💡 گنجینه‌ای از منابع کلیدی هوش مصنوعی!

اگه دنبال یه سایت عالی می‌گردید که لینک بهترین مقالات بینایی کامپیوتر، پردازش متن و صوت، سیستم‌های توصیه‌گر، یادگیری مولتی‌مودال و... رو به ترتیب سال براتون جمع‌آوری کرده، حتماً به این سایت سر بزنید! 🚀

اما این فقط شروع ماجراست! کلی لکچرنوت ارزشمند از کورس‌های معروف، منابع عالی درباره‌ی کتابخانه‌های هوش مصنوعی، لیستی از بلاگ‌ها، دوره‌ها و ویدیوهای یوتیوبی و کلی چیزای دیگه هم تو سایت پیدا می‌شه!

📌 پیشنهاد می‌کنم خودتون بررسی کنید، واقعاً محشره! 👇
🌐 https://aman.ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Scikit-Learn MOOC - Inria Learning Lab

سادگی ساختار این دوره باعث می‌شود بتوانید در کوتاه‌ترین زمان ممکن حجم زیادی از مطالب را درک کنید.

🔹 کد
🔹 ویدیوهای یوتیوب
🔹 تمرین‌ها و راه‌حل‌های هر موضوع

https://inria.github.io/scikit-learn-mooc/toc.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 معرفی LM Studio

یک پلتفرم قدرتمند برای اجرای مدل‌های زبانی (LLM) به‌صورت محلی روی کامپیوتر است. این ابزار به کاربران اجازه می‌دهد بدون نیاز به اتصال به سرورهای ابری، مدل‌های زبانی مانند Llama، Mistral و Falcon را اجرا کنند.

✨ ویژگی‌های LM Studio
✅ اجرای مدل‌های LLM به‌صورت آفلاین
✅ رابط کاربری ساده و کاربرپسند
✅ پشتیبانی از مدل‌های مختلف (GGUF و سایر فرمت‌ها)
✅ امکان انجام پرس‌وجوهای زبانی و پردازش متن بدون نیاز به اینترنت
✅ قابل اجرا روی ویندوز، مک و لینوکس

https://lmstudio.ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 دیگه لازم نیست برای هر درخواست، کل وب رو بگردی!

با llm.txt generator می‌تونی کل محتوای یک وب‌سایت رو فقط در یک فایل متنی ذخیره کنی و به راحتی با مدل‌های زبانی (LLM) استفاده کنی. دیگه خبری از کپی‌پیست‌های خسته‌کننده و جمع‌آوری دستی اطلاعات نیست! 😎

چطور؟

1️⃣ وارد ابزار شوید: به لینکhttps://llmstxt.firecrawl.dev/
2️⃣ آدرس وب‌سایت خود را وارد کنید: URL وب‌سایت موردنظر را وارد کنید.
3️⃣ فایل را ایجاد کنید: روی دکمه "Generate" کلیک کنید و چند دقیقه منتظر بمانید تا ابزار سایت شما را پردازش کند.
4️⃣ فایل‌ها را دانلود کنید: پس از آماده شدن، فایل‌های llms.txt و llms-full.txt را دانلود کنید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 اسلایدهای تدریس‌شده درباره شبکه‌های عصبی بازگشتی (RNN) در دانشگاه شریف 🎓

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

هوش مصنوعی چینی Manus به‌صورت ۲۴/۷ مدیریت ۵۰ حساب کاربری در شبکه‌های اجتماعی را بر عهده دارد! 🤯

طبق گفته های خودشون Manus ادعا می‌کند می‌تواند در عملکرد از قابلیت Deep Research شرکت OpenAI پیشی بگیرد. این مقایسه براساس بنچمارک GAIA انجام شده است که یک استاندارد معتبر در ارزیابی توانمندی‌های دستیاران هوش مصنوعی عمومی است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 اگر به یادگیری تقویتی، روش‌های بیزی و برنامه‌نویسی احتمالاتی علاقه‌مند هستید، این صفحه برای شماست!

در این وب‌سایت، مجموعه‌ای از کتاب‌ها، دوره‌ها و مقالات را گردآوری کرده‌ که اسمشون امیر عباس اسدی می باشد در این حوزه‌ها از آن‌ها استفاده کرده‌. این منابع برای کسانی که به یادگیری ماشین احتمالاتی، کنترل بهینه و استنتاج فعال علاقه دارند، مفید خواهد بود.

🔗 برای دسترسی به منابع، به لینک زیر مراجعه کنید:
https://bayesianrl.github.io/resources/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 ۱۲ ساختار داده‌ای مهم که باید بشناسید!

1️⃣ آرایه (Array) – ذخیره داده‌ها در یک لیست پیوسته 🔢
2️⃣ لیست پیوندی (Linked List) – ساختاری متصل با اشاره‌گرها 🔗
3️⃣ پشته (Stack) – ساختار LIFO برای پردازش داده‌ها 📦
4️⃣ صف (Queue) – پردازش داده‌ها به ترتیب FIFO 🚶‍♂️➡️
5️⃣ ماتریس (Matrix) – آرایه دو بعدی برای ذخیره داده‌های جدولی 🔲
6️⃣ درخت (Tree) – ساختاری سلسله‌مراتبی برای نمایش داده‌ها 🌳
7️⃣ درخت جستجوی دودویی (BST) – درختی با ترتیب خاص برای جستجو 🔍
8️⃣ هیپ (Heap) – یک درخت دودویی کامل برای مدیریت اولویت‌ها 📊
9️⃣ هش مپ (HashMap) – ذخیره و بازیابی سریع داده‌ها با هشینگ ⚡️
🔟 درخت پیشوندی (Trie) – برای جستجوی کارآمد رشته‌ها 📖

1️⃣1️⃣ گراف (Graph) – نمایش روابط بین گره‌ها و ارتباطات 📡

2️⃣1️⃣ساختار Union-Find – ساختاری برای مدیریت مجموعه‌های جدا از هم ⚙️

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 مخزن Kaggle Solutions؛ گنجینه‌ای ارزشمند برای متخصصان داده و یادگیری ماشین 🔹

دکتر فرید رشیدی**، دارنده دکترای علوم کامپیوتر، یک مخزن فوق‌العاده به نام **Kaggle Solutions ایجاد کرده که می‌توان آن را گنجینه‌ای ارزشمند برای متخصصان علوم داده، مهندسان یادگیری ماشین و پژوهشگران این حوزه دانست.

📌 این مخزن شامل راه‌حل‌های برتر و کدهای باکیفیت از چالش‌های مختلف Kaggle است و می‌تواند به‌عنوان یک منبع عالی برای یادگیری تکنیک‌های پیشرفته، بهینه‌سازی مدل‌ها و بهبود عملکرد الگوریتم‌ها مورد استفاده قرار گیرد.

🔥 اگر در مسیر یادگیری ماشین و علوم داده فعالیت می‌کنید، این مخزن را از دست ندهید!
https://farid.one/kaggle-solutions/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 سال ۲۰۲۵؛ دوران مدل‌های مفهومی بزرگ (LCM) به جای مدل‌های زبانی بزرگ (LLM) 🔹

متا از معماری جدیدی برای آینده‌ی مدل‌های زبانی بزرگ (LLM) پرده برداشته است:
🔷 مدل‌های مفهومی بزرگ (Large Concept Models - LCMs) 🔷

مدل‌های LCM با تکیه بر پایه‌های مستحکم LLMها، گامی بلند در درک و تولید متون انسان‌مانند برداشته‌اند.

🔍 چگونه کار می‌کنند؟

1️⃣ پردازش مفهومی
در واقع LCMها جملات را به‌عنوان مفاهیم یکتا رمزگذاری می‌کنند و این امکان را فراهم می‌آورند که درک عمیق‌تر و استدلال سطح بالا در پردازش متن صورت گیرد.

2️⃣ توکارهای SONAR
این روش‌های تعبیه‌سازی، ماهیت معنایی جملات را فراتر از سطح کلمات ثبت کرده و پردازش را از سطح لغات به سطح مفاهیم ارتقا می‌دهند.

3️⃣ فناوری‌های انتشار (Diffusion)
در واقع LCMها از تکنیک‌های انتشار برای پایدارسازی خروجی‌ها استفاده می‌کنند و در نتیجه، پاسخ‌هایی یکدست و قابل‌اعتمادتر ارائه می‌دهند.

4️⃣ روش‌های کمّی‌سازی (Quantization)
به‌کارگیری تکنیک‌های کمّی‌سازی در LCMها، موجب افزایش مقاومت مدل در برابر نوسانات جزئی و کاهش خطاهای پردازشی می‌شود.

5️⃣ ادغام چندرسانه‌ای (Multimodal Integration)
در واقع LCMها به‌صورت چندحالتی کار می‌کنند و علاوه بر متن، از ورودی‌هایی همچون صوت نیز پشتیبانی می‌کنند. این ویژگی، قابلیت درک چندزبانه و چندرسانه‌ای را برای این مدل‌ها فراهم می‌کند.

🔹 چه تفاوتی میان LCMها و LLMها وجود دارد؟

🔸 مدل‌های زبانی بزرگ (LLM)
✅ پردازش در سطح توکن، یعنی پیش‌بینی کلمه یا زیرکلمه‌ی بعدی در دنباله‌ی متنی.
✅ استفاده از معماری‌های مبتنی بر ترانسفورمر برای پیش‌بینی توکن‌ها به‌صورت ترتیبی.
✅ احتمال از دست دادن انسجام در متون طولانی به دلیل اتکای بیشتر به احتمالات آماری.

🔹 مدل‌های مفهومی بزرگ (LCM)
✅ پردازش ورودی‌ها در سطح جمله یا مفهوم، با تمرکز بر درک معنایی گسترده‌تر.
✅ بهره‌گیری از توکارهای SONAR برای نقشه‌برداری جملات در یک فضای معنایی غیرزبانی.
✅ توانایی بالاتر در استدلال سلسله‌مراتبی و انتزاعی، که منجر به درک عمیق‌تر و دقیق‌تر از متن می‌شود.

📌 چرا LCMها پیشرفته‌تر و کارآمدترند؟
✅ پردازش جملات به‌عنوان مفاهیم یکپارچه، نه فقط مجموعه‌ای از کلمات.
✅ توانایی درک زمینه و مفهوم کلی متن، فراتر از درک کلمه‌به‌کلمه.
✅ تولید خروجی‌های منسجم‌تر، طبیعی‌تر و مرتبط‌تر با زمینه‌ی گفتگو.

🚀 در واقع LCMها انقلابی در پردازش زبان طبیعی هستند؛ آن‌ها نه‌تنها هوشمندترند، بلکه عمیق‌تر درک می‌کنند!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📣 سلام دوباره به همه‌ی همراهان عزیز کانال Algorithm Design & Data Structure!

🛠 بعد از مدتی دوری، برگشتم با انگیزه‌ای بیشتر برای ادامه‌ی مسیر یادگیری و به اشتراک‌گذاری مطالب مفید در زمینه‌ی هوش مصنوعی، طراحی الگوریتم و ساختار داده‌ها.
تو این مدت مشغول تحقیق، یادگیری و آماده‌سازی محتوای باکیفیت‌تری بودم تا دوباره با قدرت فعالیت کانال رو ادامه بدم.

✅ از این به بعد قراره مطالبی مثل:

آموزش مفاهیم پیشرفته الگوریتم و دیتا استراکچر

پروژه‌های هوش مصنوعی و کدهای کاربردی

معرفی مقالات به‌روز و کاربردی


👨🏻‍💻 اگر دنبال یادگیری عمیق، مفید و منظم هستی، اینجا جای درستیه!
ممنون که هنوز با منی 🙌

📚✨ اگه دنبال یک منبع عالی و رایگان برای یادگیری عمیق (Deep Learning) هستی...


این سایت با عنوان "Dive into Deep Learning" یا همون "شیرجه‌ای در یادگیری عمیق" شناخته می‌شه و یکی از بهترین منابع آزاد دنیاست که یادگیری مفاهیم پیچیده‌ی دیپ‌لرنینگ رو به زبان ساده، مرحله به مرحله و همراه با کدنویسی واقعی آموزش می‌ ده.

https://d2l.ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Agentic RAG:

این مقاله با عنوان "Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG" به بررسی تحول مهمی در معماری RAG می‌پردازه؛ جایی که مدل زبانی فقط پاسخ‌دهنده نیست، بلکه مثل یک عامل فعال (agent) فکر و جست‌وجو می‌کنه.

🔍 نویسندگان مقاله به‌صورت گام‌به‌گام از ساده‌ترین مدل‌های RAG شروع می‌کنن و تا پیشرفته‌ترین و هوشمندترین ساختارهای Agentic RAG رو معرفی و مقایسه می‌کنن.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

با یه حرکت ساده می‌تونی صاحب اکانت Gemini Pro بشی، اونم با:

✅ اعتبار ۱۰۰ دلاری
✅ ۱۵ ماه دسترسی رایگان
✅ و ۲ ترابایت فضای ابری Google Drive

🖥 کافیه با IP آمریکا بری سراغ لینک زیر:
🔗 https://one.google.com/join/ai-student

روی گزینه Get student offer بزن، مراحل رو درست برو، و بعدش توی اپ یا سایت Gemini حالت Pro رو فعال می‌بینی! 😎

اگه از مرورگر استفاده می‌کنی، می‌تونی از یه Free vpn استفاده کنی.

اگه با گوشی اندروید هستی، اپلیکیشن independent dvpn گزینه خوبیه.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 دنبال پرامپت‌های آماده برای کار با هوش مصنوعی هستی؟
📌 سایت prompts.chat کلی پرامپت کاربردی و دسته‌بندی‌شده داره که کمکت می‌کنه بهتر از ChatGPT استفاده کنی.
حتماً یه سر بزن! 😉


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 اگه به Data Structure و الگوریتم‌ها علاقه‌مندی و با JavaScript کار می‌کنی، این ریپو برات یه طلاست!

✅ توی این مخزن، کلی از الگوریتم‌ها و ساختمان داده‌ها با کدنویسی تمیز و قابل فهم با JavaScript پیاده‌سازی شده.
از مرتب‌سازی و گراف گرفته تا استک، صف، درخت‌ها و خیلی چیزای دیگه!

🔍‌ هر الگوریتم با توضیح و تست همراهه، پس برای یادگیری، مرور یا مصاحبه‌های فنی خیلی کاربردیه.

📌 لینک ریپو:
github.com/trekhleb/javascript-algorithms

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

داشتم یه مقاله خیلی باحال می‌خوندم درباره اینکه چطور میشه هوش مصنوعی (همین مدل‌های زبانی بزرگ یا همون LLMها، مثل ChatGPT) رو باهوش‌تر کرد که دیگه جواب پرت و پلا ندن یا اگه سوال پیچیده شد، قاطی نکنن.

چیزی که ازش یاد گرفتم و دوست داشتم با تو هم به اشتراک بذارم، اینا بود:

این مقاله یه سیستم جدید به اسم AGENT-G رو معرفی کرده که مثل یه دستیار هوشمند برای هوش مصنوعیه. این دستیار می‌تونه:

جواب همه جور سوالی رو بده (چه سوالی که فقط از متن جوابش میاد، چه از روابط و نمودارها، و چه از ترکیب هر دو!).
از اشتباهاتش یاد بگیره و هر دفعه بهتر بشه، یعنی اگه دفعه اول یه جا رو اشتباه گشت، دفعه بعد می‌فهمه و راهشو اصلاح می‌کنه.
بهترین عملکرد رو بین سیستم‌های مشابه داره و جوابای درست‌تر و قابل‌فهم‌تری میده (یعنی کمتر "توهم‌زایی" می‌کنه!).
هدفش اینه که LLMها دیگه الکی حرف نزنن و بتونن سوالات پیچیده رو هم درست و با دقت جواب بدن.

https://openreview.net/pdf?id=g2C947jjjQ

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مدل جدید RF-DETR در مقابل YOLO11m برای تشخیص اشیا 🔥🔥
مدل RF-DETR عملکرد بهتری نسبت به تمام مدل‌های موجود تشخیص اشیا در دیتاست‌های دنیای واقعی دارد و اولین مدل بلادرنگ (real-time) است که موفق به کسب +60 میانگین دقت (mAP) در دیتاست معروف COCO شده است.
این مدل به صورت متن‌باز و تحت لایسنس Apache 2.0 منتشر شده است.

حتماً روی دیتاست‌های خودتان، مدل‌های مختلف را تست و ارزیابی کنید تا بهترین گزینه را برای مسئله و پروژه‌ی خاص خودتان انتخاب کنید. نتایج بنچمارک‌ها فقط راهنمای تقریبی هستند.

https://github.com/roboflow/rf-detr?utm_source=chatgpt.com

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

تصور کنید داده‌ها از دل اینترنت، با سرعت نور به سمت ما میان. چطور این اطلاعات رو بدون وقفه شکار کنیم، پردازششون کنیم و آماده‌شون کنیم برای مدل‌های یادگیری ماشین؟

این آموزش بهتون یاد میده چطور با FastAPI یه دروازه سریع برای جمع‌آوری داده‌ها از اینترنت بسازید. بعدش، با قدرت Apache Spark، داده‌های دریافتی رو توی یه پایپ‌لاین ETL (استخراج، تبدیل، بارگذاری) به بهترین شکل ممکن پردازش می‌کنیم. تمام این مراحل هم توسط Apache Airflow مثل یک ارکستر حرفه‌ای مدیریت می‌شن تا هیچ مشکلی پیش نیاد.

ویژگی جذاب این پیاده‌سازی، استفاده از پلتفرم Nebius AI Cloud هست که محیطی ایده‌آل برای این جور پروژه‌های مقیاس‌پذیر رو فراهم می‌کنه. مهمتر از همه، تمرکز اصلی ما روی تضمین کیفیت و یکپارچگی داده‌ها در هر مرحله است. همچنین، می‌بینیم که چطور با استفاده از Kubernetes، سیستمی با دسترس‌پذیری بالا (High Availability) و مدیریت داده‌های قدرتمند داشته باشیم.

https://www.newsletter.swirlai.com/p/data-pipelines-in-machine-learning

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔍🤖 UQLM: Hallucination Detection Library

در دنیای مدل‌های زبانی بزرگ (LLMs)، یکی از چالش‌های مهم، تولید اطلاعات نادرست یا ساختگی (Hallucination) است که می‌تواند به خروجی‌های غیرقابل اعتماد منجر شود.
اینجاست که UQLM وارد می‌شود!

✨ در واقع UQLM یک کتابخانه‌ی کاربردی برای شناسایی و تشخیص Hallucination در خروجی مدل‌های زبانی است. این ابزار با اندازه‌گیری عدم قطعیت (Uncertainty) در پاسخ‌ها و استفاده از روش‌های امتیازدهی متنوع، امکان تحلیل دقیق‌تری از صحت خروجی‌ها را فراهم می‌کند.

🧩 یکی از ویژگی‌های جذاب UQLM، یکپارچگی کامل با LangChain است. این یعنی توسعه‌دهندگان می‌توانند خیلی راحت این ابزار را در زنجیره‌های کاری خود پیاده‌سازی کنند و برنامه‌های هوش مصنوعی قابل اطمینان‌تر و هوشمندتری بسازند.

https://github.com/cvs-health/uqlm

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 درک ساده‌ی MapReduce با یک تصویر! 🔹
📊 اگر با داده‌های بزرگ (Big Data) سروکار داری، حتماً اسم MapReduce به گوشت خورده! این تصویر مراحل اجرای این مدل محبوب پردازش داده رو خیلی ساده و شفاف نشون میده 👇

🟢 مرحله Map (نگاشت):
داده‌های خام (مثلاً چند فایل بزرگ متنی) به چند بخش کوچک‌تر تقسیم می‌شن (Split)،
هر بخش توسط یک Mapper پردازش می‌شه تا به صورت جفت‌های کلید-مقدار (Key-Value Pairs) تبدیل بشه.

⚙️ مرحله Shuffle (مرتب‌سازی و گروه‌بندی):
نتایج Mapperها بر اساس کلیدها گروه‌بندی و مرتب می‌شن تا آماده بشن برای مرحله بعد.

🔴 مرحله Reduce (کاهش):
هر Reducer داده‌های گروه‌بندی‌شده رو دریافت و جمع‌بندی یا تجزیه‌وتحلیل می‌کنه.
در نهایت، خروجی نهایی (مثلاً یک فایل متنی نهایی) تولید می‌شه. 📄

✅ مزیت اصلی MapReduce اینه که می‌تونه داده‌های خیلی بزرگ رو روی چندین سرور به‌صورت موازی پردازش کنه.


📌در واقع MapReduce یکی از پایه‌های مهم در سیستم‌های مثل Hadoop برای تحلیل داده‌های عظیمه!


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer