🧠 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

🎉 تبریک می‌گم به همه‌ی دوستانی که امسال در کنکور ارشد کامپیوتر قبول شدن و وارد مسیر جدیدی از زندگی علمی‌شون شدن! این موفقیت شیرین رو بهتون تبریک می‌گم و امیدوارم ادامه‌ی راهتون پر از رشد و موفقیت باشه. 👩‍💻👨‍💻

اما یه دل‌گرمی هم بدم به اونایی که به نتیجه دلخواهشون نرسیدن — مثل خود من. 🤝 بدون شک سخت تلاش کردیم، ولی مسیر رقابت هر سال داره سخت‌تر می‌شه، مخصوصاً در رشته کامپیوتر که روزبه‌روز متقاضی‌هاش بیشتر و قوی‌تر می‌شن.

💡 یه نکته مهم:
اگه هدفتون قبولی در دانشگاه‌های تاپ هست، برای سال آینده باید با برنامه‌ریزی بهتر و زمان بیشتری وارد میدان بشید. این رقابت دیگه معمولی نیست! 🔥

با امید به موفقیت‌های بزرگ‌تر برای همه‌مون 💪🌱

تبدیل صدا به متن را به‌سادگی با مدل قدرتمند و متن‌باز تشخیص گفتار OpenAI انجام دهید.

https://github.com/openai/whisper


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📊 گزارش وضعیت هوش مصنوعی در چین - سه‌ماهه دوم ۲۰۲۵
منتشر شده توسط: Artificial Analysis 🇨🇳

چین همچنان با سرعت بالا در حال پیشروی در رقابت جهانی هوش مصنوعی‌ست و دست‌کم ۱۰ لابراتوار فعال در این حوزه داره که همگی مدل‌هایی با امتیاز هوشی بالا تولید می‌کنن! 🚀

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 یه دوره رایگان و خیلی خوب از دانشگاه واترلو برای کسایی که می‌خوان مدل‌های زبانی (LLM) رو از پایه یاد بگیرن!
از مفاهیم اولیه مثل RNN و NLP تا ساخت ترنسفورمر و آموزش مدل 🚀

اگه به یادگیری عمیق و هوش مصنوعی علاقه داری، این دوره یه شروع فوق‌العاده‌ست!
https://www.youtube.com/playlist?list=PLoROMvodv4rOY23Y0BoGoBGgQ1zmU_MT_

schedule : https://stanford-cs336.github.io/spring202

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔗 اتصال هر LLM به هر سرور MCP!

🛠 در واقع MCP-Use یک ابزار متن‌باز و قدرتمنده که به شما این امکان رو می‌ده تا هر مدل زبانی (LLM) رو به هر سرور MCP متصل کنید و ایجنت‌های سفارشی با دسترسی به ابزار بسازید — بدون نیاز به کلاینت‌های بسته یا اپلیکیشن‌های اختصاصی! 😎

✅ ساخت کلاینت‌های کاملاً لوکال
✅ بدون وابستگی به کدهای بسته
✅ مناسب برای توسعه‌دهنده‌هایی که به کنترل کامل روی زیرساخت اهمیت می‌دن

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

"THINK-ON-GRAPH: Deep and Responsible Reasoning of Large Language Models on Knowledge Graphs"

این مقاله روش خفنی به نام گراف‌های دانش (Knowledge Graph)معرفی میکند:

🔍 مثال قشنگی هم زده:
سؤال اینه که «حزب اکثریت در کشوری که شهر Canberra توشه چیه؟»
سه روش مختلف برای جواب دادن بررسی شدن:

1️⃣ مدل تنها (LLM-only):
فقط از اطلاعات خود مدل استفاده می‌کنه. مثلاً می‌گه تا ۲۰۲۱ نخست‌وزیر استرالیا فلانی بوده، پس حزبش فلان بوده.
✅ مشکل؟ اطلاعاتش قدیمیه یا ناقصه، جواب اشتباه می‌ده!

2️⃣ مدل + گراف دانش (LLM + KG):
مدل سعی می‌کنه با زبان SPARQL از گراف سوال بپرسه. اما گراف اطلاعات لازم رو نداره یا مدل بلد نیست خوب بپرسه.
⛔️ نتیجه؟ باز هم نمی‌تونه جواب بده!

3️⃣ ✅ Think-on-Graph (LLM ⊗ KG):
مدل مرحله به مرحله «فکر می‌کنه» روی گراف!
مثلاً اول بررسی می‌کنه Canberra پایتخت چیه، بعد می‌ره ببینه نخست‌وزیر استرالیا کیه، بعد از اطلاعات خودش (یا گراف) درمیاره که اون عضو حزب Labor هست.
نتیجه؟ جواب درسته و منطقیه! 🎯

https://arxiv.org/abs/2307.07697

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر به یادگیری ماشین علاقه‌مند هستید، پروژه‌ی «100 روز کدنویسی یادگیری ماشین» از Avik Jain یک مسیر منظم و عملی برای تسلط بر مفاهیم آن ارائه می‌دهد. این پروژه شامل آموزش‌های روزانه با کدهای پایتون و توضیحات مفهومی است.

https://github.com/Avik-Jain/100-Days-Of-ML-Code

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 دنبال یه منبع قوی و رایگان برای شروع یادگیری مدل‌های بنیادین LLM هستی؟

این دوره رایگان از دانشگاه واترلو دقیقاً همونه که لازم داری!
هم مفاهیم پایه رو پوشش می‌ده، هم به موضوعات پیشرفته وارد می‌شه. 👇

📚 توی این دوره یاد می‌گیری:
🔹 مفاهیم پایه‌ای RNN، CNN، NLP و بینایی کامپیوتری (CV)
🔹 مکانیزم attention و ساختار Transformer
🔹 آموزش اولیه مدل‌ها (Pretraining) و روش‌های تنظیم پارامترها (PEFT)
🔹 و کلی مطالب پیشرفته دیگه برای فهم بهتر LLMها!

https://cs.uwaterloo.ca/~wenhuche/teaching/cs886/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 آیا می‌تونید فرق انسان و هوش مصنوعی رو تشخیص بدید؟
در سه‌ماهه اول ۲۰۲۵، توی آزمایش‌های شبیه تورینگ، افراد در ۷۳٪ مواقع پاسخ چت‌بات‌های هوش مصنوعی رو با انسان اشتباه گرفتن!
تنها ۶ ماه پیش این عدد حدود ۵۰٪ بود!
🔍 پیشرفت هوش مصنوعی در تقلید گفت‌وگوی انسانی با سرعت خیره‌کننده‌ای داره جلو می‌ره...

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎯 AgenticSeek: دستیار هوش مصنوعی ۱۰۰٪ لوکال و خصوصی

🧠 مرور وب، کدنویسی، برنامه‌ریزی و اجرای کارها به‌صورت کاملاً خودکار — بدون وابستگی به فضای ابری
🔒 همه داده‌ها فقط روی دستگاه شما
🎙 پشتیبانی از فرمان صوتی، مثل یک AI آینده‌نگر در فیلم‌ها

👨‍💻 انتخاب هوشمند عامل مناسب برای هر کار
🌐 مناسب برای مدل‌های reasoning محلی و بدون نیاز به API

https://github.com/Fosowl/agenticSeek

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 Vector Similarity Search

در مدل‌های هوش مصنوعی، هر داده (مثل یک جمله، تصویر یا کلمه) به یک بردار عددی در فضای چندبعدی تبدیل می‌شه. این بردارها داخل دیتابیس‌های مخصوصی مثل Vector Database ذخیره می‌شن.

وقتی کاربر سوالی می‌پرسه، مدل به‌جای جستجو در متن، به دنبال بردارهایی می‌گرده که از نظر فاصله (شباهت عددی) به سوال نزدیک‌ترن. این فرآیند با روش‌هایی مثل:

🔹 فاصله اقلیدسی (فاصله مستقیم بین دو نقطه)
🔹 فاصله منهتن (جمع قدرمطلق تفاوت‌ها)
🔹 فاصله کسینوسی (زاویه بین بردارها)
🔹 ضرب داخلی (میزان هم‌راستایی)

انجام می‌شه تا نزدیک‌ترین جواب ممکن پیدا شه.

📊 این روش توی جستجو، پیشنهاد محتوا، چت‌بات‌ها و حتی سیستم‌های تشخیص تصویر استفاده می‌شه و باعث می‌شه مدل‌ها "بفهمن" که چه چیزهایی به هم شبیه‌ان.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره‌ی خوبی درباره‌ی Agentic AI و چارچوب‌های مختلف برای پیاده‌سازی آن

https://www.youtube.com/playlist?list=PLv8Cp2NvcY8DeLpPBREcC9aU8ESfYeSeX

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎉 یه کشف مهم تو دنیای هوش مصنوعی!

تحقیقات جدید تو مقاله‌ای به اسم «Harnessing the Universal Geometry of Embeddings» نشون می‌ده که مدل‌های مختلف هوش مصنوعی، یه زبان جهانی مشترک دارن!

با روش جدیدی به نام vec2vec می‌شه کدهای متنی (embedding) تولید شده توسط هر مدل رو، حتی بدون داشتن داده‌های آماده، به کدهای مدل دیگه ترجمه کرد!

یعنی می‌تونیم بفهمیم اون مدل چی گفته، حتی اگه مدل رو نشناسیم!

این یعنی یه دنیای جدید از ارتباط بین مدل‌ها باز شده، اما در کنارش هشدار امنیتی هم هست؛ چون ممکنه کسی با این روش به اطلاعات محرمانه دسترسی پیدا کنه!

https://arxiv.org/abs/2505.12540

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 ۷ پلی‌لیست طلایی برای یادگیری عمیق‌ترین مفاهیم هوش مصنوعی

اگه دنبال منابعی هستی که واقعاً ارزش وقت گذاشتن دارن، این مجموعه دقیقاً همون چیزیه که لازم داری.
از ساخت GPT با چند خط کد تا درک عمیق مدل‌های زبانی بزرگ مثل ChatGPT — همه اینجا جمع شدن! 👇



🔹 ۱. Neural Networks: Zero to Hero – با Karpathy
از مفاهیم پایه تا nanoGPT، همه‌چی با کدنویسی شهودی. https://www.youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ



🔹 ۲. CS336 استنفورد (۲۰۲۵) – مدل‌سازی زبان از صفر
یک دوره‌ی کامل از داده تا آموزش، استقرار و ارزیابی LLMها.
https://www.youtube.com/playlist?list=PLoROMvodv4rOY23Y0BoGoBGgQ1zmU_MT_



🔹 ۳. MIT 6.S191 – مقدمه‌ای بر یادگیری عمیق (۲۰۲۵)
مروری سریع و حرفه‌ای بر دیپ‌لرنینگ، ترنسفورمرها و مدل‌های دیفیوژن در کمتر از ۲ ساعت.
https://www.youtube.com/watch?v=alfdI7S6wCY


🔹 ۴. CS25 – آشنایی با ترنسفورمرها با Karpathy
درک عملی مقاله‌ی معروف "Attention is All You Need" به زبان کد.
https://www.youtube.com/watch?v=XfpMkf4rD6E&t=126s



🔹 ۵. سخنرانی مهمان در CS229 استنفورد – ساخت LLM
نگاهی به نحوه‌ی طراحی، مقیاس‌گذاری، و بهینه‌سازی مدل‌های زبانی بزرگ.
https://www.youtube.com/watch?v=9vM4p9NN0Ts&t=4505s



🔹 ۶. Deep Dive into LLMs like ChatGPT
۳.۵ ساعت محتوای ناب درباره‌ی نحوه‌ی شکل‌گیری GPTها.
https://www.youtube.com/watch?v=7xTGNNLPyMI&t=11224s



🔹 ۷. Let's Build GPT from Scratch
۲۰۰ خط کد پایتون = ساخت یک GPT واقعی. مناسب برای درک عمیق ساختار داخلی.
https://www.youtube.com/watch?v=kCc8FmEb1nY&t=1859s



📌 این لیست رو ذخیره کن. یادگیری واقعی از همین‌جا شروع می‌شه!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 مدل‌سازی یادگیری ماشین فقط با زبان طبیعی؟ بله واقعاً!

با Plexe AI فقط کافیه توضیح بدی دنبال چه مدلی هستی — بقیه‌ی کار رو یه تیم عامل هوشمند خودکار انجام می‌ده!

📌 این یعنی چی؟ یعنی بدون نیاز به نوشتن حتی یک خط کد، می‌تونی یه مدل کامل ML بسازی.

🚀 چرا Plexe AI یه تغییر بازیه؟

✅ تعریف مدل‌ها فقط با زبان ساده انگلیسی
✅ تیم عامل هوشمند برای: برنامه‌ریزی، کدنویسی، تست و بسته‌بندی
✅ ساخت مدل تنها با یک فراخوانی
✅ پشتیبانی از Ray برای آموزش سریع و توزیع‌شده
✅ مدیریت هوشمند داده‌ها (تشخیص خودکار ساختار + تولید داده)

https://github.com/plexe-ai/plexe

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer