🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت شصت و دوم: "ادامه پروژه چهارم ML"
📂 دیتاست پروژه: LINK
🔹 مدت زمان: 23:16
⚙️ محصولی از: Pista Academy


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

👨🏻‍💻 کار کردن با داده‌ها برای مدل‌های زبان بزرگ (LLMs) همیشه راحت نیست، مخصوصاً وقتی فایل‌هایی با فرمت‌های مختلف مثل PPT, Excel، یا فایل‌های صوتی رو دارید که هرکدوم نیاز به مراحل پیش‌پردازش خاص خودشون رو دارن.

✔️ خوشبختانه مایکروسافت ابزار MarkItDown رو به صورت اُپن سورس منتشر کرده، که کار رو خیلی راحت‌تر می‌کنه.

✏️ یک کتابخونه پایتون که به شما اجازه می‌ده هر نوع سندی رو به فرمت Markdown تبدیل کنید. این ابزار فوق‌العاده می‌تونه در فرآیند آماده‌سازی داده‌ها برای مدل‌های زبان بزرگ (LLMs) خیلی کاربردی باشه و پردازش فایل‌ها رو برای LLMها خیلی ساده‌تر کنه.

🥵 فرمت‌هایی که پشتیبانی می‌کنه: PDF, PPT, Word, Excel، تصاویر، فایل‌های صوتی، HTML, JSON, XML و فایل‌های ZIP.


┌ 🏷 MarkItDown
└ 🐱 GitHub-Repos


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

➕ 22 مفهوم ضروری ریاضی در یادگیری ماشین
📚 به همراه کتاب رایگان ریاضیات ML

👨🏻‍💻 اگه می‌خواین توی مهندسی یادگیری ماشین از بقیه جلو بزنین و جزو اون 1% برتر مهندس یادگیری ماشین باشین، ریاضی رو خیلی جدی بگیرین! این 22 مفهوم ریاضی رو باید مثل آب خوردن بلد باشین:👇


1️⃣ جبر خطی:

1) ضرب ماتریسی: برای تغییر و تبدیل داده‌ها به‌عنوان یک تابع.
2) بردار ویژه و مقدار ویژه: برای پیدا کردن الگوهای مهم در فضای چندبعدی.
3) تجزیه مقادیر منفرد (SVD): برای ساده‌سازی داده‌ها به اجزای پایه‌ای.
4) ضرب داخلی: برای سنجیدن میزان شباهت دو مجموعه ویژگی.
5) فضاهای برداری و نُرم‌ها: برای اندازه‌گیری فاصله‌ها و بزرگی‌ها.


2️⃣ حسابان:

6) مشتق: برای سنجیدن تأثیر متغیرها روی خروجی.
7) مشتق جزئی: برای تحلیل تغییرات چند متغیر.
8) قاعده زنجیره‌ای: برای ارتباط تغییرات بین متغیرها.
9) گرادیان نزولی: برای کاهش خطا به مرور و بهینه‌سازی.
10) انتگرال: برای محاسبه مساحت زیر منحنی‌ها.


3️⃣ آمار و و احتمال:

11) احتمال شرطی: برای تخمین احتمال با توجه به وقایع قبلی.
12) قضیه بیز: برای به‌روزرسانی پیش‌بینی‌ها با داده‌های جدید.
13) توزیع‌های احتمالی: برای توضیح خروجی‌های ممکن.
14) میانگین، میانه و مد: برای خلاصه‌سازی داده‌ها.
15) انحراف معیار و واریانس: برای سنجش پخش داده‌ها.
16) کوواریانس و همبستگی: برای پیدا کردن روابط بین متغیرها.
17) آزمون فرض: برای بررسی معتبر بودن نتایج.
18) قضیه حد مرکزی: برای فهم توزیع نمونه‌ها.


4️⃣ بهینه‌سازی:

19) گرادیان نزولی تصادفی: برای بهینه‌سازی کارآمد داده‌های بزرگ.
20) توابع هزینه: برای سنجیدن خطا در پیش‌بینی‌ها.
21) ضریب لاگرانژ: برای بهینه‌سازی با در نظر گرفتن محدودیت‌ها.
22) بهینه‌سازی محدب: برای پیدا کردن جواب‌های قطعی و بهینه.


┌ 📚 Mathematics for ML
├ 📄 Book (PDF)
└ 🐱 GitHub-Repos


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

🔹 دوره فارسی و جامع «یادگیری ماشین»

✅ قسمت شصت و سوم: "ادامه پروژه چهارم ML"
📣 قسمت پایانی!
📂 دیتاست پروژه: LINK
🔹 مدت زمان: 13:13
⚙️ محصولی از: Pista Academy


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

📄 چیت‌شیت جدید یادگیری ماشین
✅ خلاصه و جامع

👨🏻‍💻 این فایل چکیده‌ای از همه چیزایی که باید درباره ماشین لرنینگ بدونی. با این چیت‌شیت، می‌تونی یه تصویر کلی از حوزه داده‌ها و الگوریتم‌های مختلف به‌دست بیاری و بفهمی این الگوریتم‌ها از نظر ریاضیاتی چطور کار می‌کنن. این دید کلی باعث میشه تا درک درستی از مبانی ریاضی پشت یادگیری ماشین داشته باشی!


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

🗺 نقشه راه جدید «یادگیری ماشین»
✅ آپدیت شده برای سال ۲۰۲۵!

👨🏻‍💻 چیزی تا شروع سال جدید میلادی باقی نمونده و تصمیم گرفتم یه نقشه راه آپدیت شده و به روز رو برای شروع یادگیری ماشین در سال 2025 بهتون معرفی کنم.

💸 این نقشه راه در 3 فاز و 12 ماه برای سال 2025 تهیه شده و از مفاهیم پایه شروع میشه و بعد دوره‌ها و منابع معتبر و کاربردی رو بهتون معرفی می‌کنه.

🔴 ویژگی مهم این نقشه راه اینه که فقط به مفاهیم تئوری نمی‌پردازه، بلکه با معرفی دوره‌ها و منابع کاربردی سعی می‌کنه تا شما رو درگیر انجام پروژه‌های واقعی کنه.


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

😍 با ابزار OpenHands؛ دیگه نیاز به کدنویسی نداری!

👨🏻‍💻 پلتفرم OpenHands با بیش از 33 هزار ستاره تو گیت‌هاب، فضایی رو فراهم کرده که توش می‌تونی با دستیارهای هوش مصنوعی کار کنی. حالا این دستیارها می‌تونن مثل یه توسعه‌دهنده واقعی برات کد بنویسن و کارهایی که قبلاً فقط یه برنامه‌نویس می‌تونست انجام بده رو، انجام بدن.


✅ فکر کن به جای اینکه خودت بشینی کد بزنی، این ابزار می‌تونه برات کدها رو دستکاری کنه، دستورات لازم رو اجرا کنه، تو وب بگرده دنبال جواب سوالات، APIها رو فراخوانی کنه، و حتی از منابعی مثل StackOverflow کمک بگیره و کدهای آماده رو برداره! این یعنی صرفه‌جویی تو وقت و انرژی و تمرکز بیشتر روی بخش‌های مهم و استراتژیک پروژه‌ات!

🖥 با چنین ابزاری دیگه لازم نیست روی کارهای روتین و تکراری تمرکز کنی. OpenHands در واقع دست راست برنامه‌نویس‌هاست و کمک می‌کنه به جای وقت گذاشتن روی کارهای کوچیک، روی ایده‌های بزرگتر و خلاقانه‌تر وقت بذاری.👇


┌ 🤖 OpenHands
├ 💰 Website
├ 😉 Tutorial Video
├ 📚 Documentation
└ 🐱 GitHub-Repos


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

👨🏻‍💻 یه ابزار گرافیکی باحال پیدا کردم که می‌تونین پروژه‌های ماشین لرنینگ رو بدون نیاز به کدنویسی باهاش انجام بدین!


✏️ کمپانی Hugging Face با همکاری گوگل، یه ابزار درست کردن به اسم Visual Blocks. این ابزار گرافیکی کلی امکانات داره؛ از ساخت pipeline‌های متنوع گرفته تا استفاده از مدل‌های Hugging Face برای پروژه‌های یادگیری ماشین.

✅ خیلی از مثال‌ها و پروژه‌های از پیش آماده هم توی این ابزار وجود داره. مخصوصاً برای کسایی که تجربه‌ کدنویسی ندارن عالیه!👌

💸 این ابزارو می‌تونین کاملاً به صورت لوکال اجراش کنین یا از مدل‌های موجود به‌صورت آنلاین استفاده کنین.


┌ ✏️ Visual Blocks
├ 💰 LINK
└ 🐱 GitHub-Repos


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

🖥 لیست ویدیو‌های
🥵 دوره فارسی و جامع «یادگیری ماشین»
🏷 محصولی از: Pista Academy

❗️ بخش اول: قسمت‌های 21-1


📣 قسمت (1): مقدمات و نصب Anaconda

📣 قسمت (2): رگرسیون خطی

📣 قسمت (3): رگرسیون خطی (2)

📣 قسمت (4): کتابخانه scikit-learn

📣 قسمت (5): روش‌های ارزیابی الگوریتم

📣 قسمت (6): روش‌های ارزیابی الگوریتم (2)

📣 قسمت (7): نکات رگرسیون خطی

📣 قسمت (8): بهبود مدل رگرسیون خطی

📣 قسمت (9): ساخت مدل رگرسیون خطی

📣 قسمت (10): بهینه کردن پارامتر‌های الگوریتم

📣 قسمت (11): بهینه کردن پارامتر‌های الگوریتم

📣 قسمت (12): منظم‌سازی

📣 قسمت (13): اعتبارسنجی متقابل

📣 قسمت (14): پیاده سازی مباحث جلسات قبل

📣 قسمت (15): منظم‌سازی L1

📣 قسمت (16): ElasticNetCV

📣 قسمت (17): مهندسی ویژگی

📣 قسمت (18): داده‌های پرت

📣 قسمت (19): حذف داده‌های پرت

📣 قسمت (20): Null Values

📣 قسمت (21): آماده سازی داده‌ها



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

🖊 جزوه خلاصه و جامع «یادگیری ماشین»

👨🏻‍💻 اگه می‌خوای مباحث یادگیری ماشین رو یه مرور سریع و کامل انجام بدی، این جزوه دقیقاً همون چیزیه که لازم داری! این جزوه در 50 صفحه همه‌چی رو از درخت تصمیم و رگرسیون خطی گرفته تا شبکه‌های عصبی و مدل‌های احتمالاتی رو پوشش میده.

✔️ یکی از ویژگی‌های فوق العاده این جزوه اینه که وقتی می‌خوای وارد مباحثی مثل شبکه‌های عصبی کانولوشنی یا یادگیری تقویتی بشی، دیگه احساس نمی‌کنی مباحث از سطح خودت بالاتره. همه چیز با مثال‌های ساده و قابل فهم توضیح داده شده و در نهایت به مرحله‌ای می‌رسی که الگوریتم‌های پیچیده رو می‌فهمی و اجرا می‌کنی!


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

❓ برای انجام پروژه‌های یادگیری ماشین از کجا شروع کنیم؟ چه پروژه‌هایی برای شروع بهتره؟


🔢 مرحله اول: پروژه‌های ساده؛ مثل پروژه‌های Kaggle و گیت‌هاب

👨🏻‍💻 برای شروع مسیر یادگیری ماشین، بهتره از پروژه‌های ساده‌تر شروع کنی. چند نمونه از این پروژه‌ها رو که می‌تونی باهاشون شروع کنی اینجاست:👇

✏️ پیش‌بینی قیمت مسکن: لینک
✏️ تشخیص ارقام دست‌نویس: لینک
✏️ تشخیص توییت‌های مربوط به بلایای طبیعی: لینک

🔴 نکته مهم! هیچ‌وقت کدها رو فقط کپی-پیست نکن! هر خط کد رو کامل درک کن و سعی کن با نحوه عملکردش آشنا بشی.


🔢 مرحله دوم: پروژه‌های شخصی‌سازی شده

👨🏻‍💻 حالا وقتشه که پروژه‌های معروف رو برداری و به دلخواه خودت تغییر بدی. مثلاً اگه پروژه‌ای در مورد پیش‌بینی قیمت مسکن در ایالت کالیفرنیا هست، می‌تونی مشابه همون پروژه رو برای شهر خودت انجام بدی؛ داده‌ها رو جمع‌آوری کنی، مدل یادگیری رو اجرا کنی و پارامترها رو بهینه کنی. اینجور پروژه‌ها به دلیل شخصی‌سازی، ارزش بالایی دارن و توجه بیشتری رو جلب می‌کنن.


🔢 مرحله سوم: پروژه‌های تحقیقاتی

👨🏻‍💻 در این مرحله باید با یک گروه تحقیقاتی کار کنی و اولین مقاله‌ی علمی خودت در حوزه یادگیری ماشین رو منتشر کنی. داشتن یک مقاله‌ی تحقیقاتی در کنفرانس‌هایی مثل NeurIPS ،ICML یا ICLR تو رو از 90% یادگیرنده‌های این حوزه متمایز می‌کنه. البته که این مرحله زمان و صبر می‌طلبه، ولی ارزشش رو داره.

🖥 اگه می‌خوای در این مورد بیشتر بدونی، این ویدئوی ۷ دقیقه‌ای رو ببین: لینک



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

🗺راهنمای جامع «انتخاب الگوریتم مناسب یادگیری ماشین» برای پروژه‌ها

👨🏻‍💻 همیشه انتخاب الگوریتم مناسب تو پروژه‌های یادگیری ماشین برام چالش بوده. گاهی یه الگوریتم از نظر تئوری خیلی خوبه، ولی تو عمل بهینه‌ترین عملکرد رو نداره.

🏷 یکی از منابعی که این مدت خیلی بهم کمک کرد، همین جزوه 30 صفحه‌ایه. تو این جزوه الگوریتم‌ها رو هم کامل توضیح داده و هم کامل راهنماییت کرده که شرایط مناسب برای استفاده از هر الگوریتم چیه.

⏪ یه قسمت جذاب دیگشم، مقایسه عملکرد الگوریتم‌ها در سناریوهای مختلفه. قشنگ بهت میگه چیا باعث میشه یه الگوریتم تو یه پروژه موفق باشه یا نه.


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

🔴 جدیدترین دوره «یادگیری ماشین»
💻 دانشگاه MIT / پاییز 2024
📚 اسلایدها + تمرینات + تکالیف


👨🏻‍💻 من از اول این ترم تصمیم گرفتم تا یادگیری ماشین رو با دوره پاییز امسال دانشگاه MIT شروع کنم. حالا که به هفته‌های آخر این دوره رسیدم، واقعاً حس می‌کنم ارزش معرفی به بقیه رو داره، چون دید من به یادگیری ماشین رو کاملاً تغییر داده!🥇

✔️ یه دوره فوق العاده که اصول و مفاهیم یادگیری ماشین و الگوریتم‌هاش رو از دید بهینه‌سازی بررسی می‌کنه و روی موضوعات زیر تمرکز داره:

⚫️ مدل‌های خطی و غیرخطی
⚫️ یادگیری تقویتی
⚫️ روش‌های گرادیان‌محور
⚫️ معماری شبکه‌های عصبی


💰 خلاصه خیلی دوره کاملیه و اسلایدها، تمرین‌ها، تکالیف و همه‌چیش هم موجوده:👇


┌ 👩‍💻 Intro to ML
└ 🗂 Course Homepage


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

📄 جزوه صفر تا صد یادگیری ماشین
✅ از تئوری تا عمل

👨🏻‍💻 اگه می‌خواین از صفر و بدون هیچ پیش‌زمینه‌ای یادگیری ماشین رو شروع کنین، این جزوه دقیقاً همون چیزیه که نیاز دارین! این کتابچه قدم‌به‌قدم بهتون یاد می‌ده که چطور مدل‌های مختلف یادگیری ماشین مثل رگرسیون خطی، درخت تصمیم، و حتی شبکه‌های عصبی رو با استفاده از پایتون، از پایه پیاده‌سازی کنین.

⏪ اینجا فقط قرار نیست با چند تا کتابخانه مثل scikit-learn یا TensorFlow کار کنین؛ بلکه یاد می‌گیرین که واقعاً این مدل‌ها چطور کار می‌کنن، کی باید ازشون استفاده کنین و چطور می‌تونین عملکردشون رو بهبود ببخشین.


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

✅ لیست «پروژه‌های یادگیری ماشین من»
📉 آنالیز پروژه + فایل پروژه + دیتاست


1️⃣ پروژه اول: پیش بینی قیمت املاک

2️⃣ پروژه دوم: پیش‌بینی قیمت خودرو‌ها

3️⃣ پروژه سوم: پیش‌بینی قیمت طلا

4️⃣ پروژه چهارم: پیش‌بینی میزان فروش

5️⃣ پروژه پنجم: پیش‌بینی انتشار CO2

6️⃣ پروژه ششم: پیش‌بینی مصرف برق در شیکاگو

7️⃣ پروژه هفتم: پیش‌بینی بیماری کم‌خونی

8️⃣ پروژه هشتم: پیش‌بینی وضعیت آب و هوا

9️⃣ پروژه نهم: شناسایی ارقام دست‌نویس

1️⃣ پروژه دهم: پیش‌بینی تب دنگی

1️⃣ پروژه یازدهم: تحلیل داده‌های مهاجرت

1️⃣ پروژه دوازدهم: پیش‌بینی قیمت خونه

1️⃣ پروژه سیزدهم: پیش‌بینی قیمت پرواز

1️⃣ پروژه چهاردهم: شناسایی ایمیل‌های مخرب

1️⃣ پروژه پانزدهم: پیش‌بینی هزینه‌های پزشکی


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

📚 جزوه چالش 30 روزه یادگیری ماشین

👩🏻‍💻 یک ماه پیش تصمیم گرفتم که یه چالش 30 روزه "مرور مباحث یادگیری ماشین" رو شروع کنم و مباحث یادگیری ماشین رو طبقه بندی کنم و هر روز یه بخش رو مرور کنم.

✅ این چالش شامل همه مباحث ML می‌شه و هر روز یه بخش جدید رو مرور و تمرین کردم. بعد از هر روز، تجربیات و نکات مهمی که یاد گرفتم رو در قالب یه جزوه جمع آوری کردم. حالا من یه جزوه جامع دارم که همه‌ی اون چه که از یادگیری ماشین لازمه بدونین رو، داخلش آوردم.


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

🖥 لیست ویدیو‌های
🥵 دوره فارسی و جامع «یادگیری ماشین»
🏷 محصولی از: Pista Academy

❗️ بخش دوم: قسمت‌های 42-22


📣 قسمت (22): Missing Values

📣 قسمت (23): تبدیل دیتای string به عدد

📣 قسمت (24): پروژه رگرسیون خطی

📣 قسمت (25): تقسیم داده

📣 قسمت (26): K-Fold Cross-Validation

📣 قسمت (27): Cross-Validation

📣 قسمت (28): Grid Search

📣 قسمت (29): پروژه و مرور مباحث پیشین

📣 قسمت (30): رگرسیون لجستیک

📣 قسمت (31): پروژه رگرسیون لجستیک (1)

📣 قسمت (32): پروژه رگرسیون لجستیک (2)

📣 قسمت (33): پروژه رگرسیون لجستیک (3)

📣 قسمت (34): روش‌های رگرسیون لجستیک

📣 قسمت (35): انجام پروژه رگرسیون لجستیک

📣 قسمت (36): پروژه پیش بینی حمله قلبی

📣 قسمت (37): KNN

📣 قسمت (38): پروژه و مرور مباحث

📣 قسمت (39): ادامه مبحث KNN

📣 قسمت (40): پروژه پایانی الگوریتم KNN

📣 قسمت (41): الگوریتم SVM

📣 قسمت (42): پیاده‌سازی الگوریتم SVM



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

🗓 قبل از پایان سال در این «دوره‌های رایگان یادگیری ماشین» شرکت کنید!


👨🏻‍💻 داخل یوتیوب دوره های زیادی برای آموزش مباحث ماشین لرنینگ وجود داره. ولی من سعی کردم بهترین دوره‌های رایگان و جامع یوتیوب رو براتون توی یه پست جمع آوری کنم.

✔️ این دوره‌های رایگان همشون در YouTube در دسترسه و این احساس رو بهتون میدن که انگار دارین در یه دوره واقعی شرکت می‌کنین. پس از دستشون ندین!👌🏼


┌ 📂 Machine Learning
├ ◼️ Introduction to ML 2020/21
├ ◻️ Stanford CS229: Machine Learning
├ ◼️ Cornell Tech CS 5787: Applied ML
├ ◻️ Making Friends with ML
└ ◼️ Foundation Models


┌ 📂 Statistical
└ ◻️ Statistical Machine Learning


┌ 📂 Deep Learning Beginners
├ ◼️ MIT 6.S191: Introduction to DL
├ ◻️ CMU Introduction to Deep Learning
├ ◼️ MIT: Introduction to Deep Learning
├ ◻️ Neural Networks: Zero to Hero
└ ◼️ Foundations of Deep RL


┌ 📂 Deep Learning Intermediate
├ ◼️ Stanford CS230: Deep Learning
├ ◻️ CS25 - Transformers United
├ ◼️ MIT 6.S192: DL for Art
├ ◻️ CS 285: Deep RL
├ ◼️ Stanford: Reinforcement Learning
├ ◻️ Berkeley: DL Unsupervised
├ ◼️ NYU Deep Learning
├ ◻️ Full Stack Deep Learning
└ ◼️ Deep Learning for Computer Vision


┌ 📂 NLP
├ ◼️ Hugging Face Course: NLP
├ ◻️ CS224U: NL Understanding
├ ◼️ CMU Advanced NLP
├ ◻️ CMU Multilingual NLP
└ ◼️ UMass CS685: Advanced NLP


┌ 📂 Practical
├ ◼️ Practical Deep Learning for Coders
└ ◻️ ML Engineering for Production



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