation و تقسیم داده

📎 مطالعه این اسلایدها درک ساختار الگوریتم‌های یادگیری ماشین و نحوه پیاده‌سازی مؤثر آن‌ها را تسهیل می‌کند.



📊👨‍🏫 @DataPlusScience | @Data➕Science

پادکست "آشنایی با عامل‌های هوش مصنوعی (AI Agents)" را بشنوید؛ این پادکست بر پایه‌ی فایل آموزشی منتشرشده در این پست و با بهره‌گیری از توانایی‌های هوش مصنوعی NotebookLM تولید شده است!


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🎓 دوره رایگان تحلیل داده دیلویت استرالیا (Deloitte Australia – Data Analytics Virtual Internship)

دوره‌ای کوتاه، رایگان و خودآموز برای یادگیری مهارت‌های کلیدی مثل Data Analysis، Data Modeling و کار با Tableau. بدون نیاز به آزمون، با دریافت گواهی پایان دوره برای تقویت رزومه.

🔗 ثبت‌نام:
https://zaya.io/a21u3


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🛠 آموزش فارسی ابزار اتوماسیون n8n

اگر دنبال راه‌اندازی و استفاده از ابزار متن‌باز و قدرتمند n8n برای اتوماسیون گردش کار (Workflow Automation) هستید، این جزوه فارسی به‌طور کامل مراحل نصب، تنظیم، و استفاده از n8n را آموزش می‌دهد؛ چه به‌صورت Self-Hosted و چه در قالب n8n Cloud.

🔗 منبع

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🌐 نقش‌های نوظهور در حوزه داده و تحلیل
در عصر تحول دیجیتال، نیاز به تخصص‌های متنوع در مسیر بهره‌برداری از داده‌ها بیش از پیش حس می‌شود. طبق نمودار گارتنر، نقش‌ها را می‌توان در چهار دسته اصلی جای داد:

🛠 نقش‌های فنی (Technical Roles):

🏗 Data Engineer (مهندس داده)
🤖 AI/ML Developer (توسعه‌دهنده هوش مصنوعی/یادگیری ماشین)
📊 Model Manager (مدیر مدل)

💼 نقش‌های کسب‌وکار (Business Roles):

📦 Data Product Manager (مدیر محصول داده)
⚙️ Decision Engineer (مهندس تصمیم‌گیری)
👔 CDAO – Chief Data & Analytics Officer (مدیر ارشد داده و تحلیل)

🚀 نقش‌های نوظهور (Emerging Roles):

💬 Data Translator (مترجم داده)
⚖️ Data Ethicist (مسئول اخلاق داده)
🏋️‍♂️ XOps Coach (مربی عملیات داده)

👥 نقش‌های شهروند‌محور (Citizen Roles):
این دسته شامل افرادی است که الزاماً پس‌زمینه فنی یا برنامه‌نویسی ندارند، اما با ابزارها و پلتفرم‌های خودخدمت‌محور (self-service) به تولید و مصرف تحلیلات داده می‌پردازند:

🧪 Citizen Data Scientist (دانشمند داده شهروند)
🔧 Citizen Data Engineer (مهندس داده شهروند)

➖➖➖➖➖➖➖
📊👨‍🏫 @DataPlusScience | @Data➕Science

درک لایه‌های هوش مصنوعی مدرن: از LLM تا Agentic AI

این تصویر به تحلیل و بررسی چهار لایه اصلی در معماری هوش مصنوعی مدرن می‌پردازد که هر یک نقش مهمی در بهبود عملکرد و قابلیت‌های سیستم‌های هوشمند ایفا می‌کنند. از LLM (مدل زبان بزرگ) که برای پردازش زبان طبیعی و انجام وظایف مختلف مانند تولید متن و استدلال زنجیره‌ای طراحی شده، تا RAG (تولید مبتنی بر بازیابی-افزوده) که با استفاده از داده‌های خارجی به تقویت دقت و اعتبار پاسخ‌ها می‌پردازد.

عامل هوش مصنوعی (AI Agent ) به عنوان لایه‌ای که مدل‌ها را به عامل‌های فعال تبدیل می‌کند و قادر به اجرای کد، برنامه‌ریزی و مدیریت حافظه است، و در نهایت Agentic AI (هوش مصنوعی عاملی) که با ارائه سیستم‌های چندعاملی، همکاری بین عوامل و تصمیم‌گیری خودمختار، توانمندی‌های پیشرفته‌تری را به سیستم‌های هوشمند می‌بخشد.

درک و یکپارچه‌سازی این لایه‌ها، برای طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی مقیاس‌پذیر و بهینه ضروری است.

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

معماری توسعه‌دهندگان RAG

این تصویر معماری لایه‌ای سیستم‌های RAG (بازیابی و تولید پاسخ) را نمایش می‌دهد؛ سامانه‌ای که ابتدا داده‌های مرتبط را بازیابی و سپس با مدل‌های زبانی بزرگ (LLMs) پاسخ نهایی را تولید می‌کند.

🧠 مدل‌های زبانی (LLMs): هسته تولید پاسخ هستند.مدل‌های متن‌باز شامل LLaMA، Mistral، Phi-4، Qwen و Gemma و مدل‌های متن‌بسته مانند GPT، Claude، Gemini و Cohere هستند.

🧰 چارچوب‌های توسعه (Frameworks): برای سازمان‌دهی زنجیره پرسش، بازیابی و پاسخ به کار می‌روند. ابزارهای پرکاربرد شامل LangChain، LlamaIndex و Haystack هستند.

📦 پایگاه‌های داده برداری (Vector Databases): برای ذخیره Embeddingهای متنی و انجام جست‌وجوی معنایی استفاده می‌شوند. نمونه‌ها: Chroma، Pinecone، Qdrant، Weaviate و Milvus.

🔤 تعبیه متنی (Text Embeddings): متن را به بردار عددی برای جست‌وجوی مفهومی تبدیل می‌کنند. مدل‌های متن‌باز: SBERT، Nomic، Ollama. متن‌بسته: OpenAI، Cohere، Gemini.

🧪 ارزیابی عملکرد (Evaluation): برای سنجش کیفیت پاسخ و دقت بازیابی به کار می‌رود. ابزارهای کلیدی: Ragas، Trulens، Giskard.

📊👨‍🏫 @DataPlusScience

اَلسَّلامُ عَلَى الْحُسَيْنِ
وَ عَلى عَلِىِّ بْنِ الْحُسَيْنِ
وَ عَلى اَوْلادِ الْحُسَيْنِ
وَ عَلى اَصْحابِ الْحُسَيْنِ

🏴 عاشورای حسینی تسلیت باد 🏴

@DataPlusScience

🎓 مسیر تبدیل شدن به تحلیلگر داده (Data Analyst)

برای تحلیلگر داده شدن، این مراحل کلیدی است:

🔢 ریاضیات و آمار (Math & Stats)
مبانی آمار و احتمال برای تحلیل و استنباط داده ضروری است. جبر خطی (Linear Algebra) و حساب دیفرانسیل (Calculus) نیز پایه مدل‌سازی هستند.

🐍 پایتون (Python)
یادگیری پانداس (Pandas)، نام‌پای (NumPy)، مَت‌پلات‌لیب (Matplotlib)، سی‌بورن (Seaborn)، اسکیکت‌لرن (Scikit-learn) برای تحلیل و مصورسازی داده اهمیت دارد.

🗄کوئری نویسی SQL
مهارت در SELECT, INSERT, UPDATE, DELETE و مفاهیم پیشرفته مثل توابع پنجره‌ای (Window Functions) و بهینه‌سازی پرس‌وجوها (Optimization) حیاتی است.

📊 مصورسازی داده (Data Visualization)
ابزارهایی مثل Plotly، Tableau و Power BI برای ارائه و روایت‌گری داده (Data Storytelling) استفاده می‌شوند.

🤖 یادگیری ماشین (Machine Learning)
رگرسیون (Regression)، درخت تصمیم (Decision Trees)، خوشه‌بندی (Clustering) تحلیل پیش‌بینی‌محور را ممکن می‌سازند.

💡 مهارت‌های نرم (Soft Skills)
مهارت ارتباطی، حل مسئله و تفکر انتقادی، نقش کلیدی در کار تیمی دارند.

📊👨‍🏫 @DataPlusScience

📌 تکامل کاربردی هوش مصنوعی از ۱۹۵۰ تا امروز

این نمودار مراحل تحول AI را از سیستم‌های قاعده‌محور (Rule-Based) تا سامانه‌های چندعاملی پیشرفته نشان می‌دهد:
از الگوریتم‌های کلاسیک (SVM, Decision Trees) و شبکه‌های عصبی (CNN, RNN)،
تا مدل‌های زبانی مدرن (LLMs: GPT-4, Claude, Gemini)
و در ادامه معماری‌های RAG، استفاده از ابزارها (Function Calling) و عامل‌های مستقل (AI Agents).
در گام نهایی، تعامل بین عامل‌ها با پروتکل MCP و ارتباط A2A تعریف شده است.

🧠 مسیر تکامل:
Rule-Based → ML → Deep Learning → Transformers → LLMs → RAG → Tool Use → Agents → Multi-Agent → MCP


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📌 مسیر آموزش GenAI

این تصویر، مسیر مرحله‌به‌مرحله تسلط بر GenAI را از سطح پایه تا پیشرفته ترسیم می‌کند:

🔻 سطح پایه (Basic)
درک تفاوت GenAI با AI سنتی
مهندسی پرامپت (Prompt Engineering)
شناخت مدل‌های LLMs مانند GPT-4 و Claude
تولید متن با ابزارهایی چون ChatGPT
تولید تصویر با DALL·E، Midjourney و …

🟣 سطح میانی (Intermediate)
استفاده از مدل‌های چندحالته (Multimodal)
ساخت GPT اختصاصی (Custom / Fine-Tuned)
اتصال به API و توابع بیرونی (Function Calling)
ترکیب با داده‌های خصوصی (RAG، Pinecone)
آشنایی با اخلاق، خطاها و ایمنی در GenAI

🔷 سطح پیشرفته (Advanced)
ساخت عامل‌های خودکار با AutoGPT یا MetaGPT
تولید داده مصنوعی برای آموزش یا تست
تولید چندزبانه محتوا با BLOOM
تولید کد با ابزارهایی مانند Copilot
کاربرد تخصصی GenAI در پزشکی، حقوق و علم


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🔬 ابزار Data Copilot: نسل نوین دستیارهای هوشمند برای تحلیل‌گران داده

این ابزار Mito افزونه‌ای پیشرفته برای Jupyter است که با بهره‌گیری از هوش مصنوعی و رابط تعاملی، فرآیند کدنویسی، تحلیل داده و رفع خطا را ساده، سریع و دقیق می‌سازد.

🧠 قابلیت‌های کلیدی Data Copilot:

تولید خودکار کد: با دریافت دستور یا هدف تحلیلی، کد مناسب را تولید می‌کند.
رفع سریع خطاها: خطاها را به‌صورت هوشمند شناسایی و اصلاح می‌کند.
بهینه‌سازی کد: پیشنهادهایی برای بهبود عملکرد کد ارائه می‌دهد.
تحلیل تعاملی: امکان بررسی داده در محیط Spreadsheet و تبدیل آن به کد پایتون.
پوشش چرخه کامل تحلیل: شامل پاک‌سازی، پردازش و مصورسازی داده‌ها.

🔧 این ابزار متن‌باز است و با یک دستور ساده نصب می‌شود:

pip install mito-ai mitosheet

سپس می‌توانید با اجرای Jupyter از امکانات آن بهره‌مند شوید.

راهنمای نصب و استفاده: Mito Docs


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

🧠 تکامل مدل‌های هوش مصنوعی در عصر ANI

این تصویر سه مرحله‌ی کلیدی در پیشرفت مدل‌های هوش مصنوعی محدود (Artificial Narrow Intelligence - ANI) را نشان می‌دهد:

1️⃣ مدل زبانی بزرگ (LLM): تنها به ورودی (Prompt) پاسخ می‌دهد؛ بدون حافظه یا ابزار. نمونه: ChatGPT.

2️⃣ مدل تقویت‌شده با بازیابی (RAG): با افزودن زمینه (Context) از منابع داده، پاسخ‌های دقیق‌تری تولید می‌کند.

3️⃣ عامل هوشمند (AGENT): با دسترسی به حافظه (Memory)، ابزارها (Tools) و پردازش مداوم (Continuous Processing)، به صورت مستقل تصمیم‌گیری و اقدام می‌کند.

این گذار از پاسخ‌گویی به کنش‌گری، آغازگر عصر سیستم‌های خودمختار است.

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📘 ساختار عملکردی عامل هوش مصنوعی (AI Agent Concept)

این تصویر، فرایند کامل اجرای وظایف توسط یک AI Agent را به‌صورت مرحله‌به‌مرحله نمایش می‌دهد:

1️⃣ دریافت داده (Ingestion): داده‌ها از منابع مختلف جمع‌آوری و به بخش‌های کوچکتر تقسیم می‌شوند.

2️⃣ بازیابی و ذخیره‌سازی (Retrieval & Memory): داده‌ها به صورت بردار تعبیه شده، در حافظه بلندمدت ذخیره شده و در مواقع نیاز بازیابی می‌شوند.

3️⃣ ادغام ابزارها (Tool Integration): نماینده به ابزارهای خارجی مانند تقویم، سیستم رزرو، تحلیل‌گر داده و APIها متصل می‌شود.

4️⃣ تولید و اجرای پاسخ (Response & Action): مدل زبانی مرکزی (LLM) بر اساس سؤال و زمینه موجود، پاسخ را تولید کرده و در صورت نیاز اقدام مستقیم انجام می‌دهد (مانند زمان‌بندی جلسه یا رزرو پرواز).

عامل هوش مصنوعی با ترکیب حافظه، ابزار و مدل زبانی، امکان انجام وظایف پیچیده و چندمرحله‌ای را به‌صورت خودکار فراهم می‌سازد.


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📌 مقایسه برترین فریم‌ورک‌های Agentic AI

🛠 فریم‌ورک ADK – ارکستراسیون منعطف، اکوسیستم ابزار غنی و پشتیبانی از معماری چندعامله. مناسب برای اتوماسیون پیچیده و سیستم‌های مکالمه‌ای.

🔗 فریم‌ورک LangGraph – معماری گراف‌محور برای پردازش حالت‌مند و چندعامله با قابلیت ردیابی پیشرفته. کاربرد در چت‌بات‌های هوشمند و سیستم‌های تصمیم‌یار.

👥 فریم‌ورک CrewAI – طراحی مبتنی بر نقش، تیم‌های عامل پویا و تصمیم‌گیری تعاملی. مناسب شبیه‌سازی، استراتژی کسب‌وکار و حوزه سلامت.

🔒 فریم‌ورک Microsoft Semantic Kernel – امنیت سازمانی، مقیاس‌پذیری بالا و پشتیبانی چندزبانه. کاربرد در چت‌بات‌ها، اتوماسیون و خدمات مشتری.

⚙️ فریم‌ورک Microsoft AutoGen – هماهنگی چندعامله پیشرفته، مکالمات پیچیده و تصمیم‌گیری قدرتمند. مناسب تحقیق، کدنویسی و برنامه‌ریزی وظایف.

⚡️ فریم‌ورک Smolagents – فریم‌ورک سبک‌وزن با قابلیت نمونه‌سازی سریع و هزینه پایین. مناسب ساخت دستیارهای هوشمند و تحلیل داده.

🚀 فریم‌ورک AutoGPT – اجرای خودکار وظایف، یادگیری تطبیقی و متن‌باز بودن. کاربرد در اتوماسیون، تحقیق و تحلیل پیشرفته.


📊👨‍🏫 @DataPlusScience

📌 آشنایی با ۸ معماری RAG در هوش مصنوعی

در این تصویر، هشت معماری برتر RAG (Retrieval-Augmented Generation) معرفی شده‌اند که هر یک رویکرد متفاوتی برای ترکیب بازیابی داده‌ها و تولید محتوا توسط مدل‌های زبانی ارائه می‌دهند:

🛠 معماری Naive RAG – استفاده ساده از بردارسازی پرسش و جستجو در پایگاه داده برداری برای پاسخ‌گویی سریع.

🖼 معماری Multimodal RAG – پشتیبانی از داده‌های متنی، تصویری و صوتی برای بازیابی و تولید چندرسانه‌ای.

💡 معماری HyDE – ایجاد پاسخ فرضی اولیه برای بهبود دقت و کیفیت بازیابی اطلاعات.

🔍 معماری Corrective RAG – ارزیابی و اصلاح نتایج با جستجوی وب و منابع اضافی.

🔗 معماری Graph RAG – بهره‌گیری از پایگاه داده گرافی برای تحلیل ارتباطات معنایی داده‌ها.

⚙️ معماری Hybrid RAG – ترکیب پایگاه داده برداری و گرافی برای پوشش کامل‌تر اطلاعات.

🔄 معماری Adaptive RAG – انتخاب پویا و هوشمند مسیر بازیابی بر اساس پرسش و استدلال.

🤖 معماری Agentic RAG – استفاده از عامل‌های هوشمند چندمرحله‌ای با دسترسی به جستجو و سرویس‌های ابری.

➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📖 50 سوال مهم مصاحبه برای مدل‌های زبانی بزرگ (LLMs)

💡 این فایل شامل سوالات کلیدی مرتبط با مدل‌های زبانی بزرگ و پاسخ‌های تخصصی به آن‌ها است. برای افراد علاقه‌مند به یادگیری مفاهیم پایه و پیشرفته در این حوزه بسیار مفید است. این سوالات مفاهیمی مانند توکن‌سازی (Tokenization)، تکنیک‌های بهینه‌سازی مانند LoRA و QLoRA، و مفهوم توجه چندسری (Multi-head Attention) را پوشش می‌دهند.

📄 رئوس سوالات:

توکن‌سازی و اهمیت آن: چرا و چگونه مدل‌های زبانی بزرگ متن را به توکن‌ها تقسیم می‌کنند؟
بهینه‌سازی حافظه با LoRA و QLoRA: کاهش مصرف حافظه بدون افت عملکرد.
تفاوت مدل‌های اتورگرسیو و ماسک‌شده: کاربردها و نقاط قوت هر روش.
مفاهیم پیشرفته مثل زنجیره افکار (Chain-of-Thought): بهبود توانایی استدلال مدل‌ها.
حل چالش‌های رایج مدل‌های زبانی بزرگ: از فراموشی فاجعه‌بار تا مدیریت منابع.


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📘 ترجمه فارسی کتاب «Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)»
🔹 مترجم: محسن زارع

این کتاب یکی از معتبرترین و کاربردی‌ترین منابع آموزشی در حوزه‌ی یادگیری ماشین و یادگیری عمیق است که با زبانی ساده اما علمی، مفاهیم پایه تا پیشرفته را همراه با مثال‌ها و کدهای عملی در اختیار علاقه‌مندان قرار می‌دهد.
ویرایش سوم کتاب، با پوشش ابزارهای مدرن مانند Scikit-Learn، Keras و TensorFlow، مسیری منظم و پروژه‌محور برای ورود و پیشرفت در دنیای هوش مصنوعی فراهم کرده است.

📂 در این جلد (فصول ۱ تا ۹) مباحث پایه و مقدماتی یادگیری ماشین ارائه شده و ادامه مسیر (جلد دوم) به شبکه‌های عصبی و یادگیری عمیق اختصاص خواهد داشت.


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science