🎬🤖 انقلاب متن‌باز علی‌بابا در تولید ویدیو: Wan 2.1

علی‌بابا با معرفی Wan 2.1 یک مدل پیشرفته و متن‌باز تولید ویدیو معرفی کرده که نسخه‌ی Wan 1.3B تنها با ۸ گیگابایت VRAM قابل اجراست

💡 ویژگی‌ها:

Wan-VAE:
فشرده‌سازی ویدیو با حفظ جزئیات و هماهنگی زمانی
Diffusion Transformer:
تولید ویدیو دقیق مطابق دستورات کاربر
umT5 Text Encoder:
پشتیبانی از چند زبان (انگلیسی و چینی) و متن واقعی در ویدیو

⚡️ کاربردها:
- تبدیل تصویر به ویدیو
- ویرایش ویدیو با دستور متنی
- شخصی‌سازی ویدیوها
- کنترل حرکت دوربین و تولید نزدیک به Real-Time
- همگام‌سازی صدا و تصویر

دسترسی به جزئیات بیشتر , مقاله و huggingface :

https://vanitaai.com/wan-2-1-alibabas-open-source-revolution/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

From RAG to Memory: Non-Parametric Continual Learning for Large Language Models

🧩 از RAG تا حافظه (HippoRAG 2)

در HippoRAG 1 اسناد جمع‌آوری می‌شدن، موجودیت‌های مهم ازشون استخراج و به گراف دانش تبدیل می‌شدن. موقع پرسش، مدل فقط با همین موجودیت‌ها کار می‌کرد.
مشکلش چی بود؟ خیلی وقتا چیزای مهمی توی متن بود که چون فقط به موجودیت‌ها نگاه می‌کرد، نادیده گرفته می‌شدن.

💡 توی HippoRAG 2 این مشکل حل شد. حالا مدل علاوه بر موجودیت‌ها، متن اصلی، مترادف‌ها و موجودیت‌های مرتبط رو هم در گراف نگه می‌داره.
وقتی سؤال می‌دی، یه فیلتر هوشمند تعیین می‌کنه کدوم موجودیت‌ها احتمال شروع بالاتری دارن، بعد جست‌وجو در گراف همراه با متن انجام می‌شه.

برای بررسی بیشتر :

https://arxiv.org/pdf/2502.14802

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مخزن free-programming-books در گیت‌هاب: بیش از ۴۰۰۰ کتاب و ۲۰۰۰ دوره رایگان برنامه‌نویسی 😍
برای جستجوی راحت هم می‌تونید از این ابزار استفاده کنید:

https://github.com/EbookFoundation/free-programming-books/blob/main/books/free-programming-books-langs.md

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یکی از بهترین راهنماها در زمینه Sampling در LLM

https://rentry.org/samplers

برای مثال :
برای روش نمونه گیری Top-K امده توضیح داده که در تولید متن در LLM ها هزاران کلمه ممکن برای کلمه بعدی وجود دارد اما مدل میاد از روش Top-K استفاه میکنه مثلا اگر K=30 باشه در واقع مدل فقط از بین ۳۰ کلمه ای که بیشترین احتمال رو دارند یکی رو انتخاب میکنه و همچنین امده گفته توی کدی نویسی چه طوری این کار انجام میشه.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 معرفی ریپازیتوری «Awesome-AI-Books»

🧠 برای تسلط بر هوش مصنوعی، باید پایه‌ای قوی در نظریه، ریاضیات، برنامه‌نویسی و تجربه عملی داشته باشید.

این ریپازیتوری می‌تونه به شما کمک کنه تا در بخش‌هایی مثل ریاضیات، داده‌کاوی، یادگیری ماشین، یادگیری عمیق و حتی فلسفه‌ی هوش مصنوعی تسلط بیشتری پیدا کنید.

https://github.com/zslucky/awesome-AI-books

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 دوره یادگیری معماری‌های بینایی ماشین در یادگیری عمیق

این دوره آموزشی رایگان از freeCodeCamp، تکامل مدل‌های بینایی ماشین را از LeNet و AlexNet تا ResNet، EfficientNet و Vision Transformers بررسی می‌کند. در این دوره، اصول طراحی مانند skip connections، بلوک‌های bottleneck و attention توضیح داده می‌شود.

هر فصل شامل تصاویر واضح، زمینه تاریخی و مقایسه‌های کنار هم است تا نشان دهد چرا معماری‌ها به این شکل هستند و چگونه اطلاعات را پردازش می‌کنند.

📺 برای مشاهده دوره، به لینک زیر مراجعه کنید:
https://www.youtube.com/watch?v=tfpGS_doPvY

📘 مطالعه یادداشت‌های دوره :
https://www.programming-ocean.com/knowledge-hub/cnn-architect-mind-ai-atlas.php

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ویدیوهای کارگاه یادگیری گراف استنفورد ۲۰۲۵ منتشر شدند! 🎥

🌟 تم‌های اصلی امسال:
🧠 Agents
🔗 Relational Foundation Models
⚡️ Fast LLM Inference

این رویداد یک روز کامل از گفت‌وگوهای تخصصی، ارائه‌های نوآورانه، و جلسات تعاملی بین پژوهشگران، صنعتگران و پیشگامان حوزه‌ی هوش مصنوعی بود.
در برنامه امسال، نام‌های برجسته‌ای از دانشگاه استنفورد، NVIDIA، آمازون، SAP، Genentech و Kumo حضور داشتند.

همه‌ی سخنرانی‌ها را از لینک‌های زیر تماشا کنید 👇

https://snap.stanford.edu/graphlearning-workshop-2025/#schedule

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 شاید خیلی از شما هنوز با هوش مصنوعی آشنا نشدید و نمی‌دونید از کجا باید شروع کنید و چه چیزهایی برای مباحث پایه باید بلد باشید.

توی لینک زیر گام‌به‌گام گفته شده چه چیزهایی رو باید یاد بگیرید تا مسیر یادگیری هوش مصنوعی رو راحت‌تر شروع کنید 👇

https://towardsdatascience.com/how-id-learn-ai-if-i-could-start-over-b220872bc118/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📘 مخزن کاربردی برای علاقه‌مندان به Data Science

مخزن DS Interactive Python مجموعه‌ای از داشبوردهای تعاملی برای یادگیری مفاهیم مهمی مثل آمار، مدل‌های یادگیری ماشین و سایر مباحث علوم داده است. 📊🤖

📌 موضوعات پوشش‌داده‌شده:
PCA، Bagging & Boosting، Clustering، Neural Networks ...

https://github.com/GeostatsGuy/DataScienceInteractivePython

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💼 حالا ChatGPT برای هر موقعیت شغلی یک پک اختصاصی پرامپت منتشر کرده!

یعنی فرقی نمی‌کند طراح، برنامه‌نویس، محقق، مدرس یا مدیر پروژه باشی، برای هر نقش شغلی مجموعه‌ای از پرامپت‌های کاربردی داری که دقیقاً برای کارهای روزمره‌ی شغلت طراحی شده‌اند 🔥

برای دسترسی به پرامپت ها :
https://academy.openai.com/public/clubs/work-users-ynjqu/content

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 معرفی یه ریپوی عالی برای علاقه‌مندان GraphRAG!

اگه دنبال یه پیاده‌سازی سریع و سبک از GraphRAG هستی، پروژه‌ی nano-graphrag دقیقاً همون چیزیه که باید ببینی 🔍

همان طور که میدونیم GraphRAG یه روش پیشرفته برای پیاده‌سازی RAG Augmented ه که به‌جای اینکه اسناد رو جدا جدا پردازش کنه، از ساختار گرافی یا Knowledge Graph استفاده می‌کنه تا ارتباط بین داده‌ها رو بهتر درک کنه 🧠

✨ این ریپو با حدود ۱۱۰۰ خط کد، یه نسخه‌ی ساده، قابل درک و قابل توسعه از GraphRAG رو در اختیارت می‌ذاره.

ویژگی‌هاش 👇

💡 پشتیبانی از مدل‌های اپن‌سورس LLM
🧩 سازگار با چندین مدل Embedding
📦 پشتیبانی از چندین Vector DB مثل FAISS و Neo4j
⚡️ اجرای سریع و ناهمگام (async)
🔁 قابلیت افزودن تدریجی داده بدون محاسبات تکراری

https://github.com/gusye1234/nano-graphrag

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📘 اگر تازه می‌خوای وارد دنیای تحقیقات در زمینه‌ی Reinforcement Learning (RL) بشی، این مقاله رو از دست نده!

🧠 عنوان مقاله:
“A Survey of Reinforcement Learning for Large Reasoning Models”

این مقاله یه نگاه تحولی و جامع به مسیر RL داره
از روزای اولش که مفاهیم پایه و ساده‌تر بودن،
تا پیشرفت‌های بزرگ سال‌های اخیر که باعث شدن RL به بخش کلیدی آموزش مدل‌های استدلالی بزرگ (مثل LLMها) تبدیل بشه.

https://arxiv.org/pdf/2509.08827

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 معرفی ابزارهای کاربردی :

1. TypingMind.com
نسخه‌ای هوشمندتر از ChatGPT
2. Blackbox.ai
کمک برای نوشتن و تکمیل کدها
3. Glasp.co
ذخیره و اشتراک ایده‌های جالب از وب
4. FlowGPT.com
پیدا کردن بهترین پرامپت‌ها برای هوش مصنوعی
5. Wondercraft.ai
ساخت محتوای صوتی و پادکست با هوش مصنوعی
6. Veed.io
ویرایش سریع ویدیوها به‌صورت آنلاین
7. RunPod.io
استفاده از قدرت پردازشی ابری برای پروژه‌ها
8. Scenario.com
طراحی و تولید عناصر بازی با هوش مصنوعی
9. Suno.ai
ساخت موسیقی با کمک هوش مصنوعی
10. Lindy.ai
خودکارسازی وظایف روزانه
11. PromptPerfect.ai
بهینه‌سازی و بهبود پرامپت‌ها برای مدل‌های هوش مصنوعی
12. Namelix.com
تولید نام برند و کسب‌وکار
13. Kaedim3D.com
تبدیل تصاویر دوبعدی به مدل‌های سه‌بعدی
14. TLDRThis.com
خلاصه‌سازی سریع و هوشمند متن‌ها

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌐 گفی (Gephi) یک نرم‌افزار متن‌باز قدرتمند برای تحلیل و مصورسازی شبکه‌هاست.
با Gephi می‌توان روابط پیچیده بین داده‌ها را به شکل نمودارهای تعاملی و دیدنی مشاهده کرد و به‌سادگی الگوها، خوشه‌ها و نقاط کلیدی را شناسایی کرد.

⚡️ این نرم‌افزار از یک موتور رندر سه‌بعدی سریع استفاده می‌کند تا حتی بزرگ‌ترین شبکه‌ها را در لحظه نمایش دهد.
امکان فیلتر، خوشه‌بندی، تحلیل و دستکاری گراف‌ها نیز در آن فراهم است.

💻 روی ویندوز، مک و لینوکس اجرا می‌شود و از زبان‌های مختلف پشتیبانی می‌کند.

📦 سورس‌کد و مستندات رسمی در گیت‌هاب موجود است:

https://github.com/gephi/gephi?tab=readme-ov-file

یک کارگاه آموزشی توسط دانشگاه Galway برگزار می‌شود که به‌صورت عملی، تحلیل و تجسم شبکه با نرم‌افزار متن‌باز Gephi را آموزش می‌دهد.

https://www.youtube.com/watch?v=vQ0LAMcaHp0&t=46s

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک مقاله آموزشی و معرفی از مفهوم "مهندسی عامل‌ها" (Agent Engineering) هم چنین معرفی پلتفرم Agno که مخصوص Agent Engineering ها طراحی شده رو نویسنده توضیح داده.

https://www.ashpreetbedi.com/articles/agent-engineering

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

در یادگیری تقویتی، معمولاً یک Policy تصمیم می‌گیرد و یک Critic آن را ارزیابی می‌کند.
اما در مدل‌های زبانی بزرگ، آموزش Critic خیلی سنگین و پرهزینه است — به همین خاطر بیشتر روش‌ها آن را حذف کرده‌اند
مقاله جدید به نام :
Asymmetric Proximal Policy Optimization: mini-critics boost LLM reasoning

می‌گوید: به جای حذف کامل منتقد، بیایید چند مینی‌منتقد (mini-critic) سبک بسازیم که هرکدام فقط روی بخشی از داده‌ها آموزش می‌بینند.

اختلاف‌نظر بین این مینی‌منتقد‌ها به مدل کمک می‌کند تشخیص دهد کجاها سخت و مبهم است، تا یادگیری را دقیق‌تر و هوشمندتر انجام دهد.

در نتیجه آموزش پایدارتر، هزینه کمتر و بهبود قابل توجه (۳ تا ۶٪) در توانایی استدلال، حتی با فقط ۵۰۰۰ نمونه آموزشی!

اطلاعات بیشتر :
https://arxiv.org/pdf/2510.01656

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎯 سه روش برجسته در Ensemble Learning

🌀 Bagging – تصمیم جمعی برای کاهش نوسان
چند مدل مشابه با داده‌های متفاوت آموزش می‌دی، بعد نظر همشونو ترکیب می‌کنی.
مثل رأی‌گیری بین چند خبره.
📍 نمونه معروفش: Random Forest
📊 مناسب وقتی مدلت هی رفتار متفاوتی داره و ثبات نداره.

⚡️ Boosting – یادگیری از اشتباهات قبلی
مدل‌ها یکی یکی ساخته می‌شن و هرکدوم خطای مدل قبلی رو جبران می‌کنه.
نتیجه؟ یه مدل که تو هر مرحله هوشمندتر می‌شه.
📍 نمونه‌ها: AdaBoost, XGBoost
📊 مناسب داده‌های بزرگ و پیچیده که الگوهاش راحت پیدا نمی‌شن.

🔗 Stacking – ترکیب قدرت مدل‌های مختلف
چند نوع مدل مختلف (درخت، شبکه عصبی، رگرسیون و...) کنار هم قرار می‌گیرن
و یه مدل نهایی تصمیم آخر رو می‌گیره.
📊 مناسب وقتی می‌خوای از توانایی مدل‌های مختلف باهم استفاده کنی.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 دوره جدید freeCodeCamp برای یادگیری عمیق داده‌ساختارها و الگوریتم‌ها

💻 دوره ۴۹ ساعته‌ی رایگان توسط Parth Vyas روی کانال freeCodeCamp منتشر شده که همه چیز درباره DSA و مهارت‌های حل مسئله در مصاحبه‌های فنی رو بهت آموزش می‌ده.

تو این دوره یاد می‌گیری:
- مفاهیم پایه داده‌ساختارها و الگوریتم‌ها
- تحلیل کارایی الگوریتم‌ها با Big O و زمان و حافظه مصرفی
- نحوه حل حرفه‌ای مسائل DSA و تقویت مهارت فکر الگوریتمی

📚 موضوعات پوشش داده شده:
Arrays, Linked Lists, Stacks, Queues, Priority Queues
Trees, Graphs, Dynamic Programming, Backtracking
Sorting & Searching, Sliding Window, Two Pointers
Strings, Matrices, Math & Geometry, Bit Manipulation و خیلی چیزای دیگه!

https://www.youtube.com/watch?v=xwI5OBEnsZU

📣 این دوره عالی رو ببینید و حتماً برای دوستانتون هم بفرستید!

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

یه نفر به اسم Pamela Fox آموزش Python + هوش مصنوعی رو تموم کرده و حالا ویدیوها، اسلایدها و کدها رو گذاشته.

https://github.com/orgs/azure-ai-foundry/discussions/166

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer