*⭕️ مجموعه ای از دوره‌های فارسی و رایگان آمار و دیتاساینس و هوش مصنوعی:🔆*دوره مباحثی در آمار دکتر کسری علیشاهی

🔅 دوره هوش مصنوعی دکتر رهبان

🔅 دوره یادگیری ماشین دکتر رهبان

🔅دوره فرآیندهای تصادفی دکتر رهبان

🔅 دوره تشخیص الگو (patter recognition) دکتر فاطمی‌زاده
🔅دوره خلاقیت الگوریتمی و برنامه‌نویسی پایتون دکتر شریفی زارچی

🔅دوره داده ساختارها و مبانی الگوریتم‌ها دکتر شریفی زارچی

🔅 دوره مقدمه ایی بر بیوانفورماتیک شریفی زارچی

🔅دوره هوش مصنوعی دکتر سلیمانی

🔅دوره یادگیری ماشین دکتر سلیمانی

🔅دوره بهینه سازی در علوم داده‌ها دکتر فروغمند **🔅دوره یادگیری تقویتی کسری علیشاهی**

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

⭕️ چگونه در سال ۲۰۲۵ به یک دانشمند داده تبدیل شویم؟

👨🏻‍💻 اگر می‌خواهید یک متخصص علم داده شوید، این مسیر را دنبال کنید! من یک نقشه راه کامل با بهترین منابع رایگان آماده کرده‌ام که در آن می‌توانید مهارت‌های ضروری در این زمینه را بیاموزید.

🔢 مرحله ۱: ریاضی و آمار خود را تقویت کنید!

✏️ پایه و اساس یادگیری علم داده، ریاضیات، جبر خطی، آمار و احتمال است. موضوعاتی که باید بر آنها مسلط شوید:

✅ جبر خطی: ماتریس‌ها، بردارها، مقادیر ویژه.

🔗 دوره: جبر خطی MIT

✅ حساب دیفرانسیل و انتگرال: مشتق، انتگرال، بهینه‌سازی.

🔗 دوره: حساب دیفرانسیل و انتگرال تک متغیره MIT

✅ آمار و احتمال: قضیه بیز، آزمون فرض.

🔗 دوره: آمار ۱۱۰

➖➖➖➖➖

🔢 مرحله ۲: کدنویسی را بیاموزید.

✏️ پایتون را بیاموزید و در کدنویسی ماهر شوید. مهم‌ترین موضوعاتی که باید بر آنها مسلط شوید عبارتند از:

✅ پایتون: کتابخانه‌های Pandas، NumPy، Matplotlib

🔗 دوره: دوره پایتون FreeCodeCamp

✅ زبان SQL: دستورات Join، توابع Window، بهینه‌سازی پرس و جو.

🔗 دوره: دوره SQL استنفورد

✅ ساختارهای داده و الگوریتم‌ها: آرایه‌ها، لیست‌های پیوندی، درخت‌ها.

🔗 دوره: مقدمه‌ای بر الگوریتم‌های MIT

➖➖➖➖➖

🔢 مرحله ۳: پاکسازی و مصورسازی داده ها

✏️ نحوه پردازش و پاکسازی داده‌ها و سپس ایجاد یک داستان جذاب از آنها را بیاموزید!

✅ پاکسازی داده‌ها: کار با مقادیر گمشده و تشخیص داده‌های پرت.

🔗 دوره: پاکسازی داده‌ها

✅ تجسم داده‌ها: Matplotlib، Seaborn، Tableau

🔗 دوره: آموزش تجسم داده‌ها

➖➖➖➖➖

🔢 مرحله ۴: یادگیری ماشین را بیاموزید.

✏️ وقت آن است که وارد دنیای هیجان‌انگیز یادگیری ماشین شوید! باید این موضوعات را بدانید:

✅ یادگیری نظارت‌شده: رگرسیون، دسته‌بندی.

✅ یادگیری نظارت‌نشده: خوشه‌بندی، PCA، تشخیص ناهنجاری.

✅ یادگیری عمیق: شبکه‌های عصبی، CNN، RNN

🔗 دوره: CS229: یادگیری ماشین

➖➖➖➖➖

🔢 مرحله ۵: کار با داده‌های بزرگ و فناوری‌های ابری

✏️ اگر قرار است در دنیای واقعی کار کنید، باید بدانید چگونه با داده‌های بزرگ و محاسبات ابری کار کنید.

✅ ابزارهای داده‌های بزرگ: Hadoop، Spark، Dask

✅ پلتفرم‌های ابری: AWS، GCP، Azure

🔗 دوره: مهندسی داده

➖➖➖➖➖

🔢 مرحله ۶: پروژه‌های واقعی انجام دهید!

✏️ به اندازه کافی تئوری، وقت کدنویسی است! پروژه‌های واقعی انجام دهید و یک نمونه کار قوی بسازید.

✅ مسابقات Kaggle: حل چالش‌های دنیای واقعی.

✅ پروژه‌های End-to-End: جمع‌آوری داده، مدل‌سازی، پیاده‌سازی.

✅ GitHub: پروژه‌های خود را در GitHub منتشر کنید.

🔗 پلتفرم: Kaggle
🔗 پلتفرم: ods.ai

➖➖➖➖➖

🔢 مرحله ۷: MLOps را بیاموزید و مدل‌ها را مستقر کنید.

✏️ یادگیری ماشین فقط ساخت یک مدل نیست! باید یاد بگیرید که چگونه یک مدل را مستقر و نظارت کنید.

✅ آموزش MLOps: نسخه‌بندی مدل، نظارت، آموزش مجدد مدل.

✅ مدل‌های استقرار: Flask، FastAPI، Docker

🔗 دوره: MLOps استنفورد

➖➖➖➖➖

🔢 مرحله ۸: به‌روز باشید و شبکه سازی کنید

✏️ علم داده هر روز در حال تغییر است، بنابراین لازم است هر روز خود را به‌روز کنید و به طور منظم با افراد با تجربه و متخصصان این زمینه در تماس باشید.

✅ مقالات علمی را بخوانید: arXiv، Google Scholar

✅ با جامعه داده در ارتباط باشید:

🔗 سایت: Papers with code
🔗 سایت: تحقیقات هوش مصنوعی در گوگل

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

✳️ با استفاده از اين پرامپت ها هر چيزي را ده برابر سريعتر ياد بگيريد

*1️⃣ از اصل 80/20 برای یادگیری سریعتر استفاده کنید (هر مهارت جدیدی را یاد بگیرید):*
"من می خواهم در مورد [موضوع مورد نظر] یاد بگیرم. مهمترین 20 درصد از یادگیری های این موضوع را که به من کمک می کند 80 درصد آن را درک کنم، شناسایی و به اشتراک بگذارید."

2️⃣ با امتحان کردن خودتان، یادگیری خود را تقویت کنید:
"من در حال یادگیری در مورد [موضوع مورد نظر] هستم. لطفا سوالاتی را برای آزمایش دانش من بپرسید، شکاف ها را شناسایی کنید و پاسخ های بهتری ارائه دهید."

3️⃣ از ChatGPT بخواهید که به شما در استفاده بهتر از ChatGPT کمک کند:
"یک راهنمای مبتدی برای استفاده از ChatGPT، شامل دستورات، آماده سازی و شخصیت ها با مثال ها، محدود به 500 کلمه ایجاد کنید."

4️⃣ یک موضوع پیچیده را فقط در چند دقیقه یاد بگیرید:
"[موضوع مورد نظر] را با اصطلاحات ساده و آسان که هر مبتدی می تواند آن را در چند دقیقه درک کند، توضیح دهید."

5️⃣ اسناد و مقالات طولانی را خلاصه کنید:
"متن زیر را خلاصه کنید و لیستی از نکات کلیدی با بینش های کلیدی و مهم ترین حقایق را به من بدهید." [متن مورد نظر]

6️⃣ در عرض چند دقیقه تصمیمات بهتری بگیرید:
"من سعی می کنم تصمیم بگیرم که آیا باید [تصمیم مورد نظر] را انجام دهم یا نه. لیستی از جوانب مثبت و منفی را به من بدهید تا تصمیم بگیرم که چرا باید یا نباید این تصمیم را بگیرم."

7️⃣ خلاصه های کوتاه و پر از بینش از کتاب ها دریافت کنید:
"کتاب [کتاب مورد نظر] نوشته [نویسنده مورد نظر] را خلاصه کنید و لیستی از مهم ترین یادگیری ها و بینش ها را به من بدهید."

8️⃣ از داستان ها و استعاره ها برای کمک به حافظه خود استفاده کنید:
"من در حال یادگیری در مورد [موضوع مورد نظر] هستم. لطفا دروس کلیدی را به داستان ها و استعاره های جذاب تبدیل کنید تا به من در به خاطر سپردن آنها کمک کنید."

9️⃣ فقط یک روز قبل از مصاحبه شغلی آماده شوید:
"من برای [موقعیت مورد نظر] مصاحبه می کنم. لطفا لیستی از سوالات احتمالی مصاحبه و پاسخ های کوتاه برای هر یک را ارائه دهید."

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

⭕️ چطور هوش مصنوعی دنیای روان شناسی را دگرگون می کند؟

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

? مقاله: مروری بر مدل های بزرگ زبانی (Large Language Models)

? لینک مقاله

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

? روش Delta LoRA: این روش با تمرکز بر به‌روزرسانی تنها بخش‌های مهم مدل، هزینه‌های محاسباتی را کاهش می‌دهد و در عین حال، عملکرد مدل را حفظ می‌کند.

? روش Prefix Tuning: این روش به جای تغییر ساختار درونی مدل، با افزودن اطلاعات اضافی به ورودی مدل، آن را برای انجام وظایف جدید آماده می‌کند. این روش به مدل اجازه می‌دهد تا به سرعت با وظایف جدید سازگار شود.

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp

? چیزهایی که بیشتر از آن‌ها می‌ترسیم—نوسانات، آشفتگی‌ها، عدم‌تعادل‌ها—منابع اصلی خلاقیت هستند.

Margaret J. Wheatley

➖➖➖➖➖➖➖➖➖➖➖➖
@AILearnCamp