🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت چهل و ششم: "الگوریتم‌های بر مبنای درخت تصمیم"
🔹 مدت زمان: 15:33
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🏷وقتی یه کتاب یادگیری ماشین می‌تونه مسیر یادگیریت رو عوض کنه!

👩🏻‍💻 این روزها تو دنیای یادگیری ماشین، خیلی از منابع یا بیش از حد تئورین یا بیش از حد عملی و کاربردی! ولی اخیراً یه کتابی رو پیدا کردم که بین مباحث تئوری و عملی پُل می‌زنه و ترکیبی متعادل از مباحث تئوری با کاربردهای عملیه.

💸 این کتاب سه ستون اصلی یادگیری ماشین رو پوشش میده:

🔢 از مبانی آماری تا کاربردهای عملی.
🔢 کارایی الگوریتم‌ها و پیاده‌سازی،
🔢 بهینه‌سازی و تحلیل محدب.

✅ اگه دنبال اینین که واقعاً یادگیری ماشین رو کامل مسلط بشین و فقط از ابزارهای آماده استفاده نکنین، این کتاب یه گزینه بی‌نظیره. البته یه پیش‌نیازهایی داره: مثل تسلط به جبر خطی، حساب دیفرانسیل و احتمال.


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🖥 مجموعه‌ای از بهترین ریپو‌های گیت‌هاب
💰 در حوزه هوش مصنوعی و داده

👨🏻‍💻 به‌عنوان کسی که مدت‌هاست با حوزه یادگیری ماشین سر و کار دارم، می‌تونم بگم یکی از چالش‌هایی که همیشه بچه‌ها تو حوزه ML باهاش درگیرن، پیدا کردن منابع درست و کاربردیه.

✏️ به همین دلیل، من یه لیست فوق‌العاده از ریپازیتوری‌های کاربردی یادگیری ماشین آماده کردم که داشتنش برای هر کسی که می‌خواد وارد این حوزه بشه، ضروریه. این ریپازیتوری‌ها شامل این مباحث میشن:

🔢 پردازش زبان طبیعی
🔢 مدل‌های زبان بزرگ
🔢 بینایی کامپیوتر
🔢 علم داده
🔢 یادگیری ماشین
🔢 مهندسی داده
🔢 آمار و احتمالات
🔢 زبان SQL و دیتابیس

⏪ این ریپازیتوری‌ها نه تنها برای یادگیری، که برای الهام گرفتن و شروع پروژه‌های واقعی هم عالین.👇


┌ ✅ AI & Data GitHub-Repos
└ 🐱 GitHub-Repos


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت چهل و هفتم: "حل مسائل درخت تصمیم"
🔹 مدت زمان: 15:48
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

👨🏻‍💻 وقتی آموزش یادگیری ماشین رو توی MIT شروع کردم، اصلاً فکر نمی‌کردم این تجربه قرار باشه انقدر رووم تاثیر بذاره. چیزی که واقعاً متفاوتش می‌کرد، روش «آموزش همراه با پیاده سازی عملی» بود. این روش بهم یاد داد که مفاهیم پیچیده مثل الگوریتم‌ها و مدل‌های یادگیری رو با پروژه‌های عملی یاد بگیرم و توی زندگی واقعی پیاده کنم.

✏️ این تجربه‌ها انقدر منو تحت تاثیر قرار داد که تصمیم گرفتم چیزایی که یاد گرفتم رو با بقیه به اشتراک بذارم. یه مجموعه آموزشی به اسم Machine Learning: Teach by Doing درست کردم که توش از همون روش MIT استفاده کردم. توی 6 ماه گذشته 37 تا ویدیو ضبط کردم، که هر کدومشون نتیجه تمرین‌ها و چالش‌هایی بود که خودم باهاشون مواجه شدم.

✔️ یکی از چیزایی که یاد گرفتم اینه که یادگیری فقط توی خوندن کتاب یا دیدن ویدیو خلاصه نمی‌شه. وقتی چیزی رو انجام می‌دی، تازه می‌فهمی چقدر جزئیات کوچیک اهمیت دارن. این روش نه تنها مهارت‌هام رو قوی‌تر کرد، بلکه بهم کمک کرد تا بتونم این دانش رو به زبونی ساده و کاربردی با دیگران به اشتراک بذارم.👇


😉 یادگیری ماشین از صفر
😉 تاریخچه یادگیری ماشین
😉 انواع مدل‌های یادگیری ماشین
😉 مراحل پروژه‌های یادگیری ماشین
😉 نصب پایتون و VSCode
😉 آشنایی با طبقه‌بندهای خطی (۱)
😉 آشنایی با طبقه‌بندهای خطی (۲)
😉 کار با NumPy و scikit-learn
😉 الگوریتم Random Linear Classifier
😉 آشنایی با مدل Perceptron
😉 کدنویسی Perceptron
😉 قضیه همگرایی Perceptron
😉 اهمیت ویژگی‌ها در یادگیری ماشین
😉 آموزش One Hot Encoding
😉 رگرسیون لجستیک (۱)
😉 آشنایی با Cross Entropy Loss
😉 نحوه کار Gradient Descent
😉 رگرسیون لجستیک از صفر در پایتون
😉 معرفی Regularization
😉 پیاده‌سازی Regularization در پایتون
😉 مقدمه‌ای بر رگرسیون خطی
😉 پیاده‌سازی Ordinary Least Squares
😉 مفاهیم و اصول رگرسیون Ridge
😉 مروری بر رگرسیون برای مصاحبه‌ها
😉 معماری شبکه عصبی در ۳۰ دقیقه
😉 شهود Backpropagation
😉 توابع فعال‌سازی شبکه عصبی
😉 مفهوم Momentum
😉 تمرین عملی شبکه عصبی در پایتون
😉 مقدمه‌ای بر شبکه‌های عصبی کانولوشن
😉 آشنایی با فیلترهای 1D و عملیات کانولوشن
😉 فیلترهای 2D و شناسایی ویژگی‌ها
😉 لایه‌های فیلترینگ در CNNs
😉 اصطلاح Max Pooling در CNNs
😉 توضیح معماری CNN
😉 تکنیک Backpropagation در CNNs
😉 ساخت اَپ تشخیص تومور مغزی با CNN



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🥇 50 سوال منتخب مصاحبه‌های LLM‌

👨🏻‍💻 این فایل شامل 50 سوال کلیدی مدل‌های زبان بزرگه که مفاهیمی مثل Tokenization ,LoRA و حتی تکنیک‌های پیشرفته مثل Chain-of-Thought Prompting رو پوشش میده و جدیدا توی مصاحبه‌های یادگیری ماشین هم مطرح میشه.


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

📈 مایندمپ یادگیری هوش مصنوعی
◀️ به همراه منابع آموزشی رایگان


1⃣ زبان‌های برنامه‌نویسی:

🖥 آموزش زبان برنامه‌نویسی پایتون: LINK
🖥 آموزش زبان برنامه‌نویسی LINK :R
🖥 آموزش زبان برنامه‌نویسی جاوا: LINK


🔢 مبانی ریاضیات AI:

🖥 آموزش جبر خطی: LINK
🖥 آموزش آمار و احتمالات: LINK
🖥 آموزش حساب دیفرانسیل و انتگرال: LINK
🖥 آموزش ریاضیات گسسته: LINK


🔢 ابزارهای کار با داده‌ها:

🖥 آموزش کتابخانه pandas و LINK :NumPy
🖥 آموزش پایگاه داده LINK :SQLite
🖥 آموزش پایگاه داده LINK :MongoDB


🔢 کتابخانه‌های یادگیری ماشین:

🖥 آموزش کتابخانه LINK :scikit-learn
🖥 آموزش کتابخانه LINK :Tensorflow
🖥 آموزش کتابخانه LINK :Pytorch


🔢 یادگیری عمیق و شبکه‌های عصبی:

🖥 آموزش یادگیری عمیق: LINK
🖥 آموزش بینایی کامپیوتری: LINK


🔢 پلتفرم‌های توسعه و استقرار هوش مصنوعی:

🖥 آموزش پلتفرم LINK :Google Cloud AI
🖥 آموزش پلتفرم LINK : Azure AI Studio


🔢 ابزارهای مصورسازی داده‌ها:

🖥 آموزش کتابخانه LINK : Matplotlib
🖥 آموزش کتابخانه LINK : seaborn
🖥 آموزش کتابخانه LINK : Plotly


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت چهل و هشتم: "پروژه پایانی درخت تصمیم"
🔹 مدت زمان: 19:03
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

✅ پیش‌بینی‌های دقیق‌تر در یادگیری ماشین
🥇 با روش جدید BCPI

❓ جایگزینی برای الگوریتم قدرتمند XGBoost؟

👨🏻‍💻 خیلی اوقات برای مسائل پیش‌بینی از الگوریتم قدرتمند XGBoost استفاده می‌کنیم. الگوریتمی که به‌خاطر قابلیت‌هایش در تنظیم خودکار، سرعت بالا در آموزش و قدرت پیش‌بینیش، بسیار مشهوره! اما یه باگ مهمی داره...


✏️ تو بسیاری از مدل‌های یادگیری ماشین (مثل XGBoost)، پیش‌بینی‌های دقیق ارائه میشه اما میزان اطمینان یا عدم قطعیت پیش‌بینی‌ها به‌صورت جامع محاسبه نمیشه! حالا این روش جدید علاوه بر پیش‌بینی، عدم قطعیت رو هم با دقت بیشتری نشون می‌ده.


💸 روش جدید Boosted Conformal Prediction Intervals با ترکیب تکنیک‌های تقویتی (Boosting) و پیش‌بینی کانفورمال، نتایج شارپ‌تر (دقیق‌تر) و معتبرتری ارائه می‌ده. و در حوزه‌هایی که عدم قطعیت پیش‌بینی اهمیت زیادی داره، مثل حوزه‌های حساس پزشکی، مالی یا هواشناسی، کاربردی‌تره.


◀️ویژگی‌های روش جدید BCPI:

🔢 بازه‌های پیش‌بینی کوتاه‌تر و دقیق‌تر
🔢 تقویت دقت پیش‌بینی
🔢 کاهش ریسک تصمیم‌گیری
🔢 سازگاری با داده‌های نویزی و پیچیده
🔢 انعطاف‌پذیری بالا با سایر مدل‌ها
🔢 پیشرفت در اندازه‌گیری عدم قطعیت


┌ 💰 BCPI
├ 📄 PDF
└ 🐱 GitHub-Repos



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت چهل و نهم: "پروژه پایانی درخت تصمیم (2)"
🔹 مدت زمان: 20:00
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

📚 جزوه «مقدمه‌ای بر یادگیری ماشین»
🖥 دانشگاه خوارزمی و در 526 صفحه!

👨🏻‍💻 این روزها دارم جزوه یادگیری ماشین دکتر پدرام، دانشیار گروه برق و کامپیوتر دانشگاه خوارزمی رو می‌خونم. باید بگم انقدر منظم و مرحله‌به‌مرحله اصول یادگیری ماشین رو توضیح داده که واقعاً لذت بردم!

✏️ از مباحث پایه شروع میشه و اصول اولیه یادگیری ماشین رو توضیح میده، و کم‌کم وارد موضوعات پیشرفته‌تر می‌شه. متنش روونه و با کلی مثال‌های کاربردی، یادگیری رو ساده‌تر و کاربردی‌تر کرده.👌🏼



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔸 بهترین دوره «جبرخطی برای یادگیری ماشین»

👨🏻‍💻 مسلماً بهترین دوره جبر خطی برای یادگیری ماشین توسط پروفسور گیلبرت استرنگ در دانشگاه MIT ارائه شده، که یه دوره فوق‌العاده بی‌نظیر و کاملاً رایگان هست.

✔️ چرا نباید این دوره رو از دست بدیم؟ چون یه پایه قوی تو ریاضیات، کلید موفقیت توی یادگیری ماشین و الگوریتم‌های ML هست. با یادگیری اصولی جبرخطی، پایه‌ت رو برای فهم بهتر الگوریتم‌های یادگیری ماشین قوی می‌کنی و می‌تونی با اطمینان بیشتری به سراغ پروژه‌ها و چالش‌ها بری!👇


┌ 📄 Introduction to Linear Algebra
├ ✏️ Final Lecture
├ 😉 Lecture Videos
├ 📖 Book (WEB)
├ 📚 Book (PDF)
└ 📚 Solutions Manual (PDF)


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 یک نقشه راه ۸ ماهه برای ورود به دنیای یادگیری ماشین (بدون میان‌بُر!)


👨🏻‍💻 حوزه یادگیری ماشین شبیه یه ماراتن طولانیه، نه یه دوی سرعت! با اینکه این مسیر پر از چالش‌های جذابه، داشتن یه برنامه منظم و روشن می‌تونه هر قدمش رو مدیریت و حتی لذت‌بخش کنه.


✅ من یه نقشه راه ۵ مرحله‌ای براتون آماده کردم و هدفم اینه که تا با روزی چند ساعت تمرین، بتونین تو ۶ تا ۸ ماه، به مفاهیم و کاربردهای یادگیری ماشین مسلط بشین.


🔢 مرحله ۱: مفاهیم پایه ریاضی (۲۰-۲۵ ساعت)

✏️ پلی‌لیست پیشنهادی: مفاهیم پایه برای یادگیری ماشین

⏪ چرا از اینجا شروع کنیم؟ چون باید ریاضیات‌تون رو قوی کنین! موضوعاتی مثل جبر خطی، احتمال، آمار، حسابان، بهینه‌سازی و مبانی برنامه‌نویسی تو این مرحله خیلی مهمن.

🕓 زمان لازم: ۲-۳ ساعت در هفته، به مدت ۸ هفته.
✂️ ✂️ ✂️ ✂️ ✂️


🔢 مرحله ۲: یادگیری ماشین (۶۰-۶۵ ساعت)

✏️ پلی‌لیست پیشنهادی ۱: آموزش یادگیری ماشین با پروژه

⏪ با انجام پروژه‌های واقعی، روند کار الگوریتم‌ها رو بهتر می‌فهمین.

🕓 زمان لازم: ۴ ساعت در هفته، به مدت ۱۰ هفته.

✏️ پلی‌لیست پیشنهادی ۲: آموزش درخت‌های تصمیم

⏪ الگوریتم‌های درخت تصمیم پایه بسیاری از مدل‌های ML هستن.

🕓 زمان لازم: ۴ ساعت در هفته، به مدت ۵ هفته.
✂️ ✂️ ✂️ ✂️ ✂️


🔢 مرحله ۳: یادگیری عمیق (۳۵-۴۰ ساعت)

✏️ پلی‌لیست پیشنهادی: ساخت شبکه‌های عصبی از صفر

⏪ درک شبکه‌های عصبی از طریق کدنویسی کمک می‌کنه مفاهیم پیچیده رو بهتر یاد بگیرین.

🕓 زمان لازم: ۵ ساعت در هفته، به مدت ۸ هفته.
✂️ ✂️ ✂️ ✂️ ✂️


🔢 مرحله ۴: موضوعات پیشرفته (۴۰-۴۵ ساعت)

✏️ پلی‌لیست پیشنهادی ۱: شبکه‌های عصبی گراف

⏪ الگوریتم‌های گراف در حوزه‌هایی مثل شبکه‌های اجتماعی و زیست‌شناسی کاربرد دارن.

🕓 زمان لازم: ۳ ساعت در هفته، به مدت ۸ هفته.


✏️ پلی‌لیست پیشنهادی ۲: AI توضیح‌پذیر

⏪ ساخت پروژه‌های با تمرکز بر تفسیرپذیری و شاید اولین مقاله تحقیقی شما!

🕓 زمان لازم: ۳ ساعت در هفته، به مدت ۵ هفته.
✂️ ✂️ ✂️ ✂️ ✂️


🔢 مرحله ۵: هوش مصنوعی مولد، ترنسفورمرها، و مدل‌های زبانی بزرگ (۱۰۰-۱۱۰ ساعت)

✏️ پلی‌لیست‌های پیشنهادی:

📌 هوش مصنوعی مولد برای مبتدیان (۸ ساعت)
📌 ساخت LLM‌ها از صفر (۴۰-۴۵ ساعت)
📌 کار عملی با LLM‌ها (۴۰-۴۵ ساعت)
📌 ترنسفورمرها (۱۵ ساعت)

⏪ یادگیری این مباحث شما رو برای آینده آماده می‌کنه.

🕓 زمان لازم: ۵ ساعت در هفته، به مدت ۲۰ هفته.
✂️ ✂️ ✂️ ✂️ ✂️


📚 مطالعات اختیاری [۱۰۰ ساعت]

📌 یادگیری ماشین با Julia
📌 از صفر تا صد علم داده

🕓 مدت زمان کل: ۲۷۵ ساعت + ۱۴۰ ساعت اختیاری
🗓 زمان‌بندی: ۶-۸ ماه

💰 نتیجه: پایه‌تون رو توی ML قوی می‌کنین، مهارت‌های عملی یاد می‌گیرین و با موضوعات پیشرفته همیشه یک قدم از بقیه جلوتر هستین!



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت پنجاهم: "الگوریتم جنگل تصادفی"
🔹 مدت زمان: 23:13
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

😍 ابزار Dash جایگزینی بی‌نظیر برای Streamlit

👨🏻‍💻 اوایل برای ارائه‌ گزارش‎‌ها و پروژه‌هام از Streamlit استفاده می‌کردم، ولی محدودیت‌هاش توی سفارشی‌سازی، اعطاف پذیری و ظاهر و زیبایی پروژه‌ها واقعاً اذیتم می‌کرد. به همین خاطر، سراغ Dash رفتم، و واقعاً بهترین انتخابم شد!

✏️ این کتابخونه پایتون، ترکیبی از قدرت رابط کاربری و پردازش بک‌اند رو ارائه می‌ده و اجازه می‌ده تا همزمان با انعطاف بالا، یه ارائه شیک و کاربردی داشته باشم.

✅ حالا Dash چی داره که بقیه ندارن؟

1⃣ پشتیبانی بومی از نمودارهای تعاملی با Plotly برای نمایش گراف‌ها و تصاویر.

🔢 کامپوننت‌های Mantine برای طراحی رابط کاربری مدرن و زیبا.

🔢 امکان ادغام ساده فرم‌های Pydantic در رابط کاربری.

🔢 دسترسی به هزاران نماد با Dash Iconify.

🔢 پشتیبانی از وبسایت‌های چند صفحه‌ای برای اپلیکیشن‌های پیچیده.


┌ 🏳️‍🌈 Dash
├ 📄 Documentation
└ 🐱 GitHub-Repos


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت پنجاه و یکم: "حل مثال از الگوریتم جنگل تصادفی"
🔹 مدت زمان: 11:02
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

📊 تکنیک‌های ارزیابی مدل‌های رگرسیون ML


👨🏻‍💻 خیلیا فقط روی طراحی و آموزش مدل‌های رگرسیون یادگیری ماشین تمرکز می‌کنن و ارزیابی عملکرد مدل رو دست‌کم می‌گیرن! ولی سوال مهم اینه که چقدر این مدل خوب پیش‌بینی می‌کنه؟ آیا نتایجی که بهمون میده قابل اعتماده یا نه؟

✅ اینجا هست که معیارهای ارزیابی وارد عمل می‌شن! هر کدوم از این معیارها برای تحلیل یه جنبه خاص از عملکرد مدل طراحی شدن. من 7 تا از تکنیک‌های ارزیابی مدل رو به همراه کاربردش بهتون معرفی کردم:👇


1️⃣ خطای میانگین (ME): میانگین اختلاف بین مقادیر واقعی و پیش‌بینی‌شده.

✏️ کاربرد: وقتی می‌خواین بفهمین مدل، پیش‌بینی‌ها رو به طور سیستماتیک بیشتر یا کمتر از مقدار واقعی تخمین می‌زنه.
✂️ ✂️ ✂️ ✂️ ✂️

2️⃣ میانگین قدر مطلق خطا (MAE): میانگین قدر مطلق اختلاف‌ها بین مقادیر واقعی و پیش‌بینی‌شده.

✏️ کاربرد: وقتی بزرگی خطا مهمه اما نمی‌خواین مثبت یا منفی بودن خطا تأثیری توی محاسبات داشته باشه. مثلاً در پیش‌بینی دما یا نرخ ارز.
✂️ ✂️ ✂️ ✂️ ✂️

3️⃣ میانگین مربعات خطا (MSE): میانگین مربع اختلاف‌ها بین مقادیر واقعی و پیش‌بینی‌شده.

✏️ کاربرد: اگر مدلتون خطاهای بزرگی داره، این معیار اون‌ها رو بیشتر برجسته می‌کنه و نشون می‌ده کجاها باید بهبود داشته باشین.
✂️ ✂️ ✂️ ✂️ ✂️

4️⃣ جذر میانگین مربعات خطا (RMSE):

✏️ کاربرد: این معیار خطا رو تو همون واحد خروجی مدل نشون می‌ده.
✂️ ✂️ ✂️ ✂️ ✂️

5️⃣ میانگین درصد خطا (MPE): میانگین درصد خطاها بین مقادیر واقعی و پیش‌بینی‌شده.

✏️ کاربرد: وقتی می‌خوای خطا رو به صورت نسبی تحلیل کنین، این معیار مناسب‌ترینه. مثلاً در تحلیل فروش یا بازدهی سرمایه‌گذاری.
✂️ ✂️ ✂️ ✂️ ✂️

6️⃣ میانگین درصد خطای مطلق (MAPE): میانگین قدر مطلق درصد خطاها.

✏️ کاربرد: برای فهم ساده و سریع خطاها به صورت درصدی. مثل پیش‌بینی سود شرکت‌ها.
✂️ ✂️ ✂️ ✂️ ✂️

7️⃣ میانگین قدر مطلق خطای مقیاس‌شده (MASE): خطایی که با خطای معیار اولیه مقیاس‌بندی شده.

✏️ کاربرد: وقتی می‌خواین دقت چند مدل مختلف رو روی داده‌هایی با مقیاس‌های متفاوت مقایسه کنین.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت پنجاه و دوم: "پروژه الگوریتم جنگل تصادفی"
🔹 مدت زمان: 19:14
⚙️ محصولی از: Pista Academy


🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

📚 کتابی که پیچیدگی‌های یادگیری ماشین رو ساده می‌کنه!

👨🏻‍💻 یادمه اولین باری که تصمیم گرفتم یادگیری ماشین رو شروع کنم، منابع زیاد، کتاب‌های تخصصی با اصطلاحات سخت و دوره‌هایی که انگار هیچ پایانی ندارن، واقعاً سردرگمم کرده بود.

✏️ هرچی بیشتر می‌گشتم، کمتر می‌تونستم تصمیم بگیرم. انگار که یادگیری ماشین فقط برای متخصص‌های حرفه‌ایه و یه آدم عادی مثل من نمی‌تونه یادگیری ماشین رو شروع کنه.

✔️ اما "کتاب صد صفحه‌ای یادگیری ماشین" برخلاف خیلی از منابع دیگه، مباحث این حوزه رو خیلی برام ساده کرد، اما نه اون‌قدر که از مفاهیم اصلی فاصله بگیره. حالا شاید فکر کنین چون کتاب فقط صد صفحه‌ست، به اندازه کافی نمی‌تونه موضوعات مهم رو پوشش بده. ولی اشتباه نکنین!

💸 این کتاب وقتتون رو هدر نمی‌ده و مستقیم میره سر اصل مطلب. و چیزی که این کتاب رو خاص می‌کنه، تمرکز روی جنبه‌های عملی یادگیری ماشینه. این‌جا فقط صحبت از تئوری نیست؛ از انتخاب مدل مناسب گرفته تا کار با داده‌های واقعی رو بررسی می‌کنه.👇


┌ 📙 The Hundred-Page ML
├ 💰 Ebook
└ 📄 PDF



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa

🎁 580 ایجنت‌ هوش مصنوعی در یک سایت!

👨🏻‍💻 بعد از هوش مصنوعی مولد (GenAI)، عامل‌های هوش مصنوعی (AIAgents) دارن نقش کلیدی تو پیشرفت حوزه یادگیری ماشین بازی می‌کنن و به این حوزه یه بُعد جدیدی دادن!


✅ بر اساس گزارش سایت AIAgentsDirectory، در دسامبر 2024 تعداد 580 عامل هوش مصنوعی ثبت شده است.


⏪ این وبسایت نقشه جامعی از اکوسیستم عوامل هوش مصنوعی ارائه می‌کنه که این عامل‌ها رو در بخش‌های مختلف دسته‌بندی کرده و بهتون کمک می‌کنه مناسب‌ترین ابزار برای طراحی، آموزش و بهینه‌سازی مدل‌هاتون رو پیدا کنین.👇


┌ 💸 AI Agents Ecosystem
└ 💰 Website



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید :
💡 @MachineLearning_ir
📱 پیج اینستاگرام:
💡 @MachineLearning_fa