📃 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

💡 بررسی LLM-as-a-Judge

یکی از کاربردهای جذاب و کم‌تر شناخته‌شده‌ی مدل‌های زبانی بزرگ (LLMs)، LLM-as-a-Judge است. این مفهوم می‌تواند تحولی در سیستم‌های ارزیابی و تایید ایجاد کند. 🌐

🔍 کاربردهای مهم این حوزه:
- طراحی سیستم‌های Verification برای بررسی و تایید خودکار.
- ارتقا و مقیاس‌دهی Evaluation Pipelines برای بهبود دقت و سرعت.

این حوزه پتانسیل زیادی برای نوآوری دارد و می‌تواند فرآیندهای ارزیابی را به سطح جدیدی برساند. 🚀

Paper:https://arxiv.org/abs/2411.15594

#هوش_مصنوعی

📣👨‍💻 @AlgorithmDesign_DataStructuer

🔍What Is a Vector Database?

https://qdrant.tech/articles/what-is-a-vector-database/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

O1 Replication Journey -- Part 2: Surpassing O1-preview through Simple Distillation, Big Progress or Bitter Lesson?

Github: https://github.com/gair-nlp/o1-journey

Paper: https://arxiv.org/abs/2411.16489v1

Dataset: https://paperswithcode.com/dataset/lima

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دانشگاه هاروارد تعداد زیادی دوره آنلاین رایگان ارائه می‌دهد.
از علوم کامپیوتر تا هوش مصنوعی.
در اینجا ۱۰ دوره رایگان که نباید از دست بدهید آورده شده است.

1. Introduction to Computer Science
An introduction to the intellectual enterprises of computer science and the art of programming.
Check here 👇
https://pll.harvard.edu/course/cs50-introduction-computer-science?delta=0


2. Web Programming with Python and JavaScript
This course takes you deeply into the design and implementation of web apps with Python, JavaScript, and SQL using frameworks like Django, React, and Bootstrap.
Check here 👇
https://pll.harvard.edu/course/cs50s-web-programming-python-and-javascript?delta=0

3. Introduction to Programming with Scratch

A gentle introduction to programming that prepares you for subsequent courses in coding.
Check here 👇
https://pll.harvard.edu/course/cs50s-introduction-programming-scratch?delta=0

4. Introduction to Programming with Python
An introduction to programming using Python, a popular language for general-purpose programming, data science, web programming, and more.
Check here 👇
https://edx.org/course/cs50s-introduction-to-programming-with-python



5. Understanding Technology
This is CS50’s introduction to technology for students who don’t (yet!) consider themselves computer persons.
Check here 👇
https://pll.harvard.edu/course/cs50s-understanding-technology-0?delta=0

6. Introduction to Artificial Intelligence with Python
Learn to use machine learning in Python in this introductory course on artificial intelligence.
Check here 👇
https://pll.harvard.edu/course/cs50s-introduction-artificial-intelligence-python?delta=0


7. Introduction to Game Development
Learn about the development of 2D and 3D interactive games in this hands-on course, as you explore the design of games such as Super Mario Bros., Pokémon, Angry Birds, and more.
Check here 👇
https://pll.harvard.edu/course/cs50s-introduction-game-development?delta=0

8. CS50's Computer Science for Business Professionals
This is CS50’s introduction to computer science for business professionals.
Check here 👇
https://pll.harvard.edu/course/cs50s-computer-science-business-professionals-0?delta=0


9. Mobile App Development with React Native
Learn about mobile app development with React Native, a popular framework maintained by Facebook that enables cross-platform native apps using JavaScript without Java or Swift.
Check here 👇
https://pll.harvard.edu/course/cs50s-mobile-app-development-react-native?delta=0

10. Introduction to Data Science with Python
Join Harvard University instructor Pavlos Protopapas in this online course to learn how to use Python to harness and analyze data.
Check here 👇
https://pll.harvard.edu/course/introduction-data-science-python?delta=0

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📗 ترجمه کتاب تام میشل که یکی از منابع اصلی درس یادگیری ماشین

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Machine Learning Model⚡️

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 درخت جستجوی دودویی آماره‌ای (Statistical BST)

درخت جستجوی دودویی آماره‌ای (BST آماره‌ای)، نسخه‌ای پیشرفته از درخت جستجوی دودویی استاندارد است که علاوه بر ذخیره کلیدها و مقادیر، اطلاعات آماری مهمی مانند تعداد گره‌های زیرین، ارتفاع زیر درخت یا جمع مقادیر گره‌های زیرین را نیز در هر گره نگهداری می‌کند. این داده‌های اضافی باعث می‌شود که بسیاری از عملیات پیشرفته با سرعت بیشتری انجام شوند.



🔍 مزایا و کاربردها:
✅ رتبه‌یابی سریع (Rank): می‌توان رتبه یک گره (تعداد گره‌های کوچک‌تر از آن) را به‌سرعت پیدا کرد.
✅ انتخاب (Select): دسترسی مستقیم به گره‌ای با رتبه مشخص.
✅ محاسبه مجموع بازه (Range Sum): مجموع مقادیر گره‌ها در بازه‌ای خاص را بهینه محاسبه می‌کند.
✅ کاربرد در پایگاه داده‌ها: برای جستجو و تحلیل داده‌ها با سرعت بالا.
✅ تحلیل بازه‌ها: مناسب برای الگوریتم‌هایی که نیازمند بررسی بازه‌ای از داده‌ها هستند.



🛠 چگونه کار می‌کند؟
هر بار که گره‌ای به درخت اضافه یا از آن حذف می‌شود، اطلاعات آماری گره‌های مرتبط به‌روزرسانی می‌شوند. این فرآیند با وجود اندکی پیچیدگی، سرعت دسترسی و عملکرد درخت را برای عملیات‌های خاص به‌طور چشمگیری افزایش می‌دهد.

🎯 این ساختار در الگوریتم‌ها و مسائل مرتبط با تحلیل داده‌ها، مدیریت پایگاه داده‌ها و حل مسائل بازه‌ای بسیار مؤثر و پرکاربرد است.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer