https://virgool.io/feed/@aminkameli2000 اینجا در حیطه تکنولوژی های روز دنیا، تخصص یادگیری ماشین (Machine Learning) و معرفی سایت های کارآمد، تولید محتوا میکنم. fa 2026-06-17 01:31:03 https://files.virgool.io/upload/users/1882953/avatar/5IWGjW.jpg?height=120&width=120 https://virgool.io/@aminkameli2000 https://virgool.io/@aminkameli2000/%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8-%D8%A8%D9%87%D8%AA%D8%B1%DB%8C%D9%86-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%85%D8%B4%DA%A9%D9%84-%D8%B1%DA%AF%D8%B1%D8%B3%DB%8C%D9%88%D9%86-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C-%D8%AF%DB%8C%D8%AA%D8%A7-data-science-%D8%B1%DA%AF%D8%B1%D8%B3%DB%8C%D9%88%D9%86-qpturizednkq در مقاله های پیشین، در رابطه با ماشین لرنینگ و انواع آن صحبت کردیم و مثال هایی از آن در دنیای واقعی آوردیم. اکنون می‌خواهیم بهترین الگوریتم برای مشکل رگرسیون، انواع آن و مزایا و معایبش را آموزش دهیم. با ما همراه باشید. هنگام نزدیک شدن به هر نوع مشکل یادگیری ماشین(ML) الگوریتم های مختلفی برای انتخاب وجود دارد. در یادگیری ماشین، چیزی به نام قضیه «نهار رایگان نداریم» وجود دارد که اساساً بیان می‌کند که هیچ الگوریتم ML برای تمام مشکلات بهترین نیست. عملکرد الگوریتم های مختلف ML به شدت به اندازه و ساختار داده های شما بستگی دارد. بنابراین، انتخاب صحیح الگوریتم اغلب نامشخص می‌ماند، مگر اینکه الگوریتم‌های خود را مستقیماً از طریق آزمون و خطای ساده آزمایش کنیم. هنگام نزدیک شدن به هر نوع مشکل یادگیری ماشین(ML) الگوریتم های مختلفی برای انتخاب وجود دارد. در یادگیری ماشین، چیزی به نام قضیه «نهار رایگان نداریم» وجود دارد که اساساً بیان می‌کند که هیچ الگوریتم ML برای تمام مشکلات بهترین نیست. عملکرد الگوریتم های مختلف ML به شدت به اندازه و ساختار داده های شما بستگی دارد. بنابراین، انتخاب صحیح الگوریتم اغلب نامشخص می‌ماند، مگر اینکه الگوریتم‌های خود را مستقیماً از طریق آزمون و خطای ساده آزمایش کنیم. اما، مزایا و معایبی برای هر الگوریتم ML وجود دارد که می‌توانیم از آنها به عنوان راهنما استفاده کنیم. اگرچه یک الگوریتم همیشه بهتر از دیگری نخواهد بود، اما برخی از ویژگی‌های هر الگوریتم وجود دارد که می‌توانیم از آنها به عنوان راهنما برای انتخاب سریع الگوریتم صحیح و تنظیم پارامترهای پیشرفته تر استفاده کنیم. ما قصد داریم به چند الگوریتم برجسته ML برای مشکلات رگرسیون نگاهی بیندازیم و دستورالعمل هایی را برای زمان استفاده از آنها بر اساس نقاط قوت و ضعف آنها تنظیم کنیم. رگرسیون خطی و چند جمله ای رگرسیون خطیبا شروع حالت ساده، رگرسیون خطی متغیر تک تکنیکی است که برای مدل‌سازی رابطه بین یک متغیر مستقل ورودی (متغیر مشخصه) و یک متغیر وابسته خروجی با استفاده از یک مدل خطی یعنی یک خط استفاده می‌شود. حالت کلی تر، رگرسیون خطی چند متغیره است که در آن مدلی برای رابطه بین متغیرهای ورودی مستقل چندگانه (متغیرهای ویژگی) و یک متغیر وابسته خروجی ایجاد می شود. مدل خطی باقی می ماند زیرا خروجی، ترکیبی خطی از متغیرهای ورودی است. سومین مورد کلی به نام رگرسیون چند جمله ای وجود دارد که در آن مدل به ترکیبی غیر خطی از متغیرهای ویژگی تبدیل می شود، یعنی می تواند متغیرهای نمایی، سینوس و کسینوس و غیره وجود داشته باشد. اما این مستلزم آگاهی از نحوه ارتباط داده ها با خروجی است. مدل‌های رگرسیون را می‌توان با استفاده از شیب نزولی تصادفی (SGD) آموزش داد. مزیت: مدل‌سازی سریع است و به‌ویژه زمانی مفید است که در حالی که داده‌های زیادی ندارید، رابطی که باید مدل‌سازی شود خیلی پیچیده نیست. درک رگرسیون خطی ساده است که می تواند برای تصمیم گیری های تجاری بسیار ارزشمند باشد.معایب: برای داده های غیر خطی، طراحی رگرسیون چند جمله ای می تواند بسیار چالش برانگیز باشد، زیرا باید اطلاعاتی در مورد ساختار داده ها و رابطه بین متغیرهای ویژگی داشته باشیم. در نتیجه موارد فوق، این مدل ها در مورد داده های بسیار پیچیده، به خوبی سایر مدل ها نیستند. شبکه های عصبیشبکه عصبییک شبکه عصبی از یک گروه به هم پیوسته از گره ها به نام نورون ها تشکیل شده است. متغیرهای ویژگی ورودی از داده‌ها به عنوان یک ترکیب خطی چند متغیره به این نورون‌ها منتقل می‌شوند، جایی که مقادیر ضرب شده در هر متغیر ویژگی به عنوان وزن شناخته می‌شوند. سپس یک غیر خطی به این ترکیب خطی اعمال می‌شود که به شبکه عصبی توانایی مدل‌سازی روابط غیرخطی پیچیده را می‌دهد. یک شبکه عصبی می تواند چندین لایه داشته باشد که خروجی یک لایه به همان روش به لایه بعدی منتقل می شود. در خروجی، به طور کلی هیچ غیرخطی اعمال نمی شود. شبکه های عصبی با استفاده از نزول شیب تصادفی (SGD) و الگوریتم پس انتشار (هر دو در GIF بالا نمایش داده شده) آموزش داده می شوند. یک شبکه عصبی از یک گروه به هم پیوسته از گره ها به نام نورون ها تشکیل شده است. متغیرهای ویژگی ورودی از داده‌ها به عنوان یک ترکیب خطی چند متغیره به این نورون‌ها منتقل می‌شوند، جایی که مقادیر ضرب شده در هر متغیر ویژگی به عنوان وزن شناخته می‌شوند. سپس یک غیر خطی به این ترکیب خطی اعمال می‌شود که به شبکه عصبی توانایی مدل‌سازی روابط غیرخطی پیچیده را می‌دهد. یک شبکه عصبی می تواند چندین لایه داشته باشد که خروجی یک لایه به همان روش به لایه بعدی منتقل می شود. در خروجی، به طور کلی هیچ غیرخطی اعمال نمی شود. شبکه های عصبی با استفاده از نزول شیب تصادفی (SGD) و الگوریتم پس انتشار آموزش داده می شوند (هر دو در GIF بالا نمایش داده شده). مزیت: از آنجایی که شبکه های عصبی می توانند چندین لایه (و بنابراین پارامترها) با غیر خطی داشته باشند، در مدل سازی روابط غیرخطی خیلی پیچیده، بسیار موثر هستند.ما به طور کلی نیازی به نگرانی در مورد ساختار داده‌ها نداریم چرا که شبکه‌های عصبی در یادگیری تقریباً هر نوع روابط متغیر ویژگی بسیار انعطاف‌پذیر هستند.تحقیقات به طور مداوم نشان داده است که صرف داده های آموزشی بیشتر به شبکه، چه جدید و چه از طریق افزایش مجموعه داده های اصلی، به عملکرد شبکه کمک می کند. معایب: به دلیل پیچیدگی این مدل ها، تفسیر و درک آنها آسان نیست. آنها می توانند کاملاً چالش برانگیز و از نظر محاسباتی فشرده باشند که به تنظیم دقیق فراپارامتر و تنظیم برنامه نرخ یادگیری نیاز دارند. آنها برای دستیابی به عملکرد بالا به داده های زیادی نیاز دارند و عموماً در موارد "داده های کوچک" از سایر الگوریتم های ML بهتر عمل می کنند. درختان رگرسیون و جنگل های تصادفیجنگل تصادفی با شروع حالت پایه، درخت تصمیم یک مدل بصری است که در آن یکی از شاخه‌های درخت به پایین می‌رود و شاخه بعدی را برای پایین رفتن، بر اساس یک تصمیم موجود در یک گره، انتخاب می‌کند. القای درختی وظیفه در نظر گرفتن مجموعه ای از نمونه های آموزشی به عنوان ورودی، تصمیم گیری برای تقسیم بهترین ویژگی ها، تقسیم مجموعه داده ها، و تکرار بر روی مجموعه داده های تقسیم شده حاصل تا زمانی که همه نمونه های آموزشی دسته بندی شوند، است. در هنگام ساخت درخت، هدف، تقسیم بر روی ویژگی هایی است که خالص ترین گره های فرزند ممکن را ایجاد می کنند، که تعداد تقسیم هایی را که باید برای طبقه بندی همه نمونه ها در مجموعه داده ما انجام شود، به حداقل می رساند. میزان خلوص با مفهوم به دست آوردن اطلاعات اندازه‌گیری می‌شود، که به میزان اطلاعات لازم در مورد یک نمونه قبلاً دیده نشده برای طبقه‌بندی صحیح آن مربوط می‌شود. در عمل، این با مقایسه آنتروپی، یا مقدار اطلاعات مورد نیاز برای طبقه‌بندی یک نمونه واحد از یک پارتیشن مجموعه داده فعلی، با مقدار اطلاعاتی که برای طبقه‌بندی یک نمونه واحد در صورتی که پارتیشن مجموعه داده فعلی در یک قسمت داده شده بیشتر تقسیم شود، اندازه‌گیری می‌شود.با شروع حالت پایه، درخت تصمیم یک مدل بصری است که در آن یکی از شاخه‌های درخت به پایین می‌رود و شاخه بعدی را برای پایین رفتن، بر اساس یک تصمیم موجود در یک گره، انتخاب می‌کند. القای درختی وظیفه در نظر گرفتن مجموعه ای از نمونه های آموزشی به عنوان ورودی، تصمیم گیری برای تقسیم بهترین ویژگی ها، تقسیم مجموعه داده ها، و تکرار بر روی مجموعه داده های تقسیم شده حاصل تا زمانی که همه نمونه های آموزشی دسته بندی شوند، است. در هنگام ساخت درخت، هدف، تقسیم بر روی ویژگی هایی است که خالص ترین گره های فرزند ممکن را ایجاد می کنند، که تعداد تقسیم هایی را که باید برای طبقه بندی همه نمونه ها در مجموعه داده ما انجام شود، به حداقل می رساند. میزان خلوص با مفهوم به دست آوردن اطلاعات اندازه‌گیری می‌شود، که به میزان اطلاعات لازم در مورد یک نمونه قبلاً دیده نشده برای طبقه‌بندی صحیح آن مربوط می‌شود. در عمل، این با مقایسه آنتروپی، یا مقدار اطلاعات مورد نیاز برای طبقه‌بندی یک نمونه واحد از یک پارتیشن مجموعه داده فعلی، با مقدار اطلاعاتی که برای طبقه‌بندی یک نمونه واحد در صورتی که پارتیشن مجموعه داده فعلی در یک قسمت داده شده بیشتر تقسیم شود، اندازه‌گیری می‌شود.جنگل های تصادفی به سادگی مجموعه ای از درختان تصمیم گیری هستند. وکتور ورودی از طریق چندین درخت تصمیم اجرا می شود. برای رگرسیون، مقدار خروجی همه درختان به طور میانگین محاسبه می شود. برای طبقه بندی، یک طرح رأی گیری برای تعیین رده نهایی استفاده می شود.مزیت:در یادگیری روابط پیچیده و غیر خطی بسیار خوب است. آنها معمولاً می توانند عملکرد بسیار بالایی داشته باشند، بهتر از رگرسیون چند جمله ای و اغلب همتراز با شبکه های عصبی.تفسیر و درک اسانی دارد. اگرچه مدل آموزش‌دیده ی نهایی می‌تواند روابط پیچیده را بیاموزد، مرزهای تصمیم‌گیری که در طول آموزش ایجاد می‌شوند، آسان و کاربردی هستند. معایب: به دلیل ماهیت تصمیم گیری آموزشی درختان، آنها می توانند مستعد این باشند که بیش از حد متمایل شوند. یک مدل درخت با تصمیم تکمیل شده می تواند بیش از حد پیچیده باشد و دارای ساختار غیر ضروری باشد. اگرچه گاهی اوقات می توان با استفاده از هرس مناسب درختان و مجموعه های جنگلی تصادفی بزرگتر این مشکل را کاهش داد. استفاده از مجموعه‌های جنگل تصادفی بزرگ‌تر برای دستیابی به عملکرد بالاتر، با معایب کندتر بودن و نیاز به حافظه بیشتر همراه است. در پست بعدی نگاهی به مزایا و معایب مدل‌های طبقه‌بندی مختلف خواهیم داشت. امیدوارم از این پست لذت برده باشید و مطالب جدید و مفیدی یاد گرفته باشید. Amin Kameli Amin Kameli Mon, 26 Dec 2022 07:30:13 +0330 https://virgool.io/@aminkameli2000/%D8%A7%DB%8C%D9%84%D8%A7%D9%86-%D9%85%D8%A7%D8%B3%DA%A9-%DA%A9%D8%A7%D8%B1-%D8%A8%D8%B5%D9%88%D8%B1%D8%AA-%D8%B1%DB%8C%D9%85%D9%88%D8%AA-%D8%B1%D8%A7-%D8%AD%D8%B0%D9%81-%DA%A9%D8%B1%D8%AF-%D8%AF%D9%88%D8%B1%DA%A9%D8%A7%D8%B1%DB%8C-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%B3%D8%A7%D8%B9%D8%AA-%DA%A9%D8%A7%D8%B1%DB%8C-%D8%AA%D9%88%DB%8C%DB%8C%D8%AA%D8%B1-%D8%B4%D8%B1%DA%A9%D8%AA-odqec1iqxeho ماسک می خواهد فرهنگ کاری "24 ساعته" را پیاده کند. اگر دور کاری راه گشاست، چرا اکثر شرکت های فناوری کارمندان خود را اخراج می کنند؟درین شرایط کندی اقتصاد تقریباً همه شرکت‌های فناوری در حال ارزیابی مجدد تعداد نیروی کار خود هستند، که اغلب آنها نیروی جدیدی استخدام نمی‌کنند و هزار نفر از کارکنان خود را اخراج می‌کنند.به محض اینکه ایلان ماسک مدیریت توییتر را به دست گرفت، نیمی از نیروی کار خود را اخراج کرد و از نیمی دیگر خواست که در محل کار حاضر شوند، "ماسک سیاست فعلی شرکت را تغییر داد و از کارمندان توییتر خواست تا به دفاتر گزارش دهند - هرچند. می توان استثناهایی قائل شد." این حرکت توسط اکثر کارگران دورکاری که ترجیح می‌دهند در خانه کار کنند، خصمانه تلقی می‌شود و بهانه های شخصی می آورند تا نشان دهند که دور از اداره کارآمدتر هستند، حتی اکثر مدیران فناوری که به کارمندان خود اجازه می‌دهند از راه دور کار کنند، بیشتر نیروی کار خود را اخراج می‌کنند. سر کار حاضر شوید یا در خانه بمانید.اگر می‌خواهید در خانه کار کنید، ماسک اهمیتی نمی‌دهد، او از شما می‌خواهد که حداقل 40 ساعت در دفتر کار کنید، و در صورت تمایل می‌توانید 40 ساعت دیگر را در خانه خود کار کنید. نمی توان قضاوت کرد که ایلان ماسک نمی داند چه چیزی برای شرکت تازه خریداری شده اش، توییتر، بهتر است. ماسک از همین رویکرد در اسپیس ایکس و تسلا استفاده کرد. او به کارمندان خود در این شرکت ها گفت: "شما باید حداقل 40 ساعت در هفته را در دفتر بگذرانید." کسانی که این کار را نمی کردند اخراج می شدند. این رویکرد به او کمک کرد تا دو شرکت سودآور را حفظ کند در حالی که سایر شرکت ها در حال زیان دهی بودند.ین رویکرد به او کمک کرد تا دو شرکت سودآور را حفظ کند در حالی که سایر شرکت ها در حال زیان دهی بودند.ایلان ماسک، خودش یا مدیر اجرایی خود را نیز از حضور در محل کار مستثنی نمی‌کند، "هر چه رتبه بالاتری داشته باشید، باید حضور شما در دفتر بیشتر دیده شود." کاملاً واضح است که ماسک معتقد به کار کردن افراد در خانه نیست، اما آنها پس از 40 ساعت کار در دفتر می توانند این کار را انجام دهند. کار کردن برای ایلان ماسک سخت است. او متفاوت است. ایلان ماسک بیش از 80 ساعت در هفته کار می کند. ایلان ماسک ساعات زیادی را برای کار خود اختصاص می دهد، گفته میشود که بیش از 120 ساعت در هفته کار می کند و در خصوص اینکه بنیانگذاران باید بیش از 80 ساعت در هفته کار کنند نظر داده است. او از فداکاری و ازخودگذشتگی شدید خود به کارش دفاع می کند و می گوید: "اگر من 120 ساعت در هفته کار نمی کردم در حالی که در برهه هایی از سالی گذشت همه 100 ساعت در تسلا کار می‌کردند، تسلا ورشکست می شد."بنابراین بهتر است قبل از انتقاد از موضع ماسک درباره دورکاری، کمی وقت بگذارید تا سوابق تجاری موفق او را بررسی کنید و ببینید که شرکت های دیگر چگونه با او برخورد می کنند. به عنوان مثال، مدیر عامل Sales force بنام, Marc Benioff اظهار داشت که او برنامه خاصی برای کاهش بسیاری از مشاغل بر اساس عملکردشان دارد و اگر بخواهم حدس بزنم، اکثر این افراد از راه دور کار می کنند. بنابراین، پس از بررسی صورت‌های سود و زیان، بسیاری از مدیران عامل به سمت ایلان ماسک روی می‌آورند. به عنوان مثال، رید هیستینگز، مدیرعامل نتفلیکس، "هیچ جنبه مثبتی" برای کار از خانه نمی بیند. هاستینگز به وال استریت ژورنال گفت: «اگر نتوانیم به صورت حضوری به ویژه در سطح بین المللی دور هم جمع شویم، یک نکته منفی محض محسوب می‌شود». کنند.بنابراین، پس از بررسی صورت‌های سود و زیان، بسیاری از مدیران عامل به سمت ایلان ماسک روی می‌آورند. به عنوان مثال، رید هیستینگز، مدیرعامل نتفلیکس، "هیچ جنبه مثبتی" برای کار از خانه نمی بیند. هاستینگز به وال استریت ژورنال گفت: «اگر نتوانیم به صورت حضوری به ویژه در سطح بین المللی دور هم جمع شویم، یک نکته منفی محض محسوب می‌شود». این، پس از بررسی صورت‌های سود و زیان، بسیاری از مدیران عامل به سمت ایلان ماسک روی می‌آورند. به عنوان مثال، رید هیستینگز، مدیرعامل نتفلیکس، "هیچ جنبه مثبتی" برای کار از خانه نمی بیند. هاستینگز به وال استریت ژورنال گفت: «اگر نتوانیم به صورت حضوری به ویژه در سطح بین المللی دور هم جمع شویم، یک نکته منفی محض محسوب می‌شود». این کاملاً ضعف محسوب می‌شود زیرا شما نمی توانید شرکتی پایدار بسازید که از خانه کار می کند. پاراگ آگراوال، مدیر عامل قدیمی توییتر، به کارمندانش اجازه داد از خانه کار کنند و توییتر روزانه 4 میلیون دلار ضرر می کرد، بنابراین درباره سودآوری صحبت نکنید.کار از خانه برای اکثر شرکت ها موثر نیست. این فقط برای مردم سودمند است و مردم برای دریافت حقوق به شرکت ها نیاز دارند تا پول دربیاورند. اپل به کارمندان اجازه می دهد فقط تا دو روز در خانه کار کنند. تیم کوک نمی تواند اداره یک شرکت را بدون حضور کارمندان تصور کند. مدیر اجرایی اپل، Tim Cook، به تیم خود گفت که در محل کار حضور داشته باشند، "امیدوارم همه به اندازه من پرانرژی باشند و شما مشتاقانه منتظر باشید تا در هفته های آینده دوباره همکاران خود را حضوری ببینید. من نمی توانم. به شما بگویم که چقدر مشتاقم دوباره با هم باشیم."کوک توضیح داد که می‌خواهد افراد در روز دوشنبه، سه‌شنبه و پنج‌شنبه در دفتر حضور داشته باشند و چهارشنبه و جمعه به‌طور «انعطاف‌پذیری» کار کنند. البته برخی از مردم دیوانه هستند، اما کوک اهمیتی نمی دهد و شرکت او بهتر است. دور کاری برای نوآوری وحشتناک است. جیمز دیمون یک تاجر میلیاردر آمریکایی است و مدیر عامل جی پی مورگان چیس نیز هیچ ارزشی در کار از راه دور نمی بیند. دیمون به گروهی از صاحبان مشاغل گفت که کار کردن از خانه برای همه، به ویژه کسانی که می‌خواهند در دنیا تغییر ایجاد کنند،"دورکاری برای کسانی که می‌خواهند خود را گول بزنند کارساز نیست. برای ایده‌پردازی خودجوش کار نمی‌کند.این برای تمدن موثر نیست" برخی از شما خواهید گفت که فناوری به ما اجازه می دهد تا به طور موثر با یکدیگر ارتباط برقرار کنیم. من این را به شما می گویم: " ارتباطات دیجیتال را با روابط واقعی اشتباه نگیرید هیچ چیز نمی تواند جایگزین گفتگوی واقعی با کسی که به او اهمیت می دهید، شود، و اگر به افرادی که با آنها کار می کنید اهمیتی نمی دهید، وقت آن رسیده است که شغل دیگری پیدا کنید. "شاید خصمانه بنظر برسد اما من اینطور فکر نمی کنم، بعضی ها دوست ندارند حقیقت را بخوانند.مجله هاروارد بیزینس ریویو با این مدیران اجرایی موافق است. قرار گرفتن در محل کار با همکارانتان باعث می شود شرکت شما نوآورانه و سودآور باشد. آرت مارکمن، استاد روانشناسی و بازاریابی در دانشگاه تگزاس در آستین، با این موضوع موافق است. او در مقاله‌ای با عنوان واقعا چرا می‌خواهید به دفتر بازگردید، توضیح می‌دهد که مشاهده کار توسط دیگران می‌تواند منجر به پدیده‌ای به نام سرایت هدف شود.مارکمن می‌گوید: "وقتی کارهای افراد دیگر را مشاهده می‌کنید، اغلب اهداف مشابه آنها را اتخاذ می‌کنید. بودن در کنار گروهی از افرادی که در جهت یک تکلیف مشترک کار می‌کنند، این هدف را در همه افراد حاضر در محل کار تقویت می‌کند."زمانی که کارمندان 100% از راه دور کار می کنند، ایجاد و انتقال دانش سازمانی برای شرکت ها سخت تر است. بنابراین، به محض اینکه کسی خارج شود، سازمان آسیب زیادی خواهد دید.یکی دیگر از مزایای وقت گذراندن با همکاران در دفتر این است که حس شما به هدف مشترک را تقویت می کند. اما باز هم اگر احساس تعلق ندارید، شغل خود را رها کنید. شما لایق جایی بهتر هستید. بنابراین، به جای متنفر شدن از مدیر عاملانی که از کارمندان خود می خواهند در دفتر کار کنند، این موضوع را درک کنیم که آنها سعی در بهتر اداره کردن شرکتشان دارند. اميدوارم از این مقاله لذت برده باشید. Amin Kameli Amin Kameli Sat, 03 Dec 2022 10:45:26 +0330 https://virgool.io/@aminkameli2000/%D8%A7%D9%86%D9%88%D8%A7%D8%B9-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D8%AD%D8%AA-%D9%86%D8%B8%D8%A7%D8%B1%D8%AA-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B7%D8%A8%D9%82%D9%87-%D8%A8%D9%86%D8%AF%DB%8C-%D8%B4%D8%AF%D9%87-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8C-big-data-algorithm-ttlwycdfv9uq آموختیم که یادگیری ماشین(Machine Learning) شامل ابزارها یا الگوریتم‌هایی است که مبتنی بر داده‌ها هستند. کار اصلی آنها حدس زدن بر اساس داده های گذشته و آموزشی است که به آنها ارائه شده است. بر خلاف الگوریتم های معمولی، خروجی آنها مبتنی بر داده است.بطور خلاصه ما دستگاه را با داده‌های آزمایشی بسیار زیادی آموزش داده و سپس آن را به ورودی انتقال می‌دهیم تا نتیجه را دریافت کنیم.موارد زیر نمونه‌هایی از کاربردهای توسعه‌یافته‌تر یادگیری ماشین است که ممکن است در زندگی روزمره خود با آنها برخورد کرده باشید:امتیازدهی اعتباری:مؤسسات مالی، اطلاعات دقیقی را در مورد مشتریان خود در طول زمان جمع آوری می کنند - به عنوان مثال، درآمد، دارایی، شغل، سن، سابقه مالی. این داده ها را می توان تجزیه و تحلیل کرد تا مشخص شود کدام ویژگی ها بیشتر با پیامدهای منفی مانند عدم پرداخت وام ها مرتبط هستند، یا کدام ویژگی ها منجر به نتایج مثبت مانند بازپرداخت به موقع وام می شود. بنابراین، یک رابط پیش بینی می تواند ایجاد شود که می تواند مشتریان را بر اساس احتمال نکول آنها طبقه بندی کند و مؤسسه مالی می تواند از آن برای تصمیم گیری کارآمدتر در مورد وام ها استفاده کند.تجزیه و تحلیل سبد:هنگامی که یک مشتری در یک فروشگاه مواد غذایی یا بصورت آنلاین از طریق درگاه پرداخت خرید می کند، اطلاعات مربوط به اقلام خاص خریداری شده در یک پایگاه داده بزرگ قرار می گیرد. این پایگاه داده را می توان برای تعیین رفتارها یا ارتباطات خرید معمولی تجزیه و تحلیل کرد. به عنوان مثال، چقدر احتمال دارد مشتری که مسواک خریده است خمیر دندان هم بخرد؟ در بسیاری از موارد می توان داده های شخصی مشتری را جمع آوری کرد که می تواند به تجزیه و تحلیل چگونگی تغییر این رفتار در گروه های جمعیتی یا درآمدی خاص کمک کند. تجزیه و تحلیل این داده ها می تواند استراتژی و تصمیم گیری بازاریابی و تبلیغات را مشخص کند. همچنین می‌تواند منجر به تبلیغات شخصی‌شده‌تر شود که در آن مشتری می‌تواند پیشنهاداتی را درباره محصولاتی که بیشتر به آنها علاقه دارد دریافت کند.علم ژنتیک:اعضای سرویس آنلاین یک آزمایشگاه، اطلاعات شخصی و سلامتی خود را همراه با نمونه ای از بزاق خود برای تجزیه و تحلیل DNA ارائه می دهند. به این اعضا اغلب پرسشنامه هایی در مورد سلامتی و ویژگی های شخصی آنها ارسال می شود. کدهای ژنتیکی افرادی که شرایط یا ویژگی‌های سلامت مشابهی را گزارش می‌کنند را می‌توان روی تعداد زیادی از افراد برای رشته‌ها یا بخش‌هایی که اغلب رخ می‌دهند، تجزیه و تحلیل کرد. اگر چنین رشته‌ یا بخش‌هایی کشف شوند، می‌توان از آن‌ها برای پیش‌بینی ویژگی‌ها یا مسائل پزشکی احتمالی که ممکن است پیش رو باشد استفاده کرد. این نوع یادگیری همچنین می‌تواند برای شناسایی روابط بیولوژیکی بین اعضای سرویس مورد استفاده قرار گیرد، در برخی موارد اعضای خانواده که از طریق فرزندخواندگی یا شرایط دیگر از هم جدا شده‌اند را به هم پیوند می‌دهد.ارزش گذاری:داده های مربوط به فروش خودرو در یک دوره زمانی را می توان تجزیه و تحلیل کرد تا مشخص شود که چه ویژگی های خودرو بیشتر بر قیمت و حساسیت قیمت به این ویژگی ها تأثیر می گذارد. بر این اساس، ابزارهای ارزیابی آنلاین اکنون در دسترس هستند که می توانند محدوده قیمت یک خودرو را بر اساس اطلاعات وارد شده توسط مالک توصیه کنند. سایر کاربردهای رایج عبارتند از تشخیص پزشکی، تبدیل دست خط به متن، تشخیص گفتار، تشخیص چهره، فشرده سازی تصویر، روباتیک، وسایل نقلیه اتومات و بسیاری کاربردهای دیگر. انواع یادگیری ماشینیادگیری ماشین را می توان به سه دسته اصلی طبقه بندی کرد:یادگیری تحت نظارتالگوریتم های یادگیری نظارت شده، از مجموعه آموزشی داده های ورودی و خروجی استفاده می کنند. الگوریتم، یک رابطه بین داده های ورودی و خروجی را از مجموعه آموزشی یاد می گیرد و سپس از این رابطه برای پیش بینی خروجی داده های جدید استفاده می کند. یکی از رایج ترین اهداف یادگیری تحت نظارت، طبقه بندی است.یادگیری طبقه بندی شدههدف یادگیری طبقه بندی، استفاده از اطلاعات آموخته شده برای پیش بینی عضویت در یک کلاس خاص است. مثال امتیازدهی اعتباری نشان‌دهنده یادگیری طبقه‌بندی است که افرادی را پیش‌بینی می‌کند که وام‌ها را نکول می‌کنند.یادگیری تقویتی یادگیری تقویتی شکلی از یادگیری "آزمون و خطا" است که در آن، داده های ورودی الگوریتم را به یک پاسخ تحریک می کند، و در آن الگوریتم بسته به اینکه آیا پاسخ مورد نظر بوده است، "تشویق" یا "تنبیه" می شود. رباتیک و فناوری خودمختار از این شکل یادگیری استفاده زیادی می کنند. شرایط لازم برای یک یادگیری ماشینی موفق چیست؟ یادگیری ماشین و "Big data(داده های بزرگ)" شهرت بیشتری پیدا کرده و در سال های اخیر مطبوعات زیادی را ایجاد کرده است. در نتیجه، بسیاری از افراد و سازمان‌ها به این فکر می‌کنند که چگونه و آیا ممکن است در موقعیت خاص آنها اعمال شود و آیا ارزشی برای به دست آوردن آن وجود دارد یا خیر. با این حال، ایجاد قابلیت‌های داخلی برای ماشین لرنینگ موفق (یا استفاده از تخصص خارجی) می‌تواند پرهزینه باشد. قبل از انجام این چالش، عاقلانه است که ارزیابی کنیم که آیا شرایط مناسب برای شانس موفقیت سازمان وجود دارد یا خیر. ملاحظات اصلی در اینجا به داده ها و بینش انسانی مربوط می شود.سه نیاز داده مهم برای یادگیری ماشینی موثر وجود دارد. اغلب، همه این الزامات را نمی توان به طور رضایت بخش برآورده کرد و کاستی های یکی می تواند با یکی یا هر دو مورد دیگر جبران شود. این الزامات عبارتند از: کمیت:الگوریتم های یادگیری ماشین به تعداد زیادی مثال نیاز دارند تا بتوانند قابل اطمینان ترین نتایج را ارائه دهند. بیشتر مجموعه‌های آموزشی برای یادگیری تحت نظارت شامل هزاران یا ده‌ها هزار مثال است.تغییرپذیری:هدف یادگیری ماشین مشاهده شباهت ها و تفاوت ها در داده ها است. اگر داده ها بیش از حد مشابه (یا خیلی تصادفی) باشند، نمی توانند به طور موثر از آنها یاد بگیرند. برای مثال، در یادگیری طبقه بندی، تعداد نمونه های هر کلاس در داده های آموزشی برای شانس موفقیت بسیار حائز اهمیت است. ابعاد:مشکلات یادگیری ماشین اغلب در فضای چند بعدی عمل می کنند و هر بعد با یک متغیر ورودی خاص مرتبط است. هر چه مقدار اطلاعات از دست رفته در داده ها بیشتر باشد، فضای خالی بیشتر است که مانع یادگیری می شود. بنابراین میزان کامل بودن داده ها عامل مهمی در موفقیت فرآیند یادگیری است.یادگیری ماشین همچنین می تواند با بینش انسانی با کیفیت بالا کمک کند. جایگشت‌ها و ترکیب‌های تحلیل‌ها و سناریوها که از مجموعه داده‌های معینی قابل مطالعه است، اغلب بسیار گسترده است. با گفتگو با کارشناسان موضوع می توان وضعیت را ساده کرد. بر اساس دانش خود از موقعیت، آنها اغلب می توانند جنبه هایی از داده ها را که به احتمال زیاد بر مبنای ارائه بینش است، برجسته کنند. به عنوان مثال، یک کارشناس استخدام می‌تواند به شناسایی نقاط داده‌ای کمک کند که به احتمال زیاد تصمیمات انتخاب شرکت را بر اساس سال‌ها مشارکت و مشاهده آن تصمیم‌ها هدایت می‌کنند. دانش فرآیندهای اساسی در یک سازمان همچنین میتواند به محقق داده کمک کند تا الگوریتمی را انتخاب کند که به بهترین شکل، آن فرآیند را مدل می کند و بنابراین شانس موفقیت بیشتری دارد.در فصل بعدی نحوه عملکرد یادگیری ماشین را مورد بحث قرار خواهیم داد. Amin Kameli Amin Kameli Fri, 25 Nov 2022 22:26:19 +0330 https://virgool.io/@aminkameli2000/%D8%AA%D9%84%D8%B3%DA%A9%D9%88%D9%BE-lsst-%D8%AF%D8%B1-%D8%AD%D8%A7%D9%84-%D8%B3%D8%A7%D8%AE%D8%AA-%D9%81%D8%B6%D8%A7-%D8%AF%D8%A7%D9%86%D8%B4%D9%85%D9%86%D8%AF%D8%A7%D9%86-%D9%85%D8%A7%D8%AF%D9%87-%D8%AA%D8%A7%D8%B1%DB%8C%DA%A9-%D8%A7%D9%86%D8%B1%DA%98%DB%8C-%D8%AA%D8%A7%D8%B1%DB%8C%DA%A9-%D9%BE%D8%AF%DB%8C%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%DA%A9%D8%B4%D9%81-%D9%86%D8%B4%D8%AF%D9%87-%D9%86%D8%B3%D8%A8%DB%8C%D8%AA-%D8%B9%D8%A7%D9%85-%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%D8%AC%D8%AF%DB%8C%D8%AF-%DA%AF%D8%B1%D8%A7%D9%86%D8%B4-q7vweeawhirx در حال ساخت LSSTتلسکوپ LSST شبیه هیچ چیز دیگری نیست! لنز و حسگر فوق العاده حساس (به زودی در مورد آن بیشتر توضیح خواهم داد)، LSST فقط 15 ثانیه طول می کشد تا یک تصویر را ثبت کند. این فقط لنز نیست که LSST را منحصر به فرد می کند. سنسورش هم یک هیولاست! قطر آن 64 سانتی متر و وضوح 3200 گیگاپیکسل است. چنین حسگر بزرگی می تواند نور بیشتری را جمع آوری کند و تصاویر روشن تری تولید کند، به همین دلیل LSST دارای نوردهی کوتاهی است. همچنین میدان دید بسیار وسیعی به آن می‌دهد، زیرا تصاویر آن برابر با عرض هفت قمر خواهد بود. اما تعداد پیکسل های فوق العاده زیاد به این معنی است که وضوح این محدوده از نمودار خارج است. در نجوم، وضوح به تعداد پیکسل‌های یک تصویر نیست، بلکه به این معناست که یک پیکسل چقدر از آسمان را می‌پوشاند. LSST دارای وضوح 0.2 ثانیه قوسی است که به آن اجازه می دهد یک توپ گلف را در فاصله 15 مایلی تشخیص دهد. برای مقایسه، چشم انسان دارای وضوح 40 ثانیه قوسی و JWST دارای وضوح 0.1 ثانیه قوسی است. این تلسکوپ درخشان هنوز در دست ساخت است، اما به زودی تکمیل و به رصدخانه Vera C. Rubin در شیلی تحویل داده خواهد شد، جایی که یک ماموریت 10 ساله قابل توجه برای تصویربرداری مکرر از کل آسمان شب نیمکره جنوبی را انجام خواهد داد. دانشمندان پیش بینی کرده اند که این ماموریت 17 میلیارد ستاره جدید و 6 میلیون جرم جدید را در منظومه شمسی خودمان کشف خواهد کرد. این یک سطح بی سابقه از کشف است، اما این هدف اولیه LSST نیست. در عوض، برای استفاده از اختلاف منظر برای درک ماده تاریک، انرژی تاریک، و دیگر پدیده‌هایی که در حال حاضر به خوبی درک نشده‌اند، طراحی شده است. درین باره توضیح میدهم.اختلاف منظر نحوه دیدن چشمان ما به صورت سه بعدی است. این شامل گرفتن دو تصویر در یک جهت اما در فاصله افقی از یکدیگر است، مانند نحوه عملکرد چشمان شما. با مقایسه این دو، می توانید بفهمید که اشیاء موجود در تصاویر در کجای فضای سه بعدی قرار دارند. به نظر می رسد که اجسام نزدیکتر، از یک عکس به عکس دیگر حرکت می کنند، در حالی که اشیای دورتر کمتر جابه جا می شوند. ما این کار را کاملاً شهودی با چشمان خود انجام می دهیم، اما اگر از دوربین استفاده می کنید و فاصله بین مکان هایی که تصاویر گرفته شده اند را می دانید، می توانید به دقت محاسبه کنید که جسم چقدر فاصله دارد. برای چندین دهه، ما از این روش با تلسکوپ استفاده کرده‌ایم تا بفهمیم ستاره‌ها، سحابی‌ها و کهکشان‌ها چقدر دور هستند. اما به جای استفاده از دو دوربین، می توانیم فقط از یک تلسکوپ استفاده کنیم. ببینید، با گرفتن دو تصویر از یک تکه فضا به فاصله شش ماه، فاصله بین دو عکس برابر با قطر مدار زمین به دور خورشید است. سپس می‌توانیم از کهکشان‌های بسیار دور به‌عنوان پس‌زمینه ثابت فرضی استفاده کنیم، اختلاف منظر ستارگان، سحابی‌ها، سیارات و سیارک‌ها را در پیش‌زمینه اندازه‌گیری کنیم و سپس فاصله آنها را محاسبه کنیم. بنابراین، اگر تلسکوپ‌های دیگر می‌توانند از منظر مشابه استفاده کنند، چرا به این تلسکوپ جدید نیاز داریم؟ عنصر جلویی عظیم، میدان دید وسیع و تعداد پیکسل بالای LSST که راجع بهش توضیح داده شد را به خاطر دارید؟ این به LSST اجازه می دهد تا به لطف وضوح بالای خود، فواصل را از طریق اختلاف منظر محاسبه کند. در عین حال، میدان دید وسیع، زمان‌های نوردهی کوتاه و تعمیر و نگهداری کم، آن را قادر می‌سازد تا به طور قابل اعتماد و مکرر کل آسمان شب را بسیار سریع‌تر از هر تلسکوپ دیگری بررسی کند. دانشمندان قصد دارند LSST را تقریباً در کل ماموریت ده ساله خود با گاز کامل اجرا کنند و از این حجم عظیم داده برای ایجاد یک فیلم سه بعدی از کل نیمکره جنوبی فضا استفاده خواهند کرد. این به ما امکان می‌دهد ببینیم که چگونه میلیاردها جرم در طول این ده سال در فضا حرکت می‌کنند. بنابراین با LSST، می‌توانیم نحوه چرخش سیارک‌ها به دور سیاره 9 را که هنوز تایید نشده است، تماشا کنیم. شاهد انحراف مسیر ستارگان در فضا توسط ماده تاریک باشید. رصد ستاره هایی که به دور سیاهچاله ها می چرخند؛ و حتی کهکشان هایی را که توسط انرژی تاریک هل داده و کشیده می شوند را ببینید. این دیدگاه بی‌سابقه به حرکت جهان به ما کمک می‌کند تا این اسرار عمیق را بیشتر بررسی کنیم و به ما فرصتی می‌دهد تا درک بهتری از نحوه عملکرد این جهان عجیب و غریب داشته باشیم.چنین بینشی به طور بالقوه می تواند درک اساسی ما از فیزیک را تغییر دهد، زیرا مشاهدات می توانند تصورات ما از ماده تاریک، انرژی تاریک، و حتی نظریه گرانش انیشتین، نسبیت عام را به چالش بکشند. به یاد داشته باشید، ما هنوز باید یک نظریه درباره همه چیز ایجاد کنیم، زیرا نسبیت عام با مکانیک کوانتومی موافق نیست، به این معنی که یکی از آنها اشتباه است. بنابراین، مشاهدات LSST می تواند به ما کمک کند تا یک نظریه جدید از گرانش ایجاد کنیم و با انجام این کار، به ما اجازه می دهد تا در نهایت یک نظریه درباره همه چیز داشته باشیم. واقعا اغراق نکردم وقتی گفتم این تلسکوپ خارق العاده درک ما از کیهان را متحول می کند و اخترفیزیک را همانطور که می شناسیم متحول خواهد کرد. Amin Kameli Amin Kameli Sat, 12 Nov 2022 16:30:42 +0330 https://virgool.io/@aminkameli2000/%D8%B3%D8%A7%DB%8C%D8%AA-%D9%87%D8%A7%DB%8C-%D9%85%D9%81%DB%8C%D8%AF-%D9%88-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%DB%8C-%D8%B3%D8%A7%DB%8C%D8%AA-%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%D8%AA%D8%B1-%D9%86%D9%82%D8%B4%D9%87-%D8%B0%D9%87%D9%86%DB%8C-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3%DB%8C-%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C-%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A7%D9%85%D9%86%DB%8C%D8%AA-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%A7%DB%8C%D9%BE%DB%8C-bni2f3ysgvm5 هوشمندانه تر کار کنید نه سخت ترتحت عنوان یک فرد فنی وظایفی وجود دارند که ما می توانیم آنها را به چند روش انجام دهیم. بسیاری از ابزارها، برنامه های متن باز، کدنویسی یا هر چیز دیگری می توانند در این موارد مفید باشند. اما من به یک چیز اعتقاد دارم که در بالا نیز به آن اشاره کردم. اگر راهی برای انجام آسان کاری وجود دارد، پس من خودم آن را به روش دیگری انجام نمی دهم. در اینجا به برخی از وب سایت هایی اشاره می کنم که در زندگی روزمره خود از آنها استفاده می کنم و در وقت و انرژی روزانه صرفه جویی میکنم.بررسی ایمنی و امنیت وب سایتابزارهای بررسی امنیت که برای اسکن و بررسی ایمنی وب سایت ها استفاده می شود. ما باید بدافزار، اسپم، و گزارش های صحت مربوط به نگهداری وب سایت ها را بررسی کنیم. می توان از ابزارها یا خطوط فرمان برای انجام این کار استفاده کرد، اما راه حل زیر ساده ترین راه است. SSL/TLS را می توان در اینجا ایجاد کرد. وب سایت زیر کمک می کند تا از امن بودن یک وب سایت برای بازدید و اشتراک گذاری اطلاعات اطمینان حاصل کنید. لینک: https://www.ssltrust.com.au/ssl-tools/website-security-checkSSLTrust استعلام باز بودن بودن پورت اسکنر پورت را باز کنید، چیزی را در سیستم محلی خود هاست کنید و آن را در اینترنت منتشر کنید، سپس باید بررسی کنید که آیا پورت شما باز است یا خیر. اگر پورت باز است، مشکلی ندارد که آن را ادامه دهید.باز بودن پورت را می توان با خط فرمان بررسی کرد اما در اینجا میتوانید با ساده ترین ابزار و بدون داشتن هیچ دانش فنی اینکار را انجام دهید . پورت هایی که معمولا باید پیگیری کنیم:21 — File Transfer Protocol (FTP)22 — Secure File Transfer Protocol (SFTP)25 — Simple Mail Transfer Protocol (SMTP)80 — Hypertext Transfer Protocol (HTTP)110 — Post Office Protocol v3 (POP3)143 — Internet Message Access Protocol (IMAP)443 — Hypertext Transfer Protocol over TLS/SSL (HTTPS)993 — Internet Message Access Protocol over TLS/SSL (IMAPS)3306 — MySQL database systemMySQLلینک:https://www.whatismyip.com/port-scanner/Port Scannerپیدا کردن آدرس IP واقعی گاهی اوقات لازم است آدرس IP واقعی شبکه خود را بدانید. هیچ راه آسانی برای پیدا کردن این موضوع به تنهایی وجود ندارد. ISP می تواند به شما در یافتن IP خود کمک کند. بدون هیچ نگرانی اینجا یک ابزار وب در اختیار دارید که می تواند آدرس IP شما را به شما نشان دهد. فقط کافی است به وب بروید و آدرس IP شبکه خود را که با آن متصل شده اید پیدا خواهید کرد.لینک: https://whatismyipaddress.com/WhatIsMyIPAdressجستجوی دامین/ ثبت نام دامنهگاهی اوقات جستجوی نام دامنه مورد نیاز است و یافتن آن به تنهایی تقریباً غیرممکن است. در اینجا یک وب سایت وجود دارد که به شما در انجام این کار کمک می کند. فقط URL خود را وارد کرده و اینتر را بزنید. کل اطلاعات را پیدا خواهید کرد.لینک: https://lookup.icann.org/ICANN LOOKUP نقشه ذهنی(mind mapping) این یک فرایند پیچیده است. گاهی اوقات این کار با فلوچارت، نمودار یا هر چیز دیگری به درستی انجام نمی شود، اما با "coggle" امکان پذیر است. این یک برنامه نقشه برداری ذهنی است که برای اسناد ساختاریافته مانند درختان سند نیز قابل استفاده است. Coggle ابزاری است که توسط گوگل توسعه یافته است. موارد استفاده شامل: یادداشت برداری، برنامه ریزی، مدیریت جلسات، نقشه ذهنی، به اشتراک گذاری ایده و...لینک: https://coggle.it/coggleطراحی رابطاین مبحث نیز پیچیده است و به ابزارهایی مانند Adobe XD یا ابزارهای دیگر نیاز دارد. اما گاهی اوقات لازم است این نوع طراحی را از رایانه دیگری انجام دهیم که این یک معزل است. به‌عنوان یک توسعه‌دهنده، گاهی اوقات به آن نیاز داریم، همچنین نصب کردن ابزاری مانند این دردسر دیگری دارد. راه ساده تر این است که از یک ابزار طراحی رابط آنلاین مانند Figma استفاده کنید. Figma یک ابزار پروتوتایپ(نمونه ساز) است. کافیست به وب بروید و شروع به ساخت طرح خود کنید و به صورت آنلاین در وقت خود صرفه جویی کنید.لینک: https://www.figma.com/figma طراحی پایگاه داده پایگاه داده و انبار داده را بدون نوشتن حتی یک خط کد توسعه دهید طراحی پایگاه داده یکی از نیازهای اساسی توسعه دهندگان است. بدون نیاز به نگه داشتن ابزارهای نصب شده برای طراحی پایگاه داده، فقط به وب سایت بروید و شروع به ساخت پایگاه داده خود کنید.انواع پایگاه داده های پشتیبانی شده:SQL serverMySQLPostgreSQL یکی دیگر از امکانات اصلی در اینجا اینست که توسعه دهندگان می توانند از راه دور روی یک پروژه واحد از طریق این پلتفرم کار کنند. لینک: https://sqldbm.com/نمونه پروژه sqldbmکامپایل هر زبان به صورت آنلاینیک وب سایت وجود دارد که می تواند در این زمینه به شما کمک کند. بدون نیاز به هیچ ابزار یا نصب کامپایلر و ویرایشگر. فقط به وب سایت بروید و زبان خود را انتخاب کنید. این تمام کاریست که باید انجام دهید. اکنون آماده کامپایل کد خود در هر زبان برنامه نویسی هستید. Ideone قادر است بیش از 60 زبان برنامه نویسی را کامپایل کند.لینک: https://ideone.com/ideonبه اشتراک گذاری اسنیپت (قطعه) کدبه عنوان یک برنامه نویس، رایج ترین چیزی که ما به آن نیاز داریم اشتراک گذاری کد به صورت آنلاین است. به اشتراک گذاری کد از طریق ایمیل، رسانه های اجتماعی یا سایر سیستم عامل ها چندان ساده نیست و همچنین با آن سازگاری ندارد. به اشتراک گذاری کد از طریق git نیز یک معزل است."gist" یک ابزار به اشتراک گذاری قطعه توسط GitHub است. در اینجا یک مثال آورده شده. Gist راهی برای به اشتراک گذاری کدها و اسنیپت ها با دیگران است. هر Gists یک مخزن گیت جداگانه و قابل چنگال و استفاده است. لینک: https://gist.github.com/GitHubGistسوال ?have I been pawned(آیا تا به حال تحت فشار قرار گرفته ام؟) یک وب سایت مفید دیگر برای استفاده بصورت مرتب. نه فقط برای برنامه نویسان.بررسی کنید که آیا ایمیل یا تلفن شما در معرض نقض داده است یا خیر. فقط شماره تلفن یا آدرس ایمیل خود را وارد کرده و اینتر را بزنید.لینک: https://haveibeenpwned.com/have I been pwned در این مقاله سعی کردم تمام وب سایت های بالقوه برای افراد علاقه مند و بدنبال توسعه را پوشش دهم. امیدوارم این مقاله برای استفاده روزانه شما مفید باشد. Amin Kameli Amin Kameli Sat, 12 Nov 2022 16:14:33 +0330 https://virgool.io/@aminkameli2000/machine-learning-programming-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%DA%86%DB%8C%D8%B3%D8%AA-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF-unemv09oe0im این اولین مقاله از مجموعه مقالاتی است که قصد دارد یادگیری ماشین(Machine Learning) را برای کسانی که آموزش فنی ندارند،در اختیار بگذارد. امیدوارم مفید باشد. دنیا پر از داده است. داده های بسیار زیاد.همه چیز شامل تصاویر، موسیقی، کلمات، صفحات گسترده، ویدیوها و موارد دیگر و به نظر نمیرسد به این زودی ها رو به فرسایش حرکت کند. پیشرفت‌های فناوری رایانه در دهه‌های گذشته سبب شده که جمع‌آوری داده‌های الکترونیکی در بیشتر زمینه ها رایج‌تر شود.بسیاری از سازمان‌ها در حال حاضر خود را مدعی نگهداری مقادیر زیادی از داده‌ها در سال‌های گذشته می‌دانند. این داده‌ها می‌توانند به افراد، تراکنش‌های مالی، اطلاعات بیولوژیکی و بسیاری موارد دیگر مربوط باشند. به طور همزمان، دانشمندان داده برنامه‌های کامپیوتری تکراری به نام الگوریتم‌ را توسعه داده‌اند که می‌توانند به این حجم انبوه از داده‌ها دسترسی داشته باشند، آن‌ها را تجزیه و تحلیل کنند و الگوها و روابطی را که توسط انسان قابل شناسایی نیست، شناسایی کنند. تجزیه و تحلیل پدیده‌های گذشته می‌تواند اطلاعات بسیار ارزشمندی در مورد آنچه در آینده از همان پدیده‌ها یا پدیده‌های نزدیک به هم مرتبط است، ارائه دهد. از این نظر، این الگوریتم ها که بر خلاف الگوریتم های معمولی، خروجی آنها مبتنی بر داده است، می توانند از گذشته درس بگیرند و از این یادگیری برای پیش بینی های مفید در آینده استفاده کنند.به زبانی دیگر یادگیری ماشین این نوید را می دهد که از همه ی داده هایی که در اختیار دارد معنایی یافت کند. به عنوان مثال می توانید یک مدل پیش بینی قیمت برای آپارتمان ها داشته باشید. آنها را با روندها و قیمت های گذشته آموزش دهید. سپس از الگوریتم می‌پرسید که قیمت در پنج سال آینده چقدر خواهد بود! یا می توانید سیستمی را با 100 هزار ایمیل اسپم آموزش دهید و سپس پیام های جدید را بر اساس تجزیه و تحلیل انجام شده توسط ماشین فیلتر کنید. به طور خلاصه، ما دستگاه را با داده‌های آزمایشی عظیم آموزش می‌دهیم و سپس آن را به ورودی انتقال می‌دهیم تا نتیجه را دریافت کنیم. در ابتدا ما مفاهیمی با سطح بالا را آغاز کرده و سپس به جزئیات فنی می‌پردازیم. آرتور سی کلارک(Arthur C. Clarke):"هر فناوری که به اندازه کافی تکامل یافته و پیشرفته است را نمی‌توان از سحر و جادو تمایزش داد".به طور سنتی، انسان ها داده ها را تجزیه و تحلیل کرده و سیستم ها را با تغییرات در الگوهای داده، تطبیق داده اند. با این حال، از آنجایی که حجم داده‌ها از توانایی انسان برای درک آن و نوشتن دستی قوانین فراتر می‌رود، به طور فزاینده‌ای به سیستم‌های خودکاری روی می‌آوریم که می‌توانند از داده‌ها یاد بگیرند، و مهمتر از همه، تغییرات در داده‌ها، برای انطباق با چشم اندازِ داده‌های در حال تغییر اند. یادگیری ماشین در حال حاضر در همه جا وجود دارد. ما امروزه در محصولاتی که امروزه از آن استفاده می کنیم، یادگیری ماشین را در اطراف خود می بینیم، اما همیشه برای ما آشکار نیست که یادگیری ماشین پشت همه چیز است. در حالی که تگ کردن اشیا و افراد در تصاویر به وضوح یادگیری ماشین است، ممکن است متوجه نباشید که ویژگی‌هایی مانند سیستم‌های پیشنهادی ویدیویی نیز اغلب توسط یادگیری ماشین ارائه می‌شوند. البته، شاید بزرگترین مثال، جستجوی گوگل باشد. هر بار که از جستجوی Google استفاده می‌کنید، از سیستمی استفاده می‌کنید که سیستم‌های یادگیری ماشین زیادی را در هسته خود دارد، از درک متن درخواستتان گرفته تا تنظیم نتایج بر اساس علایق شخصی‌تان. وقتی «جاوا» را جستجو می‌کنید، یادگیری ماشین بسته به اینکه فکر می‌کند متخصص قهوه هستید یا توسعه‌دهنده، تعیین می‌کند کدام نتایج ابتدا نشان داده شود. شاید شما هر دو باشید!امروزه، کاربردهای فوری یادگیری ماشین بسیار گسترده است، از جمله تشخیص تصویر، تشخیص تقلب، موتورهای پیشنهاد دهنده ، و همچنین سیستم های متن و گفتار. این قابلیت‌های قدرتمند را می‌توان در طیف وسیعی از زمینه‌ها، از رتینوپاتی دیابتی و تشخیص سرطان پوست گرفته تا خرده‌فروشی، و البته حمل‌ونقل، در قالب خودروهای خودران و self parking به کار برد.خیلی از آن زمان نگذشته که وقتی یک شرکت یا محصول دارای یادگیری ماشینی بود، جدید به حساب می آمد. اکنون هر شرکتی به دنبال استفاده از یادگیری ماشینی در محصولات خود است. این به سرعت در حال تبدیل شدن به یک ویژگی مورد انتظار است. همانطور که انتظار داریم شرکت‌ها وب‌سایتی داشته باشند که روی دستگاه تلفن همراه یا اپلیکیشن ما کار می‌کند، به زودی روزی فرا می‌رسد که انتظار می‌رود فناوری ما شخصی‌سازی شده، روشن‌گر و خود اصلاح شود. همانطور که ازn(Machine Learning)MLبرای بهتر کردن، سریع‌تر یا آسان‌تر کردن وظایف انسانی موجود استفاده می‌کنیم، می‌توانیم به آینده نگاه کنیم، زمانی که ML می‌تواند به ما کمک کند کارهایی را انجام دهیم که هرگز نمی‌توانستیم به تنهایی به آنها برسیم.خوشبختانه، استفاده از مزیت یادگیری ماشین سخت نیست. ابزار ها بسیار کارآمد شده اند. تنها چیزی که نیاز دارید داده ها، توسعه دهندگان و تمایل به غرق در کار شدن است. "استفاده از داده ها برای پاسخ به سوالات" البته این یک ساده‌سازی اغراق آمیز است، اما همچنان می‌تواند هدف ثمر بخشی در پیش داشته باشد. به طور خاص، می‌توانیم تعریف را به دو بخش «استفاده از داده» و «پاسخ به سؤالات» تقسیم کنیم. این دو بخش به طور کلی دو جنبه یادگیری ماشین را نشان می دهند که هر دو به یک اندازه مهم هستند. «استفاده از داده‌ها» چیزی است که معمولاً «آموزش» نامیده می‌شود، در حالی که «پاسخ به سؤالات» به عنوان «پیش‌بینی» یا «نتیجه گیری» نامیده می‌شود. آنچه این دو قسمت را به هم متصل می کند الگو است. ما الگو را آموزش می دهیم تا با استفاده از مجموعه داده های خود، پیش بینی های بهتر و مفیدتری را انجام دهد. سپس این مدل پیش‌بینی می‌تواند برای ارائه پیش‌بینی‌ها بر روی داده‌های دیده نشده قبلی به کار گرفته شود.همانطور که ممکن است متوجه شده باشید، مؤلفه کلیدی این فرآیند، داده است. داده ها کلید باز کردن قفل یادگیری ماشین هستند، همانطور که یادگیری ماشین، کلید باز کردن پیش بینی پنهان موجود در داده ها است.بعد چی؟ این فقط یک نمای کلی در سطح بالایی از یادگیری ماشین، چرایی مفید بودن آن و برخی از کاربردهای آن بود. یادگیری ماشین حوزه وسیعی است که مجموعه کاملی از تکنیک ها را برای استنباط پاسخ از داده ها در بر می گیرد. در آینده، هدف این است که به شما درک بهتری از رویکردی که برای یک مجموعه داده و سؤالی که می‌خواهید به آن پاسخ دهید، استفاده کنید و همچنین ابزارهایی را برای نحوه انجام آن ارائه خواهیم کرد. در گام بعد، ما مستقیماً به فرآیند ملموس انجام ML با جزئیات بیشتر می پردازیم، و یک فرمول گام به گام برای نحوه نزدیک شدن به مشکلات یادگیری ماشین را مرور می کنیم. Amin Kameli Amin Kameli Sat, 12 Nov 2022 16:05:17 +0330