این تصویر، روش‌های مختلف تحلیل سری‌های زمانی (Time Series Analysis) را نمایش می‌دهد. این رویکردها شامل مدل‌های یادگیری ماشین (Machine Learning Approaches)، تحلیل‌های زمان-فرکانس (Time-Frequency Analysis Approaches)، روش‌های تحلیل آشوب (Chaotic Analysis Approaches)، نمودارهای کنترلی (Control Charts) و مدل‌های آماری پیشرفته مانند شبکه‌های بیزین پویا (Dynamic Bayesian Networks) و مدل‌های مارکوف پنهان (Hidden Markov Models) هستند. 🔑 ساختار کلی: یادگیری ماشین: شبکه‌های عصبی مصنوعی (Artificial Neural Networks)، ماشین بردار پشتیبان (SVM)، منطق فازی (Fuzzy Logic)، فرآیندهای گاوسی (Gaussian Process). تحلیل زمان-فرکانس: تبدیل فوریه سریع (FFT)، تبدیل موجک (Continuous Wavelet Transform)، تبدیل شیپلت (Chirplet Transform). کنترل و نمودارها: کنترل فردی شویهارت (Shewhart Individuals Control Chart)، نمودار EWMA و CUSUM. توابع خودهمبستگی: عملکرد همبستگی خودکار و متقاطع برای استخراج بینش‌های عمیق از داده‌ها. 🏷 #تحلیل_داده #یادگیری_ماشین #سری_زمانی #آمار #تحلیل_آشوب #شبکه_عصبی 📊👨‍🏫 @DataPlusScience | @Data➕Science

😍 مدل جدید هوش مصنوعی Nvidia ✅ سریع‌تر و قوی‌تر از GPT-4o 👨🏻‍💻 اخیراً Nvidia یه مدل هوش مصنوعی رو معرفی کرده که حتی قوی‌تر از GPT-4o و Claude 3.5 Sonnet هست. نکته جالب اینه که، این مدل به صورت اُپن سورس منتشر شده و کاملا رایگان هم هست! ⏪ این مدل با استفاده از یه تکنیک پیشرفته به نام RLHF (یعنی یادگیری تقویتی با بازخورد انسانی) آموزش دیده و از مدل Llama-3.1-70B به عنوان پایه استفاده می‌کنه، اما به شدت بهینه‌سازی شده. ✔️ نکته مهم اینه که این مدل هم کوچیک‌تره، هم سریع‌تره، و هم توی معیارهای مهمی مثل Arena Hard و AlpacaEval 2 LC بهتر از GPT-4o عمل می‌کنه.👇 ┌ 🤖 Llama-3.1-Nemotron-70B └ 🔗 LINK 🌐 #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

✅ همه مدل‌های یادگیری ماشین رو یکجا آموزش بده و ارزیابی کن! 👨🏻‍💻 کتابخونه پایتون Lazy Predict بهتون این امکان رو میده، با یک خط کد ساده، همه مدل‌های ML رو به صورت همزمان آموزش، آزمایش و ارزیابی کنین.💯 💠 با Lazy Predict، دیگه نیاز نیست تا مدل‌های مختلف یادگیری ماشین رو مثل جنگل تصادفی، درخت تصمیم، رگرسیون خطی، و مدل‌های دیگه، یکی یکی آموزش بدیم و تست و ارزیابی کنیم. ✏️ فقط با چند خط کد، به راحتی و بدون نیاز به کدنویسی‌های تکراری، میشه نتیجه اولیه همه مدل‌های رایج یادگیری ماشین رو ببینیم و بهترین مدل رو سریع‌تر انتخاب کنیم.👇 ┌ 🏳️‍🌈 LazyPredict ├ 📄 Article (1) ├ 📄 Article (2) ├ 😉 Tutorial Video └ 🐱 GitHub-Repos pip install lazypredict 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

👨🏻‍💻 فرآیند آموزش مدل‌های یادگیری ماشین همیشه زمان‌بره و ممکنه لحظه‌ای که تموم می‌شه پشت سیستم‌مون نباشیم. حالا تصور کنین، با یه ابزار سبک به اسم Knock Knock می‌تونیم به محض تموم شدن یا حتی بروز خطا، توی همون لحظه از طریق ایمیل، پیامک، دیسکورد و غیره از فرآیند کار مطلع بشیم! ✅ کتابخونه Knock Knock این‌طوری کار می‌کنه که با اضافه‌کردن فقط یک دکوراتور به کد اصلی، براتون نوتیفیکیشن می‌فرسته و شما رو از پایان فرایند آموزش مطلع می‌کنه. این یعنی دیگه لازم نیست نگران باشین که شاید آموزش تموم شده باشه یا به مشکل خورده باشه! ⏪ به طور خلاصه، این ابزار کوچیک و کاربردی رو که فقط با دو خط کد اضافه، به پروژه‌ت اضافه می‌کنین، بهتون کمک می‌کنه از روند تمرین مدل همیشه باخبر بمونین- از پایان تمرین یا خطاها- بدون نیاز به چک‌ کردن مدام!👇 ┌ 📄 Knock Knock └ 🐱 GitHub-Repos 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

🔴 پیش‌بینی زلزله با الگوریتم‌های یادگیری ماشین ✅ با دقت بی‌سابقه ۹۷.۹۷٪ ! 👨🏻‍💻 به تازگی یه مقاله منتشر شده که تونسته زلزله رو در لس‌آنجلس با دقت ۹۷.۹۷٪ پیش‌بینی کنه، و جالب اینجاست که این اتفاق با کمک الگوریتم‌های یادگیری ماشین افتاده! 🐬 تو این پروژه، تیم تحقیقاتی اومده با ترکیب مدل‌های پیشرفته یادگیری ماشین و شبکه‌های عصبی، یه دیتاست جامع از ویژگی‌های مهم رو ساختن تا پیش‌بینی شدت زلزله به دقت بالایی برسه. ✏️ بعد از بررسی و ترکیب تحقیقات قبلی و اضافه کردن ویژگی‌های جدید، تونستن مدلی بسازن که می‌تونه تا حداکثر شدت زلزله‌های احتمالی رو تا ۳۰ روز آینده پیش‌بینی کنه. ✔️ از بین ۱۶ مدل مختلف یادگیری ماشین که بررسی شده بودن، مدل جنگل تصادفی بیشترین دقت رو داشت و تونست به عنوان قوی‌ترین مدل برای پیش‌بینی شدت زلزله انتخاب بشه. ⏪ این نتایج نشون می‌ده که چطور الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی می‌تونن تو بهبود پیش‌بینی‌های زلزله و مدیریت بحران نقش کلیدی بازی کنن. اینم منبع و لینک مقاله:👇 ┌ 📂 LA Earthquake Predicted with ML ├ 💰 nature articles └ 📄 PDF 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

✅ بهترین راه برای استقرار مدل یادگیری ماشین 👨🏻‍💻 بدون اغراق بخوام بگم این روش، بهترین راه برای پیاده سازی مدل یادگیری ماشینه. ابزار LitServe که بر پایه FastAPI ساخته شده، یکی از بهترین سرویس‌های دیپلوی برای هر مدل یادگیری ماشینه. حالا چرا؟ 🔢 چون اُپن‌ سورس و کاملاً رایگانه! 🔢 کاربری ساده و بدون دردسری داره. 🔢 سرعتش ۲ برابر بیشتر از FastAPI خالصه. 🔢 میتونه خودکار GPU Autoscaling انجام بده. 🔢 و کلی قابلیت دیگه که واقعاً کمکت می‌کنه همه‌چی رو ساده‌تر و سریع‌تر جلو ببری. pip install litserve ┌ 🏳️‍🌈 LitServe ├ 📄 Documentation └ 🐱 GitHub-Repos 🌐 #یادگیری_ماشین #MachineLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 💡 مهندس ML شوید : 💡 @MachineLearning_ir 📱 پیج اینستاگرام: 💡 @MachineLearning_fa

تبدیل مدل‌های درخت تصمیم به نمودارهای پارتیشن‌بندی شده با R! اگر توی علم داده و مدل‌سازی با R فعالیت می‌کنید، حتماً این روشی که به کمک پکیج parttreeمیشه مدل‌های درخت تصمیم رو به نمودارهای قابل‌فهم‌تر تبدیل کرد، براتون جالب خواهد بود! 🔸 مراحل کار: 1️⃣ ساخت یک مدل با rpart() 2️⃣ استفاده از geom_parttree() برای نمایش پارتیشن‌ها در نمودار 🔹ادغام با Tidymodels این روش با فریم‌ورک Tidymodels هم کار می‌کنه، پس می‌تونید به راحتی مدل‌های خودتون رو به صورت بصری تحلیل کنید. 🆓 لینک آموزش رایگان: https://grantmcdermott.com/parttree/index.html #علم_داده #آمار #R #مدل_سازی #یادگیری_ماشین #تحلیل_داده

شبکه‌های عصبی فیزیک‌مبنا (PINNs): ترکیب هوشمند داده و قوانین فیزیک برای مدل‌سازی دقیق‌تر 📌خلاصه شبکه‌های عصبی فیزیک‌مبنا یا PINNs، ترکیبی از یادگیری داده‌محور و قوانین فیزیک هستند. این شبکه‌ها از داده‌ها یاد می‌گیرند و همزمان با استفاده از اصول فیزیک، نتایج خود را بهینه و دقیق‌تر می‌کنند. این ویژگی کمک می‌کند که مدل‌هایی ساخته شوند که حتی با داده‌های کمتر هم دقیق و قابل اعتماد باشند. به زبان ساده، PINNs مثل این است که به یک مدل یاد بدهید الگوها را بفهمد، اما با کمک فیزیک مسیر درست را پیدا کند و از حدس‌های غیرضروری جلوگیری کند. لینک مقاله #شبکه_عصبی_فیزیک_مبنا #یادگیری_ماشین #مدل_سازی #PhysicsInformedNN #MachineLearning 💎@Recomendersystem2023

وقتی که با مدلهای #LLM کار میکنید و قراره فایل های پیچیده pdf را تحلیل کنه نیاز دارید که اطلاعات را خیلی دقیق از فایلها استخراج کرده باشید. برای اینکار نیاز هست که با استفاده از روش هایی فایلها را parse کنیم و کلی هم روش برای این کار هست. ولی هیچ نوع metric برای ارزیابی روش ها نیست. حالا یک دیتاست و بنچمارک عالی برای ارزیابی (evaluation) روش های parsing فایلهای pdf هست که این کارو راحت تر میکنه. HF Link: https://huggingface.co/datasets/upstage/dp-bench منبع : توییتر <Mehdi Allahyari #یادگیری_ماشین #ML #Machine_Learning 🆔 @Ai_Tv

🔶در #یادگیری_ماشین ، هایپرپارامترها تنظیماتی هستند که شما قبل از آموزش مدل خود پیکربندی می کنید. برخلاف پارامترهایی که مدل شما در طول آموزش یاد می گیرد، هایپرپارامترها باید از قبل تنظیم شوند. یافتن هایپرپارامترهای مناسب می تواند عملکرد مدل شما را تا حد زیادی افزایش دهد و بهینه سازی هایپرپارامتر را ضروری می کند. ✔️فراپارامترهای بهینه سازی مناسب می توانند دقت و قابلیت اطمینان مدل را به طور قابل توجهی افزایش دهند. آنها به مدل شما کمک می کنند تا به خوبی تعمیم یابد و از overfitting (در مواردی که مدل بیش از حد با داده های آموزشی متناسب است) و underfitting (که در آن مدل به اندازه کافی پیچیده نیست تا الگوهای اساسی را به تصویر بکشد) اجتناب می کنند. 🔶پروژه متن باز optana توسط Preferred Networks, Inc. ایجاد شد و در سال 2018 به یک پروژه متن باز تبدیل شد. این پروژه برای مقابله با چالش های بهینه سازی هایپرپارامتر طراحی شده است و رویکردی کارآمدتر و سازگارتر از روش های قبلی ارائه می دهد. از زمان انتشار، Optuna طرفداران زیادی پیدا کرده است. این روش Optuna چندین ویژگی برجسته را ارائه می دهد که آن را به ابزاری قدرتمند برای بهینه سازی هایپرپارامتر تبدیل می کند. جستجو برای بهترین هایپرپارامترها را خودکار می کند، حدس و گمان را از تنظیم خارج می کند و به شما امکان می دهد روی توسعه مدل خود تمرکز کنید. در این مقاله می توانید آموزش نصب، و استفاده از متد برای بهینه سازی هایپرپارامترهای مدلهای Xgboost و شبکه عصبی با #pytorch را ببینید. https://towardsdatascience.com/machine-learning-optimization-with-optuna-57593d700e52

🎁 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