🚨 6 free online courses by Harvard University, in ML, AI, and Data Science.

𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧 𝐭𝐨 𝐀𝐫𝐭𝐢𝐟𝐢𝐜𝐢𝐚𝐥 𝐈𝐧𝐭𝐞𝐥𝐥𝐢𝐠𝐞𝐧𝐜𝐞 𝐰𝐢𝐭𝐡 𝐏𝐲𝐭𝐡𝐨𝐧
🔗 Link

𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐜𝐞: 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠
🔗 Link

𝐇𝐢𝐠𝐡-𝐝𝐢𝐦𝐞𝐧𝐬𝐢𝐨𝐧𝐚𝐥 𝐝𝐚𝐭𝐚 𝐚𝐧𝐚𝐥𝐲𝐬𝐢𝐬
🔗 Link

𝐒𝐭𝐚𝐭𝐢𝐬𝐭𝐢𝐜𝐬 𝐚𝐧𝐝 𝐑
🔗 Link

𝐂𝐨𝐦𝐩𝐮𝐭𝐞𝐫 𝐒𝐜𝐢𝐞𝐧𝐜𝐞 𝐟𝐨𝐫 𝐁𝐮𝐬𝐢𝐧𝐞𝐬𝐬 𝐏𝐫𝐨𝐟𝐞𝐬𝐬𝐢𝐨𝐧𝐚𝐥𝐬
🔗 Link

𝐈𝐧𝐭𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧 𝐭𝐨 𝐏𝐫𝐨𝐠𝐫𝐚𝐦𝐦𝐢𝐧𝐠 𝐰𝐢𝐭𝐡 𝐏𝐲𝐭𝐡𝐨𝐧
🔗 Link

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مرور کلی مدل‌های بزرگ زبانی

https://aman.ai/primers/ai/LLM/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک صفحه جذاب برای مقایسه مدل‌های هوش مصنوعی مانند مدل‌های زبانی بزرگ (LLM)، تبدیل متن به گفتار (TTS)، و تبدیل گفتار به متن (STT).

https://countless.dev/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📄 خوشه‌بندی سه‌بعدی با نظریه گراف: راهنمای کامل با پایتون
💥 مقاله‌ای تخصصی و جامع برای علاقه‌مندان به خوشه‌بندی داده‌ها، با استفاده از روش‌های پیشرفته مبتنی بر نظریه گراف. این راهنما شامل کدنویسی عملی با زبان پایتون است تا بتوانید به‌راحتی مفاهیم پیچیده را در عمل پیاده‌سازی کنید.

https://towardsdatascience.com/3d-clustering-with-graph-theory-the-complete-guide-38b21b1c8748

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 دوره یادگیری ماشین: تئوری + کدنویسی + پلی‌لیست یوتیوب 🔥

دانشگاه کرنل - CS 5787

Theory and Code:https://kuleshov-group.github.io/aml-book/intro.html

Youtube Playlist:https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Parallelizing Linear Transformers with the Delta Rule over Sequence Length


Paper:https://arxiv.org/abs/2406.06484


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

OminiControl: Minimal and Universal Control for Diffusion Transformer


🔗 Discover More:
* Source Code: GitHub
* Try Demo: Try it here
* Paper Page: Read Paper

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره معرفی مدل‌های زبانی بزرگ (LLMs)

این دوره شامل مباحث زیر است:
1️⃣ معرفی معماری ترنسفورمر (Transformer)
2️⃣ مقاله معروف Attention is All You Need
3️⃣ مکانیزم Self-Attention و نحوه عملکرد آن
4️⃣ توجه چندسری (Multi-Headed Attention)
5️⃣ مفاهیم Teacher Forcing و Masked Attention
6️⃣ کدگذاری موقعیتی (Positional Encoding)
7️⃣ بررسی دقیق لایه دیکودر (Decoder)
8️⃣ استفاده از کدگذاری سینوسی (Sinusoidal Encoding)
9️⃣ نرمال‌سازی دسته‌ای (Batch Normalization)
🔟 نرمال‌سازی لایه‌ای (Layer Normalization)
و...
https://www.youtube.com/playlist?list=PLZ2ps__7DhBbaMNZoyW2Hizl8DG6ikkjo

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

✨ صف حلقوی (Circular Queue): ساختار داده‌ای قدرتمند و بهینه
صف حلقوی یک نوع خاص از صف (Queue) است که انتهای آن به ابتدای صف متصل می‌شود و به صورت حلقه‌ای عمل می‌کند. این ساختار برای استفاده بهینه از حافظه طراحی شده و در بسیاری از کاربردها مانند برنامه‌ریزی وظایف، پردازش بلادرنگ و شبکه‌های کامپیوتری استفاده می‌شود. 🌐

🌀 ویژگی‌های کلیدی صف حلقوی
1️⃣ ساختار حلقه‌ای:

در صف حلقوی، آخرین موقعیت آرایه به اولین موقعیت متصل می‌شود و به این ترتیب می‌توان از فضای حافظه به طور کامل استفاده کرد.
2️⃣ استفاده بهینه از فضا:

برخلاف صف معمولی که ممکن است فضای خالی در ابتدای آرایه استفاده نشود، صف حلقوی تمام ظرفیت خود را به کار می‌گیرد.
3️⃣ دو اشاره‌گر اصلی:

Front: محل اولین عنصر صف.
Rear: محل آخرین عنصر صف.
4️⃣ عملیات سریع:

درج و حذف عناصر در صف حلقوی با پیچیدگی زمانی O(1) انجام می‌شود. 🚀

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

12 Papers You Should Read to Understand Object Detection in the Deep Learning Era

https://towardsdatascience.com/12-papers-you-should-read-to-understand-object-detection-in-the-deep-learning-era-3390d4a28891

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Reconstructing the Mind’s Eye: fMRI-to-Image with
Contrastive Learning and Diffusion Priors

🧠🔬 مقاله‌ای که در دنیای هوش مصنوعی و علوم اعصاب توجه بسیاری را جلب کرده، روش جدیدی برای بازسازی تصاویر از فعالیت مغزی ارائه می‌دهد. این پژوهش با استفاده از یادگیری متضاد (Contrastive Learning) و اولویت‌های انتشار (Diffusion Priors)، مدلی طراحی کرده که از داده‌های تصویربرداری fMRI برای بازآفرینی تصاویر بصری استفاده می‌کند.

این رویکرد نوآورانه به محققان اجازه می‌دهد که سیگنال‌های پیچیده مغزی را با دقتی بالا به تصاویر واقعی تبدیل کنند. مدل معرفی‌شده ترکیبی از معماری‌های پیشرفته هوش مصنوعی است که امکان بهبود چشمگیر در فهم تعاملات مغزی و تصاویر بصری را فراهم می‌کند.

Paper:https://arxiv.org/abs/2305.18274

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

معرفی مقاله: "LLMs-as-Judges: A Comprehensive Survey on LLM-based Evaluation Methods"

این مقاله به بررسی جامع روش‌های ارزیابی مبتنی بر مدل‌های زبانی بزرگ (LLMs) می‌پردازد. در این پژوهش، کاربرد این مدل‌ها به‌عنوان "داور" در ارزیابی کیفیت محتوا، استدلال و دیگر خروجی‌های تولید شده توسط هوش مصنوعی مورد بررسی قرار گرفته است. این مطالعه به مزایا، چالش‌ها و مسیرهای آینده در استفاده از LLMها برای ارزیابی می‌پردازد.

paper:https://arxiv.org/abs/2412.05579

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

جمع‌آوری منابع و جزوه‌های دانشگاهی

در این مخزن GitHub، من در حال جمع‌آوری منابع آموزشی و جزوه‌های دانشگاهی دروس مهم رشته مهندسی کامپیوتر هستم. این مجموعه شامل جزوه‌ها و مطالبی است که می‌تواند به دانشجویان و علاقه‌مندان کمک کند تا مفاهیم را بهتر یاد بگیرند و در مسیر تحصیلی خود موفق‌تر عمل کنند. 📘

اگر به دنبال منابع معتبر برای یادگیری یا مرور هستید، حتماً سری به این مخزن بزنید. با استفاده از این منابع می‌توانید به دانش خود عمق بیشتری بدهید و برای پروژه‌ها و امتحانات آماده‌تر شوید!

برای دسترسی به منابع، لطفاً به لینک زیر مراجعه کنید:
https://github.com/MohammadHossini/Computer-Engineering-Slides

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

HOW AI WORKS?💡

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Vision transformers

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 جدیدترین مقالات در حوزه عوامل هوشمند و مدل‌های زبانی بزرگ (LLM)

اگر می‌خواهید در این حوزه به‌روز بمانید، این ۶ مقاله جدید را از دست ندهید! هر یک از این مقالات با ایده‌های نوآورانه و کاربردی ارائه شده‌اند.

✨ نکته ویژه: تمام مقالات همراه با کدهای اجرایی هستند، که می‌توانید برای درک بهتر مفاهیم و پیاده‌سازی عملی از آن‌ها استفاده کنید.

ReAct: Synergizing Reasoning and Acting in Language Models
paper :https://arxiv.org/abs/2210.03629
Code:https://github.com/ysymyth/ReAct

Reflexion: Language Agents with Verbal Reinforcement Learning
Paper:https://arxiv.org/abs/2303.11366
Code:https://github.com/noahshinn/reflexion

LLM+P: Empowering Large Language Models with Optimal Planning Proficiency
Paper:https://arxiv.org/abs/2304.11477
Code:https://github.com/Cranial-XIX/llm-pddl

Agent-FLAN: Designing Data and Methods of Effective Agent Tuning for Large Language Models
Paper:https://arxiv.org/abs/2403.12881
Code:https://github.com/InternLM/Agent-FLAN

ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models
Paper:https://arxiv.org/abs/2305.18323
Code:https://github.com/billxbf/ReWOO

Reasoning with Language Model is Planning with World Model
Paper:https://arxiv.org/abs/2305.14992
Code:https://github.com/maitrix-org/llm-reasoners

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

OmniDocBench is a benchmark for evaluating diverse document parsing in real-world scenarios, featuring the following characteristics

Github: https://github.com/opendatalab/OmniDocBench

Paper: https://arxiv.org/abs/2412.07626

Dataset: https://huggingface.co/datasets/opendatalab/OmniDocBench

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🌐 اگر به یادگیری ماشین و موضوعات پیشرفته در هوش مصنوعی علاقه‌مندید، سایت Deep-ML.com منبعی فوق‌العاده برای شماست. این سایت شامل مقالات تخصصی، پروژه‌های عملی و منابع آموزشی به‌روز در زمینه‌های مختلف یادگیری عمیق و شبکه‌های عصبی است.

📂 از ویژگی‌های جذاب این سایت:

ارائه پروژه‌های عملی برای درک عمیق‌تر مفاهیم
مقالات آموزشی مناسب برای مبتدی‌ها و متخصص‌ها
بررسی تکنیک‌های نوین در حوزه یادگیری ماشین
🔗 حتماً از این سایت بازدید کنید و دانش خود را در دنیای یادگیری عمیق گسترش دهید!


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Fundamentals of Deep Learning

📚 Download Link: https://drive.google.com/file/d/1LIwo1q81T2OskjhbsInT5eYFf0XNm8CI/view?usp=drive_link

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

جزوه ساختمان داده طورانی یه منبع عالی برای یادگیری مفاهیم پایه و آماده شدن برای آزمون‌هاست. 📘 اگه دنبال یه جزوه خوب و ساده هستید، این جزوه رو از دست ندید! 😊✅

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer