@safarname7

رشته توییت مربوط به دروس رایگان ماشین لرنینگ، یادگیری عمیق، و مقدمات اولیه و پیش نیازها به روز شد:
https://twitter.com/ussamamad/status/1341504087179874304



دانشگاه ام آی تی درس آنلاین رایگان جدید "معرفی یادگیری ماشین" ارائه کرده و از اینجا لینک قابل دسترسه:
https://xn--r1a.website/safarname7/478
MIT, Intro to ML
برای دوستانی که از رشته غیر کامپیوتر (برق, عمران, مکانیک, اقتصاد, ...) قصد #اپلای برای پوزیشنهای بین رشته ای با زمینه ماشین لرنینگ دارند

سه تا پیش نیاز برای یادگیری عمیق تر و مفهومیِ ماشین لرنینگ مقدماتی هست که خیلی به یادگیری بهتر ماشین لرنینگ کمک میکنه:
1- جبر خطی
2- حساب دیفرانسیل
3- برنامه نویسی با Python

لینک هر سه درس از سرویس دروس آنلاین رایگان MIT:
http://xn--r1a.website/safarname7/482


دکتر محمد قاسمی (که جدیداً دکتراش رو از MIT گرفته) درس پردازش زبان‌ طبیعی رو کاملاً رایگان با محتویات درس و کدها آنلاین قرار داده. به نظرم برای کسایی که میخوان کامپیوترساینس اپلای کنن درس مفیدیه.
Natural Language Processing

لینک ویدیو ها و کدتمرینها:

https://xn--r1a.website/safarname7/587





لینک جزوه ها و ویدیوهای رایگان درس معرفی یادگیری عمیق (Deep learning) نسخه ی به روز شده ی سال ۲۰۲۰ دانشگاه MIT

جزوه ها و مطالب درسی:
http://introtodeeplearning.com

لینک ویدیوها:

https://youtu.be/njKP3FqW3Sk




درس مقدماتی ماشین لرنینگ ، دانشگاه Carnegie Mellon

#MachineLearning Course by Tom Mitchell and Maria-Florina Balcan

لینک دسترسی به اسلایدها:
http://cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml…
لینک تمرینهای برنامه نویسی درس:
http://cs.cmu.edu/~ninamf/courses/601sp15/homeworks.shtml…




اسلایدها و‌۲۶ ساعت ویدیوی آموزشی رایگان ‌درس reinforcement learning
ارائه شده توسط استاد برجسته Dimitri Bertsekas به صورت رایگان از لینک زیر قابل دسترسیه:
https://t.me/safarname7/959

یکی از بهترین چیت شیت ها برای مهمترین مباحث مصاحبه های ماشین لرنینگ و دیتاساینس، واقعا مهم و کامل هستش حتما مطالعه بفرمایید من که واقعا لذت بردم 🥇🥇🔥🔥🌪️🌪️

🚀🚀🚀 که شامل عناوین زیر هست:

به زبان ساده 🦦🦦

Best Cheatsheet for Important Data Scientist interview Topics:

Machine learning and Deep learning Important Topics

⚡️ Bias Variance Tradeoff
⚡️ Imbalance Data in Classification
⚡️PCA Dimensionality Reduction
⚡️Bayes Theorem and Classifier
⚡️Regression Analysis
⚡️Regularization in ML
⚡️Convolution Neural Network
⚡️Famous CNNs
⚡️Ensemble Learning in ML
⚡️Data Structure
⚡️Coding Interview Preparation
⚡️Behavioural Interview Questions
⚡️Project Representing Method- STAR

#MachineLearning #DeepLearning #Interview #DataScientist #DataScience #Data

AIwithParissan | AI Tutorials

Stanford course CS330 Deep Multi-task and Meta Learning lectures are now available for free on YouTube

Material
http://cs330.stanford.edu/fall2021/
@coursenuggets @kdnuggets @datasciencechats
#stanford #deeplearning #machinelearning #artificialintelligence
https://www.youtube.com/playlist?list=PLoROMvodv4rMIJ-TvblAIkw28Wxi27B36

@datalook_ir
منبع منابع دیتاساینس
#دیتالوک
#علم_داده
#دیتا_ساینس

🟡وب‌سایت Wix این امکان رو می‌ده که فقط با استفاده از اعلان‌های هوش مصنوعی یه وب سایت کامل بسازین!

وب‌سایت Wix از ویژگی AI Site Generator خودش رونمایی کرده که به کاربران اجازه می ده تا با ارائه توضیحات و پاسخ به چند سوال کل وب‌سایت‌ رو ایجاد کنن.

الگوریتم‌های هوش مصنوعی به طور خودکار طراحی، متن و تصاویر رو برای وب‌سایت تولید می‌کنن. مدل‌های هوش مصنوعی، از جمله ChatGPT و DALL-E، برای انجام این کار استفاده می‌شن. وب سایت‌های تولید شده ظاهری حرفه‌ای دارن و با استفاده از ویرایشگر Wix قابل تنظیم هستن.

با این حال، نگرانی‌ها در مورد صحت محتوای تولید شده توسط هوش مصنوعی و مشکلات احتمالی حق کپی‌رایت همچنان وجود داره.

#Artificial_Intelligence
#datascience
#machineLearning
mina_rabti@yahoo.com
minarabti32@gmail.com
منبع مطالب يادگيري ماشين،پايتون ،رپيدماينر ،داده كاوي ،هوش مصنوعي، دانلود داده، فيلم هاي آموزشي رايگان، داده رايگان
https://xn--r1a.website/datalook_ir

10 GitHub Repositories to Master Data Science

۱۰ ریپوی خوب گیت هاب برای دیتا ساینس

#datascience
#machineLearning
#dataEnginnering


https://www.kdnuggets.com/10-github-repositories-to-master-data-science

😁😁😁😅😅😅😅
#machineLearning #training #deeplearning #overfitting #Accuracy

🧠 راهنمای تنظیم Hyperparameterهای مدل LSTM

اگر برای پروژه‌های Time Series از LSTM استفاده می‌کنید، انتخاب درست Hyperparameterها می‌تواند تأثیر زیادی روی سرعت آموزش، دقت و تعمیم‌پذیری مدل داشته باشد.

در ادامه، مهم‌ترین پارامترها و محدوده‌های مناسب برای شروع را مرور می‌کنیم 👇

━━━━━━━━━━━━━━━━━━

🟢 1. پارامترLearning Rate | نرخ یادگیری

مشخص می‌کند وزن‌های مدل در هر مرحله از بهینه‌سازی چقدر تغییر کنند.

🔸 خیلی زیاد → آموزش ناپایدار و عبور از نقاط کمینه
🔸 خیلی کم → همگرایی بسیار آهسته

✅ مقدار مناسب برای شروع: 0.001

البته بهتر است با توجه به روند تغییرات Loss تنظیم شود.

━━━━━━━━━━━━━━━━━━

🟢 2. پارامتر مهم Number of Layers | تعداد لایه‌ها

عمق شبکه LSTM را مشخص می‌کند.

🔸 لایه‌های کم، مثلاً 1 → ممکن است برای الگوهای پیچیده کافی نباشد.
🔸 لایه‌های زیاد، مثلاً 4+ → افزایش ریسک Overfitting و مشکلاتی مانند Vanishing Gradient

✅ مقدار مناسب برای شروع: 2 تا 3 لایه

━━━━━━━━━━━━━━━━━━

🟢 3. پارامتر Number of LSTM Units | تعداد واحدهای LSTM

هر LSTM Unit شامل مکانیزم‌هایی برای Input، Forget و Output Gate است و به مدل کمک می‌کند وابستگی‌های زمانی را یاد بگیرد.

🔸 Units بیشتر → ظرفیت یادگیری بالاتر
🔸 Units بیش از حد → افزایش Overfitting و هزینه محاسباتی

✅ محدوده مناسب برای شروع: 50 تا 200 واحد

━━━━━━━━━━━━━━━━━━

🟢 4. پارامتر Dropout Rate | نرخ Dropout

این نرخ Dropout یک تکنیک Regularization است که در زمان آموزش، به‌صورت تصادفی بخشی از نورون‌ها را غیرفعال می‌کند.

🔸 خیلی کم → اثر ناچیز در کنترل Overfitting
🔸 خیلی زیاد → ممکن است مدل نتواند الگوهای مفید را به‌خوبی یاد بگیرد.

✅ محدوده مناسب: 0.2 تا 0.5

━━━━━━━━━━━━━━━━━━

🟢 5.پارامتر Sequence Length | طول توالی

مشخص می‌کند مدل چه تعداد از گام‌های زمانی گذشته را برای پیش‌بینی مشاهده کند.

🔸 خیلی کوتاه → از دست رفتن بخشی از وابستگی‌های زمانی
🔸 خیلی بلند → مصرف حافظه بیشتر و احتمال ورود نویز بیشتر

✅ محدوده مناسب برای شروع: 10 تا 100 Time Step

📌 البته این پارامتر باید با توجه به ماهیت سری زمانی و Seasonality داده انتخاب شود.

━━━━━━━━━━━━━━━━━━

🟢 6. پارامتر مهم L2 Regularization | منظم‌سازی L2

با اعمال جریمه روی وزن‌های بزرگ، به کنترل پیچیدگی مدل و کاهش Overfitting کمک می‌کند.

🔸 خیلی کم → Regularization ضعیف
🔸 خیلی زیاد → احتمال Underfitting

✅ محدوده مناسب برای شروع: 0.001 تا 0.01

━━━━━━━━━━━━━━━━━━

🟢 7. و پارامتر Batch Size | اندازه Batch

تعداد نمونه‌هایی است که مدل قبل از هر بار به‌روزرسانی وزن‌ها پردازش می‌کند.

🔸 Batch کوچک (16–32)
→ به‌روزرسانی‌های تصادفی‌تر، معمولاً Generalization بهتر، اما نیاز احتمالی به Epoch بیشتر

🔸 Batch بزرگ (256+)
→ آموزش سریع‌تر، اما ممکن است Generalization ضعیف‌تری داشته باشد.

✅ محدوده مناسب برای شروع: 32 تا 256

━━━━━━━━━━━━━━━━━━

🎯 جمع‌بندی برای شروع Tuning

اگر بخواهیم یک نقطه شروع ساده برای یک مدل LSTM داشته باشیم:

📌 Learning Rate → 0.001
📌 LSTM Layers → 2–3
📌 LSTM Units → 50–200
📌 Dropout → 0.2–0.5
📌 Sequence Length → 10–100
📌 L2 → 0.001–0.01
📌 Batch Size → 32–256

⚠️ این مقادیر قانون ثابت نیستند. بهترین Hyperparameterها به اندازه دیتاست، نویز، طول وابستگی‌های زمانی، Seasonality و پیچیدگی مسئله بستگی دارند.

💡 نکته مهم: به‌جای تغییر هم‌زمان همه پارامترها، بهتر است Hyperparameter Tuning را با یک Search Space منطقی و روش‌هایی مثل Random Search، Bayesian Optimization یا Optuna انجام دهید.

#LSTM #DeepLearning #TimeSeries #MachineLearning #HyperparameterTuning #Python #DataScience