📣 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

پژوهشگران MIT در مقاله‌ای با عنوان «فرضیه مرکز معنایی: مدل‌های زبانی نمایه‌های معنایی مشترکی را در زبان‌ها و حالت‌های مختلف به اشتراک می‌گذارند» به بررسی نحوه پردازش داده‌های متنوع توسط مدل‌های زبانی بزرگ (LLM) پرداختند. این مطالعه نشان می‌دهد که LLMها، مشابه مغز انسان، اطلاعات را از طریق یک مرکز معنایی مشترک پردازش می‌کنند.

The Semantic Hub Hypothesis: Language Models Share Semantic Representations Across Languages and Modalities

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

سایت sosimulator.xyz یک شبیه‌ساز جالب و خلاقانه از تجربهٔ استفاده از Stack Overflow است که به‌صورت تعاملی طراحی شده است. این وب‌سایت مانند یک «موزهٔ کاربردی» برای توسعه‌دهندگان عمل می‌کند و به کاربران امکان می‌دهد تا با ارسال سؤالات، تجربه‌ای مشابه با محیط واقعی Stack Overflow داشته باشند.

در این شبیه‌ساز، ارسال هر سؤال هزینه‌ای معادل ۰.۰۰۰۰۳ دلار برای میزبان وب دارد، که این موضوع به‌صورت نمادین به اهمیت و هزینه‌های پنهان استفاده از منابع آنلاین اشاره دارد. همچنین، کاربران می‌توانند سؤالات تصادفی مشاهده کنند یا محیط را پاک‌سازی کرده و مجدداً شروع کنند.


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

معرفی دیتاست و پیکره ParsOffensive جهت تشخیص سخنان ناسزا توی زبان فارسی!

یکی از دوستان ایرانی‌ام در لینکدین پستی منتشر کرده بود که توجه مرا جلب کرد:

🔍 معرفی دیتاست جدید برای تشخیص فحاشی در زبان فارسی

به‌تازگی دیتاستی با نام ParsOffensive منتشر شده است که شامل ۸٬۴۳۳ کامنت فارسی از اینستاگرام می‌باشد. این کامنت‌ها توسط دو متخصص زبان‌شناسی به‌صورت دستی برچسب‌گذاری شده‌اند و به دو دسته «توهین‌آمیز» و «خنثی» تقسیم می‌شوند. این مجموعه داده می‌تواند در پروژه‌های تحقیقاتی و توسعه مدل‌های یادگیری ماشین برای تشخیص زبان توهین‌آمیز در زبان فارسی مورد استفاده قرار گیرد.

Parsoffensive: Persian Offensive Comments Dataset

Dataset: https://github.com/alinazarizadeh/ParsOffensive

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📢 دعوت به همکاری برای پیدا کردن فرصت‌های کارآموزی و کاری در حوزه‌های کامپیوتر 🌐💼

سلام به همراهان عزیز کانال 🎓
ما در تلاشیم فضایی فراهم کنیم برای به اشتراک‌گذاری فرصت‌های کارآموزی و کاری در حوزه‌های مختلف رشته کامپیوتر از جمله:

💡 هوش مصنوعی و یادگیری ماشین
🖥 طراحی سایت و توسعه وب
📊 تحلیل داده و برنامه‌نویسی
و سایر زمینه‌های مرتبط با فناوری و نرم‌افزار

از همه دوستان درخواست داریم:
🔍 اگر آگهی، بنر، یا اطلاعیه‌ای در این حوزه‌ها دیدین (از دانشگاه، شرکت‌ها، شبکه‌های اجتماعی و...) لطفاً برای ما ارسال کنین تا با ذکر منبع در کانال منتشر کنیم و بتونیم به بقیه هم کمک کنیم.

@Se_mohamad

ترجمه کتاب grokking algorithms - An illustrated guide for programmers and other curious people

مترجم: مهران افشار نادری

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

فرصت شغلی ریموت (دورکاری) برای برنامه‌نویسان

موقعیت‌های زیر به‌صورت ریموت در حال جذب هستیم:

- برنامه‌نویس Java
- برنامه‌نویس ‌ C#
- برنامه‌نویس Go
- برنامه‌نویس Python
- برنامه‌نویس Rust
- برنامه‌نویس JS

شرایط:
• حداقل 3 سال سابقه کار
• تسلط به زبان انگلیسی
• حقوق: بین 2000 تا 3000 دلار (متناسب با مهارت)

در صورتی که علاقمند هستید یا کسی رو می‌شناسید که مناسب این موقعیت‌هاست، رزومه‌ش رو ارسال کنید.

#فرصت_شغلی

info@behlink.com

🧠 Agentic Document Workflows (ADW)

در واقع ADW به معنای استفاده از عوامل هوشمند برای مدیریت فرآیندهای چندمرحله‌ای اسناد است. این عوامل می‌توانند:

اطلاعات را با استفاده از LlamaParse استخراج و ساختاردهی کنند.

وضعیت و زمینه سند را در طول فرآیند حفظ کنند.

اطلاعات مرجع را از پایگاه دانش LlamaCloud بازیابی و تحلیل کنند.

بر اساس قوانین کسب‌وکار، پیشنهادات عملیاتی ارائه دهند.

📌 نمونه‌های کاربردی واقعی

بررسی قراردادها: عوامل هوشمند می‌توانند بندهای کلیدی قراردادها را شناسایی کرده و آن‌ها را با الزامات قانونی مقایسه کنند تا ریسک‌های احتمالی را مشخص نمایند.
Google Colab

خلاصه‌سازی پرونده‌های پزشکی: با تجزیه و تحلیل نتایج آزمایش‌ها و یادداشت‌های بالینی، عوامل می‌توانند خلاصه‌ای جامع از وضعیت بیمار ارائه دهند که به تصمیم‌گیری پزشکان کمک می‌کند.

Google Colab

رسیدگی به مطالبات بیمه خودرو: با تجزیه و تحلیل فرم‌های مطالبات و تطبیق آن‌ها با سیاست‌های بیمه، عوامل می‌توانند اطلاعات کلیدی را برای تصمیم‌گیری کارشناسان بیمه فراهم کنند.

Google Colab

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ابزار heyCLI یک دستیار هوش مصنوعی برای خط فرمان لینوکس است که با استفاده از زبان طبیعی، دستورات مورد نیاز را تولید می‌کند. برای استفاده از آن، کافی است درخواست خود را با کلمه «hey» شروع کنید و سپس اقدام مورد نظر را بیان کنید. این ابزار به ویژه برای کاربران تازه‌کار یا کسانی که به یادآوری دستورات پیچیده علاقه‌مند نیستند، مفید است.

نمونه‌هایی از استفاده:
hey create a docker image for this dir

hey update my system

hey install firefox

hey find file image1

hey go to previous directory

https://eliteai.tools/tool/heycli

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

در تایوان، ربات پرستار "Nurabot" با همکاری شرکت‌های Foxconn و NVIDIA توسعه یافته است. این ربات با قابلیت‌هایی مانند تحویل دارو، پایش علائم حیاتی بیماران و راهنمایی بازدیدکنندگان، به کاهش بار کاری پرستاران کمک می‌کند.

https://www.the-sun.com/tech/14289670/ai-robot-nurse-hospital-video-nvidia/?utm_source=chatgpt.com

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ارائه یک روش جدید به نام dMoE (Distribution-aware Mixture of Experts) برای کاهش سوگیری‌ها در تقسیم‌بندی تصاویر پزشکی که ناشی از توزیع‌های نامتوازن در داده‌ها (مثل سن، جنسیت، نژاد یا شدت بیماری) هستند. این مدل با الهام از تئوری کنترل بهینه طراحی شده و می‌تواند خودش را با توزیع‌های مختلف داده تطبیق دهد تا دقت و انصاف مدل را بهبود بخشد.

تصویر هم معماری مدل dMoE را نشان می‌دهد که برای تقسیم‌بندی منصفانه تصاویر پزشکی طراحی شده است.
در بخش (a)، شبکه dMoE با توجه به ویژگی‌های جمعیت‌شناختی (مثل سن یا نژاد) تصمیم می‌گیرد از کدام مسیر یا «متخصص» استفاده کند.
بخش (b) این ساختار را با یک سیستم کنترلی مقایسه می‌کند که می‌تواند بدون بازخورد، با بازخورد، یا با تغییر حالت (mode-switching) کار کند.

https://arxiv.org/abs/2502.00619

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer