✅ پلی‌لیستی جامع برای قدم گذاشتن و تسلط بر دنیای یادگیری ماشین و علم داده!


1️⃣ اصول علم داده:

😉 ریاضیات ضروری برای یادگیری ماشین: لینک
😉 مرور کلی و اصطلاحات پرکاربرد: لینک
😉 روندهای فعلی مصاحبه: لینک
😉 راهنمای رگرسیون خطی: لینک
😉 پلی‌لیست رگرسیون لجستیک: لینک
😉 معیارهای طبقه‌بندی: لینک
😉 طبقه‌بندی‌کننده بیز ساده: لینک
😉 انواع متغیرها: لینک
😉 کاهش ابعاد: لینک
😉 آنتروپی، آنتروپی متقابل، واگرایی KL: لینک
😉 مرور قیمت‌گذاری پویا: لینک


2️⃣ ساخت سیستم‌های توصیه‌گر:

😉 توصیه‌های کالیبره‌شده نتفلیکس: لینک
😉 مدل توصیه یکپارچه نتفلیکس: لینک
😉 تکامل سیستم‌های توصیه‌گر: لینک
😉 آموزش تعبیه‌ها: لینک
😉 کتابخانه Annoy برای نزدیکترین همسایه تقریبی: لینک
😉 محصول کم‌کننده برای ANN: لینک
😉 توصیه‌های حساب مبتنی بر مدل: لینک
😉 کنترلر PID برای تنوع: لینک
😉 سیستم توصیه‌گر اینستاگرام: لینک
😉 مدل‌سازی CTR لینکدین: لینک
😉 مدل دو برج توصیه‌گر Meituan: لینک
😉 مدل دو برج مقیاس‌پذیر پرسش-آیتم: لینک
😉 الگوریتم توصیه‌گر توییتر: لینک
😉 مدل زبان eBay برای سیستم توصیه‌گر: لینک
😉 غلبه بر سوگیری‌ها برای سیستم توصیه‌گر: لینک


3️⃣ تکنیک‌ها و کاربردهای مدل پیشرفته:

😉 اهمیت کالیبراسیون مدل: لینک
😉 تشخیص و نظارت بر تغییرات داده: لینک
😉 آموزش شبکه‌های عصبی: لینک
😉 تبلیغات مبتنی بر تحلیل با Pinterest: لینک
😉 استفاده از Bert پیش‌آموزش‌دیده: لینک
😉 فشرده‌سازی مدل با تقطیر دانش: لینک
😉 استراتژی‌های بندیت چند-مسلح: لینک


4️⃣ دنیای مدل‌های زبانی بزرگ (LLMs):

😉 هوش مصنوعی مکالمه‌ای: لینک
😉 ماهیت دوگانه مدل‌های زبانی مکالمه‌ای: لینک
😉 پیشرفت‌های مرزی در LLM: لینک
😉 بهبود عملکرد LLMهای متن‌باز: لینک
😉 ساخت هوش مصنوعی با سبک شاهرخ خان: لینک


🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir