✨#زیبایی_های_ریاضی

💠 هفت سطح ریاضی!

📱https://youtu.be/EPe86sveyRY?si=N9kMjWPrQQq56tJy

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#توسعه_و_تحقیق_کار_ها

📌این ویدئو تفاوت های بین یک مطالعه مشاهده ای و یک آزمایش طراحی شده و همچنین ارتباط و علت را مورد بحث قرار می دهد.

📱https://youtu.be/uSZA5UIDpDE?si=eaSS2vC4ZbwPVJce

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#گام_به_گام

🏆قهرمان گواهی شده GitHub- قسمت اول

💠1. GitHub Foundations:
مبانی و اصول اولیه Git و GitHub را پوشش می‌دهد.

✨مسیر یادگیری "پایه های GitHub" یک سفر مختصر و مبتدی است که برای آشنا کردن شما با مفاهیم و محصولات اساسی GitHub طراحی شده است. شما مزایای استفاده از GitHub را به عنوان یک پلتفرم مشارکتی کشف خواهید کرد و ویژگی های اصلی آن مانند مدیریت مخزن، تعهدات، شاخه ها و ادغام را کشف خواهید کرد. از طریق ماژول‌ها و تمرین‌های عملی که به دقت تنظیم شده‌اند، درک کاملی از ابزارهای ضروری GitHub به دست خواهید آورد و برای شروع مشارکت در پروژه‌ها و همکاری مؤثر در GitHub به خوبی مجهز خواهید شد.

✅ موارد موجود در این مجموعه

▫️مقدمه ای بر Git

▪️مقدمه ای بر GitHub

▫️معرفی محصولات GitHub

▪️مقدمه ای بر GitHub Copilot

▫️کار خود را با پروژه های GitHub مدیریت کنید

▪️با استفاده از Markdown به طور موثر در GitHub ارتباط برقرار کنید

▫️در یک پروژه منبع باز در GitHub مشارکت کنید

▪️با استفاده از GitHub یک برنامه InnerSource را مدیریت کنید

▫️با استفاده از بهترین شیوه های GitHub یک مخزن امن نگهداری کنید.

▪️مقدمه ای بر مدیریت GitHub

▫️هویت کاربران را در GitHub احراز و تأیید کنید.

▪️با استفاده از درخواست‌های کششی در GitHub، تغییرات مخزن را مدیریت کنید.

▫️با استفاده از GitHub تاریخچه مخزن را جستجو و سازماندهی کنید.

▪️استفاده از GitHub Copilot با پایتون


#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#اکتشاف_دنیای_دیجیتال

✨متلب یا پایتون کدامیک بهتر است؟

https://youtu.be/csfJE8sU5tA?si=JsYFgqW3O3UVOeNP

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🗣#سخن_بزرگان

✨"ریاضیات، زبان جهانی علم است."✨
بوریس یاکوولویچ لوین (Boris Yakovlevich Levin)

💠بوریس یاکوولویچ لوین (Boris Yakovlevich Levin) یکی از ریاضیدانان برجسته روسی در زمینه نظریه احتمالات و آمار است. او به خاطر کارهایش در نظریه‌های تصادفی و روش‌های آماری شناخته می‌شود. لوین در سال ۱۹۱۲ در روسیه متولد شد و تحصیلات خود را در دانشگاه‌های معتبر این کشور گذراند.

▎دستاوردها و کارهای علمی:

1. نظریه احتمالات: لوین در توسعه نظریه‌های مربوط به فرآیندهای تصادفی و توزیع‌های احتمالی فعالیت‌های زیادی انجام داد. او به بررسی رفتارهای خاص توزیع‌های آماری پرداخته و به درک عمیق‌تری از این مفاهیم کمک کرده است.

2. تحلیل داده‌ها: او روش‌های جدیدی برای تحلیل داده‌ها ارائه داد که به پژوهشگران در علوم مختلف کمک کرد تا داده‌ها را به شکل مؤثرتری تفسیر کنند.

3. نظریه‌های ترکیبیاتی: لوین همچنین در زمینه نظریه‌های ترکیبیاتی و کاربردهای آن‌ها در مسائل واقعی کار کرده است.

4. انتشار مقالات: او مقالات علمی متعددی منتشر کرده است که تأثیر زیادی بر روی جامعه علمی داشته‌اند. این مقالات شامل نتایج تحقیقات او در زمینه‌های مختلف ریاضی و آمار هستند.

▎تأثیر بر جامعه علمی:

کارهای لوین نه تنها در دنیای ریاضیات بلکه در علوم اجتماعی و طبیعی نیز تأثیرگذار بوده‌اند. او به عنوان یک معلم و پژوهشگر، نسل‌های جدیدی از ریاضیدانان و دانشمندان را تربیت کرده و به پیشرفت علم کمک کرده است.

▎نتیجه‌گیری:

بوریس یاکوولویچ لوین با تلاش‌های علمی خود در زمینه نظریه احتمالات و آمار، سهم بزرگی در پیشرفت این حوزه‌ها داشته است. کارهای او همچنان مورد استفاده قرار می‌گیرند و به عنوان مبنایی برای تحقیقات جدید در این زمینه‌ها محسوب می‌شوند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#گام_به_گام

✨علم داده در ۳۶۵ روز

💠 به اولین درس خود در مجموعه مبانی علم داده و هوش مصنوعی خوش آمدید!
درس امروز: آمار

🔸آمار، ستون فقرات تجزیه و تحلیل داده‌ها است. این علم به ما کمک می‌کند تا با خلاصه‌سازی، تجزیه و تحلیل و نتیجه‌گیری، داده‌ها را بهتر درک کنیم.

🔹در این درس، برخی از مفاهیم اساسی آماری را بررسی خواهیم کرد که زمینه‌ساز سفر شما به دنیای علم داده، از تجزیه و تحلیل داده‌ها تا یادگیری ماشین، خواهد بود.

☑️ یکی از مهم‌ترین تمایزات در آمار، تفکیک بین "نمونه" و "جامعه" است.
جامعه به کل گروهی اطلاق می‌شود که شما علاقه‌مند به مطالعه آن هستید. نمونه نیز زیرمجموعه‌ای از جامعه است که داده‌ها را از آن جمع‌آوری می‌کنید. به عنوان مثال، اگر بخواهید میانگین حقوق دانشمندان داده در سطح جهانی را بدانید، جامعه شما شامل همه دانشمندان داده خواهد بود. از آنجا که بررسی همه افراد امکان‌پذیر نیست، می‌توانید یک نمونه را برای نمایندگی از جامعه انتخاب کرده و از آن برای استنتاج استفاده کنید.

☑️ انواع داده‌ها
برای تجزیه و تحلیل داده‌ها، باید انواع مختلف داده‌ها را بشناسید:

• داده‌های کمی: این داده‌ها قابل اندازه‌گیری و بیان عددی هستند (مانند سن یا حقوق).

• داده‌های طبقه‌بندی: این داده‌ها ویژگی‌های توصیفی هستند که نمی‌توان آنها را به صورت عددی اندازه‌گیری کرد (مانند جنسیت یا رنگ مو).

درک نوع داده‌ها بسیار مهم است زیرا تعیین‌کننده روش‌های آماری است که برای تجزیه و تحلیل آنها استفاده خواهید کرد. به عنوان مثال، ممکن است از آزمون t برای داده‌های عددی و از آزمون کای دو برای داده‌های طبقه‌بندی استفاده کنید.

☑️ معیارهای گرایش مرکزی
معیارهای گرایش مرکزی به ما کمک می‌کنند تا یک مجموعه داده را با یک عدد خلاصه کنیم.

• میانگین: معدل حسابی که با جمع کردن تمام نقاط داده و تقسیم بر تعداد آنها محاسبه می‌شود.

• میانه: مقدار میانی در یک مجموعه داده مرتب.

• مد: مقداری که بیشترین تکرار را دارد.

هر یک از این معیارها دیدگاه متفاوتی درباره "مرکز" داده‌ها ارائه می‌دهد. به عنوان مثال، ممکن است از میانگین برای داده‌های توزیع شده معمولی، از میانه برای داده‌های اریب یا زمانی که با موارد پرت سر و کار دارید و از مد برای داده‌های طبقه‌بندی یا یافتن رایج‌ترین مقدار استفاده کنید.

☑️ معیارهای پراکندگی
درک گسترش داده‌ها به اندازه شناخت مرکز آن اهمیت دارد. معیارهای پراکندگی نشان‌دهنده میزان تفاوت نقاط داده هستند:

• محدوده: تفاوت بین بالاترین و کمترین مقادیر یک مجموعه داده.

• واریانس: میزان تفاوت نقاط داده با میانگین.

• انحراف استاندارد: جذر واریانس که نشان‌دهنده فاصله متوسط از میانگین است.

این معیارها به ارزیابی سازگاری داده‌ها کمک می‌کنند. برای مثال، در یک مجموعه داده با واریانس بالا، نقاط داده دور از میانگین پراکنده می‌شوند که نشان‌دهنده تنوع بیشتر است.

☑️ توزیع داده‌ها
داده‌ها همیشه از یک الگوی دقیق پیروی نمی‌کنند، اما بسیاری از مجموعه‌های داده با توزیع‌های رایج همخوانی دارند. یکی از شناخته‌شده‌ترین توزیع‌ها، توزیع نرمال (منحنی زنگ) است. در این توزیع، بیشتر نقاط داده نزدیک به میانگین هستند و با دور شدن از آن، تعداد کمتری ظاهر می‌شود. همچنین ممکن است با توزیع‌های اریب مواجه شوید:

• توزیع با انحراف مثبت: مشاهدات بیشتری در انتهای پایینی دارد.

• توزیع با انحراف منفی: مشاهدات بیشتری در انتهای بالاتر دارد.

☑️ کشیدگی و داده‌های پرت
کشیدگی به ما کمک می‌کند تا متوجه شویم که توزیع چگونه و چه مقدار از داده‌ها در دم‌ها متمرکز شده‌اند.

• توزیع لپتوکورتیک (کشش زیاد): نشان‌دهنده وجود دم‌های سنگین و نقاط پرت.

• توزیع پلاتیکورتیک (کشش کم): نشان‌دهنده دم‌های سبک و نقاط پرت کمتر.

درک این مفاهیم به شما کمک می‌کند تا روش‌های آماری مناسب‌تری انتخاب کنید و ناهنجاری‌ها را در مجموعه داده شناسایی کنید.

☑️ فواصل اطمینان
هنگام استنتاج از یک نمونه به جامعه، فواصل اطمینان محدوده‌ای را ارائه می‌دهند که انتظار داریم پارامتر واقعی جمعیت در آن قرار گیرد. به عنوان مثال، اگر میانگین دستمزد دانشمندان داده را 100000 دلار با فاصله اطمینان 95٪ بین 90000 تا 110000 دلار تخمین بزنیم، می‌توانیم 95٪ مطمئن باشیم که میانگین واقعی در این محدوده قرار دارد.

💠 این مفاهیم اصلی، پایه و اساس آمار در علم داده را تشکیل می‌دهند. تسلط بر آنها به شما کمک می‌کند تا داده‌هایی را که با آنها کار می‌کنید بهتر درک کنید و شما را قادر می‌سازد تصمیمات آگاهانه‌تری بگیرید.

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#اکتشاف_دنیای_دیجیتال

🎇 نکات برجسته 2024: مقالات هوش مصنوعی و علوم داده که سروصدا به پا کردند. قسمت اول

▪️۲۰۲۴ سالی پر از تحولات هیجان‌انگیز برای جوامع علوم داده، یادگیری ماشین و هوش مصنوعی بود. برخلاف سال 2023 که یک رویداد واحد (راه‌اندازی ChatGPT تنها چند هفته قبل از آغاز سال) همه چیز را تحت تأثیر قرار داد و مکالمات را برای ماه‌ها شکل داد، امسال شاهد تحولات تدریجی و متنوعی بودیم. متخصصان در صنعت و دانشگاه به آزمایش ابزارهای جدید پرداختند و تلاش کردند تا راه‌های نوآورانه‌ای برای بهره‌برداری از ظهور سریع مدل‌های زبانی بزرگ (LLM) پیدا کنند. در عین حال، آنها با یک بازار کار چالش‌برانگیز و دنیایی روبه‌رو بودند که ردپای هوش مصنوعی هر روز بیشتر به کارهای روزمره نزدیک می‌شود.

▫️برای کمک به درک این پیشرفت‌ها، TDS در سال گذشته بیش از 3500 مقاله منتشر کرده است، از جمله صدها مقاله از نویسندگان تازه‌کار. نویسندگان توانایی فوق‌العاده‌ای در ارائه دیدگاه‌های منحصر به فرد خود درباره موضوعات مختلف دارند — از سوالات کلان و موضوعات روز گرفته تا چالش‌های فنی متمرکز.

▪️در این خروجی خلاقانه عظیم، برخی از مقالات به خوبی با خوانندگان ارتباط برقرار کردند. این مقالات شامل زمینه‌های مختلفی هستند، بنابراین آنها را بر اساس موضوعات اصلی که در ۲۰۲۴ شناسایی شده است دسته‌بندی شد: یادگیری و ساختن از ابتدا، عوامل RAG و AI، رشد شغلی، و پیشرفت‌ها و نوآوری‌ها.

❗️امیدواریم از کاوش در برجستگی‌های سال 2024 لذت ببرید.

▎یادگیری و ساختن از ابتدا

🌀قابل اعتمادترین نوع پست TDS، پستی است که به خوانندگان می‌آموزد چگونه به تنهایی و با حداقل پیش‌نیاز، کاری جالب و سازنده انجام دهند یا مطالعه کنند. امسال نیز از این قاعده مستثنی نیست — سه مقاله ما که بیشترین خوانده شده‌اند در این دسته قرار دارند:

1⃣ 5 پروژه هوش مصنوعی که می‌توانید این آخر هفته بسازید (با پایتون)
شاو طالبی نشان می‌دهد که هر کسی می‌تواند با هوش مصنوعی کار کند، از ایده‌های پروژه‌های مبتدی تا پیشرفته.

2⃣ درک LLM از ابتدا با استفاده از ریاضی دبیرستان
روهیت پاتل یکی از دسترس‌پذیرترین و جذاب‌ترین توضیحات را درباره نحوه کارکرد LLMها ارائه کرده است.

3⃣ چگونه هوش مصنوعی را به تنهایی یاد بگیریم (راهنمای خودآموزی)
تو هن وو برای کسانی که خود را شروع می‌کنند، نقشه راه کارآمدی برای مطالعه بلوک‌های ساختمانی اساسی هوش مصنوعی تهیه کرده است.

4⃣ ریاضیات پشت شبکه‌های عصبی
کریستین لئو ما را به عمق اصول ریاضی زیر بنایی شبکه‌های عصبی، «ستون فقرات هوش مصنوعی مدرن»، راهنمایی می‌کند.

5⃣ جاسازی متن: راهنمای جامع
ماریا منسوروا توضیح می‌دهد که چگونه جاسازی‌ها جادوی LLMها را ممکن می‌کند و چرا این موضوع اینقدر مهم شده است.

6⃣ چگونه در دو هفته LLM را مطالعه کردم: یک نقشه راه جامع
حسام شیخ حسنی منبع یادگیری عالی دیگری ارائه می‌دهد که ما را از طریق یک برنامه درسی فشرده – اما در دسترس – هدایت می‌کند تا بر اصول اولیه (و سپس برخی) مدل‌های زبانی بزرگ تسلط پیدا کنیم.

امیدواریم این مقالات الهام‌بخش شما باشند تا در دنیای هوش مصنوعی قدم بردارید!

ادامه دارد...

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀#گام_به_گام

🏆قهرمان گواهی شده GitHub- قسمت دوم

📝 مقدمه ای بر Git

دریابید که کنترل منبع چیست و مقدمه‌ای با Git - محبوب‌ترین سیستم کنترل نسخه در جهان، دریافت کنید.
اهداف آموزشی
در این ماژول، شما:

1⃣یاد بگیرید که کنترل نسخه چیست؟
2⃣سیستم های کنترل نسخه توزیع شده، مانند Git را درک کنید.
3⃣یک پروژه Git جدید ایجاد کنید و آن را پیکربندی کنید.
4⃣با استفاده از Git تغییرات را در کد ایجاد و پیگیری کنید.
5⃣از Git برای بازیابی اشتباهات ساده استفاده کنید.

این ماژول بخشی از این مسیرهای یادگیری:
▫️بنیادهای GitHub
▫️مقدمه‌ای بر کنترل نسخه با Git
▫️ارزیابی ماژول
▫️درک خود را از این ماژول ارزیابی کنید.

برای شروع اینجا کلیک کنید.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🌀 #توسعه_و_تحقیق_کار_ها

📝راهنمای چریکی برای مشکلات رایج در "آمار اعصاب" به بررسی چالش‌های آماری می‌پردازد که در مطالعات علوم اعصاب به طور مکرر با آن‌ها مواجه می‌شویم. این مسائل می‌توانند تأثیر قابل توجهی بر کیفیت و اعتبار نتایج تحقیق داشته باشند. در ادامه، برخی از این چالش‌ها و راهکارهای پیشنهادی برای مقابله با آن‌ها بررسی می‌گردد:

🔸 توزیع غیرعادی داده‌ها
🔹 نابرابری واریانس بین گروه‌ها
🔸 همبستگی گسترده در داده‌ها
🔹 تست چندگانه بیش از حد
🔸 قدرت آماری ناکافی به دلیل حجم نمونه کوچک
🔹 تکرار شبه
🔸 تاکید بیش از حد بر نتایج دوتایی

💠 در نهایت، تجزیه و تحلیل آماری باید به عنوان ابزاری مهم در علوم اعصاب دیده شود و باید با دقت و توجه کافی انجام شود. مشاوره با متخصصان آمار قبل از شروع مطالعه می‌تواند به بهبود کیفیت تحقیق کمک کند و از بروز مشکلات آماری جلوگیری نماید.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨#زیبایی_های_ریاضی

💠 چرا بسیاری از مردم فکر می‌کنند که نمی‌توانند نقاشی کنند؟ از کجا یاد گرفتیم که این را باور کنیم؟ گراهام شاو این توهم را - به معنای واقعی کلمه - به روشی بسیار عملی از بین خواهد برد. او نشان خواهد داد که چگونه عمل ساده نقاشی قدرت ایجاد تغییر مثبت در جهان را دارد.

💠 گراهام شاو در هنر ارتباطات تخصص دارد و به هزاران نفر برای ارائه مطالب مهم کمک کرده است. او شاید بیشتر به دلیل استفاده از نقاشی‌های سریع کارتونی برای انتقال ایده‌ها شناخته شده است و نویسنده "هنر ارتباطات تجاری" است.

📱https://youtu.be/7TXEZ4tP06c?si=fJQxX8BCd255lMOQ

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨#زیبایی_های_ریاضی

❗️الگوهای ریاضی در طبیعت

💠الگوی ریاضی ویژگی‌های جهانی در طبیعت، از گلبرگ‌های گل و دانه‌های سیب گرفته تا لانه زنبوری و نسبت‌های هارمونی موسیقی، نشان‌دهنده‌ی ارتباط عمیق و زیبایی‌شناسی نهفته در جهان است. این الگوها به ما کمک می‌کنند تا ساختار و نظم موجود در طبیعت را درک کنیم.

🌀در واقع، ریاضیات به عنوان زبانی جهانی، معادلاتی را ارائه می‌دهد که نحوه‌ی عملکرد جهان را توصیف می‌کنند. این معادلات نه تنها ابزارهایی برای تحلیل و پیش‌بینی پدیده‌ها هستند، بلکه به زیبایی یک قطعه موسیقی کلاسیک یا یک نقاشی امپرسیونیستی نیز شباهت دارند. همان‌طور که یک آهنگ با نوت‌ها و ریتم‌های خود احساسات را منتقل می‌کند، ریاضیات نیز با شکل‌ها و روابط خود، زیبایی و هماهنگی موجود در جهان را نمایان می‌سازد.

https://youtu.be/O7x3LBWn-Ao?si=aLIVaTqyCLWeKZCm

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#اکتشاف_دنیای_دیجیتال

✨ پیش بینی بازار کار داده‌ها و هوش مصنوعی 2025

🌀 انقلاب هوش مصنوعی
بر اساس گزارش مجمع جهانی اقتصاد، ما در آستانه یک تغییر قابل توجه در بازار کار جهانی هستیم. در حالی که هوش مصنوعی 85 میلیون شغل را جابجا می‌کند، 97 میلیون شغل جدید ایجاد می‌کند که نتیجه مثبت خالص 12 میلیون فرصت خواهد بود.
مجله تایم گزارش می‌دهد که بازار جهانی هوش مصنوعی قرار است تا سال 2025 به 190 میلیارد دلار برسد و بازارهای نوظهوری مانند هند پیشتاز این هزینه هستند - پیش بینی 17 میلیارد دلاری خدمات هوش مصنوعی تا سال 2027.

🌀 رشد حقوق و دستمزد
چشم انداز مالی به ویژه امیدوار کننده است. از ژانویه 2023، شاهد افزایش قابل توجه حقوق در همه نقش‌های مرتبط با داده‌ها بوده‌ایم:

☑️ مهندسان هوش مصنوعی با افزایش +48 هزار دلار پیشتاز هستند.
☑️ مهندسان یادگیری ماشین با سود قوی + 36 هزار دلار دنبال می‌کنند.
☑️ تحلیلگران داده رشد قابل توجهی + 29 هزار دلار را نشان می دهند.
☑️ دانشمندان داده ارزش قابل توجهی را با افزایش +27 هزار دلار حفظ می کنند.
☑️ مهندسان داده 20 هزار دلار افزایش قابل توجهی دارند.

با توجه به این رشد قوی در سال 2024، ما نسبت به آنچه سال آینده به ارمغان خواهد آورد خوشبین هستیم!

همانطور که برای سال 2025 آماده می‌شویم، تحقیقات جامع بازار کار را برای سال 2024 بررسی کنید.

1⃣ بازار کار تحلیلگر داده در سال 2024
2⃣ بازار کار دانشمند داده 2024
3⃣ بازار کار مهندس داده در سال 2024
4⃣ بازار مهندسان یادگیری ماشین در سال 2024

🌀 فرصت های خاص صنعت
بهداشت و درمان به عنوان یک بازیگر غالب در حال ظهور است. این صنایع در اتخاذ هوش مصنوعی مولد برای افزایش تشخیص، شخصی‌سازی درمان‌ها و تسریع در کشف دارو پیشرو هستند.

💠 طبق مقاله‌ای که اخیراً در وال استریت ژورنال منتشر شد، "جالب ترین شغل در فناوری ممکن است در واقع در بانک باشد." با تمرکز بر ارزیابی ریسک اعتباری و کشف تقلب، این صنعت چالش های هیجان انگیزی را ارائه می‌دهد.
خرده فروشی و تجارت الکترونیک در حال تجربه تحول قابل توجهی هستند. خرده فروشان از یادگیری ماشینی و هوش مصنوعی برای شخصی سازی خرید، بهینه سازی زنجیره تامین و بهبود بازاریابی استفاده می کنند. این باعث افزایش تعامل و کارایی مشتری می‌شود.

◀️ مهارت‌های ضروری برای موفقیت در آینده
▪️ تخصص پایتون: این زبان سنگ بنای توسعه داده و هوش مصنوعی است. تطبیق پذیری آن برای همه چیز از تجزیه و تحلیل داده‌ها گرفته تا یادگیری عمیق ضروری است.

▫️حاکمیت داده: با تشدید مقررات، درک حاکمیت داده بسیار مهم می‌شود. شرکت‌ها به طور فزاینده‌ای در اولویت قرار دادن حریم خصوصی داده‌ها و تخصص انطباق هستند.

▪️ یادگیری ماشینی: این رشته به سرعت به تکامل خود ادامه می‌دهد و ظهور هوش مصنوعی مولد این مهارت‌ها را ارزشمندتر از همیشه کرده است.

◀️ نقش‌های نوظهور
▫️مهندسین هوش مصنوعی: اتوماسیون رانندگی و تجزیه و تحلیل داده ها در صنایع
▪️تحلیلگران امنیت سایبری: حفاظت از اکوسیستم های دیجیتال پیچیده تر
▫️تحلیلگران هوش تجاری: تبدیل داده ها به تصمیمات استراتژیک
▪️متخصصان محاسبات کوانتومی: راه حل های محاسباتی نسل بعدی پیشگام

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🗣#سخن_بزرگان

🎙"تحلیل داده‌ها نه تنها یک ابزار، بلکه یک زبان است که به ما کمک می‌کند تا داستان‌های نهفته در داده‌ها را کشف کنیم."
ژان پل بنزکری (Jean-Paul Benzécri)

📝 ژان پل بنزکری یک ریاضیدان و آمارشناس فرانسوی است که به خاطر کارهایش در زمینه تحلیل داده‌ها و آمار شناخته شده است. او به ویژه به خاطر توسعه روش‌های تحلیل چندمتغیره و تکنیک‌های داده‌کاوی شهرت دارد.

📌 بنزکری به عنوان یکی از پیشگامان در زمینه تحلیل عاملی و تحلیل خوشه‌ای شناخته می‌شود و آثار او تأثیر زیادی بر روی روش‌های آماری و کاربردهای آن‌ها در علوم اجتماعی، زیست‌شناسی و سایر حوزه‌ها داشته است.

📎 تحلیل عاملی (Factor Analysis) یک تکنیک آماری است که برای شناسایی ساختارهای زیرین و الگوهای پنهان در داده‌ها استفاده می‌شود. این روش به ویژه در علوم اجتماعی، روانشناسی، بازاریابی و دیگر زمینه‌ها کاربرد دارد. هدف اصلی تحلیل عاملی کاهش ابعاد داده‌ها و شناسایی عوامل مشترک میان متغیرها است.

💠مراحل تحلیل عاملی:

1⃣ جمع‌آوری داده‌ها: ابتدا داده‌های مربوط به متغیرهای مختلف جمع‌آوری می‌شوند. این داده‌ها باید به اندازه کافی بزرگ و متنوع باشند تا نتایج معتبر و قابل تعمیمی به دست آید.

2⃣ تعیین تعداد عوامل: با استفاده از روش‌هایی مانند آزمون کیزر-مایکل-اولکین (KMO) و آزمون بارتلت، می‌توان تعیین کرد که آیا داده‌ها برای تحلیل عاملی مناسب هستند یا خیر. همچنین، تعداد عوامل مورد نیاز نیز مشخص می‌شود.

3⃣ استخراج عوامل: در این مرحله، روش‌های مختلفی برای استخراج عوامل وجود دارد، از جمله:

• روش مؤلفه‌های اصلی (Principal Component Analysis - PCA)

• روش تحلیل عاملی اکتشافی (Exploratory Factor Analysis - EFA)

4⃣ چرخش عوامل: پس از استخراج عوامل، معمولاً چرخش انجام می‌شود تا ساختار عوامل واضح‌تر شود. روش‌های چرخش شامل چرخش واریماکس (Varimax) و پروماکس (Promax) هستند.

5⃣ تفسیر عوامل: در این مرحله، محقق باید عوامل استخراج شده را تفسیر کند و مشخص کند که هر عامل چه متغیرهایی را نمایندگی می‌کند.

6⃣ اعتبارسنجی: پس از تفسیر، اعتبار و قابلیت تعمیم نتایج باید مورد بررسی قرار گیرد. این کار می‌تواند شامل تقسیم داده‌ها به مجموعه‌های آموزشی و آزمون یا استفاده از داده‌های جدید باشد.

☑️ کاربردهای تحلیل عاملی:

🔘 کاهش ابعاد: کمک به کاهش تعداد متغیرها در مجموعه داده‌ها بدون از دست دادن اطلاعات مهم.

🔘 شناسایی الگوها: شناسایی الگوها و روابط میان متغیرها.

🔘 توسعه پرسشنامه‌ها: در تحقیقات اجتماعی و روانشناسی، برای توسعه پرسشنامه‌ها و مقیاس‌های اندازه‌گیری.

🔘 تحلیل بازار: در بازاریابی برای شناسایی نیازها و ترجیحات مشتریان.

✔️ تحلیل عاملی ابزاری قدرتمند است که به محققان کمک می‌کند تا پیچیدگی‌های داده‌ها را بهتر درک کنند و بینش‌های جدیدی به دست آورند.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

💻#اکتشاف_دنیای_دیجیتال

🎇 نکات برجسته 2024: مقالات هوش مصنوعی و علوم داده که سروصدا به پا کردند. قسمت دوم

🌀 عوامل RAG و AI
هنگامی که هیجان اولیه پیرامون LLM ها کمی فروکش کرد، متخصصان داده و ML متوجه شدند که این مدل‌های قدرتمند آنقدرها هم مفید نیستند. نسل افزوده شده با بازیابی و هوش مصنوعی عاملی در سال گذشته به عنوان دو رویکرد پیشرو که شکاف بین پتانسیل مدل‌ها و ارزش دنیای واقعی را پر می‌کنند، به شهرت رسیدند.

☑️ معرفی عوامل LLM با LangChain:وقتی RAG کافی نیست.
در ماه مارس اولکساندر هونچار راهنمای قطعی مبتدیان برای کار با نمایندگان را منتشر کرد.

☑️ استفاده از LangChain ReAct Agents برای پاسخگویی به سوالات Multi-Hop در سیستم های RAG.
آموزش دکتر وارشیتا شر که به ما نشان می‌دهد چگونه عامل‌ها و RAG می‌توانند مکمل یکدیگر باشند، به نیاز متداول پاسخ دادن به سؤالات پیچیده در اسناد داخلی می‌پردازد.

☑️ 17 تکنیک RAG (پیشرفته) برای تبدیل نمونه اولیه برنامه LLM شما به یک راه حل آماده برای تولید.
ساخت یک راهنمای RAG یک چیز است. بهینه سازی آن به گونه‌ای که بتواند واقعاً در یک زمینه تجاری کار کند، چیز دیگری است. دومینیک پولزر یک راهنمای جامع برای روش‌هایی که می‌توانید برای دستیابی به آن هدف عالی استفاده کنید، گردآوری کرده است.

☑️ 12 نقطه بحران RAG و راه حل‌های پیشنهادی.

ونکی گلنتز در یک روش عیب‌یابی مشابه، ده‌ها روش کارآمد را برای مقابله با برخی از رایج‌ترین چالش‌هایی که پزشکان هنگام اجرای RAG با آن مواجه می‌شوند، تشریح می‌کند.

☑️ انتخاب بین چارچوب‌های عامل LLM.
انتخاب‌های آگاهانه در اکوسیستمی که بازیکنان اصلی و نوظهور هر روز ابزارهای جدیدی را منتشر می‌کنند، می‌تواند دشوار باشد. Aparna Dhinakaran اینجاست تا به بینش دقیق در مورد مبادلات کمک کند تا در ذهن داشته باشید.

ادامه دارد...

📎پینوشت:

🔸Retrieval-augmented generation (RAG)
تکنیکی برای افزایش دقت و قابلیت اطمینان مدل‌های هوش مصنوعی مولد با حقایق واکشی شده از منابع خارجی.

🔹artificial intelligence (AI) agent
عامل هوش مصنوعی (AI) یک برنامه نرم‌افزاری است که می‌تواند با محیط خود تعامل داشته باشد، داده‌ها را جمع آوری کند و از داده‌ها برای انجام وظایف خود تعیین شده برای رسیدن به اهداف از پیش تعیین شده استفاده کند. انسان‌ها اهدافی را تعیین می‌کنند، اما یک عامل هوش مصنوعی به طور مستقل بهترین اقداماتی را که برای رسیدن به آن اهداف نیاز دارد، انتخاب می‌کند.

📚منبع

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

📚#سفر_به_دنیای_کتاب_ها

🔗برترین کتاب های CS برای مبتدیان

🌀 در دنیای مدرن و پر سرعت امروز، ما به دوره‌های عملی برای یادگیری در مورد علوم کامپیوتر و مهندسی نرم افزار نگاه می‌کنیم. اما استفاده از کتاب به عنوان یک منبع اضافی مزایای واقعی دارد.

💠 اگر تازه شروع به یادگیری کدنویسی کرده‌اید، اینها بهترین کتاب‌های درسی هستند. در این پست تلاش شده‌است تا فهرستی از کتاب‌های مربوط به CS را تهیه گردد که به دانش زیادی نیاز ندارند، برای مبتدیان طراحی شده‌اند و به شما کمک می‌کنند تا در این زمینه تلاش کنید. با این اوصاف، توصیه می‌شود با کتاب‌ها به‌عنوان رسانه اصلی یادگیری علوم رایانه شروع نکنید. دوره‌های تعاملی که شما را مجبور به نوشتن کد واقعی و ارائه بازخورد فوری می‌کنند، راه بسیار بهتری برای یادگیری هستند. اگر این سبک یادگیری برای شما جالب به نظر می‌رسد، Boot.dev را بررسی کنید.

1⃣ همه آنچه برای علوم کامپیوتر و کدنویسی در یک نوت بوک بزرگ نیاز دارید.

این کتاب علوم کامپیوتر برای بچه‌های دوره راهنمایی است. اما این یک نقطه شروع فوق العاده برای درک اصول علوم کامپیوتر و دستیابی به کدنویسی است.

مطالبی که پوشش می‌دهد:

☑️ سیستم های محاسباتی
☑️ کد باینری
☑️ الگوریتم‌ها
☑️ تفکر محاسباتی
☑️ حلقه ها، رویدادها و رویه ها
☑️ برنامه نویسی در اسکرچ و پایتون
☑️ عبارات بولی
☑️ توسعه وب
☑️ امنیت سایبری
☑️ HTML
☑️ CSS
▫️سبک تدریس به گونه ای طراحی شده است که آن را قابل جذب کند. نویسندگان از دستگاه‌های یادگاری برای کمک به یادآوری مفاهیم پیچیده استفاده می‌کنند. این کتاب مملو از نمودارها، تعاریف و هر چیز دیگری است که برای درک مفهوم نیاز دارید.

▪️مطلقاً هیچ دانش قبلی را فرض نمی‌کند. این یک مکان عالی برای شروع یادگیری علوم کامپیوتر است.

2⃣ شروع برنامه نویسی All-In-One برای Dummies

▪️ همه اینها به نام است، اینطور نیست؟ برخی از بهترین کتاب‌های علوم کامپیوتر با شما طوری رفتار می‌کنند که انگار پنج ساله هستید. این یک موضوع پیچیده است، و هیچ شرم آور نیست که از یک سطح بسیار ابتدایی شروع کنید.

▫️این کتاب هم مبانی برنامه نویسی و هم برخی موارد استفاده به روز شده را پوشش می دهد که یادگیری آنها برای شما مفید خواهد بود، اگرچه بسیاری از داوران به آن اشاره می کنند که زبان C به عنوان یک زبان سنگین است. در اینجا برنامه درسی آمده است:

☑️ اصول اولیه کدنویسی، شامل نوشتن و کامپایل کد، الگوریتم‌ها و ساختارهای داده
سینتکس چندین زبان برنامه نویسی مختلف
فرصت‌های برنامه نویسی جالب مانند انجام آزمایش های بیولوژیکی در رایانه یا برنامه نویسی موتور بازی های ویدیویی
برنامه های کاربردی چند پلتفرمی برای دسکتاپ و دستگاه های تلفن همراه

3⃣ برنامه نویسی عملی: مقدمه ای بر علوم کامپیوتر با استفاده از پایتون 3.6

می‌توانید موضوعی را در اینجا انتخاب کنید: این یک کتاب درسی مناسب علوم کامپیوتر است که برای دانشجویان علوم کامپیوتر ایجاد شده است.

▪️ اصول اولیه را از طریق Python به شما نشان می‌دهد. با پایه‌گذاری همه آن در پایتون، می‌تواند مفاهیم و نظریه‌ها را طی کند، سپس از کد واقعی برای نشان دادن معنای دقیق آن استفاده کند.

▫️برنامه درسی در توضیحات کتاب کوتاه است: "درباره طراحی، الگوریتم ها، تست و اشکال زدایی بیاموزید."

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

🟢 #زنگ_تفریح

💠آیا می توانید معمای پل را حل کنید؟

📱https://youtu.be/7yDmGnA8Hw0?si=HIE5KTEZieOVcJmT

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math

✨✨✨#زیبایی_های_ریاضی✨✨✨

🌀 ریاضیات ملکه علوم است.

💠 کاوشی در ریاضیات، از جمله اینکه از کجا آمده است و چرا جهان فیزیکی را توضیح می‌دهد، و آیا اختراع انسانی است یا زبان پنهان جهان!
📱https://youtu.be/8mve0UoSxTo?si=PSXwu-2wtWxZnflb

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

🩵@IDSchools
🩵@IDS_Math