روی مدل‌های بینایی-زبانی (Vision Language Models - VLMs) حساب ویژه‌ای باز کنید.

با انتشار Llama 3.2 و ColQwen2، مدل‌های چندوجهی (Multimodal) روزبه‌روز محبوب‌تر می‌شوند.

مدل‌های VLM مدل‌هایی چندوجهی هستند که قابلیت کار با دو مد تصویر و متن را دارند:

ورودی: تصویر و متن
خروجی: متن

این مدل‌ها در کاربردهای زیادی از جمله پاسخ‌دهی به سوالات بصری یا درک اسناد (مانند کاربرد ColQwen2) مورد استفاده قرار می‌گیرند.

نحوه عملکرد در پشت صحنه
چالش اصلی در مدل‌های VLM، یکپارچه‌سازی نمایش‌های تصویر و متن است.

برای این منظور، معماری معمول یک VLM شامل اجزای زیر است:

- رمزگذار تصویر (Image Encoder) مانند CLIP یا SigLIP
-در واقع Embedding Projector برای هم‌تراز کردن نمایش‌های تصویر و متن
- رمزگشای متن (Text Decoder) مانند Vicuna یا Gemma


http://huggingface.co/blog/vlms

#هوش_مصنوعی

📣👨‍💻 @AlgorithmDesign_DataStructuer

OmniGen: Unified Image Generation

Paper: https://arxiv.org/pdf/2409.11340v1.pdf

Code: https://github.com/vectorspacelab/omnigen

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🐍 Python from Scratch
📚 ارائه شده توسط دانشگاه واترلو

اگر به دنبال یادگیری برنامه‌نویسی پایتون از پایه هستید، این دوره یکی از بهترین انتخاب‌هاست. دوره‌ای جامع که توسط دانشگاه واترلو طراحی شده و تمام مبانی مورد نیاز برای شروع برنامه‌نویسی به زبان پایتون را پوشش می‌دهد.

مباحث عبارت اند از:
0. Introduction
1. First steps
2. Built-in functions
3. Storing and using information
4. Creating functions
5. Booleans
6. Branching
7. Building better programs
8. Iteration using while
9. Storing elements in a sequence
10. Iteration using for
11. Bundling information into objects
12. Structuring data
13. Recursion

https://open.cs.uwaterloo.ca/python-from-scratch/
🎯 مناسب برای مبتدیان و حتی کسانی که می‌خواهند دانش خود را تقویت کنند!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کتاب "Algorithms Notes for Professionals" یکی از بهترین منابعی هست که تاکنون در حوزه الگوریتم مطالعه کرده‌ام! 📘
این کتاب نه‌تنها توضیحات جامع و کاربردی ارائه می‌دهد، بلکه با نمونه‌کدهای متنوع همراه است. 💻✨
مطالعه این کتاب به شما کمک می‌کند مفاهیم پیچیده را به‌راحتی درک کنید و دید عمیق‌تری نسبت به الگوریتم‌ها پیدا کنید. 🧠📈

اگر به یادگیری الگوریتم علاقه‌مندید یا قصد تقویت مهارت‌های خود را در این زمینه دارید، این کتاب به شدت توصیه می‌شود! 🔥🎯
حتماً مطالعه‌اش را در برنامه خود قرار دهید. ✅📖

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

مقاله "On the Surprising Effectiveness of Attention Transfer for Vision Transformers" به بررسی روشی مؤثر برای بهبود عملکرد *Vision Transformers (ViTs)* می‌پردازد. این روش با انتقال توجه از مدل‌های بزرگ‌تر به مدل‌های کوچک‌تر، ضمن کاهش هزینه‌های محاسباتی، دقت و کارایی مدل را افزایش می‌دهد. مطالعه این مقاله برای علاقه‌مندان به بهینه‌سازی مدل‌های یادگیری عمیق توصیه می‌شود. 🌟

Paper : https://arxiv.org/abs/2411.09702

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📕 آموزش ساده مفاهیم پایه پایتون!

📷 دوره: AI Python for Beginners
👨‍💻 مدرس: Andrew Ng

در سری دوره‌های #AIPythonforBeginners یاد می‌گیرید که چگونه با استفاده از تابع type() انواع داده‌ای مثل *strings*، *integers* و *floats* را تشخیص دهید و پایه‌ای محکم برای مسیر یادگیری هوش مصنوعی خود بسازید.

🎓 ثبت‌نام رایگان:
https://learn.deeplearning.ai/courses/ai-python-for-beginners

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

هیپ فیبوناچی ✨🌟
هیپ فیبوناچی (Fibonacci Heap) یک ساختار داده پیشرفته و کارآمد است که برای بهینه‌سازی عملیات روی صف‌های اولویت‌دار طراحی شده است. این ساختار توسط مایکل فردمان و رابرت تارجان معرفی شد و در الگوریتم‌هایی مثل دایکسترا یا پرایم بسیار کاربرد دارد. 🚀

📚 ویژگی‌های کلیدی هیپ فیبوناچی
خاصیت هیپ:

مقدار هر گره کوچک‌تر یا مساوی مقادیر فرزندانش است (برای Min-Heap). 📉
ساختار چند درختی:

شامل مجموعه‌ای از درخت‌هاست که ریشه‌هایشان در یک لیست پیوندی دایره‌ای قرار دارند. 🔗
انعطاف‌پذیری در عملیات:

برخی عملیات‌ها مانند ادغام یا کاهش کلید بهینه‌تر از سایر هیپ‌ها انجام می‌شوند. 🛠
🌟 مزایا
بسیار مناسب برای کاهش کلید مکرر: کاهش زمان در عملیات‌هایی مانند الگوریتم دایکسترا. 🕒
ادغام سریع: ساختار لیست پیوندی دایره‌ای امکان ادغام سریع را فراهم می‌کند. 🔀
🛠 کاربردها
الگوریتم دایکسترا: برای یافتن کوتاه‌ترین مسیر. 🛤
الگوریتم پرایم: برای پیدا کردن حداقل درخت پوشا. 🌳
سیستم‌های اولویت‌دار و شبکه‌ها: برای مدیریت داده‌ها و اولویت‌ها. 📡

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming

Paper: https://arxiv.org/pdf/2408.16725v2.pdf

Code: https://github.com/gpt-omni/mini-omni

Dataset: LibriSpeech

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اسلایدهای یادگیری_عمیق (Deep Learning)
دکترسیدناصررضوی

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Confusion matrix (TP, FP, TN, FN), clearly explained

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

10 تا از بهترین دوره های یادگیری ماشین در Coursera که باید در سال 2024 از آن خبر داشته باشید.

Link:https://www.mltut.com/best-courses-for-machine-learning-on-coursera/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

۲۳ نوامبر، روز جهانی فیبوناچی🥳

فیبوناچی چیست؟

اعداد فیبوناچی در هستی کشف شده اند. در قسمت لاک حلزون از زاویه فی استفاده شده است. شاخ و برگ درخت ها به صورت تصادفی در جهات مختلف رشد نمی کنند. اندازه گیری زاویه شاخه ها نشان می دهد که در الگوی رشد آن ها، نظمی شبیه دنباله فیبوناچی و نسبت طلایی وجود دارد.

سری فیبوناچی
اگر به ریاضیات علاقه داشته باشید، حتما با "سری فیبوناچی" آشنا هستید. سری فیبوناچی رشته ‌ای از اعداد است که در آن اعداد غیر از دو عدد اول با محاسبه‌ ی مجموع دو عدد قبلی ایجاد می‌شوند.

اولین اعداد سری فیبوناچی عبارت‌اند از:
۰٬ ۱٬ ۱٬ ۲٬ ۳٬ ۵٬ ۸٬ ۱۳٬ ۲۱٬ ۳۴٬ ۵۵٬ ۸۹٬ ۱۴۴٬ ۲۳۳٬ ۳۷۷٬ ۶۱۰٬ ۹۸۷٬ ۱۵۹۷٬ ۲۵۸۴٬، ...

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

LLM cheatsheet

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کتاب یادگیری ماشین و علم داده: مبانی، مفاهیم، الگوریتم‌ها و ابزارها
اثر میلاد وزان

این کتاب یک مرجع ارزشمند و کاربردی است که مبانی پایه‌ای، مفاهیم کلیدی، الگوریتم‌های پرکاربرد و ابزارهای اساسی در حوزه یادگیری ماشین و علم داده را با زبانی ساده و دقیق توضیح می‌دهد. اگر به دنبال یادگیری اصولی این حوزه‌های جذاب و پرتقاضا هستید، این کتاب می‌تواند راهنمای شما در مسیر رشد و پیشرفت باشد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مقاله‌ای با عنوان “A Survey of the State-of-the-Art” نوشته Tanujit Chakraborty و گروهی از پژوهشگران، به بررسی روند پیشرفت GANs در دهه گذشته پرداخته و دیدگاه‌های جالبی ارائه داده است.

در واقع GANs شامل دو شبکه عصبی است: یکی وظیفه تولید داده‌های مصنوعی را بر عهده دارد و دیگری با ارزیابی آن‌ها، شبکه تولیدکننده را به چالش می‌کشد. این تعامل مداوم باعث بهبود عملکرد هر دو شبکه می‌شود تا جایی که داده‌های تولید شده کاملاً واقعی به نظر می‌رسند.


Paper : https://arxiv.org/abs/2308.16316

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چگونه ChatGPT کار می‌کند؟

https://arxiv.org/pdf/2203.02155.pdf?ref=assemblyai.com

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer