در مقاله‌ی اخیر ما با عنوان "Reverse Stable Diffusion: What prompt was used to generate this image" که برای انتشار در Computer Vision and Image Understanding پذیرفته شده، به بررسی وظیفه‌ی پیش‌بینی prompt embedding بر اساس یک تصویر تولید شده توسط یک مدل دیفیوژن مولد می‌پردازیم. شاید جالب‌ترین کشف این مطالعه این است که آموزش یک مدل دیفیوژن بر روی وظیفه‌ی تولید prompt می‌تواند باعث شود مدل تصاویری تولید کند که همخوانی بسیار بیشتری با input prompts داشته باشند؛ به‌ویژه زمانی که مدل معکوس به‌طور مستقیم برای text-to-image generation استفاده شود.

https://arxiv.org/abs/2308.01472

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 جزوه خلاصه و نکات مهم ساختمان داده 📚

این جزوه، مجموعه‌ای از نکات کلیدی و خلاصه‌های کاربردی درس ساختمان داده‌ها رو در بر داره که به‌صورت تخصصی و ساده تنظیم شده. 👨‍💻 این مجموعه مناسب دوستانیه که دارن برای آزمون‌های استخدامی و کنکور آماده میشن. 🎓 با مطالعه این جزوه، می‌تونید به درک بهتری از ساختارهای داده و الگوریتم‌های مرتبط برسید و زمان مطالعاتی خودتون رو مدیریت کنید. ⏰

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌐 وبسایتی فوق‌العاده برای تجسم یادگیری ماشین

این وبسایت شگفت‌انگیز به شما کمک می‌کند تا شهود خود را در زمینه یادگیری ماشین تقویت کنید و مفاهیم پیچیده را به شکل بصری درک کنید.

https://mlu-explain.github.io/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

نماینده‌های زبانی (LLM Agents)

این ارائه در مورد Language (LLM) Agents به موضوعات زیر می‌پردازد:

- تعریف Language Agents
- تکامل AI Agents
- قدرت Language در Agents
- مسیرهای جذاب آینده مانند Planning، Synthetic Data، Multimodal Perception، Continual Learning، Safety و موارد دیگر

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

الگوریتم Minimum Spanning Tree (MST)، یا درخت پوشای کمینه، یکی از الگوریتم‌های مهم در گراف‌هاست. این الگوریتم برای پیدا کردن زیرگرافی از یک گراف وزن‌دار استفاده می‌شود که تمامی رأس‌ها را شامل شود و مجموع وزن‌های یال‌های آن کمترین مقدار ممکن باشد. این زیرگراف که به عنوان درخت پوشای کمینه شناخته می‌شود، تمامی رأس‌ها را بدون تشکیل حلقه به هم متصل می‌کند. 🌳

مثال کاربردی
تصور کنید که می‌خواهیم شبکه‌ی برق را در یک شهر طراحی کنیم. هدف این است که تمام ایستگاه‌ها به هم متصل شوند، اما هزینه‌ها نیز کمینه باشند. الگوریتم MST به ما کمک می‌کند با کمترین هزینه، ارتباط بین تمام ایستگاه‌ها را برقرار کنیم. ⚡️

الگوریتم‌های معروف برای MST
دو الگوریتم رایج برای حل مسئله‌ی درخت پوشای کمینه، الگوریتم پریم (Prim) و کریسکال (Kruskal) هستند. هرکدام از این الگوریتم‌ها از روش متفاوتی برای پیدا کردن درخت پوشای کمینه استفاده می‌کنند. 🔍



1. الگوریتم Prim
الگوریتم پریم از یک رأس شروع می‌کند و یال‌های با کمترین وزن را به درخت اضافه می‌کند، به شرطی که ایجاد چرخه نکند. این فرایند تا زمانی که تمام رأس‌ها به درخت اضافه شوند، ادامه می‌یابد. ⛓️
مراحل الگوریتم پریم:
1. انتخاب یک رأس به عنوان نقطه شروع.
2. اضافه کردن یال‌های با کمترین وزن که رأس‌های جدید را به درخت متصل کنند.
3. تکرار این کار تا تمام رأس‌ها به درخت اضافه شوند.
2. الگوریتم Kruskal
الگوریتم کریسکال با مرتب‌سازی تمام یال‌ها از کمترین وزن به بیشترین وزن شروع می‌کند و یال‌ها را یکی یکی به درخت اضافه می‌کند. در این الگوریتم، اطمینان حاصل می‌شود که اضافه کردن یال جدید منجر به ایجاد چرخه نشود. 🔄
مراحل الگوریتم کریسکال:
1. مرتب‌سازی یال‌ها از کمترین به بیشترین وزن.
2. اضافه کردن یال‌ها به درخت، در صورتی که چرخه ایجاد نشود.
3. تکرار تا زمانی که درخت شامل تمام رأس‌ها شود.

مقایسه Prim و Kruskal
- پریم برای گراف‌های متراکم مناسب‌تر است، زیرا از یال‌های نزدیک رأس‌ها استفاده می‌کند.
- کریسکال برای گراف‌های پراکنده مناسب‌تر است، زیرا با یال‌های سبک شروع می‌کند. 🎯

پیچیدگی زمانی
پیچیدگی زمانی برای هر دو الگوریتم:
- الگوریتم Prim: O(E log V)
- الگوریتم Kruskal:O(E log E)

🔍 توضیح: در اینجا \(E\) تعداد یال‌ها و \(V\) تعداد رأس‌ها هستند. این پیچیدگی نشان می‌دهد که هر دو الگوریتم برای گراف‌های بزرگ بهینه عمل می‌کنند.

جمع‌بندی
درخت پوشای کمینه یک ساختار مهم در گراف‌هاست که کاربردهای زیادی در شبکه‌های ارتباطی، طراحی جاده‌ها، شبکه‌های برق و سایر حوزه‌ها دارد. این الگوریتم به ما کمک می‌کند هزینه‌ها را کاهش دهیم و ارتباط مؤثری بین تمام نقاط برقرار کنیم. 🌐

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

قدرت AI Hype و LinkedIn

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره رایگان Harvard CS50 – دوره علوم کامپیوتر (نسخه 2023)

این دوره شامل موارد زیر است:

- Lecture 0 - Scratch
- Lecture 1 - C
- Lecture 2 - Arrays
- Lecture 3 - Algorithms
- Lecture 4 - Memory
- Lecture 5 - Data Structures
- Lecture 6 - Python
- Lecture 7 - SQL
- Lecture 8 - HTML, CSS, JavaScript
- Lecture 9 - Flask
- Lecture 10 - Emoji
- Cybersecurity (امنیت سایبری)

https://www.freecodecamp.org/news/harvard-university-cs50-computer-science-course-2023/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

برای استفاده راحت‌تر از ChatGPT، شما می‌توانید آن را مستقیماً روی دسکتاپ خود نصب کنید. این کار به شما این امکان را می‌دهد که بدون نیاز به مرورگر، به‌راحتی به ChatGPT دسترسی داشته باشید و از امکانات آن بهره‌مند شوید.

Link: ChatGPT on your desktop

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

جزوه‌های درسی استنفورد درباره "نظریه احتمالات" (سطح دکتری)

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

۱۰ کتاب برتر برای یادگیری ماشین

اگر به دنبال منابعی عالی برای شروع یا پیشرفت در یادگیری ماشین هستید، این لیست شامل ۱۰ کتاب برتر در این زمینه می‌تواند به شما کمک کند:

1️⃣ Machine Learning نوشته‌ی *Tom M. Mitchell*
این کتاب یکی از پایه‌ای‌ترین و معتبرترین منابع برای یادگیری اصول یادگیری ماشین است و مباحث را به صورت جامع و قابل درک ارائه می‌دهد.

2️⃣ Pattern Recognition and Machine Learning نوشته‌ی *Christopher M. Bishop*
یک منبع پیشرفته که به شناسایی الگوها و مبانی یادگیری ماشین می‌پردازد، مناسب برای علاقه‌مندان به تئوری‌های عمیق‌تر.

3️⃣ The Hundred-Page Machine Learning Book نوشته‌ی *Andriy Burkov*
یک کتاب جمع‌وجور و کاربردی که مفاهیم اصلی یادگیری ماشین را تنها در ۱۰۰ صفحه توضیح می‌دهد.

4️⃣ Machine Learning For Absolute Beginners نوشته‌ی *Oliver Theobald*
این کتاب، یادگیری ماشین را برای مبتدیان از صفر و با زبانی ساده توضیح می‌دهد و برای شروعی آسان بسیار مفید است.

5️⃣ Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow نوشته‌ی *Geron Aurelien*
یکی از محبوب‌ترین منابع برای یادگیری عملی یادگیری ماشین با استفاده از کتابخانه‌های مطرح مانند Scikit-Learn، Keras و TensorFlow.

6️⃣ Fundamentals of Machine Learning for Predictive Data Analytics نوشته‌ی *John D. Kelleher, Brian Mac Namee, و Aoife D’Arcy*
این کتاب تمرکز خاصی بر تجزیه‌وتحلیل داده‌ها و پیش‌بینی دارد و به شما کمک می‌کند اصول پایه‌ای این حوزه را بیاموزید.

7️⃣ Machine Learning for Humans نوشته‌ی *Vishal Maini و Samer Sabri*
یک منبع رایگان و جذاب که مفاهیم یادگیری ماشین را به زبان ساده و داستانی توضیح می‌دهد.

8️⃣ Introduction to Machine Learning with Python: A Guide for Data Scientists نوشته‌ی *Andreas Müller*
این کتاب، راهنمایی جامع برای استفاده از زبان پایتون در پروژه‌های یادگیری ماشین است.

9️⃣ Advanced Machine Learning with Python نوشته‌ی *John Hearty*
برای کسانی که می‌خواهند دانش خود را در یادگیری ماشین و پایتون به سطح پیشرفته‌تری برسانند، این کتاب انتخاب مناسبی است.

🔟 Machine Learning With TensorFlow نوشته‌ی *Nishant Shukla*
این کتاب به آموزش یادگیری ماشین با استفاده از فریم‌ورک قدرتمند TensorFlow می‌پردازد و برای علاقه‌مندان به کار با شبکه‌های عصبی بسیار مفید است.

هر یک از این کتاب‌ها می‌تواند شما را در مسیر یادگیری ماشین به خوبی هدایت کند، بسته به اینکه تازه‌کار هستید یا به دنبال گسترش دانش پیشرفته خود هستید! 📚✨

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 خداحافظ Adam، سلام ADOPT!
به نظر می‌رسه وقتش رسیده که بهینه‌ساز (Optimizer) مدل‌های Deep Learning و LLM‌ها رو ارتقا بدیم! ✨
بهینه ساز ADOPT به‌عنوان جایگزینی برای Adam معرفی شده و تونسته یکی از مشکلات اساسی Adam، یعنی عدم تضمین هم‌گرایی (Convergence) در آپدیت وزن‌ها رو حل کنه.

🔬 این برتری فقط یک ادعای تئوری نیست؛ بلکه در عمل هم در اکثر مسائل، از جمله pretraining مدل GPT-2، عملکرد بهتری داشته است.

💡 ایده اصلی و راهکار ADOPT برای تضمین هم‌گرایی:
1️⃣ حذف گرادیان کنونی از تخمین momentum دوم
2️⃣ نرمال‌سازی گرادیان پیش از آپدیت momentum

به کمک این بهینه‌ساز، فرآیند یادگیری مدل‌ها نه‌تنها پایدارتر بلکه کارآمدتر شده است. 🚀


Paper : https://arxiv.org/abs/2411.02853
code : https://github.com/iShohei220/adopt

مقاله "Visualization-of-Thought Elicits Spatial Reasoning in Large Language Models" به بررسی روشی نوین برای بهبود توانایی مدل‌های زبانی بزرگ (LLMs) در انجام استدلال فضایی می‌پردازد. ایده اصلی این تحقیق بر اساس استفاده از تصویرسازی ذهنی است؛ به این معنا که مدل‌ها به جای پردازش صرفاً متنی، قادر به ایجاد بازنمایی‌های بصری از مسائل می‌شوند. این بازنمایی‌ها به مدل کمک می‌کند تا مفاهیمی نظیر فاصله، جهت و ارتباطات فضایی را بهتر درک و تحلیل کند.

Paper:https://arxiv.org/abs/2404.03622

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر به یادگیری MLOps، راه‌اندازی مدل‌ها در محیط تولیدی و طراحی سیستم‌های یادگیری ماشین از صفر تا صد علاقه‌مند هستید اما نمی‌دانید از کجا شروع کنید، پیشنهاد می‌کنم نگاهی به دوره CS 329S: Machine Learning Systems Design بیندازید.

این دوره یکی از جامع‌ترین منابع آموزشی در این حوزه است و مباحثی از اصول طراحی سیستم‌های یادگیری ماشین گرفته تا نکات پیشرفته را پوشش می‌دهد.

یکی از جذاب‌ترین ویژگی‌های این دوره، حضور سرمایه‌گذاران مطرح (VCs) در جلسات پایانی آن است، جایی که درباره ارائه ایده‌ها و استراتژی‌های ورود به بازار صحبت می‌شود. این نشان می‌دهد که اگر در طراحی سیستم‌های یادگیری ماشین حرفه‌ای شوید، احتمالاً قدم در مسیر ساخت یک استارتاپ خواهید گذاشت!

این دوره از دانشگاه استنفورد است و همان‌طور که انتظار می‌رود، جامعیت فوق‌العاده‌ای دارد. این فرصت را از دست ندهید! 🚀

the link to the course : https://stanford-cs329s.github.io/syllabus.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره آموزشی LLM Agents MOOC

این دوره موضوعات زیر را پوشش می‌دهد:
- Foundation of LLMs
- Reasoning
- Planning, tool use
- LLM agent infrastructure
- Retrieval-augmented generation
- Code generation, data science
- Multimodal agents, robotics
- Evaluation and benchmarking on agent applications
- Privacy, safety and ethics
- Human-agent interaction, personalization, alignment
- Multi-agent collaboration

این دوره برای کسانی که علاقه‌مند به یادگیری عمیق در زمینه طراحی و توسعه عوامل هوشمند مبتنی بر LLM هستند، بسیار مفید است. 🚀

Link:https://www.youtube.com/playlist?list=PLS01nW3RtgopsNLeM936V4TNSsvvVglLc

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

آیا به GenAI/LLMs علاقه دارید؟
🔥🔥 444 دیتاست آماده! 🔥🔥

774.5 ترابایت │ 8 زبان │ 32 حوزه

Pre-training ❋ Fine-tuning ❋ Evaluation

تشکر ویژه از Yang Liu و همکارانش! 🙏

✨ این مجموعه بزرگ برای پروژه‌های یادگیری زبان‌های مدل بزرگ بی‌نظیر است. 🌐

Paper : https://arxiv.org/abs/2402.18041
Github:https://github.com/lmmlzn/Awesome-LLMs-Datasets

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

معرفی دوره
دوره‌ای در سطح کارشناسی درباره ساختمان داده، مبتنی بر زبان برنامه‌نویسی ++C، تدریس‌شده توسط پروفسور *Yung Yi* از دانشگاه *KAIST*، کره جنوبی. فرصتی برای یادگیری برنامه‌نویسی شیء‌گرا (++C) و آشنایی با الگوریتم‌های پایه‌ای.

Link:https://yung-web.github.io/home/courses/datastructure.html

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Data Scientist RoadMap 🔴

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎉 کانال ما به 6k عضو رسید! 🎉
ممنون از همراهی و حمایت‌های شما عزیزان 🌟
منتظر محتوای جذاب‌تر باشید! 🚀

🔹 یه ابزار فوق‌العاده برای عاشقان چیت‌شیت! 🔹

اگه دوست داری یه ابزار حرفه‌ای برای تولید چیت‌شیت داشته باشی، این ابزار مخصوص خودته! 🌟
کافیه یه پرامپت ورودی بهش بدی، مثل: "یه چیت‌شیت برای پردازش زبان طبیعی (NLP) درست کن."🔍
✨ این ابزار برات یه خلاصه کامل از NLP آماده می‌کنه، و جالب‌تر اینکه خروجی‌هاش می‌تونن شامل چارت‌ها، نمودارها و تصاویر کاربردی باشن! 📊🖼

🔗 اگه به دنبال ابزارهای خفن برای یادگیری و تولید محتوای سریع هستی، پیشنهاد می‌کنم حتما امتحانش کنی!

👇 شما هم اگه ابزار جذابی می‌شناسید، معرفی کنید! 💬

Link : https://www.mymap.ai/cheat-sheet-maker

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 آشنایی با ۲۵ نوع مختلف از RAG

🔍 به دنیای نوآوری‌های RAG عمیق‌تر نگاه کنید!
درک جزئیات Retrieval-Augmented Generation (RAG) برای فعالان حوزه هوش مصنوعی بسیار اهمیت دارد. 💡
چه در حال بهینه‌سازی مدل‌های زبانی بزرگ (LLMs) برای پرسش‌های بلادرنگ باشید یا در تلاش برای پیشبرد مرزهای بازیابی تطبیقی، این راهنمای جامع، نوشته‌شده توسط Bhavishya Pandit، ۲۵ نوع منحصر به فرد RAG را با اهداف و کاربردهای مختلف توضیح می‌دهد.

✨ از دقت اصلاحی **Corrective RAG 🔧 تا هوش تطبیقی Auto RAG 🤖، این راهکارها برای هر چالشی، راه‌حلی دارند.

نکات برجسته:
1. Speculative RAG:
افزایش بهره‌وری با پیش‌نویس‌های موازی ⚡️
2. Graph RAG:
ایجاد گراف‌های دانش پویا برای بازیابی هوشمندتر 🕸
3. Iterative RAG:
جستجوهای دقیق‌تر با یادگیری تقویتی 🔄

چه در حال توسعه هوش مصنوعی مکالمه‌ای نسل بعد باشید یا سیستم‌های تولید محتوا را بهینه کنید، این چارچوب‌ها تحولی در کار شما ایجاد خواهند کرد! 🌟

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎯 ارتقای توانایی‌های پاسخ‌دهی مدل‌های زبانی بزرگ (LLMs)!

برای اینکه مدل‌های زبانی بتونن بهترین پاسخ‌ها رو ارائه بدن، بهتره قبل از تولید جواب، اطلاعات رو از منابع خارجی مثل اینترنت یا فایل‌های PDF جستجو کنیم. این فرایند که بهش RAG میگن، تأثیر زیادی روی عملکرد داره، اما اجرای درستش ساده نیست.

مراحل کلیدی در بازیابی اطلاعات از PDFها شامل این موارد میشه:
📄 اجرای OCR برای شناسایی متن در PDFهای اسکن‌شده
📐 استفاده از مدل‌های تشخیص ساختار صفحه برای تفکیک پاراگراف‌ها، عناوین و تصاویر
🔄 بازسازی ساختار و ترتیب خواندن صفحه
🖼 بهره‌گیری از مدل‌های پیشرفته برای توصیف تصاویر و جداول به زبان طبیعی
✂️ تقسیم یا ترکیب متن به‌صورت منسجم و منطقی
🧠 استفاده از یک مدل تعبیه برداری قوی مثل BGE M3 برای نگاشت متن به فضای برداری معنادار
📂 ذخیره‌سازی ایندکس برداری برای بازیابی‌های آینده

اطلاع بیشتر:
https://huggingface.co/blog/manu/colpali

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer