https://virgool.io/feed/@mberneti A Day Without Learning Is A Lost Day fa 2026-06-10 15:10:34 https://files.virgool.io/upload/users/15601/avatar/eYkBdd.png?height=120&width=120 https://virgool.io/@mberneti https://virgool.io/@mberneti/%D8%B4%D8%A7%D8%AE%D8%B5%D9%87%D8%A7%DB%8C-%D8%AA%D9%85%D8%B1%DA%A9%D8%B2-%D9%88-%D9%BE%D8%B1%D8%A7%DA%A9%D9%86%D8%AF%DA%AF%DB%8C-xjw4t3tigvxp در این مطلب به شرح انواع شاخص‌های تمرکز و پراکندگی می‌پردازیم و همچنین کاربردهای دیگر آنها مثل تحلیل چولگی یا Skewnessبرای مطالعه این مطلب در بلاگم روی لینک شاخص‌های تمرکز و پراکندگی کلیک کنید. mberneti mberneti Sun, 30 Aug 2020 17:30:57 +0430 https://virgool.io/@mberneti/%D8%A7%D9%86%D9%88%D8%A7%D8%B9-%D8%B1%D9%88%D8%B4%D9%87%D8%A7%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D9%87%DB%8C-%D9%85%DB%8C%D8%A7%D9%86%DA%AF%DB%8C%D9%86-%D9%85%DB%8C%D8%A7%D9%86%DA%AF%DB%8C%D9%86%D9%87%D8%A7%DB%8C-%D9%81%DB%8C%D8%AB%D8%A7%D8%BA%D9%88%D8%B1%D8%AB%DB%8C-yuurvqxpwgvk در قسمت راست تصویر زیر نمودار هیستوگرام از مجموعه‌های مختلف مانند تعداد زاد و ولد، تعداد سفرهای تاکسی اینترنتی، تعداد بازدید کنندگان گیت هاب و تعداد امتیازات سایت hacker news مشاهده می‌کنید که در قسمت چپ توزیع احتمال تقریبی آنها را قرار دارد.برای مطالعه‌ی بیشتر روی لینک انواع روش‌های محاسبه‌ی میانگین (میانگین‌های فیثاغورثی) کلیک کنید. mberneti mberneti Sun, 30 Aug 2020 17:17:23 +0430 https://virgool.io/@mberneti/%D8%AA%D8%A8%D8%AF%DB%8C%D9%84-%DB%8C%DA%A9-%D8%AA%D9%88%D8%B2%DB%8C%D8%B9-%DB%8C%DA%A9%D9%86%D9%88%D8%A7%D8%AE%D8%AA-%DB%8C%D8%A7-unifrom-%D8%A8%D9%87-normal-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-ezv9cpxetc9o نمودار سمت راست مجموعه‌ داده‌هایی با توزیع نرمال هستن که با استفاده از مجموعه داده‌های سمت چپ با توزیع یکنواخت تولید شدن.برای مطالعه جزيیات پیاده‌سازی در بلاگم روی لینک تبدیل توزیع یکنواخت یا unifrom به normal در پایتون کلیک کنید. mberneti mberneti Sun, 30 Aug 2020 17:12:46 +0430 https://virgool.io/@mberneti/%D9%85%D8%B9%DB%8C%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D8%A7%D8%B1%D8%B2%DB%8C%D8%A7%D8%A8%DB%8C-recall-precision-%D9%88-f1-score-vxogrxs2gp5k در این مطلب با استفاده از مثال‌های ساده و کاربردی به شرح مختصر و مفید معیار شناخته‌شده‌ی ارزیابی نتایج داده کاوی مثل Accuracy - Recall - Precision و F1-score می‌پردازیم.خلاصه‌ای کوتاهاطلاعاتی که این معیارها می‌دهند متفاوت است، هر چه تعداد تشخیص‌های نادرست برنامه بیشتر باشد Recall آن کمتر می‌شود و هر چه مواردی که باید بدست می‌آمدن ولی پیش بینی نشدن بیشتر باشد Precision کاهش پیدا می‌کند. معیار F1_score هم برابر میانگین هندسی این دو معیار برابر است.برای مطالعه‌ی کامل این مطلب به پست بلاگم به آدرس زیر مراجعه کنید.معیارهای ارزیابی Accuracy - Recall - Precision و F1-score در داده کاوی.Photo by Clem Onojeghuo on Unsplash mberneti mberneti Sat, 29 Aug 2020 15:52:46 +0430 https://virgool.io/@mberneti/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D9%85%D9%81%D8%A7%D9%87%DB%8C%D9%85-%D8%A8%D9%86%DB%8C%D8%A7%D8%AF%DB%8C%D9%86-%D8%AC%D8%A7%D9%88%D8%A7%D8%A7%D8%B3%DA%A9%D8%B1%DB%8C%D9%BE%D8%AA-%D8%A7%D8%B2-dan-abramov-guqf8gmmekpn https://illustrated.dev/ by Maggie Appleton سازنده‌ی Redux و Create React App که در حال حاضر مشغول کار روی توسعه‌ی ReactJS می‌باشد یعنی آقای Dan Abramov در سایت justjavascript.com به شرح موضوعات بنیادین زبان جاوااسکریپت پرداخته است که فرایند یادگیری این مسائل را با استفاده از یک مدل ذهنی و مثال‌های مختلف بسیار ساده و روان کرده‌است.این دوره شامل ۱۰ قسمت است که توسط این سایت برای دنبال کننده‌ها بصورت ایمیل ارسال می‌شد و من یادداشت‌هایی از مطالبی که آموختم را در قالب ۵ پست در بلاگم منتشر کردم تا هم برای من همیشه در دسترس باشد و اینکه اگر به درد کسی خورد از آنها استفاده کند. برای مشاهده‌ی یادداشت‌های من می‌تونید از لینک‌های زیر استفاده کنید.لینک لیست یادداشت‌های من با عنوان دنیای جاوااسکریپتدنیای جاوااسکریپت ۱ - انواع مقدارها یا Valuesدنیای جاوااسکریپت ۲ - متغیرها در جاوااسکریپتدنیای جاوااسکریپت ۳ - انواع روش‌های مقایسه برابریدنیای جاوااسکریپت ۴ - mutate یا تغییر دادن objectدنیای جاوااسکریپت ۵ - Prototypes mberneti mberneti Mon, 24 Aug 2020 18:13:06 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%DB%B5-%D8%B4%D8%A8%D8%A7%D9%87%D8%AA-%DA%A9%D8%B3%DB%8C%D9%86%D9%88%D8%B3%DB%8C-yxo9m6fclbex معیارهای شباهتمعیارهای شباهت، معیارهایی مانند معیارهای فاصله هستند که میزان دور و یا نزدیک بودن دو موجودیت را مشخص می‌کنند. بدیهی است که معیار شباهت با معیارهای فاصله رابطه عکس دارند و به عبارتی هر چه میزان شباهت بیشتر باشد می‌توان نتیجه گرفت فاصله‌ی دو شیئ کمتر است.در این بخش به شرح چند معیار شباهت و شیوه‌ی پیاده‌سازی آنها در پایتون خواهیم پرداخت.Photo by Amir-abbas Abdolali on Unsplashبرای مطالعه بیشتر به بلاگم به دسته‌بندی داده کاوی در پایتون mberneti mberneti Thu, 30 Apr 2020 00:09:07 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-%DB%B4-%D9%81%D8%A7%D8%B5%D9%84%D9%87%D9%87%D8%A7-%D9%88-%D8%B4%D8%A8%D8%A7%D9%87%D8%AA%D9%87%D8%A7-lsmiqmkd7xih سلام&amp;amp;lt;br/&amp;amp;gt;با کلیک روی این لینک، مطلب اصلاح شده را با قالبی بهتر در وبلاگم مطالعه کنید!فاصله‌هادر این قسمت به شرح انواع «معیار‌های فاصله» یا Distance Metrics که برای محاسبه فاصله دو شیئ یا به عبارتی میزان دور بودن آنها استفاده می‌شود، بپردازیم.شرایط معیارهای فاصله۱ـ اندازه فاصله همیشه نامنفی است.۲ـ اگر فاصله‌ی بین دو نقطه صفر باشد آن دو نقطه یکی هستن و بر عکس.۳ـ در صورت جابجایی مبدا و مقصد بین دو نقطه‌ی ثابت فاصله‌ها به یک اندازه باشند. F(a,b) = F(b,a)۴ـ نامساوی مثلثی، صادق باشد مطابق شکل زیر برای هر سه نقطه‌ی دلخواه*یادآوری: نامساوی مثلثی بیان می‌کند مجموع دو طول یک مثلث بزرگتر از ضلع سوم آن است.فاصله اقلیدسیفاصله‌ی اقلیدسی مانند قضیه فیثاغورس برابر است با ریشه دوم مجموع مربعات اختلاف ویژگی‌های اشیاءبه مثال زیر که در ادامه برای فاصله‌های دیگر نیز بررسی می‌کنیم دقت کنید.فاصله منهتن یا فاصله‌ی راننده تاکسیhttps://tasks.illustrativemathematics.org/content-standards/tasks/1417 خط آبی نشان دهنده‌ی فاصله‌ی راننده‌ تاکسی یا منهتن، بین دو نقطه‌ی Start و End است و خط قرمز نشان دهنده‌ی فاصله‌ی اقلیدوسی می‌باشد.فاصله‌ی منهتن ساده‌ترین معیار برای محاسبه‌ی فاصله است که برابر است با مجموع قدر مطلق اختلاف ویژگی‌های اشیاء.محاسبه‌ی فاصله به روش منهتنفاصله چبیشفیا به عبارتی دیگر فاصله‌ی چبیشف برابر است با حداکثر اختلافی که بین ویژگی‌های اشیاء وجود دارد.محاسبه‌ی فاصله به چبیشففاصله مینکوفسکییک معیار کلی و تعمیم یافته است، به این معنا که می‌توان با تغییر فرمول فاصله‌های متفاوتی را محاسبه کرد.برای مثال با تغییر مقدار p در معادله‌ی فوق به سه فاصله‌ی متفاوت زیر می‌رسیم. اگر بجای p عدد ۱ را قرار دهیم، تبدیل به فاصله‌ی منهتن می‌شود.اگر بجای p عدد ۲ را قرار دهیم، تبدیل به فاصله‌ی اقلیدسی می‌شود.اگر بجای p عدد ∞ (یا بینهایت) را قرار دهیم، تبدیل به فاصله‌ی چبیشف می‌شود.** نکته: هر چه p بزرگتر باشد، میزان تاثیر اختلاف زیاد در یک ویژگی روی نتیجه بیشتر خواهد شد. mberneti mberneti Mon, 13 Apr 2020 00:04:48 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-%DB%B3-%D9%81%D8%A7%D8%B5%D9%84%D9%87%D9%87%D8%A7-%D9%88-%D8%B4%D8%A8%D8%A7%D9%87%D8%AA%D9%87%D8%A7-mjaax4shoajr سلام&amp;amp;lt;br/&amp;amp;gt;با کلیک روی این لینک، مطلب اصلاح شده را با قالبی بهتر در وبلاگم مطالعه کنید!فاصله‌ها و شباهت‌هافاصله‌ها و شباهت‌های اشیاء که با مقایسه ویژگی‌های آنها بدست می‌آید از دسته شاخص‌های پرکاربرد در روش‌های مختلف داده کاوی هستن. معیار فاصله با معیار شباهت رابطه عکس دارد بطوریکه هر چه فاصله بیشتر باشد آن‌ها از هم دورتر بوده و شباهت آنها کمتر است و برعکس.مسائل مرتبط با فاصله‌ها و شباهت‌هاقبل از تعریف مسائل برای یک بار چند مجموعه داده را برای استفاده کردن از آنها در ادامه مشخص می‌کنیم."مجموعه‌ی نمرات": جدول نمرات چند دانشجو بصورت زیر در یک فایل csv بصورت زیر است. mberneti mberneti Mon, 13 Apr 2020 00:04:35 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-%DB%B2-%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D8%AF%D8%A7%D8%AF%D9%87%D9%87%D8%A7%DB%8C-%D8%A7%D9%88%D9%84%DB%8C%D9%87-y0xi5zmf1v5c در این قسمت چند مجموعه از داده‌های اولیه را برای استفاده در مسائل آتی مشخص می‌کنیم.‍۱ـ مجموعه‌ی امتیازات بین ۰ تا ۵ افراد به دو فیلم در قالب یک فایل json با نام movieratings_simple.json‍۲ـ مجموعه‌ی امتیازات بین ۰ تا ۵ افراد به فیلم‌های مختلف در قالب یک فایل json با نام movieratings.json mberneti mberneti Mon, 13 Apr 2020 00:04:03 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-%DB%B1-%D8%AA%D8%B9%D8%A7%D8%B1%DB%8C%D9%81-%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-wopnkibujqey سلام&amp;amp;lt;br/&amp;amp;gt;با کلیک روی این لینک، مطلب اصلاح شده را با قالبی بهتر در وبلاگم مطالعه کنید!داده کاوی که ترجمه‌ی عبارت «Data Mining» می‌باشد دارای تعاریف مختلفی است که به شرح تعدادی از تعاریف مستند با ذکر منابع آنها می‌پردازیم.۱ـ داده کاوی زیر شاخه‌ا‌ی بین علوم کامپیوتر و آمار است که هدف کلی آن استخراج اطلاعات (با روش‌های هوشمند) از یک مجموعه داده می‌باشد که با تبدیل اطلاعات به یک ساختار قابل درک، آن‌ها را برای استفاده‌ی بهتر آماده می‌کند. منابع:&amp;amp;amp;quot;Data Mining Curriculum: A Proposal (Version 1.0)&amp;amp;amp;quot; | ACM | 2006&amp;amp;lt;br/&amp;amp;gt;&amp;amp;amp;quot;Encyclopædia Britannica: Definition of Data Mining&amp;amp;amp;quot; | 2010&amp;amp;amp;quot;The Elements of Statistical Learning: Data Mining, Inference, and Prediction&amp;amp;amp;quot; | 2009&amp;amp;amp;quot;Data Mining: Concepts and Techniques (3rd ed.)&amp;amp;amp;quot; | 2011۲ـ اصطلاح داده کاوی به معنای استخراج داده، نادرست است. زیرا هدف، استخراج الگو و دانش از مقادیر زیادی از داده‌هاست نه استخراج داده‌ها از خودش.منبع:&amp;amp;amp;quot;Data Mining: Concepts and Techniques (3rd ed.)&amp;amp;amp;quot; | 2011۳ـ داده کاوی فرایند کشف الگوها در مجموعه داده‌های بزرگ با استفاده از روش‌های موجود در فصل مشترک حوزه‌های یادگیری ماشین، آمار و سیستم‌های پایگاه داده‌است.منبع:&amp;amp;amp;quot;Data Mining Curriculum: A Proposal (Version 1.0)&amp;amp;amp;quot; | ACM | 2006۴ـ داده کاوی مرحله تجزیه و تحلیل فرآیند «کشف دانش در پایگاه‌های داده» یا knowledge discovery in databases یا همان KDD است.فرایند KDD شامل پنج مرحله زیر می‌باشد که داده کاوی در مرحله چهارم آن قرار می‌گیرد.۱ـ گزینش یا انتخاب۲ـ پیش پردازش یا pre-processing۳ـ داده کاوی۴ـ تفسیر / ارزیابیمنبع:&amp;amp;amp;quot;From Data Mining to Knowledge Discovery in Databases&amp;amp;amp;quot; | 2008 mberneti mberneti Mon, 13 Apr 2020 00:03:42 +0430 https://virgool.io/@mberneti/%D8%AF%D8%A7%D8%AF%D9%87-%DA%A9%D8%A7%D9%88%DB%8C-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D9%85%D9%82%D8%AF%D9%85%D9%87-em1mdl5cwox3 سلام&amp;lt;br/&amp;gt;با کلیک روی این لینک، مطلب اصلاح شده را با قالبی بهتر در وبلاگم مطالعه کنید!محتوای مطالبهدف مجموعه مطالب `داده کاوی در پایتون` ارائه مفاهیم و الگوریتم‌های مختلف و کاربردی داده کاوی و آموزش پیاده‌سازی آنها در پایتون است.این مجموعه مناسب افرادیست که آشنایی ابتدایی با زبان پایتون دارند.در این مجموعه مطالب بعد از ارائه تعاریفی مستند از داده کاوی در قسمت اول، به شرح مفاهیم و الگوریتم‌های داده کاوی به همراه کاربرد و پیاده‌سازی آنها در پایتون خواهیم پرداخت.ساختار مطالببرای درک بهتر مفاهیم هر بخش قبل از شرح تعاریف و پیاده‌سازی‌ها، ابتد یک مسئله و یا نیاز مرتبط مطرح می‌شود و سپس در پاسخ به آن به شرح راه حل‌ها و الگوریتم‌های داده‌کاوی و پیاده‌سازی آنها با زبان پایتون خواهیم پرداخت. mberneti mberneti Mon, 13 Apr 2020 00:02:48 +0430 https://virgool.io/@mberneti/%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-bsgodvkqjpky Photo by Kevin Ku on Unsplashسلام<br/>با کلیک روی این لینک، مطلب را با قالبی بهتر در وبلاگم مطالعه کنید!تولید برنامه بصورت سنتیتصویر پایین دیاگرام تولید یک برنامه به روش سنتی هست، همانطور که مشخص شده برنامه ما با توجه به قواعدی که تعریف کرده‌ایم و داده‌های ورودی، خروجی‌های مورد نظر ما را تولید می‌کند.Traditional Programmingتولید برنامه با یادگیری ماشیندر صورتی که در روش یادگیری ماشین، ماشین همانند انسان‌ها با بررسی تعداد زیادی از داده‌های ورودی و نتایجشان، خودش به قواعد (شرط‌هایی که باعث می‌شود یک ورودی یک خروجی را تولید کند) دست پیدا می‌کند.MLو سپس ماشین می‌تواند با استفاده از قواعد تولید شده در مرحله قبل و دیتا‌ها، نتایج خروجی مورد نظر ما را حدس بزند.ML مثال: می‌خواهیم برنامه‌ای بنویسیم که مشخص کند یک فرد در حال انجام چه ورزشی از بین چهار ورزش راه رفتن، دویدن، دوچرخه سواری و گلف است و داده‌های ما شامل سرعت جابجایی و تصویر فرد می‌باشد.فرض کنید می‌خواهیم از روش سنتی تولید برنامه استفاده کنیم در این روش ابتدا خودمان باید قواعد را مشخص کنیم تا با توجه به آنها و داده‌های ورودی به نتایج خروجی دست پیدا کنیم.مرحله اول - شرط تشخیص وضعیت پیاده‌روی سادهWalkingif(speed<4){ status=WALKING; }مرحله دوم - افزودن قاعده‌ی تشخیص وضعیت دویدنRunningif(speed<4){ status=WALKING; } else { status=RUNNING; }مرحله سوم - افزودن قاعده‌ی تشخیص وضعیت دوچرخه سواریBikingif(speed<4){ status=WALKING; } else if(speed<12){ status=RUNNING; } else { status=BIKING; }مرحله چهارم - افزودن قاعده‌ی تشخیص وضعیت بازی گلفGolfing// Now what?تشخیص این حالت با کدنویسی و پردازش تصویر برای پیدا کردن الگو و قواعد قوانین خاص در این تصویر کار بسیار دشواریست. (مثلا فرض کنید بخواهیم با نوشتن الگوریتمی چوب گلف را پیدا کنیم و ...)در صورتی که این عمل تشخیص دادن بازی گلف برای ما امری بسیار ساده‌است به این دلیل که ما به مرور زمان تصاویر مختلفی (دیتا ورودی) با این برچسب بازی گلف (نتیجه خروجی) در طول زندگیمان دیده‌ایم و به مرور ذهن ما قواعدی و رابطه‌های بین ورودی و خروجی را یادگرفت و به این دلیل بعد از مشاهده‌ی یک تصویر جدید از این بازی با وجود اون قواعد و رابطه‌های شکل گرفته می‌توانیم حدس بزنیم که فردی مشغول بازی گلف است.برای پیاده‌سازی حل این مسئله به روش یادگیری ماشین کافیست ما تعدادی زیادی از دیتا‌های ورودی (تصاویر افراد) به همراه نتایج خروجی را در اختیار ماشین قرار دهیم. برای مثال تصاویری افرادی که در حال راه رفتن هستن با برچسب راه رفتن و تصاویر افرادی که مشغول بازی گلف هستن با برچسب بازی گلف و ...در این مرحله ماشین مانند انسان با دیدن تصاویر و برچسب‌هایی که به آنها الحاق شده (که در ماشین برابر بررسی رابطه داده‌های صفر و یک تصاویر با برچسب زده شده‌است) قواعدی را تولید می‌کند که می‌تواند از آنها استفاده کند تا پس از آن بعد دیدن یک تصویر جدید، وضعیت فرد را حدس بزند.خوشحال می‌شم پیشنهادات و انتقادات شما رو بشنوم ... mberneti mberneti Thu, 26 Mar 2020 14:32:16 +0430 https://virgool.io/@mberneti/%D9%82%D9%88%D8%A7%D8%B9%D8%AF-%D9%86%D8%A7%D9%85%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D8%A8%D9%87-%D8%B3%D8%A8%DA%A9-pep-8-%D8%AF%D8%B1-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-mmyed7svcjwp سلام&lt;br/&gt;با کلیک روی این لینک، مطلب را با قالبی بهتر در وبلاگم مطالعه کنید!در واقع PEP 8 راهنمای رسمی و قواعد کدنویسی در پایتون است و پروژه‌های زیادی با رعایت این اصول و این سبک در پایتون نوشته شده‌است. برای مطالعه بیشتر به این لینک می‌توانید مراجعه کنید.خلاصه قواعد نامگذاری در PEP 8نام توابع و متغیرها و ماژول‌ها باید بصورت حروف کوچک باشد و هر کلمه می‌تواند با underscore از کلمات دیگر جدا شود.lower_case_with_underscores = 2 def my_function(): pass my_module.pyنام ثابت‌ها باید با حروف بزرگ نوشته شود و هر کلمه می‌تواند با underscore از کلمات دیگر جدا شود.GRAVITY_ACCEL = 9.8نام کلاس‌ها باید با حروف بزرگ شروع شود و هر کلمه می‌تواند با بزرگ نوشتن حرف اول از بقیه تفکیک شود.MyTestClassنام پکیج‌ها باید با حروف کوچک باشد و نباید برای تفکیک کلمات آن از حروف بزرگ و یا underscore استفاده شود.mypackage mberneti mberneti Wed, 25 Mar 2020 13:11:06 +0430