🐍 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

🚀 میتوان گفت YOLOv9 بهتر از هر مدل شناسایی شیء مبتنی بر convolution یا transformer است

YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information


این پژوهش رویکردی جدید ارائه می‌دهد که در آن YOLOv9 توانسته با بهره‌گیری از تکنیک‌های مدرن و استفاده از اطلاعات گرادیان برنامه‌پذیر (Programmable Gradient Information)، عملکرد فوق‌العاده‌ای نسبت به مدل‌های رایج convolutional و transformer داشته باشد.

ویژگی‌های کلیدی YOLOv9:
- دقت بالا در شناسایی شیء، حتی در شرایط پیچیده.
- **سرعت پردازش بهینه**، مناسب برای کاربردهای real-time.
- استفاده از رویکردهای جدید در مدیریت گرادیان‌ها برای یادگیری دقیق‌تر.

این مدل نشان‌دهنده نسل بعدی الگوریتم‌های شناسایی شیء است و می‌تواند چالش‌های موجود در این حوزه را به طور مؤثری حل کند.
📝 Paper
💻 Code
💾 Models
🎞 Demo
⌨️ Colab

#هوش_مصنوعی
👨‍💻 @AlgorithmDesign_DataStructuer

مجموعه‌ای از منابع به صورت eBooks مرتبط با **Data Science**، **Machine Learning** و موضوعات مشابه.

https://github.com/aniketpotabatti/Data-Science-EBooks

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📖 A Data-Centric Introduction to Computing
یک کتاب جامع که به معرفی مباحث Data-Centric در زمینه محاسبات می‌پردازد. مناسب برای علاقه‌مندان به علم داده و محاسبات پیشرفته.

https://dcic-world.org/2023-02-21/index.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Natural Language Processing
with Deep Learning


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer