Data Science Twitter | توییتر علوم داده

🖥 مجموعه‌ای از بهترین ریپو‌های گیت‌هاب 💰 در حوزه هوش مصنوعی و داده 👨🏻‍💻 به‌عنوان کسی که مدت‌هاست با حوزه یادگیری ماشین سر و کار دارم، می‌تونم بگم یکی از چالش‌هایی که همیشه بچه‌ها تو حوزه ML باهاش درگیرن، پیدا کردن منابع درست و کاربردیه. ✏️ به همین دلیل، من یه لیست فوق‌العاده از ریپوهای کاربردی علوم داده آماده کردم که داشتنش برای هر کسی که می‌خواد وارد این حوزه بشه، ضروریه. این ریپازیتوری‌ها شامل این مباحث میشن: ✅ پردازش زبان طبیعی ✅ مدل‌های زبان بزرگ ✅ بینایی کامپیوتر ✅ علم داده ✅ یادگیری ماشین ✅ مهندسی داده ✅ آمار و احتمالات ✅ زبان SQL و دیتابیس ⏪ این ریپازیتوری‌ها نه تنها برای یادگیری، که برای الهام گرفتن و شروع پروژه‌های واقعی هم عالین.👇 ┌ ✅ AI & Data GitHub-Repos └ 🐱 GitHub-Repos ✍🏼 Alireza ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻من تا الان نمی‌دونستم گوگل چنین ابزاری داره! یه ابزار عالی به اسم Interview Warmup که با هوش مصنوعی کار می‌کنه و می‌تونه ازت سوالات تخصصی و کاملاً شخصی‌سازی، برای مصاحبه‌‌های شغلیت بپرسه. ✏️ کاری که این ابزار می‌کنه اینه که بر اساس حوزه تخصصی‌ت؛ مثلا تحلیل داده‌ها، مهندس یادگیری ماشین، UX، امنیت سایبری و... سؤالات واقعی ازت می‌پرسه. بعد جواب‌هات رو بررسی می‌کنه و پیشنهادهایی بهت می‌ده تا بهتر بتونی توانایی‌هات رو بیان کنی و توی مصاحبه‌ها تأثیرگذارتر باشی. ✅ حتی پاسخ‌های صوتی‌ت رو هم آنالیز می‌کنه و میگه چطوری بهتر می‌تونی از مهارت‌هات دفاع کنی. خیلی خفنه! یه تمرین جدی و حساب‌شده‌اس. واقعاً فوق‌العاده‌س!👇 ┌ ⏩ Interview Warmup ├ 💰 Website └ 📄 Interview Prep ✍🏼 Ramin ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 یه راهنمای عالی پیدا کردم برای ساختن پرتفولیوی علم داده، با کلی نکته عملی، ایده پروژه، و مسیر درست برای دیده شدن. ▶️ بهت یاد می‌ده چطور کیس‌استادی‌هات رو بچینی، از چه پلتفرم‌هایی استفاده کنی (GitHub, Notion, سایت شخصی)، و چطور تو بازار رقابتی بدرخشی! ✅ انتخاب پروژه‌های درست ✅ داستان‌سرایی با داده‌ها ✅ ارائه پروژه‌ها و نمونه کارها به شکل حرفه‌ای برای استخدام‌کننده‌ها. 📄 Data Science Portfolio Guide ✍🏼 omid ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 یادگیری عمیق هوش‌مصنوعی و ماشین لرنینگ، بدون تسلط به آمار و احتمال ممکن نیست! ✅ بهترین کتابی که برای «احتمال» می‌شناسم، کتاب Introduction to Probability نوشته‌ی Blitzstein استاد هاروارده. ◀️بزرگ‌ترین مزیت این کتاب، اثبات‌های بسیار زیبا و ساده برای قضایاست و از همه مهم‌تر اینکه، این کتاب رایگانه:👇 ⬅️ سایت کتاب | لینک ⬅️ نسخه PDF | لینک ⬅️ نسخه ویدیویی | لینک ✍🏼 SharifiZarchi ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👩🏻‍💻 من نشستم و توی دو ساعت این چیت‌شیت ۱۵۰ صفحه‌ای علوم داده رو درست کردم! دیگه خیالم برای مصاحبه‌های دیتا و پروژه‌هام راحته. 📂 چی توشه؟ چیزایی که واقعاً به کارت میان: 💬 نکات کلیدی Python. 💬 توابع R که تو مصاحبه‌ها ازت انتظار دارن. 💬 مفاهیم یادگیری ماشین و یادگیری عمیق. 💬 تمرین‌های SQL که واقعاً مهمن. 💬 جبر خطی و ریاضیات علوم داده. ✍🏼 Mahdis ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 خیلیا فکر می‌کنن برای اینکه وارد حوزه‌ی یادگیری ماشین و هوش مصنوعی بشن، اول نیاز به یه کامپیوتر گرون قیمت دارن. ✏️ اما روش‌هایی وجود داره که شما با گوشی، تبلت یا یه سیستم قدیمی هم می‌تونید کد بزنید و حتی مدل‌های سنگین رو آموزش بدید. ✅ یکی از این روش‌ها استفاده از گوگل کولبه. حالا یکی از دوستان ما زحمت کشیدن و نحوه‌ی کار کردن با کولب رو کامل آموزش دادن. 🥵 می‌تونید از لینک زیر، از این آموزش فارسی به صورت کاملا رایگان استفاده کنید:👇 🖥 آشنایی با گوگل کولب 🖥 آشنایی با گوگل کولب ✍🏼 Majid ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 یکی از چیت‌شیت‌هایی که همیشه همراه خودم دارم همینه. چه برای پروژه‌های کاریم یا گاها مصاحبه‌ها خیلی به کارم اومده. ✅ مهم‌ترین الگوریتم‌های ML رو دسته بندی کرده، بر اساس: ⬅️نوع الگوریتم (نظارتی، بدون ناظر، DL,...) ⬅️بهترین کاربردش. ⬅️منطق یا فرمول پشت قضیه. ⬅️فرضیاتی که باید برقرار باشن. ⬅️خوبی‌هاش. ⬅️نقطه‌ضعف‌هاش. ⬅️کی نباید ازش استفاده کنی. ⬅️و یه مثال واقعی از دنیای بیرون. ✍🏼 Hamed ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 یکی از مشکلاتی که مهندسای یادگیری ماشین و دیتا ساینتیست‌هایی که از رشته‌های غیر فنی و مهندسی کامپیوتر تو حوزه‌های دیتا مشغول به کار میشن، اینه که ریزه‌کاری‌های مهندسی نرم افزار رو بلد نیستن. ✏️ من خودم هیچ پیش‌زمینه‌یِ نرم‌افزاری و DS توی دانشگاه نداشتم ولی این کتاب کمکم کرد به مباحث مهندسی نرم افزار مورد نیاز برای حوزه دیتا مسلط بشم. 📕 Software Engineering for DS ✅ برای گیت هم این سایته خیلی خوبه:👇 ⏩ learngitbranching.js.org ✍🏼 sirabzi ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 به عنوان یه مهندس ML، بنظرم مهم‌ترین فاکتور برای موفق ظاهر شدن تو مصاحبه‌های شغلی یادگیری ماشین شرکت‌های بزرگی مثل فیسبوک، آمازون، گوگل و...، داشتن یه برنامه ریزی مطالعاتی کامل + یه استراتژی جامع و مطمئنه. ✅ این ریپازیتوری گیت‌هاب همون راهنماییه که برای برتری نسبت بقیه بهش نیاز دارین و نباید از دستش بدین! 🔸 این مخزن نه تنها شامل سوالات مصاحبه شرکت‌های بزرگ فناوری میشه، بلکه تجربیات متخصصان این حوزه مثل اندرو نگ یکی از بزرگترین مربیان علوم داده و AI، رو هم در اختیارتون می‌ذاره.👌🏼 ┌ ➡️ Machine Learning Interviews └ 1️⃣ Study Plan ✍🏼 Parsa ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻داشتم روی پروژه‌ام کار می‌کردم که دیدم تا دلت بخواد مدل‌های مختلف وجود داره، حتی GPT هزاران مدل پیشنهاد می‌ده. ✏️ گفتم بیام تو یک عکسِ بسیار خلاصه و کاربردی به شما نشون بدم کدوم مدل برای کجا بهینه‌تر و درست‌تر کار می‌کنه. ✅ جمع‌بندی خیلی خلاصه: ◀️اگر داده تصویری داری: برو سراغ CNN یا Vision Transformers. ◀️اگر داده ترتیبی و سری زمانی داری: LSTM, GRU, یا Transformers عالی‌ان. ◀️اگر مدل سریع و تفسیرپذیر می‌خوای: Logistic/Linear یا درخت تصمیم. ◀️برای دقت بالا و داده زیاد: Gradient Boosting یا Random Forest. ◀️برای NLP :BERT/GPT یا ساده‌تر Naive Bayes/LSTM. ◀️برای تولید محتوا یا بازسازی: Autoencoder, GAN. 📂 نسخه پی‌دی‌اف عکس: PDF ✍🏼 Mohammadreza ➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 اگه دنبال تمرین و یادگیری مسائل ماشین لرنینگ هستید، بخصوص برای مصاحبه شغلی، این وبسایت رو دیدم جالبه! کلی سوال داره که از ساده تا سخت دسته بندی شده و می‌تونید تمرین کنید. 📂 deep-ml.com 📂 deep-ml.com ✍🏼 Mehdi Allahyari ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 داشتم دنبال یه نقشه‌ راه خوب برای یادگیری ماشین می‌گشتم که اتفاقی سایت AIGENTS رو پیدا کردم. ✅ دیدم علاوه بر رودمپ ML، برای تمام حوزه‌های دیتا نقشه راه تعریف کرده و مفاهیم، روش‌ها و ابزارهای ضروری هر پوزیشن رو هم قرار داده. بنظرم خیلی کامله و حسابی می‌تونه بدردتون بخوره.👇 ◀️اینم لینک سایتش: AIGENTS ◀️اینم لینک سایتش: AIGENTS ✍🏼 Vahid ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 بچه‌ها freecodecamp یه دوره‌ی جدید و رایگان منتشر کرده که بهتون یاد می‌ده چطور تو مسابقات دیتا ساینس Kaggle شرکت کنین و قدم‌به‌قدم پیش برین تا برنده بشین. ✏️ از انتخاب مسابقه‌یِ مناسب شروع می‌کنه، بعد می‌ره سراغ فیچر انجینیرینگ، انتخاب مدل، و کلی تکنیک کاربردی دیگه که برای برنده شدن تو مسابقات و پروژه‌ها حسابی به کارتون میاد. ✅ لینک دوره‌ام اینجاست، از دستش ندین:👇 🔗 Kaggle Data Science Competition 🔗 Kaggle Data Science Competition ✍🏼 Masoud ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

🖥 مجموعه‌ای از بهترین ریپو‌های گیت‌هاب 💰 در حوزه هوش مصنوعی و داده 👨🏻‍💻 به‌عنوان کسی که مدت‌هاست با حوزه یادگیری ماشین سر و کار دارم، می‌تونم بگم یکی از چالش‌هایی که همیشه بچه‌ها تو حوزه ML باهاش درگیرن، پیدا کردن منابع درست و کاربردیه. ✏️ به همین دلیل، من یه لیست فوق‌العاده از ریپوهای کاربردی علوم داده آماده کردم که داشتنش برای هر کسی که می‌خواد وارد این حوزه بشه، ضروریه. این ریپازیتوری‌ها شامل این مباحث میشن: ✅ پردازش زبان طبیعی ✅ مدل‌های زبان بزرگ ✅ بینایی کامپیوتر ✅ علم داده ✅ یادگیری ماشین ✅ مهندسی داده ✅ آمار و احتمالات ✅ زبان SQL و دیتابیس ⏪ این ریپازیتوری‌ها نه تنها برای یادگیری، که برای الهام گرفتن و شروع پروژه‌های واقعی هم عالین.👇 ┌ ✅ AI & Data GitHub-Repos └ 🐱 GitHub-Repos ✍🏼 Alireza ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 بنظرم به خودتون لطف کنین و کتاب Clean code رو بیخیال بشین! نهایتا شما رو تبدیل به یه دولوپری می‌کنه که می‌تونه با استانداردهای جاوا کد بزنه! ✏️ اگه واقعا می‌خواین پایتون رو کامل و مفهومی یاد بگیرین، این کتابو بخونید. درک عمیق‌تری هم نسبت به پایتون و فیچرهاش پیدا می‌کنید. 🔆 اینم لینک فایل pdf کتاب:👇 🏳️‍🌈 Fluent Python 🏳️‍🌈 Fluent Python ✍🏼 Alucard ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 به هر زمینه‌ای که از دیتا علاقه دارین یا مشغول کارین و با داده‌های ساختاریافته کار می‌کنین، این کتاب رو حتما تو جعبه ابزار خودتون داشته باشین! ✅ «کتاب آشپزی پانداس (راهنمای عملی کار با پانداس) (ویرایش سوم) / نوشته ویلیام آید و متیو هریسون» ✏️ تازه تمومش کردم و خیلی خوشحالم که برای خودندن این کتاب وقت گذاشتم. هم عملی بود و هم مفید. اکیداً خوندنشو توصیه می‌کنم!👇 📄 Pandas Cookbook 📄 Pandas Cookbook ✍🏼 Ashkan ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👩🏻‍💻 اگه برای مصاحبه ML Engineering آماده می‌شید یا می‌خواید درباره سیستم‌های ML توی production بیشتر بدونید، این بلاگ مطالب خیلی مفیدی داره:👇 🔗 Machine Learning interview 🔗 Machine Learning interview ✍🏼 bahar ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 یه راهنمای عالی پیدا کردم برای ساختن پرتفولیوی علم داده، با کلی نکته عملی، ایده پروژه، و مسیر درست برای دیده شدن. ▶️ بهت یاد می‌ده چطور کیس‌استادی‌هات رو بچینی، از چه پلتفرم‌هایی استفاده کنی (GitHub, Notion, سایت شخصی)، و چطور تو بازار رقابتی بدرخشی! ✅ انتخاب پروژه‌های درست ✅ داستان‌سرایی با داده‌ها ✅ ارائه پروژه‌ها و نمونه کارها به شکل حرفه‌ای برای استخدام‌کننده‌ها. 📄 Data Science Portfolio Guide ✍🏼 omid ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter

👨🏻‍💻 اگه تازه شروع به یادگیری پایتون و ماشین لرنینگ کردین، این پلی‌لیست از کانال Sentdex رو از دست ندین! ✏️ یکی از اولین منابعی بود که خودم برای عمیق‌تر شدن توی ML ازش استفاده کردم. مفاهیم پایه‌ رو خیلی خوب توضیح داده — از رگرسیون و SVM گرفته تا خوشه‌بندی (Clustering) و شبکه‌های عصبی عمیق و... 📁 آموزش‌ها هم خیلی عملی و با استفاده از پایتون ارائه شده. ✅ شیوه تدریسش هم روانه و برای مبتدی‌هایی که دوست دارن عملی پایتون رو یاد بگیرن عالیه.👌 🖥 لینک پلی‌لیست: ML with Python ✍🏼 Sepehr ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🐦 توییتر علوم داده 🐦 @DataScience_twitter