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

📃 Understanding Graph Databases: A Comprehensive Tutorial and Survey


این مقاله یک آموزش جامع و بررسی دقیق درباره پایگاه‌های داده گرافی ارائه می‌دهد. اگر به دنبال درک عمیق‌تر این فناوری نوین هستید، این مطالعه از دیدگاه آکادمیک توسط تیمی از محققان دانشگاه ایندیانا تهیه شده است. 🌐

paper : https://arxiv.org/pdf/2411.09999

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌟 WildCat: قدمی جسورانه در رباتیک 🌟

🔍 معرفی:
در سال 2013، شرکت Boston Dynamics با معرفی ربات WildCat دنیا را شگفت‌زده کرد. این ربات چهارپا که با موتور بنزینی کار می‌کند، در زمان خود تحولی بزرگ در سرعت و چابکی ربات‌ها ایجاد کرد.

🏃‍♂️ ویژگی‌های کلیدی:
✅ سرعت باورنکردنی 19 مایل بر ساعت روی زمین صاف، سریع‌ترین در میان ربات‌های چهارپا!
✅ حفظ تعادل دینامیکی حتی در حرکات پیچیده.
✅ توانایی اجرای گام‌های متنوع با الهام از حرکات طبیعی موجودات زنده.

🔊 فقط شنیدن صدای عملکرد این ربات کافی است تا شما را تحت تأثیر قرار دهد!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Leveraging SAM for Single-Source Domain Generalization in Medical Image Segmentation

📄 https://arxiv.org/pdf/2401.02076.pdf

💻 https://github.com/SARIHUST/SAMMed

#هوش_مصنوعی

📣👨‍💻 @AlgorithmDesign_DataStructuer

کتاب CLRS ترجمه به فارسی

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning


Paper: https://arxiv.org/pdf/2410.12657v1.pdf

GitHub: https://github.com/junxia97/simgrace

در این مقاله، روش جدیدی به نام توسعه توضیح‌محور (Explanation-Preserving Augmentation یا EPA) معرفی شده است که از تکنیک‌های توضیح‌دهی گراف برای تولید گراف‌های توسعه‌یافته بهره می‌برد. این روش شکاف بین حفظ معنا (Semantics-Preservation) و اختلال داده (Data-Perturbation) را کاهش می‌دهد.

در این روش، ابتدا تعداد کمی از برچسب‌ها برای آموزش یک توضیح‌دهنده گراف (Graph Explainer) استفاده می‌شود تا زیرساختارهای مرتبط با معنای گراف (توضیحات) شناسایی شوند. سپس از این توضیحات برای تولید توسعه‌هایی که معنای گراف را حفظ می‌کنند، استفاده می‌شود. این رویکرد برای یادگیری بازنمایی گراف خودنظارتی (Self-Supervised GRL) تحت عنوان EPA-GRL به کار گرفته می‌شود.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این فایل PDF توضیح می‌دهد که چگونه از روش RLHF (تقویت یادگیری با بازخورد انسانی) در مدل‌های قبلی مانند GPT-3.5 استفاده شده است. سپس تغییرات در روند توسعه و استفاده از روش DPO (بهینه‌سازی مستقیم سیاست) را بررسی می‌کند و توضیح می‌دهد این تغییر چه تأثیری بر بهبود مدل‌های جدید داشته است.

پ.ن: یکی از دلایل اصلی استفاده از DPO این است که در روش RLHF احتمال وجود خطای انسانی در فرآیند بازخورد وجود دارد، در حالی که DPO تلاش می‌کند این محدودیت را کاهش دهد و دقت بیشتری ارائه دهد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Reinforcement Learning: Foundations

BOOK : https://sites.google.com/view/rlfoundations/home

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Explicitly Modeling Pre-Cortical Vision with a Neuro-Inspired Front-End Improves CNN Robustness


Paper: https://arxiv.org/pdf/2409.16838v1.pdf

GitHub: https://github.com/dicarlolab/vonenet

💡 بهبود استحکام شبکه‌های عصبی کانولوشنی (CNN) در برابر نویز و اعوجاج‌های رایج

شبکه‌های عصبی کانولوشنی (CNNs) در طبقه‌بندی تصاویر تمیز بسیار موفق عمل می‌کنند، اما در مواجهه با تصاویر دارای نویز و خرابی‌های رایج، کارایی آن‌ها کاهش می‌یابد. برای رفع این محدودیت، پژوهشگران اخیراً از بلوک‌های الهام‌گرفته از عملکرد primate primary visual cortex (V1) در ساختار شبکه‌ها استفاده کرده‌اند.

🔍 معرفی دو مدل جدید:

مدلRetinaNet: مدلی هیبریدی با بلوک پیش‌پردازشی جدید که مراحل پردازش بصری پیش از قشر بینایی را شبیه‌سازی می‌کند و در مقایسه با مدل‌های استاندارد، ۱۲.۳٪ بهبود استحکام نشان داده است.
مدلEVNet: معماری دیگری که بر همین اساس طراحی شده و ویژگی‌های مشابهی دارد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یادگیری ماشین کاربردی - Cornell CS5785

این دوره از دانشگاه Cornell تمام الگوریتم‌های مهم یادگیری ماشین رو از پایه آموزش می‌ده و حتی نحوه‌ی استفاده‌ی عملی از اون‌ها رو هم پوشش می‌ده. برای هر ویدیو کد موجوده و این دوره شامل بیش از ۸۰ ویدیو هست!

youtube link:https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83
Code link:https://github.com/kuleshov/cornell-cs5785-2020-applied-ml

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌎 همه زبان‌ها مهم هستند: LMMs vs. 100 Lang. 🌎

در واقع ALM-Bench با هدف ارزیابی نسل جدید مدل‌های چندزبانه و چندوجهی (Multimodal) به روشی استاندارد طراحی شده و تلاش می‌کنه مرزهای LMMs رو برای درک بهتر فرهنگی و شمولیت گسترش بده.
Code & Dataset 💙
Paper https://lnkd.in/ddVVZfi2
Code https://lnkd.in/dnbaJJE4
Dataset https://lnkd.in/drw-_95v

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer