هوش مصنوعی|علم داده|پایتون

⭕️ مجموعه ای از دوره‌های فارسی و رایگان آمار و دیتاساینس و هوش مصنوعی:

🔆دوره مباحثی در آمار دکتر کسری علیشاهی

🔅 دوره هوش مصنوعی دکتر رهبان

🔅 دوره یادگیری ماشین دکتر رهبان

🔅دوره فرآیندهای تصادفی دکتر رهبان

🔅 دوره تشخیص الگو (patter recognition) دکتر فاطمی‌زاده

🔅دوره خلاقیت الگوریتمی و برنامه‌نویسی پایتون دکتر شریفی زارچی

🔅دوره داده ساختارها و مبانی الگوریتم‌ها دکتر شریفی زارچی

🔅 دوره مقدمه ایی بر بیوانفورماتیک شریفی زارچی

🔅دوره هوش مصنوعی دکتر سلیمانی

🔅دوره یادگیری ماشین دکتر سلیمانی

🔅دوره بهینه سازی در علوم داده‌ها دکتر فروغمند

🔅دوره یادگیری تقویتی کسری علیشاهی


➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

⭕️ چگونه در سال ۲۰۲۵ به یک دانشمند داده تبدیل شویم؟

👨🏻‍💻 اگر می‌خواهید یک متخصص علم داده شوید، این مسیر را دنبال کنید! من یک نقشه راه کامل با بهترین منابع رایگان آماده کرده‌ام که در آن می‌توانید مهارت‌های ضروری در این زمینه را بیاموزید.

🔢 مرحله ۱: ریاضی و آمار خود را تقویت کنید!

✏️ پایه و اساس یادگیری علم داده، ریاضیات، جبر خطی، آمار و احتمال است. موضوعاتی که باید بر آنها مسلط شوید:

✅ جبر خطی: ماتریس‌ها، بردارها، مقادیر ویژه.

🔗 دوره: جبر خطی MIT

✅ حساب دیفرانسیل و انتگرال: مشتق، انتگرال، بهینه‌سازی.

🔗 دوره: حساب دیفرانسیل و انتگرال تک متغیره MIT

✅ آمار و احتمال: قضیه بیز، آزمون فرض.

🔗 دوره: آمار ۱۱۰

➖➖➖➖➖

🔢 مرحله ۲: کدنویسی را بیاموزید.

✏️ پایتون را بیاموزید و در کدنویسی ماهر شوید. مهم‌ترین موضوعاتی که باید بر آنها مسلط شوید عبارتند از:

✅ پایتون: کتابخانه‌های Pandas، NumPy، Matplotlib

🔗 دوره: دوره پایتون FreeCodeCamp

✅ زبان SQL: دستورات Join، توابع Window، بهینه‌سازی پرس و جو.

🔗 دوره: دوره SQL استنفورد

✅ ساختارهای داده و الگوریتم‌ها: آرایه‌ها، لیست‌های پیوندی، درخت‌ها.

🔗 دوره: مقدمه‌ای بر الگوریتم‌های MIT

➖➖➖➖➖

🔢 مرحله ۳: پاکسازی و مصورسازی داده ها

✏️ نحوه پردازش و پاکسازی داده‌ها و سپس ایجاد یک داستان جذاب از آنها را بیاموزید!

✅ پاکسازی داده‌ها: کار با مقادیر گمشده و تشخیص داده‌های پرت.

🔗 دوره: پاکسازی داده‌ها

✅ تجسم داده‌ها: Matplotlib، Seaborn، Tableau

🔗 دوره: آموزش تجسم داده‌ها

➖➖➖➖➖

🔢 مرحله ۴: یادگیری ماشین را بیاموزید.

✏️ وقت آن است که وارد دنیای هیجان‌انگیز یادگیری ماشین شوید! باید این موضوعات را بدانید:

✅ یادگیری نظارت‌شده: رگرسیون، دسته‌بندی.

✅ یادگیری نظارت‌نشده: خوشه‌بندی، PCA، تشخیص ناهنجاری.

✅ یادگیری عمیق: شبکه‌های عصبی، CNN، RNN

🔗 دوره: CS229: یادگیری ماشین

➖➖➖➖➖

🔢 مرحله ۵: کار با داده‌های بزرگ و فناوری‌های ابری

✏️ اگر قرار است در دنیای واقعی کار کنید، باید بدانید چگونه با داده‌های بزرگ و محاسبات ابری کار کنید.

✅ ابزارهای داده‌های بزرگ: Hadoop، Spark، Dask

✅ پلتفرم‌های ابری: AWS، GCP، Azure

🔗 دوره: مهندسی داده

➖➖➖➖➖

🔢 مرحله ۶: پروژه‌های واقعی انجام دهید!

✏️ به اندازه کافی تئوری، وقت کدنویسی است! پروژه‌های واقعی انجام دهید و یک نمونه کار قوی بسازید.

✅ مسابقات Kaggle: حل چالش‌های دنیای واقعی.

✅ پروژه‌های End-to-End: جمع‌آوری داده، مدل‌سازی، پیاده‌سازی.

✅ GitHub: پروژه‌های خود را در GitHub منتشر کنید.

🔗 پلتفرم: Kaggle
🔗 پلتفرم: ods.ai

➖➖➖➖➖

🔢 مرحله ۷: MLOps را بیاموزید و مدل‌ها را مستقر کنید.

✏️ یادگیری ماشین فقط ساخت یک مدل نیست! باید یاد بگیرید که چگونه یک مدل را مستقر و نظارت کنید.

✅ آموزش MLOps: نسخه‌بندی مدل، نظارت، آموزش مجدد مدل.

✅ مدل‌های استقرار: Flask، FastAPI، Docker

🔗 دوره: MLOps استنفورد

➖➖➖➖➖

🔢 مرحله ۸: به‌روز باشید و شبکه سازی کنید

✏️ علم داده هر روز در حال تغییر است، بنابراین لازم است هر روز خود را به‌روز کنید و به طور منظم با افراد با تجربه و متخصصان این زمینه در تماس باشید.

✅ مقالات علمی را بخوانید: arXiv، Google Scholar

✅ با جامعه داده در ارتباط باشید:

🔗 سایت: Papers with code
🔗 سایت: تحقیقات هوش مصنوعی در گوگل

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

✳️ با استفاده از اين پرامپت ها هر چيزي را ده برابر سريعتر ياد بگيريد

1️⃣ از اصل 80/20 برای یادگیری سریعتر استفاده کنید (هر مهارت جدیدی را یاد بگیرید):
"من می خواهم در مورد [موضوع مورد نظر] یاد بگیرم. مهمترین 20 درصد از یادگیری های این موضوع را که به من کمک می کند 80 درصد آن را درک کنم، شناسایی و به اشتراک بگذارید."

2️⃣ با امتحان کردن خودتان، یادگیری خود را تقویت کنید:
"من در حال یادگیری در مورد [موضوع مورد نظر] هستم. لطفا سوالاتی را برای آزمایش دانش من بپرسید، شکاف ها را شناسایی کنید و پاسخ های بهتری ارائه دهید."

3️⃣ از ChatGPT بخواهید که به شما در استفاده بهتر از ChatGPT کمک کند:
"یک راهنمای مبتدی برای استفاده از ChatGPT، شامل دستورات، آماده سازی و شخصیت ها با مثال ها، محدود به 500 کلمه ایجاد کنید."

4️⃣ یک موضوع پیچیده را فقط در چند دقیقه یاد بگیرید:
"[موضوع مورد نظر] را با اصطلاحات ساده و آسان که هر مبتدی می تواند آن را در چند دقیقه درک کند، توضیح دهید."

5️⃣ اسناد و مقالات طولانی را خلاصه کنید:
"متن زیر را خلاصه کنید و لیستی از نکات کلیدی با بینش های کلیدی و مهم ترین حقایق را به من بدهید." [متن مورد نظر]

6️⃣ در عرض چند دقیقه تصمیمات بهتری بگیرید:
"من سعی می کنم تصمیم بگیرم که آیا باید [تصمیم مورد نظر] را انجام دهم یا نه. لیستی از جوانب مثبت و منفی را به من بدهید تا تصمیم بگیرم که چرا باید یا نباید این تصمیم را بگیرم."

7️⃣ خلاصه های کوتاه و پر از بینش از کتاب ها دریافت کنید:
"کتاب [کتاب مورد نظر] نوشته [نویسنده مورد نظر] را خلاصه کنید و لیستی از مهم ترین یادگیری ها و بینش ها را به من بدهید."

8️⃣ از داستان ها و استعاره ها برای کمک به حافظه خود استفاده کنید:
"من در حال یادگیری در مورد [موضوع مورد نظر] هستم. لطفا دروس کلیدی را به داستان ها و استعاره های جذاب تبدیل کنید تا به من در به خاطر سپردن آنها کمک کنید."

9️⃣ فقط یک روز قبل از مصاحبه شغلی آماده شوید:
"من برای [موقعیت مورد نظر] مصاحبه می کنم. لطفا لیستی از سوالات احتمالی مصاحبه و پاسخ های کوتاه برای هر یک را ارائه دهید."

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

🟢 اصول اولیه یادگیری ماشین

✍️یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن کامپیوترها از داده‌ها یاد می‌گیرند تا بدون برنامه‌نویسی صریح، تصمیم‌گیری کنند. سه نوع اصلی وجود دارد:

1️⃣ یادگیری با نظارت‌ (Supervised Learning): الگوریتم روی مجموعه‌داده‌های برچسب‌دار آموزش داده می‌شود و یاد می‌گیرد که ورودی را به خروجی نگاشت کند. برای مثال، می‌تواند قیمت خانه را بر اساس ویژگی‌هایی مانند اندازه و موقعیت پیش‌بینی کند.

2️⃣ يادگيری بدون نظارت (Unsupervised Learning): الگوریتم الگوهای داده را بدون برچسب‌های صریح کشف می‌کند. خوشه‌بندی یک وظیفه رایج است که نقاط داده مشابه را گروه‌بندی می‌کند. یک مثال، بخش‌بندی مشتری برای بازاریابی هدفمند است.

3️⃣ یادگیری تقویتی (Reinforcement Learning): الگوریتم با تعامل با یک محیط یاد می‌گیرد. بازخورد را به شکل پاداش یا جریمه دریافت می‌کند و عملکرد خود را با گذشت زمان بهبود می‌بخشد. هوش مصنوعی بازی و کنترل رباتیک از کاربردها هستند.

📖 مفاهیم کلیدی عبارتند از:

✅ ویژگی‌ها و برچسب‌ها (Features and Labels): ویژگی‌ها متغیرهای ورودی هستند و برچسب‌ها خروجی مورد نظر هستند. مدل یاد می‌گیرد که ویژگی‌ها را در طول آموزش به برچسب‌ها نگاشت کند.

✅ آموزش و آزمایش (Training and Testing): مدل روی زیرمجموعه‌ای از داده‌ها آموزش داده می‌شود و سپس روی داده‌های دیده نشده آزمایش می‌شود تا عملکرد آن ارزیابی شود.

✅ بیش‌برازش و کم‌برازش (Overfitting and Underfitting): بیش‌برازش زمانی رخ می‌دهد که یک مدل بیش از حد پیچیده باشد و داده‌های آموزشی را خیلی دقیق برازش کند و عملکرد ضعیفی روی داده‌های جدید داشته باشد. کم‌برازش زمانی اتفاق می‌افتد که مدل خیلی ساده باشد و نتواند الگوهای زیربنایی را پیدا کند.

✅ الگوریتم‌ها (Algorithms): الگوریتم‌های مختلف برای وظایف مختلف مناسب هستند. موارد رایج شامل رگرسیون خطی برای پیش‌بینی مقادیر عددی و درخت‌های تصمیم برای وظایف دسته‌بندی هستند.

🔍 به طور خلاصه، یادگیری ماشین شامل آموزش مدل‌ها روی داده‌ها برای پیش‌بینی یا تصمیم‌گیری است. یادگیری نظارت‌شده از داده‌های برچسب‌دار استفاده می‌کند، یادگیری بدون نظارت الگوها را در داده‌های بدون برچسب پیدا می‌کند و یادگیری تقویتی از طریق تعامل با یک محیط یاد می‌گیرد. ملاحظات کلیدی شامل ویژگی‌ها، برچسب‌ها، بیش‌برازش، کم‌برازش و انتخاب الگوریتم مناسب برای کار است.


➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

✳️ دوره های آموزشی رایگان برای یادگیری تحلیل داده در سال 2025

1. Python
🔗 https://imp.i384100.net/5gmXXo

2. SQL
🔗 https://edx.org/learn/relational-databases/stanford-university-databases-relational-databases-and-sql

3. Statistics and R
🔗 https://edx.org/learn/r-programming/harvard-university-statistics-and-r

4. Data Science: R Basics
🔗https://edx.org/learn/r-programming/harvard-university-data-science-r-basics

5. Excel and PowerBI
🔗 https://learn.microsoft.com/en-gb/training/paths/modern-analytics/

6. Data Science: Visualization
🔗https://edx.org/learn/data-visualization/harvard-university-data-science-visualization

7. Data Science: Machine Learning
🔗https://edx.org/learn/machine-learning/harvard-university-data-science-machine-learning

8. R
🔗https://imp.i384100.net/rQqomy

9. Tableau
🔗https://imp.i384100.net/MmW9b3

10. PowerBI
🔗 https://lnkd.in/dpmnthEA

11. Data Science: Productivity Tools
🔗 https://lnkd.in/dGhPYg6N

12. Data Science: Probability
🔗https://mygreatlearning.com/academy/learn-for-free/courses/probability-for-data-science

13. Mathematics
🔗http://matlabacademy.mathworks.com

14. Statistics
🔗 https://lnkd.in/df6qksMB

15. Data Visualization
🔗https://imp.i384100.net/k0X6vx

16. Machine Learning
🔗 https://imp.i384100.net/nLbkN9

17. Deep Learning
🔗 https://imp.i384100.net/R5aPOR

18. Data Science: Linear Regression
🔗https://pll.harvard.edu/course/data-science-linear-regression/2023-10

19. Data Science: Wrangling
🔗https://edx.org/learn/data-science/harvard-university-data-science-wrangling

20. Linear Algebra
🔗 https://pll.harvard.edu/course/data-analysis-life-sciences-2-introduction-linear-models-and-matrix-algebra

21. Probability
🔗 https://pll.harvard.edu/course/data-science-probability

22. Introduction to Linear Models and Matrix Algebra
🔗https://edx.org/learn/linear-algebra/harvard-university-introduction-to-linear-models-and-matrix-algebra

23. Data Science: Capstone
🔗 https://edx.org/learn/data-science/harvard-university-data-science-capstone

24. Data Analysis
🔗 https://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis

25. IBM Data Science Professional Certificate
https://imp.i384100.net/9gxbbY

26. Neural Networks and Deep Learning
https://imp.i384100.net/DKrLn2

27. Supervised Machine Learning: Regression and Classification
https://imp.i384100.net/g1KJEA

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

✍️ مطالعه‌ای در دانشگاه بریستول نشان داد مدل DeepSeek که از استدلال "زنجیره‌ای از فکر" (CoT) استفاده می‌کند، که حل مسئله را از طریق یک فرآیند استدلال گام به گام به جای ارائه پاسخ‌های مستقیم، بهبود می‌بخشد.خطرات ایمنی قابل توجهی را به همراه دارد.

✔️ در حالی که مدل‌های CoT به گونه‌ای طراحی شده‌اند که ایمن‌تر باشند، فرآیند استدلال شفاف آنها می‌تواند ناخواسته اطلاعات مضر را که LLMهای سنتی ممکن است به صراحت فاش نکنند، در معرض نمایش قرار دهد.

✅ مدل‌های زبانی بزرگ (LLM) روی مجموعه داده‌های عظیمی آموزش داده می‌شوند که برای حذف محتوای مضر فیلتر می‌شوند. با این حال، به دلیل محدودیت‌های فناوری و منابع، محتوای مضر می‌تواند در این مجموعه داده‌ها باقی بماند. علاوه بر این، LLMها می‌توانند اطلاعات مضر را حتی از داده‌های ناقص یا تکه‌تکه شده بازسازی کنند.

🔴 در این تحقیق، تیم دریافت که مدل‌های فعال‌شده با CoT نه تنها محتوای مضر را با نرخ بالاتری نسبت به LLMهای سنتی تولید می‌کنند، بلکه به دلیل فرآیند استدلال ساختاریافته خود، هنگام قرار گرفتن در معرض همان حملات، پاسخ‌های کامل‌تر، دقیق‌تر و بالقوه خطرناک‌تری نیز ارائه می‌دهند.

در یک مثال، دیپ‌سیک توصیه مفصلی در مورد چگونگی انجام یک جنایت و فرار از آن ارائه کرد.

محققان بر نیاز به حفاظت‌های بیشتر و تحقیقات بیشتر در مورد استراتژی‌های کاهش خطر تأکید می‌کنند و مسئولیت هر دو جامعه علمی و شرکت‌های فناوری را برای رسیدگی به این خطرات ایمنی برجسته می‌کنند.

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

📚 ۱۰ کتاب از انتشارات O'Reilly Media،  با موضوع پایتون و علم داده / رایگان


Python Data Science Handbook

https://jakevdp.github.io/PythonDataScienceHandbook/

PDF

Python for Data Analysis book
https://wesmckinney.com/book/

PDF

Fundamentals of Data Visualization book
https://clauswilke.com/dataviz/

PDF

R for Data Science book
https://r4ds.hadley.nz/

PDF

Deep Learning for Coders book
https://course.fast.ai/Resources/book.html

PDF

DS at the Command Line book
https://jeroenjanssens.com/dsatcl/

PDF

Hands-On Data Visualization Book
https://handsondataviz.org/

PDF

Think Stats book
https://allendowney.github.io/ThinkStats/

PDF

Think Bayes book
https://allendowney.github.io/ThinkBayes2/

PDF

Kafka, The Definitive Guide
https://www.oreilly.com/library/view/kafka-the-definitive/9781491936153/

PDF

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp