نوشته‌ها با موضوع پایتون

نوشته‌ها با موضوع پایتون


هر محصول علاوه بر توسعه نیاز به پشتیبانی و نگهداشت دارد. مدل‌های تحلیل داده و یادگیری ماشین نیز از این قاعده مستثنی نیستند. این مدل‌ها بر اساس مجموعه‌ای از داده‌ها ساخته می‌شوند. اما پس از استقرار در محصول و گذشت زمان، غیرقابل اعتماد و قدیمی شده و دقت کاهش می‌یابد ...
مراقبت از رانش داده‌ها

شناخت درست داده اولین و مهمترین گام شروع عملیات حوزه‌‌‌های تحلیل داده و یادگیری ماشین است که بر اساس آن مراحل آماده‌سازی داده پایه‌ریزی می‌شوند. این شناخت از یک سو مربوط به منبع اطلاعات و چیستی آنهاست (به عنوان نمونه شناخت کسب و کاری که این دیتا مرتبط با آن است یا فرآیندی که در نهایت منجر به تولید این داده‌ها شده‌اند) و از سوی دیگر بررسی آنچه که اکنون در اختیار ما قرار گرفته است ...
اکتشاف داده با پایتون

یکی از مؤثرترین روش‌ها برای یادگیری برنامه‌نویسی، بررسی و تحلیل مثال‌های کاربردی است. مجموعه ویدئوهای «پایتون پیشرفته» که با همکاری آکادمی ایرانسل ضبط و منتشر شده‌اند، فرصتی است برای یادگیری مفاهیم این زبان از طریق مثال‌های عملی، پروژه‌های کوچک و توضیح گام‌به‌گام مباحثی که معمولا در دوره‌های مقدماتی کمتر به آن‌ها پرداخته می‌شود ...
پایتون پیشرفته آکادمی ایرانسل

نمودار ROC (مخفف Receiver Operating Characteristic) به صورت گرافیکی نمایش می‌دهد که چقدر یک مدل دسته‌بندی عملکرد خوبی دارد و AUC (یا همان مساحت زیر نمودار) یک معیار عددی است که از نمودار ROC مشتق می‌شود و عملکرد کلی یک مدل را خلاصه می‌کند ...
در باب حکمت منحنی ROC و AUC

الگوریتم فلوید-وارشال (Floyd-Warshall) یک الگوریتم مبتنی بر روش برنامه‌نویسی پویا برای محاسبه کوتاهترین مسیر بین هر دو جفت گره گراف‌های وزن‌دار است. دو الگوریتم رایج دایکسترا و بلمن-فورد روش‌های محاسبه کوتاهترین مسیر از مبدأ ثابت هستند که در صورت تکرار آنها به ازای هر گره عملکردی همانند الگوریتم فلوید-وارشال دارند ...
الگوریتم فلوید-وارشال

یکی از مسائل مهم در ساخت مدل یادگیری ماشین و هوش مصنوعی توجه ویزه به موضوع کم‌برازش و بیش‌برازش است تا بتوانیم در نهایت یک مدل عمومی‌تر و قابل قبول بسازیم. این موضوع با پیچیدگی مدل یادگیری ماشین در ارتباط است و محاسبات بایاس و واریانس نیز ابزار مناسبی برای تشخیص هستند ...
بایاس-واریانس و پیچیدگی مدل یادگیری ماشین

فرض کنید مجموعه‌ی بزرگی از تصاویر حیوانات از سطح وب گردآوری کرده‌اید، اما هیچ برچسبی برای آن‌ها وجود ندارد. برچسب‌گذاری دستی هر تصویر برای تعیین نوع حیوان فرایندی زمان‌بر و پرهزینه است. یا سناریویی مشابه را در نظر بگیرید که مجموعه‌ای عظیم از اخبار متنی که بدون برچسب موضوعی (سیاسی، ورزشی، فناوری و ...
ریپوی یادگیری خودنظارتی

عامل‌های هوش مصنوعی (AI Agents) نسل جدید از سامانه‌های هوشمند هستند که تنها محدود به پاسخ‌گویی پرسش‌های کاربر نبوده و می‌توانند مانند یک همکار مستقل فکر کنند، تصمیم بگیرند، ابزارهای مختلف را به‌کار بگیرند و حتی در صورت نیاز مسیر خود را اصلاح کنند ...
کتاب AI Agents

اوایل آشنایی من با نشریه‌ی همراه با ریاضی بود که برای اولین بار با احمد پیشرو اصل در محل دفتر نشریه هم‌صحبت شدم. این گل پسر از نویسندگان فعال و پرکار آن دوران نشریه بود و سال اول ورودش به دانشگاه. در همان دیدار مسئله‌ای را که در دانشگاه در موردش بحث کرده بودند مطرح کرد ...
معمای هتل

کتاب «Practical Statistics for Data Scientists» یک منبع جامع و کاربردی برای معرفی مفاهیم و تکنیک‌های آماری ضروری در حوزه‌های تحلیل داده‌ها، یادگیری ماشین و هوش مصنوعی است. در این کتاب، مفاهیم آماری به شیوه‌ای قابل فهم و با استفاده از سناریوهای واقعی علم داده و کدهای نمونه به زبان‌های R و پایتون ارائه شده است ...
کتاب آمار عملی برای دانشمندان داده

علاقه‌مندان به مباحث مختلف طراحی الگوریتم و همینطور شرکت‌کنندگان مسابقات برنامه‌نویسی به خوبی می‌دانند که یکی از مهمترین پارامترهای طراحی موفقیت‌آمیز یک الگوریتم، شیوه صحیح فکر کردن روی حل مسئله است. حل انواع سوالات الگوریتمی به ما کمک می‌کند ذهن خودمان را برای حل مسائل پیچیده‌تر آماده کنیم ...
برج هانوی

تعریف الگوریتم آنلاین در ویکی‌پدیا به این صورت است: «در علوم رایانه الگوریتم بَرخط به الگوریتمی اطلاق می‌شود که ورودی آن به صورت دنباله‌ای از تقاضاها در دسترس الگوریتم قرار می‌گیرد. به عبارت دیگر، ورودی این الگوریتم‌ها از ابتدا در اختیار الگوریتم نیست ...
الگوریتم آنلاین

معمولا وقتی در حوزه‌ی تحلیل داده صحبت از مباحثی مانند دسته‌بندی مشتریان می‌شود اولین ایده استفاده از کلاسترینگ و الگوریتم‌هایی مثل KMeans است. اما این مقاله ضمن دسته‌بندی مشتریان یکی از دیتاست‌های کگل با روش‌های KMeans و KPrototype مدل زبانی بزرگ (LLM) را هم وارد بازی کرده است ...
استفاده از LLM در دسته‌بندی مشتری‌ها

کتاب Understanding Deep Learning به زودی از انتشارات MIT منتشر خواهد شد و نویسنده‌ی کتاب (Simon J.D. Prince استاد تمام علوم کامپیوتر) نسخه‌ی پیش‌نویس کتاب به همراه کدها را به صورت عمومی منتشر کرده که در حال به‌روز شدن هستند ...
کتاب Understanding Deep Learning

کتابخانه‌ی Selenium در پایتون یک ابزار قدرتمند برای اجرای تست‌ها و اتوماسیون مرورگر وب است. یکی از مزایای اصلی Selenium این است که به شما اجازه می‌دهد وب‌گردی تعاملی را شبیه‌سازی کنید. Selenium از مرورگرهای وب واقعی مانند Chrome استفاده می‌کند که به شما امکان دسترسی به محتواهای پویا و جاوااسکریپت را می‌دهد؛ در حالی که کتابخانه‌هایی مانند requests برای دسترسی به منابع ثابت و بدون تعامل به‌کار می‌روند ...
سلنیوم در پایتون

ویراست سوم کتاب Python for Data Analysis انتشارات O’Reilly با دسترسی آزاد در قالب html هم منتشر شد. Python for Data Analysis, 3E ...
کتاب رایگان Python for Data Analysis

کتاب Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow یکی از کتاب‌های معروف و پرطرفدار در زمینه‌ی یادگیری ماشین و یادگیری عمیق است. این کتاب راهنمای عملی و عمیقی برای ساخت و استفاده از مدل‌های یادگیری ماشین و یادگیری عمیق با استفاده از کتابخانه‌های Scikit-Learn، Keras و TensorFlow ارائه می‌دهد ...
کتاب Hands-On Machine Learning

کتاب مقدمه‌ای بر یادگیری آماری (An Introduction to Statistical Learning with Applications in Python) یک کتاب جامع آموزش یادگیری ماشین با رویکرد الگوریتم‌های یادگیری آماری از انتشارات معتبر اشپرینگر است ...
کتاب مقدمه‌ای بر یادگیری آماری

یکی از سوالات مهم کسانی که می‌خواهند وارد دنیای برنامه‌نویسی شوند این است که از کجا شروع کنیم؟ چه زبانی مناسب است و آیا برنامه‌نویس شدن پیش‌نیازی دارد؟ چقدر آشنایی با ریاضیات ضروری است؟ هر زبان برنامه‌نویسی یک ابزار ارتباط با کامپیوتر است ...
کتاب تفکر الگوریتمی

منظور از ریشه‌ها یک تابع مقادیری برای متغیرهای ورودی آن هستند که به ازای آنها خروجی تابع صفر شود. به عنوان مثال خروجی تابع $f(x)=2x-4$ به ازای $x=2$ صفر یا مقدار $2$ ریشه معادله $2x-4=0$ است. به همین ترتیب در مورد معادلات درجه دوم نیز می‌دانیم چطور می‌توانیم به ریشه یا ریشه‌ها در صورت موجود بودن دست پیدا کنیم ...
الگوریتم‌های ریشه‌یابی

روش مرتب‌سازی ادغامی (Merge Sort) یک روش مرتب‌سازی مبتنی بر مقایسه عناصر با استفاده از روش تقسیم و غلبه است. این روش از مراحل بازگشتی زیر تشکیل یافته است: 1- آرایه را به دو زیرآرایه با اندازه تقریبا یکسان تقسیم کن ...
الگوریتم مرتب‌سازی ادغامی

روش مرتب‌سازی سریع (Quick Sort) یکی از الگوریتم‌های مشهور مرتب‌سازی داده‌ها است. این الگوریتم طی مراحل بازگشتی زیر یک روش تقسیم و غلبه برای مرتب کردن داده‌ها ارائه می‌نماید: 1- انتخاب عنصر محوری: یکی از عناصر آرایه به عنوان عنصر محوری (pivot) - به عنوان مثال عنصر اول - انتخاب می‌شود ...
الگوریتم مرتب‌سازی سریع

روش مرتب‌سازی انتخابی (Selection Sort) یکی از روش‌های اولیه مرتب‌سازی بر اساس مقایسه عناصر است. این الگوریتم طی چند مرحله عناصر لیست را به صورت صعودی یا نزولی مرتب می‌کند. به این ترتیب که در هر مرحله با بررسی عناصر نامرتب، بزرگترین (یا کوچکترین) عنصر را پیدا کرده و به انتهای لیست منتقل می‌کند ...
الگوریتم مرتب‌سازی انتخابی

یکی از روش‌های مرتب‌سازی، روش مرتب‌سازی حبابی (Bubble Sort) است که به آن روش تعویض استاندارد (Standard Exchange) نیز می‌گویند. این روش شامل چند مرحله است که در هر مرحله یک عنصر از لیست به طور قطع در محل مناسب خود قرار می‌گیرد ...
الگوریتم مرتب‌سازی حبابی

روش مرتب‌سازی درجی (Insertion Sort) یکی از روش‌های مقدماتی مرتب‌سازی مبتنی بر مقایسه عناصر است که در مقایسه با روش‌های دیگر بیشتر مورد توجه قرار دارد. قفسه کتابی را در نظر بگیرید که قصد دارید کتاب‌ها را بر اساس عنوان و به ترتیب حروف الفبا مرتب کنید ...
الگوریتم مرتب‌سازی درجی