دوره Generative AI for Beginners از مایکروسافت موضوعات زیر را پوشش می‌دهد:

- Introduction to Generative AI and LLMs
- Exploring and comparing different LLM types
- Understanding Prompt Engineering Fundamentals
- Creating Advanced Prompts
- Building Text Generation Applications
- Building Chat Applications with Generative AI
- Building Low Code Generative AI Applications
- Designing UX for Generative AI Applications

https://www.youtube.com/playlist?list=PLmsFUfdnGr3zAgBMu4l1W713a0W__zAMl

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

آیا LLMs می‌توانند کد بهتری بنویسند اگر از آن‌ها بخواهید "کد بهتری بنویسند"؟

به نظر می‌رسد که درخواست از LLMs برای نوشتن کد بهتر، واقعاً منجر به تولید کدهای بهتری می‌شود. همچنین، دیدن اینکه چطور Prompt Engineering می‌تواند برای تولید کدهای بهینه‌تر به کار گرفته شود، جالب است.

در مجموع، LLMs نمی‌توانند جایگزین مهندسان نرم‌افزار شوند، اما دانستن چگونگی و زمان استفاده از آن‌ها برای تولید و بهینه‌سازی کد، یک مزیت بزرگ محسوب می‌شود.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مدل rStar-Math را معرفی می‌کنیم که نشان می‌دهد مدل‌های زبانی کوچک (SLMs) می‌توانند در استدلال ریاضی با مدل‌های بزرگ‌تری مثل OpenAI o1-mini رقابت کنند یا حتی بهتر عمل کنند، بدون نیاز به آموزش از مدل‌های برتر.

این مدل با استفاده از جستجوی درخت مونت‌کارلو (MCTS) و پاداش‌دهی توسط یک SLM، فرآیند تفکر عمیق را شبیه‌سازی می‌کند تا پاسخ‌های بهینه تولید کند.

📌 نکته مهم: rStar-Math بدون نیاز به Distillation، استدلال پیشرفته ریاضی را ممکن می‌سازد و نشان‌دهنده پیشرفت بزرگ در کارایی مدل‌های کوچک است!

https://github.com/microsoft/rStar

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 O3:
نسل جدید هوش مصنوعی با توانایی‌های فراتر از تصور

🔬 مدل O3 به سطحی از درک و پردازش رسیده که می‌تواند مسائلی را حل کند که تنها برندگان جایزه نوبل قادر به فهم آن‌ها هستند. با این پیشرفت، دسترسی به هوش فوق‌العاده دیگر محدود به نخبگان علمی نیست و هر کسی می‌تواند از مدلی استفاده کند که فراتر از توانایی ۹۹.۹۹۹٪ از انسان‌ها عمل می‌کند.

📊 مدل O1-Pro با ضریب هوشی ۱۳۳ استانداردهای جدیدی را در هوش مصنوعی تعریف کرد، و اگر O3 جهشی مشابه پیشرفت از GPT-4 به O1 داشته باشد، برآوردها نشان می‌دهد که این مدل به IQ ۱۴۵ رسیده—سطحی که امکان حل پیچیده‌ترین چالش‌های علمی و فنی را فراهم می‌کند.

🤯 در مقایسه، GPT-2 و GPT-3 به ترتیب در سطح توانایی‌های مغز موش و سگ ارزیابی می‌شدند، در حالی که GPT-4 عملکردی در حد یک دانش‌آموز دبیرستانی داشت و O1 معادل یک دانشجوی کارشناسی ارشد بود. اکنون، O3 به مرزهای نبوغ علمی نزدیک شده است.

🔎 این فناوری هنوز در مرحله بررسی است، اما نشانه‌های آن از تحولی بزرگ در آینده‌ی هوش مصنوعی حکایت دارد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Mamba_State_Space_Model

📢 برای علاقه‌مندان به مدل‌های جایگزین ترانسفورمرها!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مجموعه‌ای گزیده از کاربردهای عوامل هوش مصنوعی در صنایع مختلف که کاربردهای عملی را نمایش داده و به پروژه‌های متن‌باز برای پیاده‌سازی لینک می‌دهد. ببینید چگونه عوامل هوش مصنوعی در حال تحول صنایع مختلف مانند بهداشت و درمان، مالی، آموزش و ... هستند! 🤖✨

https://github.com/DataSpoof/500-AI-Agents-Projects

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Transformers 2: Self-adaptive LLMs
نسل دوم مدل‌های ترانسفورمر (Transformers 2 با ویژگی (Self-adaptive) طراحی شده‌اند تا بتوانند عملکرد خود را در شرایط مختلف بهینه کنند. این مدل‌ها از معماری بهبودیافته‌ای استفاده می‌کنند که قابلیت تغییر پارامترها و مقیاس‌پذیری را بر اساس پیچیدگی وظایف دارد. خودتنظیمی در این مدل‌ها، امکان یادگیری بهتر از داده‌های متنوع و ارائه پاسخ‌های دقیق‌تر در زمان واقعی را فراهم می‌کند.



Paper: https://arxiv.org/pdf/2501.06252v2.pdf

Code:
https://github.com/SakanaAI/self-adaptive-llms
https://github.com/codelion/adaptive-classifier

Datasets: GSM8K - HumanEval - MATH
MBPP - TextVQA - OK-VQA - ARC (AI2 Reasoning Challenge)

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

تمام Cheat Sheet‌های کاربردی در حوزه‌های یادگیری ماشین، یادگیری عمیق و هوش مصنوعی را یکجا در این مجموعه گردآوری شده است. 📚💡
اگر به دنبال مرجع سریع و جامع برای مفاهیم کلیدی این حوزه‌ها هستید، این مجموعه مناسب شماست.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

DeepseekAI 🐋

مدل Janus-Pro منتشر شد! این نسخه‌ی پیشرفته از Janus بهبود چشمگیری در درک چندوجهی (Multimodal Understanding) و تولید محتوای بصری دارد.

✨ برتری در رقابت تصویرسازی:
مدل Janus-Pro-7B موفق شد در رتبه‌بندی مربوط به تولید تصویر از متن**، مدل‌های مطرحی مانند **DALL·E 3 از OpenAI و Stable Diffusion از Stability AI را پشت سر بگذارد!

🔍 DeepseekAI با این پیشرفت، گامی مهم در مسیر توسعه مدل‌های هوش مصنوعی چندوجهی برداشته است.

https://github.com/deepseek-ai/Janus/blob/main/janus_pro_tech_report.pdf

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مقاله‌ی DeepSeek-R1: ارتقای توانایی استدلال در مدل‌های زبانی بزرگ با یادگیری تقویتی که توسط تیم #DeepSeek ارائه شده، بازتاب گسترده‌ای در جامعه‌ی هوش مصنوعی داشته است. 🔥🤖

این پژوهش بر بهبود قابلیت استدلال مدل‌های زبانی بزرگ (LLMs) از طریق یادگیری تقویتی تمرکز دارد. نویسندگان در این کار، چارچوبی نوآورانه به نام DeepSeek-R1 معرفی کرده‌اند که با ایجاد مشوق‌هایی برای فرآیندهای منطقی در حین آموزش، به افزایش توانایی‌های استدلالی LLMها کمک می‌کند. این روش، مدل‌های زبانی را از صرفاً پردازش متن فراتر برده و آن‌ها را قادر می‌سازد تا روش‌های استدلالی پیچیده‌تری را توسعه دهند، که این امر می‌تواند عملکردشان را در طیف وسیعی از کاربردهای پیشرفته بهبود ببخشد. 🚀📚

این رویکرد، بحث‌های فراوانی را در میان پژوهشگران و متخصصان برانگیخته، اما بی‌شک دریچه‌ای تازه به سوی پیشرفت‌های آینده در این حوزه گشوده است. 🌟🔍

Paper:https://arxiv.org/abs/2501.12948


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎞 Machine Learning with Graphs: design space of graph neural networks

💥Free recorded course by Prof. Jure Leskovec

📢 بررسی جامع طراحی معماری GNN با GraphGym 🧠📊

در این مقاله، یک بررسی سیستماتیک از طراحی معماری GNN ارائه شده است که شامل سه جنبه کلیدی می‌شود:

✅ فضای طراحی GNN: شامل طراحی درون‌لایه‌ای، بین‌لایه‌ای و تنظیمات یادگیری.
✅ فضای وظایف GNN: همراه با معیارهای شباهت برای انتقال بهترین مدل‌ها بین وظایف مختلف.
✅ روش ارزیابی مؤثر GNN: برای پاسخ به سؤالات مهم طراحی، مانند تأثیر BatchNorm در GNNها.

💡 همچنین، GraphGym به‌عنوان یک پلتفرم کدنویسی معرفی شده است که طراحی معماری GNN را ساده‌تر می‌کند.


Design Space for Graph Neural Networks

📽 Watch

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🤖 عامل هوش مصنوعی (AI Agent) چیست؟

یک عامل هوش مصنوعی (AI Agent) نرم‌افزاری است که می‌تواند با محیط خود تعامل داشته باشد، داده‌ها را جمع‌آوری کند و از آن‌ها برای دستیابی به اهداف از پیش تعیین‌شده استفاده کند. این عامل قادر است بهترین اقدامات ممکن را برای رسیدن به این اهداف انتخاب کند.

ویژگی‌های کلیدی عوامل هوش مصنوعی:

✅ عملکرد خودکار: یک عامل می‌تواند بدون نیاز به دخالت مداوم انسان اقدامات خود را انجام دهد. البته، در برخی موارد می‌تواند دارای یک حلقه انسانی (Human in the Loop) باشد تا کنترل حفظ شود.

✅ حافظه و دانش: عامل می‌تواند ترجیحات فردی را ذخیره کرده و شخصی‌سازی انجام دهد. همچنین، می‌تواند دانش را ذخیره کرده و پردازش اطلاعات و تصمیم‌گیری را بر عهده بگیرد. مدل‌های زبانی بزرگ (LLM) نیز می‌توانند این وظایف را انجام دهند.

✅ درک و پردازش اطلاعات محیطی: عامل باید بتواند اطلاعات موجود در محیط خود را دریافت و پردازش کند.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 ریاضیات برای یادگیری ماشین

درک عمیق ریاضیات، کلید یادگیری ماشین و علوم داده است. این کتاب مفاهیم پایه‌ای مانند جبر خطی، آمار و حساب دیفرانسیل را پوشش می‌دهد و مسیر ورود به دنیای هوش مصنوعی را هموار می‌کند.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 یک پکیج فوق‌العاده برای یادگیری علوم داده و یادگیری ماشین!

👩🏻‍💻 اگر به دنبال منابع جامع و کاربردی در زمینه علوم داده و یادگیری ماشین هستید، این مخزن GitHub هر چیزی که نیاز دارید را یکجا جمع کرده است!

📌 چه چیزهایی در این مجموعه پیدا می‌کنید؟

✅ برگه‌های تقلب کاربردی – نکات کلیدی و مهم، همه در یکجا برای دسترسی سریع.

📚 کتاب‌های ارزشمند – منابعی که وقت گذاشتن روی آن‌ها واقعا مفید است.

❓ سوالات متداول – مباحثی که معمولا مطرح می‌شوند و دانستن آن‌ها می‌تواند درک عمیق‌تری به شما بدهد.

🚀 پروژه‌های عملی – ایده‌هایی که می‌توانید به عنوان پروژه‌های شخصی استفاده کنید و مهارت‌های خود را تقویت کنید.

🎯 در یک کلام: یک مجموعه کامل و منظم برای یادگیری و تقویت مهارت‌هایتان در علوم داده، بدون سردرگمی!

🔗 لینک مخزن را اینجا ببینید: 👇
https://github.com/khanhnamle1994/cracking-the-data-science-interview?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

⚠️ انتشارات O'Reilly Media، یکی از معتبرترین ناشران در حوزه‌های برنامه‌نویسی، داده‌کاوی و هوش مصنوعی، ۱۰ کتاب ارزشمند در زمینه علم داده را به صورت رایگان در اختیار علاقه‌مندان قرار داده است.

✔️ برای دسترسی به نسخه‌های آنلاین و PDF این کتاب‌ها، می‌توانید از لینک‌های زیر استفاده کنید: 👇

Python Data Science Handbook
┌ Online
└ PDF

Python for Data Analysis book
┌ Online
└ PDF

Fundamentals of Data Visualization book
┌ Online
└ PDF

R for Data Science book
┌ Online
└ PDF

Deep Learning for Coders book
┌ Online
└ PDF

DS at the Command Line book
┌ Online
└ PDF

Hands-On Data Visualization Book
┌ Online
└ PDF

Think Stats book
┌ Online
└ PDF

Think Bayes book
┌ Online
└ PDF

Kafka, The Definitive Guide
┌ Online
└ PDF

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer