📣معرفی کتابخانه numpy پایتون

نامپای یا numpy یک کتابخانه پایتون است که برای کار با آرایه‌ها به وجود آمده است. کتابخانه numpy همچنین توابعی برای انجام عملیات‌های گوناگون در جبر خطی، تبدیل فوریه و ماتریس‌ها دارد. Numpy سرواژه‌ی عبارت Numerical Python به معنای پایتون عددی یا پایتون محاسباتی است.

✅چرا باید از numpy استفاده کنیم؟
در پایتون چیزی به عنوان آرایه وجود ندارد؛ با این حال می‌توان از لیست (list) به عنوان آرایه استفاده کرد. مشکل لیست آن است که سرعت پردازش داده‌ها در آن بسیار پایین است. Numpy تلاش دارد شیئی را به عنوان آرایه ارائه دهد که ۵۰ برابر از لیست سریع‌تر است. شیئی که به عنوان آرایه در numpy موجود است، ndarray نام دارد. نامپای توابع زیادی دارد که کار با ndarray را بسیار راحت کرده‌اند. توجه داشته باشید که با توجه به استفاده‌ی گسترده از آرایه‌ها در علوم داده و با توجه به حجیم بودن داده‌ها، سرعت مقوله‌ی بسیار مهمی برای ماست.

✅نصب کتابخانه numpy پایتون
اگر پایتون و PIP را بر روی سیستم خود نصب کرده باشید، نصب numpy به سادگی امکان‌پذیر است. کافی است در محیط خط فرمان (Cmd یا powershell در ویندوز یا ترمینال در لینوکس)، دستور زیر را تایپ کنید:

C:\Users\Your Name>pip install numpy

✅وارد کردن numpy به کد پایتون
پس از نصب نامپای، می‌توانید آن را به راحتی و با استفاده از کیورد import وارد اپلیکیشن پایتون خود کنید.

import numpy

✅وارد کردن numpy به کد پایتون با استفاده از اسم جایگزین np
در برنامه‌‌‌هایی که در آن‌‌‌ها به کرّات از کتابخانه نامپای استفاده می‌‌‌شود، به جای آن که هر دفعه واژه numpy را برای دسترسی به کتابخانه استفاده کنیم، می‌‌‌توان از واژه جایگزین دیگری مانند np که کوتاه‌‌‌تر است استفاده نمود. فقط توجه داشته باشید که برای انجام این کار نیاز به اجرای کد زیر دارید:

import numpy as np

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

کتاب یادگیری عمیق: اصول، مفاهیم و رویکردها
کامل‌ترین منبع فارسی یادگیری عمیق.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

🎈 یک کتابچه خلاصه از دستورات ضروری پایتون شامل نحوه تعریف لیست ها، توابع، حلقه های تکرار، کلاس ها و غیره

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

مزيت استفاده از داده هاي اعتبارسنجي (validation) در فرآيند آموزش

✅در حالت عادي، داده ها را به دو دسته داده هاي آموزش و داده هاي تست تقسيم مي كنند كه در آن داده هاي آموزش براي فرآيند يادگيري استفاده مي شوند و از داده هاي تست براي آزمايش استفاده مي شود.
✅اما در بعضي اوقات، داده ها به سه دسته تقسيم مي شوند؛ يعني در آن داده هاي اعتبار سنجي هم اضافه مي شوند. اگر فرايند آموزش خيلي طولاني باشد، بيش برازش پيش مي­آيد يعني شبكه خيلي به داده­هاي آموزش حساس مي­شود و اگر داده­هاي جديد كمي متفاوت باشند، نتيجه­ي دقيقي حاصل نمي­شود. به همين دليل داده­ها به سه دسته ­ي آموزش، اعتبارسنجي و آزمايش تقسيم مي­شوند.
✅اهميت داده­هاي اعتبارسنجي اين است كه از وقوع بيش برازش جلوگيري مي­كند. زماني كه فرايند آموزش توسط داده هاي بخش آموزش انجام مي گيرد، توسط داده هاي اعتبارسنجي بررسي مي كنيم كه سيستم خيلي وابسته به داده هاي آموزش نباشد.


کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

در شكل يك نمونه فرآيند آموزش و ميزان­ خطاهاي آموزش، اعتبارسنجي و آزمايش در هر تکرار نشان داده شده است. همانطور كه مشاهده مي­شود هر چه تعداد تکرارها بيشتر شود، ميزان خطاي آموزش كاهش مي­يايد اما به نقطه­اي مي­رسيم كه كم كم خطاي اعتبارسنجي افزايش مي­ يايد؛ اين نقطه همان جايي است كه ممكن است از آن به بعد بيش برازش اتفاق بيوفتد به همين دليل فرايند آموزش در آن متوقف مي­شود.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

آموزش نصب Anaconda و اجرای jupyter notebook

آناکوندا یک توزیع از زبان های برنامه نویسی Python و R می باشد. آناکوندا با داشتن کتابخانه های مورد نیاز برای کارهای محاسباتی مخصوصاً در زمینه ی علم داده ها Data science ، کار را برای محققان ساده تر کرده است.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

🎈 انواع یادگیری ماشین به همراه تکنیک ها

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

✨دوره های تابستان ۱۴۰۰ انجمن علمی برق دانشگاه شهید بهشتی✨

📇 ارائه دو مدرک معتبر برای هر دوره
1- مدرک فارسی از دانشگاه شهید بهشتی
2- مدرک انگلیسی از IEEE BZTE Student Branch

💸 شرکت در دوره ها برای عموم آزاد بوده و تمامی دوره ها دارای تخفیف های دانشجویی و گروهی می باشند.

⁉️ جهت کسب اطلاعات بیشتر و آگاهی از تخفیف ها به لینک زیر مراجعه فرمایید.
https://www.tgoop.com/AESA_PWUT/2097

@AESA_PWUT | اینستاگرام | وب‌سایت

فایل python cheat sheet که حاوی بیشتر دستور های مورد نیاز و مهم پایتون هست.

@Python_AI_ML

فایل بسیار ارزشمند و جمع آوری شده شامل مفاهیم هوش مصنوعی، انواع شبکه های عصبی، کتابخانه های مختلف، زبان پایتون و ...
@Python_AI_ML

✅"وبینار نقشه راه هوش مصنوعی"

ارائه مفاهیم و انتخاب مسیر درست جهت ورود و فعالیت در دنیای هوش مصنوعی

بزودی....

🌐@Python_AI_ML

فیلم‌های ضبط شده سمینارها، کنفرانس‌ها و ورک‌شاپ‌های علم داده و یادگیری ماشین در سراسر دنیا به‌ تفکیک سال‌ تقدیم به شما عزیزان.
yun.ir/nraze2

🌐@Python_AI_ML

📣 انجمن علمی دانشجویی برق دانشگاه شهید بهشتی با همکاری شاخه برنامه نویسی پایتون برگزار می کند:

⏪ وبینار نقشه راه هوش مصنوعی

⏪مخاطبین: همه علاقه مندان حوزه تکنولوژی، برنامه نویسی و هوش مصنوعی

📅 پنج شنبه ۱۳ آبان ماه
⏰ ساعت ۱۴ الی ۱۵:۳۰
🕰مدت وبینار: ۱.۵ ساعت (به همراه پرسش و پاسخ)
⚠️ظرفیت محدود
💰هزینه ثبت نام: ۱۰ هزار تومان
🔹تخفیف ۲۰ درصدی برای ۲۰ نفر اول
🔖اعطای گواهی حضور و آشنایی با هوش مصنوعی جهت فعالیت در این حوزه

سرفصل ها:
چرا هوش مصنوعی؟
کاربردهای هوش مصنوعی
علم داده
یادگیری ماشین
یادگیری عمیق
پایتون
نقشه راه ورود پر قدرت به حوزه هوش مصنوعی
از کجا باید شروع کرد؟
معرفی منابع و پیش نیازها

جهت ثبت نام و شرکت در وبینار، وارد لینک زیر شوید:
https://eseminar.tv/wb40680

✅بعد از برگزاری وبینار فایل های پیوست وبینار بصورت رایگان در اختیار شرکت کنندگان قرار خواهد گرفت.

✅ویدیو ضبط شده پس از شرکت در وبینار به طور رایگان در پنل ایسمینار قابل دانلود هست.

✅هزینه جزئی ثبت نام به دلیل برنامه ریزی حضور شما عزیزان، تهیه و گردآوری فایل های پیوست وبینار و صدور گواهی حضور است.

پشتیبانی: ۰۹۳۷۵۲۷۴۲۲۹
🌐@Python_AI_ML

کانال آموزش برنامه نویسی پایتون با محوریت هوش مصنوعی و علم داده
🌐@Python_AI_ML

کدام یک از الگوریتم های یادگیری ماشین را استفاده کنیم؟!

#یادگیری_ماشین #منابع #آموزش

❇️ @Python_AI_ML

لیست بهترین مقالات ۲۰۲۱ هوش مصنوعی
https://github.com/louisfb01/best_AI_papers_2021

#مقاله #الگوریتمها #منابع #آموزش #هوش_مصنوعی

❇️ @Python_AI_ML

تقسیم بندی شاخه های یادگیری ماشین

@Python_AI_ML

فایل ارزشمند و جامع شامل مفاهیم و جمع بندی چکیده ای شبکه های عصبی، یادگیری ماشین،‌ یادگیری عمیق، کلان داده

❇️ @Python_AI_ML

🔴فایل ارائه شده در وبینار نقشه راه هوش مصنوعی

🔖گواهی ها به ایمیل شرکت کنندگان گرامی ارسال گردیدند.

🔵دریافت ویدئو وبینار در صورت عدم ثبت نام در وبینار:
https://eseminar.tv/wb40680

❇️@Python_AI_ML

یکی از بیشترین سوالاتی که پرسیده میشه اینه که از کجا و چطور باید شروع کنم (یادگیری عمیق) توی این پست می‌خوام به این سوال پاسخ بدم (تاریخ : ۱۰ آذر ۱۴۰۰)

افرادی که این سوال رو می‌کنند معمولاً دو دسته هستند اونهایی که آکادمیک بصورت خیلی جدی دنبال کردند و تئوری قضیه رو بلدند و اونهایی که هیچ دیدی از تئوری ندارند و بخاطر ترند بودن وارد میشوند.

چندتا فرض : ۱- لینوکس و پایتون رو بلد هستید (پایتون سطح متوسط و لینوکس همون LPIC 1 هم کفایت می‌کنه)
۲- با خوندن کتاب مشکلی ندارید
۳- قرار هست کلا بیخیال یادگیری به زبان فارسی بشید

این لیست کتابهایی هست که پیشنهاد میشه:

1- The hundred-page machine learning (Andriy Burkov)

این کتاب برای کسایی هست که یادگیری ماشین رو خیلی خیلی کم میشناسند، قبل از این که بخواید وارد بشید لازمه اول مطمئن بشید همون چیزی هست که فکرشو می‌کردید.

2- Hands on ML with scikit-learn, keras, tensorflow (2nd edition) (Aurelien Geron)

نیازی به تعریف نداره بهترین کتاب برای شروع کد زدن بدون ریاضیات پیچیده، بهمراه تئوری کافی.

اینجا مرحله‌ای هست که دانشگاهی و آموزشگاهی و ... و خیلی از افرادی که دارند کار می‌کنند (حدود ۹۵٪) میزنن جاده خاکی یا درحال پیاده‌سازی ایده‌ها و روش‌های مختلف هستند یا درحال خوندن مقالات روز دنیا، اینکه شما چقدر تسلط دارید و چقدر عالی مدل‌هارو ایجاد می‌کنید ی بحث هست اما اینکه آیا واقعاً این مدل می‌تونه به تمام مشتریان شما در زمان مناسب پاسخ بده و .... بحث مهمتری هست.

3- Build Machine Learning Powered Application : Going from idea to product (Emmanuel Ameisen)

برای شروع کتاب خوبی هست، البته مطالبی که توی کتابهای قبلی خوندید رو می‌تونید فقط نگاهی بندازید.

4- Machine Learning Engineering (Andriy Burkov)

مباحث مربوط به سرویس دهی و ... از یک جایی به بعد نیاز به ML engineer داره اما لازمه شما با این مباحث آشنایی کامل داشته باشید مخصوصاً اگر قراره پروژه خودتون رو راه بندازید.

5- Building Machine Learning Pipelines : Automating Model Life Cycle with Tensorflow (Hannes Hapke)

این بخش خیلی خیلی مهمه، قرار نیست تا ابد هر چندوقت یکبار بشینید و بصورت دستی دیتا جدید رو ترین کنید و همه مراحل رو پیش بگیرید باید از data pipeline ها استفاده کنید (چیزی که خیلی خیلی کم دیده می‌شه)

6- TinyML : Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers (Pete Warden)

شاید هیچ وقت لازم نشه روی این سخت‌افزارها سرویس دهنده باشید، اما چیزهایی که توی این کتاب قرار هست یاد بگیرید واقعاً واجب هست.

7- Practical Deep Learning for Cloud, Mobile, and Edge : .... (Anirudh Koul)

تا اینجا بصورتی بود که خسته کننده نباشه و کدینگ و ... هم پیش بره اما کم کم باید وارد مباحث تئوری و ریاضیات هم شد.

8- d2l.ai

بخش تئوری این کتاب شامل کلی tips and tricks می‌شه که جالب هستند.

9- deeplearningbook.org

همه‌ی تئوری‌ها و ریاضیاتی که پیچوندید رو باید بالاخره یاد بگیرید :)

امیدوارم این لیست مفید باشه، سعی کردم کتابهایی که خوب هستند یا خودم خوندم و نتیجه گرفتم رو فقط معرفی کنم وگرنه این لیست ادامه دار بود.
یه خبر خوب هم اینکه بزودی فیلم های متنوع و گلچین شده آموزش برنامه نویسی پایتون در کانال قرار می گیره...

امیدوارم مفید باشه 🌹
#چطور_شروع_کنیم

❇️@Python_AI_ML