🎯 آموزش مدل‌های هوش مصنوعی با داده‌هایی که اصلاً وجود خارجی ندارن!

💸 داده‌های واقعی هزینه‌بر، نامرتب، و اغلب درگیر مسائل محرمانگی هستن. همین باعث میشه آموزش و گسترش مدل‌های یادگیری ماشین سخت و گرون باشه.
✅ راه‌حل؟ داده‌های مصنوعی!
برخلاف تصور، استفاده از داده مصنوعی خیلی گسترده‌تر از چیزیه که فکر می‌کنین:

📌 مدل‌های زبانی بزرگ (LLMs) از مدل‌های دیگه کمک می‌گیرن تا با داده مصنوعی خودشونو آموزش بدن.
📌 سیستم‌های تشخیص تقلب، تراکنش‌های شبیه‌سازی‌شده تولید می‌کنن تا بتونن موارد نادر و مرزی رو شناسایی کنن.
📌 مدل‌های بینایی کامپیوتری (Vision Models) اول با تصاویر مصنوعی آموزش می‌بینن و بعد روی داده‌های واقعی فاین‌تیون می‌شن.
🧠 حالا اگه شما هم بخواین با داده مصنوعی مدل بسازین، یه ابزار فوق‌العاده به اسم SDV هست که این کارو براتون انجام می‌ده.

https://github.com/sdv-dev/SDV

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 الگوهای طراحی هوش مصنوعی عاملی (Agentic AI):

این الگوها به مدل‌های زبانی بزرگ (LLMs) کمک می‌کنند تا وظایف را به‌صورت مرحله‌به‌مرحله و با خودمختاری بیشتر انجام دهند.

🔹 بازتاب (Reflection): مدل پاسخ خود را بررسی و اصلاح می‌کند.

🔹 استفاده از ابزار (Tool Use): مدل با ابزارهای خارجی مانند توابع پایتون یا پایگاه‌های داده تعامل دارد.

🔹 برنامه‌ریزی (Planning): مدل وظایف پیچیده را به مراحل کوچکتر تقسیم می‌کند.

🔹 چندعاملی (Multi-Agent): چندین عامل با نقش‌های مختلف برای رسیدن به هدفی مشترک همکاری می‌کنند.

این الگوها به توسعه سیستم‌های هوش مصنوعی پیشرفته‌تر و مستقل‌تر کمک می‌کنند.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این مقاله به بررسی عملکرد درخواست‌ها (Prompts) در تولید تصویر با متن می‌پردازد؛ حوزه‌ای که اخیراً با ظهور مدل‌های تولیدگر مانند diffusion models محبوب شده است. برخلاف بازیابی تصویر با متن، که در آن پیش‌بینی عملکرد درخواست‌ها موضوعی فعال در پژوهش است، تاکنون مطالعه‌ای دربارهٔ دشواری درخواست‌ها در تولید تصویر (براساس قضاوت انسانی) وجود نداشته است.

🔹 برای این منظور، نویسندگان اولین دیتاست حاوی درخواست‌هایی با برچسب‌های انسانی از نظر کیفیت تولید تصویر ارائه داده‌اند. آن‌ها همچنین این برچسب‌گذاری را به حوزهٔ بازیابی تصویر نیز گسترش داده‌اند.

🔹 در نتیجه، نخستین بنچمارک مشترک PQPP (Prompt/Query Performance Prediction) برای هر دو وظیفه ساخته شده که شامل بیش از ۱۰٬۰۰۰ درخواست است.


https://arxiv.org/abs/2406.04746

Code: https://github.com/Eduard6421/PQPP?tab=readme-ov-file#dataset-overview

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Deep Reinforcement Learning in Action

اگه دنبال یه منبع قابل اعتماد برای یادگیری عمیق‌ترین مفاهیم یادگیری تقویتی هستی، این جزوه دقیقاً همون چیزیه که نیاز داری. نه فقط مبانی رو به زبونی ساده و مفهومی توضیح می‌ده، بلکه قدم‌به‌قدم نشونت می‌ده چطور این مفاهیم رو وارد کد و پروژه‌های واقعی کنی. از درک شهودی الگوریتم‌ها گرفته تا پیاده‌سازی عملی، با این جزوه وارد مسیر حرفه‌ای یادگیری تقویتی می‌شی.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

«غریزه» فیلم کوتاه درخشان، دقیق و بی نقصی است که با AI ساخته شده و پیامی بسیار جذاب و چندلایه دارد؛
"آیا تمدن واقعاً پیشرفت است یا فقط یک تله دیگر؟"

این فیلم کاملا نشان داد که زین پس فقط درک سینما کافیست تا ابرپروژها چندمیلیون دلاری را با بودجه 0 بسازید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 اگه واقعاً می‌خوای مدل ترنسفورمر رو بفهمی، باید خودت از پایه بسازیش!
کد زدن، بهترین راه یادگیریه! 🎯

✅ با استفاده از سایت زیر می‌تونی قدم‌به‌قدم ترنسفورمر رو از صفر پیاده‌سازی کنی و با مفاهیم مهمی مثل self-attention، positional encoding و ساختار encoder/decoder آشنا بشی.

https://www.k-a.in/transformers.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📢 خبر داغ هوش مصنوعی از دنیای تکنولوژی!

🔥 تابستان امسال، کاربران تلگرام به پیشرفته‌ترین فناوری هوش مصنوعی دنیا دسترسی خواهند داشت!

💥 با همکاری رسمی بین Pavel Durov (بنیان‌گذار تلگرام) و Elon Musk، مدل هوش مصنوعی Grok از شرکت xAI به‌زودی برای بیش از یک میلیارد کاربر تلگرام در دسترس قرار می‌گیرد و در تمام اپلیکیشن‌های تلگرام یکپارچه‌سازی می‌شود.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

Learning to Reason without External Rewards

در این پژوهش نوآورانه، نشون داده شده که مدل‌های زبانی بزرگ (LLMs) می‌تونن استدلال‌های پیچیده رو بدون دسترسی به پاسخ درست یاد بگیرن!

❗️ چطور؟ فقط با تکیه بر «حس درونی اطمینان خودشون»
یعنی مدل بدون نیاز به پاداش یا داده‌های واقعی از بیرون، خودش یاد می‌گیره که چه استدلال‌هایی براش قابل اعتمادتر هستن و مسیر یادگیری رو با همون معیار جلو می‌بره.

https://t.me/AI_PaperStack/3

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کورس رایگان و تعاملی از Anthropic برای علاقه‌مندان به مهندسی پرامپت!

https://github.com/anthropics/courses/tree/master/prompt_engineering_interactive_tutorial#beginner

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎥📚 ویدئوهای آموزشی + اسلایدهای درس «تحلیل الگوریتم‌ها»

این منابع، همراه با کتاب مرجع، پایه‌ای‌ترین و مهم‌ترین منابع برای یادگیری طراحی الگوریتم و ساختمان داده هستن.
اگر می‌خوای دنیای DSA رو درست و اصولی یاد بگیری، این مجموعه رو از دست نده! 💡🚀

https://www3.cs.stonybrook.edu/~skiena/373/videos/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

📊 مروری ساده بر پیچیدگی‌های زمانی (Time Complexities)
اگه در دنیای الگوریتم‌ها هستی، اینا باید ملکه ذهنت باشن! 👇🔥

1️⃣ O(1) – زمان ثابت
⏱️ مستقل از اندازه ورودی
📌 مثال: دسترسی به یک عنصر آرایه با استفاده از اندیس

2️⃣ O(log n) – زمان لگاریتمی
⏱️ رشد بسیار کند نسبت به اندازه ورودی
📌 مثال: جستجوی دودویی در آرایه مرتب‌شده

3️⃣ O(n) – زمان خطی
⏱️ متناسب با اندازه ورودی
📌 مثال: پیمایش کامل آرایه برای یافتن یک عنصر

4️⃣ O(n log n) – زمان خطی-لگاریتمی
⏱️ سریع‌تر از n² ولی کندتر از n
📌 مثال: مرتب‌سازی با quick sort یا merge sort

5️⃣ O(n²) – زمان درجه دوم (توان دو)
⏱️ با افزایش ورودی، زمان به‌صورت مربعی افزایش پیدا می‌کنه
📌 مثال: مرتب‌سازی حبابی (Bubble Sort)

6️⃣ O(2ⁿ) – زمان نمایی
⏱️ هر بار که ورودی بزرگ‌تر میشه، زمان دو برابر میشه
📌 مثال: تولید تمام زیرمجموعه‌های یک مجموعه

7️⃣ O(n!) – زمان فاکتوریلی
⏱️ بسیار پرهزینه و سنگین از نظر محاسباتی
📌 مثال: تولید همه‌ی جایگشت‌های یک مجموعه

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Ego Graph

در دنیای هوش مصنوعی و پردازش زبان طبیعی، برای پاسخ به سؤالات پیچیده، تنها جستجوی متنی کافی نیست. اینجاست که ماژول بازیابی گراف وارد عمل می‌شود و با استفاده از ساختاری به نام Ego Graph، اطلاعات مرتبط را از گراف دانش استخراج می‌کند.

🔹 در واقع Ego Graph تصویری از یک موجودیت (مثلاً یک شخص یا مفهوم) و ارتباطات مستقیم آن با موجودیت‌های دیگر است. این ساختار به ما کمک می‌کند تا شبکه‌ای از اطلاعات مرتبط با موضوع مورد نظر را بررسی کنیم.

🔹 کاربرد در ماژول بازیابی گراف:

شناسایی موجودیت‌های کلیدی: ابتدا موجودیت‌های مرتبط با سؤال شناسایی می‌شوند.

استخراج Ego Graph: برای هر موجودیت، Ego Graph مربوطه از گراف دانش استخراج می‌شود.

تقاطع گراف‌ها: اگر چندین Ego Graph استخراج شده باشد، تقاطع آن‌ها برای یافتن اطلاعات مشترک و مرتبط بررسی می‌شود.

ارائه خروجی: نتایج به دو صورت ارائه می‌شوند:

مسیرهای استدلالی بین موجودیت‌ها

اسناد مرتبط با موجودیت‌های موجود در زیرگراف

این فرآیند به مدل‌های زبانی کمک می‌کند تا پاسخ‌های دقیق‌تر و مبتنی بر دانش ساختاری ارائه دهند.

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 دانشگاه MIT یکی از معتبرترین دانشگاه‌های جهان، دوره‌ی فشرده‌ی "Introduction to Deep Learning" رو آغاز کرده!
🎥 ویدیوهای این کورس فوق‌العاده در حال آپلود روی YouTube هستن، و قسمت اولش همین حالا منتشر شده!

🔍 اگه به یادگیری عمیق (Deep Learning) علاقه‌مندید یا می‌خواید با یکی از بهترین منابع آموزشی جهان یادگیری رو شروع کنید، این فرصت رو از دست ندید.

https://www.youtube.com/watch?v=alfdI7S6wCY&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI

Web Site: https://introtodeeplearning.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ز PDF تا پوستر حرفه‌ای — با کمک ایجنت‌های هوشمند!

ما به یه پروژه‌ی فوق‌العاده برخوردیم به نام Paper2Poster ✨
این ابزار با بهره‌گیری از ایجنت‌های هوشمند مثل CAMEL و OWL، مقالات علمی رو به پوسترهای بصری، خلاصه و قابل‌درک تبدیل می‌کنه! 😍🎨

🤖 یکی از کاربردی‌ترین پروژه‌های AI برای محققان، دانشجوها و ارائه‌های علمی‌ایه که اخیراً دیدیم!

🔍 اگه با مقاله‌نویسی یا ارائه علمی سروکار داری، حتماً Paper2Poster رو یه نگاه بنداز!

https://paper2poster.github.io/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

می‌دونید معماری RAG (تولید افزوده‌شده با بازیابی) چطوری کار می‌کنه؟

🔶 مرحله A: آماده‌سازی داده‌ها
همه‌چیز از منابع داده‌ی خام شروع میشه؛ مثل فایل‌های PDF، صفحات وب، یا اسناد مختلف.

🔶 مرحله B: استخراج اطلاعات
داده‌ها با کمک ابزارهایی مثل OCR یا خزنده‌های وب استخراج می‌شن.

🔶 مرحله C: تقسیم‌بندی (Chunking)
برای اینکه اطلاعات بهتر فهمیده بشن، به تکه‌های کوچکتر (چانک‌ها) تقسیم می‌شن.

🔶 مرحله D: تبدیل به بردار (Embedding)
اینجا هر تکه اطلاعات به شکلی تبدیل میشه که مدل زبانی بتونه بفهمه: یعنی بردار!

🔶 مرحله 2: ذخیره‌سازی در پایگاه برداری (Vector Database)
بردارها در یک دیتابیس مخصوص ذخیره می‌شن تا بعداً قابل جستجو باشن.

🔍 مرحله 1: کاربر سوال می‌پرسه (Query)
کاربر سوالی می‌فرسته؛ اونم به بردار تبدیل میشه!

🔄 مرحله 3: جستجو در پایگاه برداری
سیستم داده‌های مرتبط با سوال رو پیدا می‌کنه.

🤖 مرحله 4: ارسال به مدل زبانی (LLM)
داده‌های بازیابی‌شده به مدل زبان بزرگ (مثل GPT) داده میشه تا پاسخ تولید بشه.

✅ مرحله 5: تولید پاسخ نهایی
در نهایت، پاسخ کامل و دقیق برمی‌گرده.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 آموزش اینترنت از دانشگاه برکلی!

اگه همیشه برات سؤال بوده که اینترنت واقعاً چجوری کار می‌کنه، این دوره فوق‌العاده از دانشگاه UC Berkeley رو از دست نده!

📘 نام دوره:
مقدمه‌ای بر اینترنت: معماری و پروتکل‌ها
(CS 168 - Introduction to the Internet: Architecture and Protocols)

https://sp25.cs168.io/

📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 تا حالا شده بخوای یه مدل زبانی بزرگ مثل LLaMA بتونه تصویر رو بفهمه، بدون اینکه بخوای آموزشش بدی؟

توی یه مقاله جدید یه روش خیلی جالب پیشنهاد شده به اسم:
Zero-Shot Vision Encoder Grafting

ایده‌ش اینه:
میان یه مدل کوچیک درست می‌کنن (بهش می‌گن surrogate) که از لایه‌های ابتدایی همون LLM استفاده می‌کنه. بعد یه رمزگذار بینایی (Vision Encoder) رو روی این مدل کوچیک آموزش می‌دن.

📌 حالا رمزگذار بینایی رو می‌گیرن و مستقیم می‌چسبونن به LLM اصلی! بدون اینکه LLM نیاز به آموزش داشته باشه

نکته: نماد (❄️)Freeze نشان میده که وزن های این رمزگذار در طول این فرایند به روز نمی شوند در واقع از قبل آموزش دیده و ثابت است.
نماد Traing (🔥) نشان دهنده که این مدل خاص در حال آموزش است.

https://arxiv.org/abs/2505.22664

Link github : https://github.com/facebookresearch/zero

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

انتشار مدل‌های هوش مصنوعی گوگل برای تحلیل متون و تصاویر پزشکی

▪️ گوگل مدل‌های جدیدی به نام #MedGemma را معرفی کرده است که به منظور پشتیبانی از تحلیل متون و تصاویر #پزشکی طراحی شده‌اند. این مدل‌های متن‌باز، بر اساس معماری Gemma 3 ساخته شده و در دو نسخه ارائه می‌شوند: MedGemma 4B که مدل چندوجهی برای پردازش همزمان تصویر و متن است و MedGemma 27B که بر تحلیل متون پزشکی متمرکز است. این مدل‌ها به کاربران حوزه بهداشت و درمان کمک می‌کنند تا تحلیل کارآمدتری از داده‌های پزشکی داشته باشند.

https://www.infoq.com/news/2025/05/google-medgemma/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering

github : https://github.com/google-health/medgemma

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

طراحی و تجسم معماری شبکه‌های عصبی همیشه یکی از سخت‌ترین بخش‌های یادگیری عمیق بوده! 🎯


💡 اگه دنبال ابزارهایی هستی که باهاشون بتونی معماری مدل‌هات رو ویژوالایز یا طراحی کنی (مخصوصاً برای مستندات، ارائه، یا مقالات علمی)، ریپو زیر رو از دست ندهید:

https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این لیست پخش تمام مقالات مهم در یادگیری تقویتی (Reinforcement Learning) را توضیح می‌دهد.

https://www.youtube.com/playlist?list=PL1v8zpldgH3rJk6UKP_npByDuE7v1WSdt

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 با Apache Airflow، جریان‌های کاری پیچیده‌ رو به‌سادگی مدیریت و خودکارسازی کن!
ابزار متن‌بازی که در صنعت حرف اول رو می‌زنه.

https://github.com/apache/airflow

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer