ساختارهای داده در حوزه‌هایی مانند علوم کامپیوتر و علم داده بسیار ضروری هستند و نقش مهمی در سازماندهی و بازیابی مؤثر داده‌ها دارند. در میان آنها، درخت‌های دودویی به‌خاطر روش ساختاریافته خود در مدیریت داده‌ها به‌طور خاص قابل توجه هستند.

به‌عنوان یک ساختار سلسله‌مراتبی بنیادی، درخت‌های دودویی کاربردهای متعددی دارند، از موتورهای جستجو گرفته تا پایگاه‌های داده. درک درخت‌های دودویی برای متخصصانی مانند دانشمندان داده و مهندسان یادگیری ماشین بسیار مهم است، زیرا این ساختارها روش‌های قدرتمندی را برای مدیریت داده‌ها به‌صورت ساختاریافته و مقیاس‌پذیر ارائه می‌دهند.
در این مقاله، به بررسی درخت‌های دودویی و جنبه‌های مختلف مرتبط با آنها خواهیم پرداخت؛ از درک مفهوم و کاربردهای آنها گرفته تا تحلیل پیچیدگی زمانی و تفاوت آنها با سایر ساختارهای داده مهم. به این ترتیب، این مقاله به دنبال پاسخ دادن به این سؤال است: "درخت دودویی در ساختار داده چیست؟" و سایر پرسش‌های مرتبط.

https://www.analytixlabs.co.in/blog/binary-tree-in-data-structure/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

بیایید درباره یادگیری ماشین صحبت کنیم! 😄

یادگیری ماشین مثل ساختن با لگوهای داده‌ است! شما کلی داده دارید و می‌خواید باهاشون یه پروژه فوق‌العاده بسازید. اما گاهی موانعی پیش میاد که باید بهشون فکر کنیم. بیایید این چالش‌ها رو با هم مرور کنیم! 🎉

۱. (Overfitting) 🤯

چی هست؟
این حالت زمانی پیش میاد که مدل شما به جزئیات بیش از حد گیر می‌ده و نمی‌تونه الگوهای کلی رو تشخیص بده. مثل کسی که فقط سوالات امتحان‌های قبلی رو حفظ کرده و از یادگیری مفاهیم جدید عاجزه.

مثال:
فرض کنید مدلی دارید که می‌خواد ایمیل‌های اسپم رو تشخیص بده. اگه فقط به داده‌های قدیمی تکیه کنه، در مواجهه با ایمیل‌های جدید سردرگم می‌شه و درست تشخیص نمی‌ده!

چیکار می‌شه کرد؟
- مدل رو ساده‌تر کنیم.
- داده‌های بیشتری برای آموزش به مدل بدیم.
- از روش‌های اعتبارسنجی استفاده کنیم تا ببینیم مدل چقدر عملکردش خوبه.

۲. (Underfitting) 😅

چی هست؟
یعنی مدل شما بیش از حد ساده‌ است و توانایی یادگیری الگوهای پیچیده رو نداره. مثل اینه که بخواید یه پل بزرگ رو با چند آجر بسازید و توقع داشته باشید که قوی باشه!

مثال:
فرض کنید می‌خواید فروش یه محصول رو پیش‌بینی کنید ولی فقط به قیمت محصول توجه می‌کنید، اینطوری مدل شما به نتیجه دقیقی نمی‌رسه.

چیکار می‌شه کرد؟
- از مدل‌های پیچیده‌تر استفاده کنیم.
- ویژگی‌های بیشتری به داده‌ها اضافه کنیم تا مدل بهتر یاد بگیره.

۳. (Data Quality) 📊

چی هست؟
کیفیت داده‌ها خیلی مهمه! اگر داده‌ها کامل یا صحیح نباشند، مثل اینه که بخواید با مواد اولیه نامناسب غذا بپزید. نتیجه خوبی نخواهد داشت!

مثال:
اگر فقط اطلاعات مربوط به یک شهر رو داشته باشید، نمی‌تونید کل کشور رو تحلیل کنید.

چیکار می‌شه کرد؟
- داده‌ها رو تمیز و اصلاح کنیم.
- مطمئن شیم که داده‌ها به روز و دقیق هستند.

۴. (Bias) ⚖️

چی هست؟
یعنی مدل شما به شکلی از داده‌ها استفاده می‌کنه که بعضی از اطلاعات رو نادیده می‌گیره و فقط یه زاویه خاص رو می‌بینه. مثل اینه که همیشه یه رنگ خاص رو بپسندید و فکر کنید فقط اون خوبه!

مثال:
اگه مدل شما فقط از داده‌های مربوط به یه گروه خاص استفاده کنه، نتایجش تو پیش‌بینی‌ها ممکنه ناعادلانه باشه.

چیکار می‌شه کرد؟
- داده‌های متنوع جمع‌آوری کنیم.
- نتایج رو بررسی کنیم و اگه لازم باشه مدل رو تنظیم کنیم.



چرا این مشکلات مهم هستن؟ 🤔

درک این چالش‌ها برای همه ما مهمه! حتی اگر متخصص نباشید، آگاهی از نحوه کارکرد داده‌ها و مدل‌ها بهتون کمک می‌کنه تا تصمیمات بهتری بگیرید. یادگیری ماشین ابزاری بسیار قدرتمنده، اما بدون داده‌های خوب و مدل‌های مناسب، نتایج دقیق و کاربردی نخواهید داشت. 💪❤️

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این ممکن است بهترین راهنمای تصویری برای درک quantization باشد؛ یکی از مهم‌ترین مفاهیم در مدل‌های زبان بزرگ (LLM) مدرن.

◀️برای مطالعه در مورد quantization به سایت زیر مراجعه کنید:

https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-quantization

اگر به خبرهای هوش مصنوعی علاقه دارید به سایت https://AlphaSignal.ai سر بزنید تا خلاصه‌ای روزانه از مدل‌های نوآورانه، مخازن و مقالات جدید در حوزه هوش مصنوعی دریافت کنید. این سایت توسط بیش از ۲۰۰,۰۰۰ توسعه‌دهنده مطالعه می‌شود.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

هش‌تابل (Hash Table) یکی از ساختارهای داده‌ای فوق‌العاده برای ذخیره و بازیابی سریع اطلاعات است. 🎯 در این روش، داده‌ها به صورت "کلید-مقدار" ذخیره می‌شوند و تابع هش 🧩 کلیدها را به یک عدد منحصر به فرد (آدرس) تبدیل می‌کند که به داده‌های مورد نظر دسترسی سریع می‌دهد.

چالش اصلی هش‌تابل "هم‌بخشی" (collision) است، جایی که چندین کلید به یک آدرس می‌رسند. برای مدیریت این مشکل از روش‌هایی مانند زنجیره‌سازی استفاده می‌شود. 🚀 این ساختار برای کارهایی که نیاز به جستجوی سریع دارند، مثل پایگاه‌های داده و کش، بسیار مناسب است. 💡

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌟 داده‌کاوی هوشمند ویرا از اولین مدل زبانی بزرگ فارسی رونمایی کرد: PersianLLaMA 🌟

به عنوان اولین مدل زبانی بزرگ فارسی، بر روی مجموعه‌ای گسترده از متون فارسی آموزش داده شده و در دو نسخه با ۷ و ۱۳ میلیارد پارامتر عرضه شده است. این مدل با استفاده از دو رویکرد مجزا، بر متون رسمی و محاوره‌ای فارسی تمرکز کرده است.

✨ ارزیابی‌های ما نشان می‌دهد PersianLLaMA در زمینه‌های مختلف پردازش زبان طبیعی، عملکردی چشمگیرتر از رقبای خود داشته و توانسته است درک و تولید متن فارسی را به سطح بالاتری برساند.

🔗 این دستاورد مهم، گامی ارزشمند برای جامعه فارسی‌زبان و شروعی تازه در توسعه مدل‌های زبانی بزرگ است. PersianLLaMA می‌تواند در وظایف متنوع پردازش زبان طبیعی مانند تولید متن، چت‌بات‌ها، پاسخ به سوالات، ترجمه ماشینی و خلاصه‌سازی متن مورد استفاده قرار گیرد.

📖 برای مطالعه مقاله کامل و کسب اطلاعات بیشتر، از لینک زیر بازدید کنید:

https://lnkd.in/dENZx7Wq

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

تریپ (Treap) یک نوع خاص از درخت جستجوی دودویی متوازن است که به روشی خلاقانه از دو ساختار استفاده می‌کند: درخت جستجوی دودویی (BST) و (Max-Heap). هدف اصلی تریپ این است که توازن درخت حفظ شود، اما این کار را با استفاده از تصادفی‌سازی انجام می‌دهد، به‌جای الگوریتم‌های پیچیده‌ای مانند درخت‌های AVL یا Red-Black. به همین دلیل، درخت ممکن است در هر لحظه متوازن نباشد، ولی به احتمال زیاد در مجموع کارایی خوبی دارد.


1. کلید (Key): برای ترتیب‌گذاری از قوانین درخت جستجوی دودویی پیروی می‌کند. یعنی هر گره در سمت چپ کوچکتر و در سمت راست بزرگتر از گره والد است. 📊⬅️📉➡️
2. اولویت (Priority): به هر گره به‌صورت تصادفی یک مقدار اولویت اختصاص داده می‌شود که از قوانین پشته بیشینه (Max-Heap) پیروی می‌کند. یعنی هر گره دارای اولویتی کمتر یا مساوی گره والد خود است. 🎲⬆️

این ترکیب به تریپ اجازه می‌دهد که به‌صورت تصادفی توازن خوبی داشته باشد و پیچیدگی زمانی عملیات‌های جستجو، درج و حذف به‌طور میانگین O(log n) باشد.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

‍ پرسودترین معامله زندگی
حال خوب راجایگزين
حال بدکردن است.
همـین
حال دلتون خوب وجودتون
سبز وسلامت
زندگیتون غرق درخوشبختی😊
صبح شنبتون بخیر و نیکی

📣👨‍💻 @AlgorithmDesign_DataStructuer

برای مطالعه مؤثر بخش‌های ریاضی مقالات هوش مصنوعی و جلوگیری از احساس خستگی و بی‌حوصلگی، می‌توانیم یک روش کارآمد را دنبال کنیم. در این روش، به جای غرق شدن در فرمول‌ها و روابط پیچیده، باید ابتدا روی فهم مفاهیم کلیدی تمرکز کنیم. توجه داشته باشید که این بخش‌های ریاضی از مهم‌ترین قسمت‌های مقالات هوش مصنوعی هستند، زیرا اغلب بیانگر چگونگی عملکرد مدل‌ها و الگوریتم‌ها هستند. به همین دلیل، بهتر است با رویکردی منظم و مرحله‌به‌مرحله به سراغشان برویم.

✨ راهکار پیشنهادی:

1. مرور کلی مقاله: ابتدا یک دید کلی از مقاله بگیرید و بخش‌های کلیدی آن را مشخص کنید.
2. تمرکز روی مفاهیم اصلی: به جای تحلیل تمام جزئیات ریاضی، ابتدا سعی کنید مفهوم کلی پشت آن فرمول‌ها را درک کنید. برای این کار، می‌توانید به دنبال توضیحات کلامی باشید.
3. تقسیم‌بندی بخش‌های پیچیده: بخش‌های ریاضیاتی را به قسمت‌های کوچک‌تر تقسیم کنید و هر قسمت را جداگانه بررسی کنید.
4. مرور منابع مکمل: در صورت نیاز، منابع آموزشی دیگر مانند ویدئوها یا کتاب‌ها را برای درک بهتر مفاهیم پیچیده استفاده کنید.
5. حل تمرین و مثال: سعی کنید از مثال‌های عملی و تمرین‌ها برای تثبیت بهتر مطالب استفاده کنید.

🔍 نتیجه: این راهکارها به شما کمک می‌کنند تا به جای تسلیم شدن در برابر بخش‌های ریاضی، آن‌ها را به روشی منطقی و قابل‌فهم بررسی کنید و در نتیجه بهره‌وری بیشتری از مطالعه مقالات داشته باشید.

همیشه به خاطر داشته باشید که بخش ریاضیاتی، ابزار اصلی برای درک عملکرد الگوریتم‌ها است و با گذر زمان، خواندن آن‌ها برایتان ساده‌تر می‌شود!

لینک ویدئو:
https://www.youtube.com/watch?v=YXWxVxQ6AeY

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

الگوریتم Kruskal برای یافتن درخت پوشای کمینه (Minimum Spanning Tree - MST)

الگوریتم Kruskal یکی از معروف‌ترین روش‌ها برای یافتن درخت پوشای کمینه در یک گراف وزن‌دار است. درخت پوشای کمینه یک زیرمجموعه از یال‌های گراف است که تمام رأس‌ها را به هم متصل کرده و مجموع وزن یال‌ها را به کمترین مقدار می‌رساند. این الگوریتم از نوع حریصانه (Greedy) است، یعنی در هر مرحله بهترین انتخاب ممکن را انجام می‌دهد تا به نتیجه بهینه برسد.



🌟 گام‌های الگوریتم Kruskal:

1. مرتب‌سازی یال‌ها: ابتدا تمام یال‌های گراف را به ترتیب وزن از کم به زیاد مرتب می‌کنیم.

2. ایجاد مجموعه‌های ناپیوسته: برای هر رأس یک مجموعه مجزا تشکیل می‌دهیم (در ابتدا هر رأس به تنهایی یک مجموعه است).

3. اضافه کردن یال‌ها به MST:
- یال‌ها را یکی یکی از کمترین وزن به بزرگترین بررسی می‌کنیم.
- اگر اضافه کردن یک یال باعث ایجاد حلقه نشود، آن را به درخت پوشا اضافه می‌کنیم.
- اگر یال باعث ایجاد حلقه شود، آن را نادیده می‌گیریم.

4. اتمام الگوریتم: این روند تا زمانی ادامه دارد که تمام رأس‌ها به هم متصل شده و یک درخت پوشای کمینه ساخته شود.



⏱️ پیچیدگی زمانی الگوریتم:

الگوریتم Kruskal شامل دو بخش اصلی است:

1. مرتب‌سازی یال‌ها: با استفاده از الگوریتم‌های مرتب‌سازی سریع مانند Merge Sort یا Quick Sort، پیچیدگی زمانی این مرحله O(Elog E) است که E تعداد یال‌های گراف است.

2. جستجوی مجموعه‌ها و ترکیب آن‌ها: برای مدیریت مجموعه‌ها از ساختار داده‌ای Union-Find استفاده می‌شود که با بهینه‌سازی‌هایی مانند فشرده‌سازی مسیر (Path Compression) و اتحاد بر اساس رتبه (Union by Rank)، پیچیدگی زمانی این عملیات‌ها به O(α(V)) کاهش می‌یابد.

به طور کلی، پیچیدگی زمانی الگوریتم برابر است با:


O(E log E + E α(V))


که در آن E تعداد یال‌ها و V تعداد رأس‌های گراف است. از آنجایی که E log E سریع‌تر از E α(V) رشد می‌کند، پیچیدگی زمانی کلی O(E log E) است.



📊 ویژگی‌ها و کاربردها:

- نوع الگوریتم: حریصانه (Greedy)
- کاربردها:
- ساخت درخت پوشای کمینه در شبکه‌های ارتباطی.
- کاهش هزینه‌های طراحی شبکه.
- حل مسائل بهینه‌سازی گراف‌ها.

- محدودیت‌ها:
- مناسب برای گراف‌های پراکنده (Sparse). برای گراف‌های متراکم (Dense)، الگوریتم‌های دیگر مانند Prim ممکن است عملکرد بهتری داشته باشند.



✨ با پیروی از این مراحل و فهمیدن پیچیدگی‌ها، الگوریتم Kruskal به یکی از بهترین انتخاب‌ها برای ساخت درخت پوشای کمینه تبدیل می‌شود.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

یادآوری مهم برای ثبت‌نام کنکور کارشناسی ارشد

دوستان عزیز،
به اطلاع می‌رساند مهلت ثبت‌نام برای کنکور کارشناسی ارشد از ۲۲ مهر ۱۴۰۳ تا ۲۸ مهر ۱۴۰۳ می‌باشد. لطفاً برای جلوگیری از هرگونه مشکل در آخرین لحظات، هرچه سریع‌تر نسبت به ثبت‌نام خود اقدام نمایید.

🔹 مهلت ثبت‌نام: ۲۲ مهر ۱۴۰۳ تا ۲۸ مهر ۱۴۰۳
🔹 وب‌سایت ثبت‌نام: (سایت سنجش)


در صورت بروز هرگونه مشکل یا نیاز به راهنمایی، می‌توانید با ما در تماس باشید. موفقیت شما برای ما مهم است!

💠 https://t.me/Se_mohamad

استفاده از گراف‌ها یکی از قوی‌ترین ابزارها برای حل مسائل پیچیده است. دلایل متعددی برای این استفاده وجود دارد که به طور خلاصه به آن‌ها می‌پردازیم:

1. مدل‌سازی ساختارهای پیچیده 🔄
گراف‌ها به ما اجازه می‌دهند تا روابط پیچیده بین اشیاء را به‌صورت ساده و قابل درک نشان دهیم. به عنوان مثال:
- در شبکه‌های اجتماعی 👥، کاربران به عنوان گره‌ها و دوستی‌ها به عنوان یال‌ها نمایش داده می‌شوند.
- در شبکه‌های حمل‌ونقل 🚗، شهرها گره‌ها و جاده‌ها یال‌ها هستند.

2. حل مسائل مسیریابی و بهینه‌سازی 🚦
گراف‌ها ابزاری عالی برای یافتن بهترین مسیر هستند:
- در الگوریتم‌های مسیریابی 📍، مانند الگوریتم دایکسترا (Dijkstra)، کوتاه‌ترین مسیر بین دو گره در گراف محاسبه می‌شود.
- مسئله فروشنده دوره‌گرد 🤹، که به دنبال کم‌هزینه‌ترین مسیر بازدید از تمام شهرها است.

3. نمایش روابط پیچیده 🔗
گراف‌ها به‌خوبی روابط پیچیده میان داده‌ها را نشان می‌دهند. برای مثال، در تحلیل شبکه‌های اجتماعی 🌐 یا تعاملات بیولوژیکی 🧬 بین ژن‌ها و پروتئین‌ها، می‌توان تعاملات چندگانه را به وضوح مشاهده کرد.

4. کاربردهای گسترده در علوم مختلف 🌍
گراف‌ها در زمینه‌های گوناگون به کار می‌روند:
- هوش مصنوعی 🤖 و یادگیری ماشین برای مدل‌سازی و پردازش زبان طبیعی.
- زیست‌شناسی 🧬 برای بررسی تعاملات ژنتیکی.
- مهندسی نرم‌افزار 💻 برای نمایش وابستگی‌ها بین ماژول‌ها.

5. الگوریتم‌های کارآمد ⚙️
گراف‌ها به ما امکان می‌دهند تا مسائل پیچیده را با الگوریتم‌های کارآمد حل کنیم:
- الگوریتم BFS 🔍 (جستجوی سطح به سطح) و الگوریتم DFS 🔎 (جستجوی عمقی) برای پیمایش و جستجوی گراف‌ها.

6. حل مسائل پویایی شبکه‌ها 🌐
گراف‌ها می‌توانند پویایی شبکه‌ها را در طول زمان مدل‌سازی کنند:
- گراف‌های زمانی ⏳ برای نمایش تغییرات سیستم‌ها.
- الگوریتم‌های جریان بیشینه 💧 برای مدیریت بهینه جریان‌ها در شبکه‌ها مانند توزیع انرژی.

7. کاربردهای عملی و روزمره 📱
در زندگی روزمره هم گراف‌ها نقش دارند:
- مسیریابی GPS 🗺 برای یافتن بهترین مسیر بین نقاط مختلف.
- مدیریت شبکه‌های توزیع 🏗 برای اطمینان از تخصیص بهینه منابع.

نتیجه‌گیری ✔️
به طور کلی، گراف‌ها به دلیل سادگی در نمایش و حل مسائل مرتبط با روابط و اتصالات، ابزاری فوق‌العاده برای یافتن راه‌حل‌های بهینه هستند و در بسیاری از زمینه‌های علمی و کاربردی استفاده می‌شوند.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

"دوره رایگان AI Python برای مبتدیان، برای مدت محدود توسط آندره"

https://www.deeplearning.ai/short-courses/ai-python-for-beginners/
#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

هرکسی ازتون پرسید مشتق و انتگرال کجا بدرد میخوره این ویدیو رو نشونش بدید

هنر مهندسی یعنی یه جسم ۳۵۰۰ تنی رو با سرعت ۶ هزار کیلومتر به سمت زمین برگردونی و اینجوری بگیری بغلت. زنده باد علم...

@silicon_brain | از هوش مصنوعی عقب نمانید

اگر تازه‌کار هستید، بسیار مهم است که اهمیت ساختارهای داده و الگوریتم‌ها را در آمادگی خود برای ورود به مسیر نرم‌افزار درک کنید. در اینجا یک نقشه راه جامع ارائه شده است که می‌توانید با هر زبان برنامه‌نویسی از آن استفاده کنید. اگر به دنبال گسترش مهارت‌های خود در حوزه علم داده هستید، می‌توانید از طریق زبان برنامه‌نویسی پایتون 🐍 اقدام کنید.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Are you ready for free online courses from the world’s #No1 university?

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📑 - دوره ی تدریس سیگنال و سیستم ها
♾️ - مدرس: پروفسور آلن وی اوپنهایم
🏛 مؤسسه فناوری ماساچوست 𝐌𝐈𝐓

https://ocw.mit.edu/courses/res-6-007-signals-and-systems-spring-2011/download/


📣👨‍💻 @AlgorithmDesign_DataStructuer

پایتورچ را به صورت رایگان (و با کیفیت) یاد بگیرید!
یک دوره عالی برای یادگیری پایتورچ پیدا کردم که واقعا ارزشمند است. خواستم آن را با شما به اشتراک بگذارم.

https://howsam.org/downloads/pytorch-course/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر به دنبال یک منبع عالی برای مرور سریع الگوریتم‌ها و ساختارهای داده هستید، Algorithms and Data Structures Cheatsheet رو از دست ندید! این سایت یک راهنمای جامع و مختصر ارائه میده که بهتون کمک می‌کنه مفاهیم کلیدی رو به سرعت یاد بگیرید یا مرور کنید. حتماً بهش سر بزنید و از مطالبش بهره‌مند بشید!

https://algs4.cs.princeton.edu/cheatsheet/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

ویژن ترنسفورمر (Vision Transformer یا به اختصار ViT) یک معماری مدل است که ترنسفورمرها، که در اصل برای پردازش زبان‌های طبیعی (NLP) طراحی شده‌اند، را برای داده‌های تصویری به کار می‌گیرد. برخلاف شبکه‌های عصبی کانولوشنی (CNNs) که سال‌ها در این زمینه غالب بوده‌اند، ویژن ترنسفورمرها نیازی به استفاده از کانولوشن‌ها برای پردازش تصاویر ندارند. به جای آن، تصاویر را به چندین بخش (پچ) تقسیم کرده، این پچ‌ها را مانند توالی‌های کلمات در نظر می‌گیرند، و سپس مدل ترنسفورمر را برای استخراج ویژگی‌ها به کار می‌گیرند.

ایده اصلی در اینجا ساده اما قدرتمند است: همان‌طور که ترنسفورمرها در درک روابط بین کلمات یک جمله عالی هستند، می‌توانند روابط بین بخش‌های مختلف یک تصویر را نیز یاد بگیرند. این موضوع به ViT‌ها امکان می‌دهد که زمینه‌ی کلی تصویر را با کارایی بیشتری نسبت به CNNها درک کنند.

Paper https://arxiv.org/abs/2010.11929
code https://github.com/google-research/vision_transformer

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

انواع گراف :

1. بدون جهت (Undirected): یال‌ها بدون جهت. 🎯
2. جهت‌دار (Directed): یال‌ها با جهت مشخص. ➡️
3. خلوت (Sparse): یال‌ها نسبت به گره‌ها کم. 🌿
4. متراکم (Dense): یال‌ها نسبت به گره‌ها زیاد. 🏗
5. بدون وزن (Unweighted): یال‌ها بدون وزن. ⚖️
6. وزندار (Weighted): یال‌ها وزندار. 🏋️
7. بدون دور (Acyclic): بدون دور. 🚫🔄
8. چرخه‌ای (Cyclic): دارای دور. 🔄
9. ساده (Simple): بدون حلقه یا یال موازی. ✅
10. غیر ساده (Non-simple): با حلقه یا یال موازی. 🚧
11. بدون برچسب (Unlabeled): بدون برچسب. ❌🏷
12. برچسب‌دار (Labeled): با برچسب. 🏷

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer