کد 👇👇👇 import numpy as np import matplotlib.pyplot as plt from sklearn.pipeline import make_pipeline from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # Generate synthetic data np.random.seed(42) X = np.linspace(0, 1, 30) y = np.sin(2 * np.pi * X) + np.random.normal(0, 0.15, X.shape[0]) X = X.reshape(-1, 1) # Split data into train and test sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # Set up plot plt.figure(figsize=(18, 6)) degrees = [1, 3, 15] # Polynomial degrees to demonstrate different cases cases = ['Underfitting (High Bias)', 'Good Fit (Proper Generalization)', 'Overfitting (High Variance)'] for i, degree in enumerate(degrees): ax = plt.subplot(1, 3, i+1) # Create polynomial regression model model = make_pipeline( PolynomialFeatures(degree=degree, include_bias=False), LinearRegression() ) model.fit(X_train, y_train) # Generate predictions X_plot = np.linspace(0, 1, 100).reshape(-1, 1) y_plot = model.predict(X_plot) y_train_pred = model.predict(X_train) y_test_pred = model.predict(X_test) # Calculate errors train_error = mean_squared_error(y_train, y_train_pred) test_error = mean_squared_error(y_test, y_test_pred) # Plot results plt.scatter(X_train, y_train, color='blue', label='Training Data', alpha=0.7) plt.scatter(X_test, y_test, color='red', label='Test Data', alpha=0.7) plt.plot(X_plot, y_plot, color='black', linewidth=2, label='Model Prediction') plt.title(f'{cases[i]}\nTrain MSE: {train_error:.4f}, Test MSE: {test_error:.4f}') plt.xlabel('Feature (X)') plt.ylabel('Target (y)') plt.legend() plt.ylim(-1.5, 1.5) plt.grid(True) plt.tight_layout() plt.show()

✔️ چهار مدل اصلی شبکه‌های عمیق رو واقعاً می‌شناسی؟ هوش مصنوعی فقط یک مدل نداره! هر شبکه عمیق (Deep Network) برای یک کار تخصصی ساخته شده: ▪️ یکی برای تشخیص تصویر ▪️ یکی مخصوص صدا و متن ▪️ یکی برای تولید تصویر ▪️ و یکی هم قلب تپنده مدل‌های زبانی مثل ChatGPT! توی این اسلایدها خیلی خلاصه و کاربردی گفتم که هر مدل چیه و کجا استفاده می‌شه. پیشنهاد می‌کنم اسلاید آخر رو از دست ندی، همه چیزو یک‌جا خلاصه کرده! #یادگیری_عمیق #هوش_مصنوعی #یادگیری_ماشین #transformer #cnn #rnn #gan #deep_learning

🔥Five AI articles that you really have to read! پنج مقاله AI که واقعاً در ۲۰۲۵ باید بخوانی! از کشف علمی مستقل تا ژنتیک و الگوریتم‌های مولد پیشرفته ✔️ اگر دنبال پیشرفت‌های واقعی در AI هستی، این اسلایدها رو از دست نده! ✔️ هر مقاله دیدی به مسیر آینده‌ی AI اشاره می‌کنه — از تحقیق تا مهندسی. لینک دانلود مقالات: 1: https://arxiv.org/abs/2503.08979 2: https://arxiv.org/abs/2408.06292 3: https://arxiv.org/abs/2506.13131 4: https://www.biorxiv.org/content/10.1101/2025.06.25.661532v1 5: https://arxiv.org/abs/2506.17298 #هوش_مصنوعی #AI #ArtificialIntelligence #LLM #DeepLearning #AIResearch #Papers2025 @learnpythonicy