🎁 هدیه فرادرس برای شما!
این روزها همه درگیر خبرهای تلخ و فضای سنگین اطرافمون هستیم...
ما در فرادرس تصمیم گرفتیم کاری کنیم که حتی برای لحظهای از این حال و هوا فاصله بگیرید و روی یادگیری سرمایهگذاری کنید.
✅ شما میتونید یک آموزش دلخواه از فرادرس رو رایگان دریافت کنید!
کافیه آموزش موردنظرت رو به سبد خرید اضافه کنی و این کد رو بزنی:
کد تخفیف:
نکته: فقط یک آموزش باید توی سبد خرید باشه.
امیدواریم این هدیه، حتی کوچک، حالتون رو کمی بهتر کنه… 🌿
راهنمای دریافت آموزش:
https://faradars.org/pages/get-free-course?utm_source=faradars&utm_medium=telegram&utm_campaign=free-course-gift
📣👨💻 @AlgorithmDesign_DataStructuer
این روزها همه درگیر خبرهای تلخ و فضای سنگین اطرافمون هستیم...
ما در فرادرس تصمیم گرفتیم کاری کنیم که حتی برای لحظهای از این حال و هوا فاصله بگیرید و روی یادگیری سرمایهگذاری کنید.
✅ شما میتونید یک آموزش دلخواه از فرادرس رو رایگان دریافت کنید!
کافیه آموزش موردنظرت رو به سبد خرید اضافه کنی و این کد رو بزنی:
کد تخفیف:
IRAN
نکته: فقط یک آموزش باید توی سبد خرید باشه.
امیدواریم این هدیه، حتی کوچک، حالتون رو کمی بهتر کنه… 🌿
راهنمای دریافت آموزش:
https://faradars.org/pages/get-free-course?utm_source=faradars&utm_medium=telegram&utm_campaign=free-course-gift
📣👨💻 @AlgorithmDesign_DataStructuer
😍11🙏1
🚀 شروع رایگان یادگیری صفر تا صد ساخت و کار با هوش مصنوعی Agentها!
اگه میخوای از پایه با مفهوم AI Agent آشنا بشی، بدون پیشنیاز شروع کنی و قدمبهقدم یاد بگیری چطور این ابزارهای هوشمند رو بسازی و ازشون استفاده کنی، این دوره رو از دست نده!
https://huggingface.co/learn/agents-course/unit0/introduction
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
اگه میخوای از پایه با مفهوم AI Agent آشنا بشی، بدون پیشنیاز شروع کنی و قدمبهقدم یاد بگیری چطور این ابزارهای هوشمند رو بسازی و ازشون استفاده کنی، این دوره رو از دست نده!
https://huggingface.co/learn/agents-course/unit0/introduction
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
This media is not supported in your browser
VIEW IN TELEGRAM
Introducing Reinforcement-Learned Teachers (RLTs):
تحول در روش آموزش استدلال به مدلهای زبانی بزرگ (LLMs) با استفاده از یادگیری تقویتی (RL).
Paper: https://www.arxiv.org/abs/2506.08388
Code: https://github.com/SakanaAI/RLT
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
تحول در روش آموزش استدلال به مدلهای زبانی بزرگ (LLMs) با استفاده از یادگیری تقویتی (RL).
Paper: https://www.arxiv.org/abs/2506.08388
Code: https://github.com/SakanaAI/RLT
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
🎯 برترین دورههای یوتیوب برای یادگیری Python
❯ Python (Absolute Beginners)
https://youtube.com/playlist?list=PLUl4u3cNGP62A-ynp6v6-LGBCzeH3VAQB
❯ Python
http://youtube.com/playlist?list=PL-osiE80TeTt2d9bfVyTiXJA-UTHn6WwU
❯ Django
https://youtube.com/playlist?list=PL4cUxeGkcC9iqfAag3a_BKEX1N43uJutw
❯ Flask
https://youtube.com/playlist?list=PL7yh-TELLS1EyAye_UMnlsTGKxg8uatkM
❯ FastAPI
https://youtube.com/playlist?list=PLK8U0kF0E_D6l19LhOGWhVZ3sQ6ujJKq_
❯ Numpy
https://youtube.com/playlist?list=PLCC34OHNcOtpalASMlX2HHdsLNipyyhbK
❯ Pandas
https://youtube.com/playlist?list=PLCC34OHNcOtqSz7Ke7kaYRf9CfviJgO55
❯ Scikit-Learn
https://youtube.com/playlist?list=PLcQVY5V2UY4LNmObS0gqNVyNdVfXnHwu8
❯ Data Science
https://youtube.com/watch?v=yGN28LY5VuA
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
❯ Python (Absolute Beginners)
https://youtube.com/playlist?list=PLUl4u3cNGP62A-ynp6v6-LGBCzeH3VAQB
❯ Python
http://youtube.com/playlist?list=PL-osiE80TeTt2d9bfVyTiXJA-UTHn6WwU
❯ Django
https://youtube.com/playlist?list=PL4cUxeGkcC9iqfAag3a_BKEX1N43uJutw
❯ Flask
https://youtube.com/playlist?list=PL7yh-TELLS1EyAye_UMnlsTGKxg8uatkM
❯ FastAPI
https://youtube.com/playlist?list=PLK8U0kF0E_D6l19LhOGWhVZ3sQ6ujJKq_
❯ Numpy
https://youtube.com/playlist?list=PLCC34OHNcOtpalASMlX2HHdsLNipyyhbK
❯ Pandas
https://youtube.com/playlist?list=PLCC34OHNcOtqSz7Ke7kaYRf9CfviJgO55
❯ Scikit-Learn
https://youtube.com/playlist?list=PLcQVY5V2UY4LNmObS0gqNVyNdVfXnHwu8
❯ Data Science
https://youtube.com/watch?v=yGN28LY5VuA
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
YouTube
MIT 6.100L Introduction to CS and Programming using Python, Fall 2022
Instructor: Ana Bell View the complete course: https://ocw.mit.edu/courses/6-100l-introduction-to-cs-and-programming-using-python-fall-2022/ *Note: Lectures ...
👍5
معرفی ۳۰ مفهوم مهم و اساسی در طراحی سیستم
https://blog.algomaster.io/p/30-system-design-concepts
📣👨💻 @AlgorithmDesign_DataStructuer
https://blog.algomaster.io/p/30-system-design-concepts
📣👨💻 @AlgorithmDesign_DataStructuer
👍2
معرفی پروژه RD-Agent از مایکروسافت در گیتهاب 👨🔧
در واقع RD-Agent یک ابزار هوشمند است که فرآیند تحقیق و توسعه مبتنی بر داده را بهصورت خودکار انجام میدهد. این سیستم بهصورت چرخهای ایدههای جدید برای مدلها یا ویژگیهای داده (بخش "R") پیشنهاد میدهد و سپس آنها را پیادهسازی میکند (بخش "D") و از بازخوردها یاد میگیرد.
✅ کاربردهای جذاب RD-Agent:
🔹 خواندن خودکار مقالات علمی یا گزارشهای مالی
🔹 استخراج مفاهیم کلیدی مثل فرمولها یا ساختار مدلها
🔹 تبدیل آن مفاهیم به کد قابل اجرا
📦 مخزن این پروژه شامل سناریوهای آماده برای موارد زیر است:
🔧 تحلیل دادههای پزشکی
📊 پیادهسازی مقالات علمی
🏁 شرکت خودکار در رقابتهای Kaggle با قابلیت بهینهسازی مدل و مهندسی ویژگی
همچنین این ابزار از چندین ارائهدهنده مدلهای زبانی (LLM) از طریق زیرساخت LiteLLM پشتیبانی میکند.
اگه دنبال ابزاری برای سریعتر کردن مسیر تحقیق و پیادهسازی ایدهها هستی، RD-Agent یکی از پروژههای پیشرو در این زمینه است. 🚀
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
در واقع RD-Agent یک ابزار هوشمند است که فرآیند تحقیق و توسعه مبتنی بر داده را بهصورت خودکار انجام میدهد. این سیستم بهصورت چرخهای ایدههای جدید برای مدلها یا ویژگیهای داده (بخش "R") پیشنهاد میدهد و سپس آنها را پیادهسازی میکند (بخش "D") و از بازخوردها یاد میگیرد.
✅ کاربردهای جذاب RD-Agent:
🔹 خواندن خودکار مقالات علمی یا گزارشهای مالی
🔹 استخراج مفاهیم کلیدی مثل فرمولها یا ساختار مدلها
🔹 تبدیل آن مفاهیم به کد قابل اجرا
📦 مخزن این پروژه شامل سناریوهای آماده برای موارد زیر است:
🔧 تحلیل دادههای پزشکی
📊 پیادهسازی مقالات علمی
🏁 شرکت خودکار در رقابتهای Kaggle با قابلیت بهینهسازی مدل و مهندسی ویژگی
همچنین این ابزار از چندین ارائهدهنده مدلهای زبانی (LLM) از طریق زیرساخت LiteLLM پشتیبانی میکند.
اگه دنبال ابزاری برای سریعتر کردن مسیر تحقیق و پیادهسازی ایدهها هستی، RD-Agent یکی از پروژههای پیشرو در این زمینه است. 🚀
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍3
📚 معرفی یک منبع فوقالعاده رایگان برای یادگیری:
Data Structures & Algorithms using Python
این کتاب ۲۲۲ صفحهای، تمام مباحث مهم ساختار داده و الگوریتمها رو با زبان پایتون پوشش میده. 🎯
✅ مناسب برای مبتدیها تا سطح پیشرفته
✅ تمرکز کامل روی انواع ساختار داده (لیست، پشته، صف، درخت، گراف و ...)
✅ آموزش انواع الگوریتمها مثل مرتبسازی، جستجو، بازگشتی، گراف و موارد دیگر
✅ همهچی 💯 رایگان
https://donsheehy.github.io/datastructures/fullbook.pdf
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
Data Structures & Algorithms using Python
این کتاب ۲۲۲ صفحهای، تمام مباحث مهم ساختار داده و الگوریتمها رو با زبان پایتون پوشش میده. 🎯
✅ مناسب برای مبتدیها تا سطح پیشرفته
✅ تمرکز کامل روی انواع ساختار داده (لیست، پشته، صف، درخت، گراف و ...)
✅ آموزش انواع الگوریتمها مثل مرتبسازی، جستجو، بازگشتی، گراف و موارد دیگر
✅ همهچی 💯 رایگان
https://donsheehy.github.io/datastructures/fullbook.pdf
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👌4
راهنمای خلاصهشده استراتژیهای System Prompt در Claude 4.0 (بر اساس الگوهای طراحی Agentic AI)
متن زیر بررسی ساختاری پرامپت سیستمی Claude است که بر اساس «الگوهای زبان طراحی برای هوش مصنوعی عاملی» تحلیل شده؛ در اینجا ۱۵ الگوی کلیدی را معرفی میکند که هر کدام هدف مشخصی برای هدایت رفتار Claude دارند:
🔒 ۱. مرزبندی صریح (Boundary Signaling)
تعیین خط قرمزهای مشخص مثل ممنوعیت تولید محتوای خطرناک یا دارای کپیرایت بیش از ۱۵ کلمه.
🙅♂️ ۲. پاسخگویی کنترلشده (Error Ritual)
درواقع Claude فقط یک جواب کوتاه و مشخص برای رد درخواست میدهد، بدون توضیح اضافه یا افشای سیاستها.
🔄 ۳. یادآوری مداوم زمینه (Context Reassertion)
همیشه تاریخ، نقش Claude و محدودیتهای دانشش را یادآوری میکند که زمینه مکالمه گم نشود.
🗣 ۴. بازتاب نیت کاربر (Intent Echoing)
در مواقع ابهام، درخواست یا تاریخ را بازگو میکند تا فهم مشترک تثبیت شود.
⚖️ ۵. مدیریت انتظارات (Expectation Management)
از قبل توضیح میدهد Claude مثلاً وکیل نیست، نمیتواند اطلاعات را بین چتها حفظ کند و ... تا کاربر انتظارات واقعی داشته باشد.
🧑💻 ۶. مسیر مداخله انسانی (Human-Intervention Logic)
اگر کاری خارج از توان Claude باشد، کاربر را به دکمه بازخورد یا پشتیبانی رسمی هدایت میکند.
🛠 ۷. آگاهی از ریسک ابزارها (Tool-Risk Awareness)
توضیح دقیق درباره زمان و چگونگی استفاده از ابزارهایی مثل جستجوگر وب، و چه چیزهایی ممنوع است.
📝 ۸. برنامهریزی و بازاندیشی گامبهگام (Planning–Reflection Sandwich)
قبل از پاسخ نهایی، باید تصمیمگیری، اقدام و سپس بررسی نتایج را انجام دهد.
📄 ۹. پاسخ خالص بدون متنهای سیستمی (Answer-Only Output Constraint)
نباید متنهای فنی، تشکرهای اضافی یا دستورالعملهای پنهان را به کاربر نشان دهد.
🧹 ۱۰. بهداشت معنایی چندلایه (Semantic Hygiene)
حفظ انسجام زبانی و تفکیک نقشها، مثلاً نباید درباره نوع فایل، برچسب مخفی یا پیام صوتی حرف بزند.
🖌 ۱۱. چارچوب تطبیقی (Adaptive Framing)
با توجه به نوع سؤال، لحن و میزان جزئیات را تطبیق میدهد، اما از خطقرمزها عبور نمیکند.
📌 ۱۲. خلاصهسازی نهایی (Reflective Summary)
در پایان پاسخهای طولانی، یک جمعبندی کوتاه (TL;DR) ارائه میکند.
⏳ ۱۳. محدودیت منابع (Action Budget)
برای کنترل هزینه و سرعت، تعداد دفعات استفاده از ابزارها محدود است (مثلاً نهایتاً ۲۰ بار برای وظایف پیچیده).
👻 ۱۴. جلوگیری از افشای متنهای سیستمی (Ghost-Context Removal)
نباید هیچ بخشی از دستورالعملهای پنهان یا متای سیستمی را برای کاربر فاش کند.
♻️ ۱۵. استفاده مجدد امن (Trusted Reuse)
استفاده مجدد از سیاستها و پاسخهای از قبل تأیید شده، بهجای تولید متنهای جدید و ریسکی.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
متن زیر بررسی ساختاری پرامپت سیستمی Claude است که بر اساس «الگوهای زبان طراحی برای هوش مصنوعی عاملی» تحلیل شده؛ در اینجا ۱۵ الگوی کلیدی را معرفی میکند که هر کدام هدف مشخصی برای هدایت رفتار Claude دارند:
🔒 ۱. مرزبندی صریح (Boundary Signaling)
تعیین خط قرمزهای مشخص مثل ممنوعیت تولید محتوای خطرناک یا دارای کپیرایت بیش از ۱۵ کلمه.
🙅♂️ ۲. پاسخگویی کنترلشده (Error Ritual)
درواقع Claude فقط یک جواب کوتاه و مشخص برای رد درخواست میدهد، بدون توضیح اضافه یا افشای سیاستها.
🔄 ۳. یادآوری مداوم زمینه (Context Reassertion)
همیشه تاریخ، نقش Claude و محدودیتهای دانشش را یادآوری میکند که زمینه مکالمه گم نشود.
🗣 ۴. بازتاب نیت کاربر (Intent Echoing)
در مواقع ابهام، درخواست یا تاریخ را بازگو میکند تا فهم مشترک تثبیت شود.
⚖️ ۵. مدیریت انتظارات (Expectation Management)
از قبل توضیح میدهد Claude مثلاً وکیل نیست، نمیتواند اطلاعات را بین چتها حفظ کند و ... تا کاربر انتظارات واقعی داشته باشد.
🧑💻 ۶. مسیر مداخله انسانی (Human-Intervention Logic)
اگر کاری خارج از توان Claude باشد، کاربر را به دکمه بازخورد یا پشتیبانی رسمی هدایت میکند.
🛠 ۷. آگاهی از ریسک ابزارها (Tool-Risk Awareness)
توضیح دقیق درباره زمان و چگونگی استفاده از ابزارهایی مثل جستجوگر وب، و چه چیزهایی ممنوع است.
📝 ۸. برنامهریزی و بازاندیشی گامبهگام (Planning–Reflection Sandwich)
قبل از پاسخ نهایی، باید تصمیمگیری، اقدام و سپس بررسی نتایج را انجام دهد.
📄 ۹. پاسخ خالص بدون متنهای سیستمی (Answer-Only Output Constraint)
نباید متنهای فنی، تشکرهای اضافی یا دستورالعملهای پنهان را به کاربر نشان دهد.
🧹 ۱۰. بهداشت معنایی چندلایه (Semantic Hygiene)
حفظ انسجام زبانی و تفکیک نقشها، مثلاً نباید درباره نوع فایل، برچسب مخفی یا پیام صوتی حرف بزند.
🖌 ۱۱. چارچوب تطبیقی (Adaptive Framing)
با توجه به نوع سؤال، لحن و میزان جزئیات را تطبیق میدهد، اما از خطقرمزها عبور نمیکند.
📌 ۱۲. خلاصهسازی نهایی (Reflective Summary)
در پایان پاسخهای طولانی، یک جمعبندی کوتاه (TL;DR) ارائه میکند.
⏳ ۱۳. محدودیت منابع (Action Budget)
برای کنترل هزینه و سرعت، تعداد دفعات استفاده از ابزارها محدود است (مثلاً نهایتاً ۲۰ بار برای وظایف پیچیده).
👻 ۱۴. جلوگیری از افشای متنهای سیستمی (Ghost-Context Removal)
نباید هیچ بخشی از دستورالعملهای پنهان یا متای سیستمی را برای کاربر فاش کند.
♻️ ۱۵. استفاده مجدد امن (Trusted Reuse)
استفاده مجدد از سیاستها و پاسخهای از قبل تأیید شده، بهجای تولید متنهای جدید و ریسکی.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
Test3R:
یادگیری بازسازی سهبعدی در زمان تست
https://github.com/nopQAQ/Test3R
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
یادگیری بازسازی سهبعدی در زمان تست
https://github.com/nopQAQ/Test3R
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
💻 اجرای ماشین مجازی لینوکس مستقیم داخل مرورگر!
با این پروژه فوقالعاده از GitHub میتونید یک ماشین مجازی واقعی لینوکس رو سمت کاربر اجرا کنید — بدون نیاز به سرور!
✨ ویژگیها:
✅ اجرای کامل سیستم Debian داخل مرورگر فقط با WebAssembly
✅ شخصیسازی آسان با Docker و امکان ارسال باینریهای x86 در محیط ایزوله
✅ ابزارهای کامل لینوکسی داخل مرورگر، با سرعت بالا و اتصال شبکه
✅ ذخیره و ادامه ساخت پروژهها، بدون نیاز به هیچ زیرساخت سمت سرور
✅ جاسازی محاسبات ایزوله x86 در هر جا — WebVM تمام مجازیسازی، ذخیرهسازی و اتصال Tailscale رو مدیریت میکنه
✅ فقط با یک Fork و ویرایش Dockerfile، نسخه پایدار و قابل نگهداری از لینوکس رو روی GitHub Pages منتشر کنید
🛠 ابزار ایدهآل برای توسعه، تست یا حتی نمایش دموهای لینوکسی فقط با یک لینک مرورگر!
https://github.com/leaningtech/webvm
📣👨💻 @AlgorithmDesign_DataStructuer
با این پروژه فوقالعاده از GitHub میتونید یک ماشین مجازی واقعی لینوکس رو سمت کاربر اجرا کنید — بدون نیاز به سرور!
✨ ویژگیها:
✅ اجرای کامل سیستم Debian داخل مرورگر فقط با WebAssembly
✅ شخصیسازی آسان با Docker و امکان ارسال باینریهای x86 در محیط ایزوله
✅ ابزارهای کامل لینوکسی داخل مرورگر، با سرعت بالا و اتصال شبکه
✅ ذخیره و ادامه ساخت پروژهها، بدون نیاز به هیچ زیرساخت سمت سرور
✅ جاسازی محاسبات ایزوله x86 در هر جا — WebVM تمام مجازیسازی، ذخیرهسازی و اتصال Tailscale رو مدیریت میکنه
✅ فقط با یک Fork و ویرایش Dockerfile، نسخه پایدار و قابل نگهداری از لینوکس رو روی GitHub Pages منتشر کنید
🛠 ابزار ایدهآل برای توسعه، تست یا حتی نمایش دموهای لینوکسی فقط با یک لینک مرورگر!
https://github.com/leaningtech/webvm
📣👨💻 @AlgorithmDesign_DataStructuer
👍1👌1
🎙 دستیار صوتی پیشرفته 11ai از ElevenLabs
شرکت ElevenLabs با رونمایی از دستیار هوشمند جدید خود با نام 11ai، قدمی تازه در مسیر هوش مصنوعی مکالمهمحور برداشته است. این دستیار فراتر از پاسخ دادن به سوالات معمولی عمل میکند و میتواند تنها با دریافت فرمان صوتی، اقداماتی واقعی در ابزارهای مختلف شما انجام دهد — چیزی فراتر از الکسا یا گوگل اسیستنت!
✨ قابلیتهای کلیدی و هوشمند
درواقع 11ai با تکیه بر فناوری MCP (پروتکل اتصال ابزارها) به راحتی با اپلیکیشنهای کاری و روزمره شما یکپارچه میشود. همچنین، این دستیار از بیش از ۷۰ زبان پشتیبانی میکند و میتواند زبان گوینده را به صورت خودکار تشخیص دهد. نکته جذاب دیگر، امکان تغییر لحن و حالت صداست — مثل مکالمه با حس هیجان، خنده یا حتی زمزمه — که باعث میشود این ابزار هم در محیطهای رسمی و هم استفاده شخصی کاربرد داشته باشد.
این دستیار هماکنون در فاز آلفا قرار دارد و کاربران میتوانند به صورت رایگان آن را امتحان کنند.
https://elevenlabs.io/blog/introducing-11ai
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
شرکت ElevenLabs با رونمایی از دستیار هوشمند جدید خود با نام 11ai، قدمی تازه در مسیر هوش مصنوعی مکالمهمحور برداشته است. این دستیار فراتر از پاسخ دادن به سوالات معمولی عمل میکند و میتواند تنها با دریافت فرمان صوتی، اقداماتی واقعی در ابزارهای مختلف شما انجام دهد — چیزی فراتر از الکسا یا گوگل اسیستنت!
✨ قابلیتهای کلیدی و هوشمند
درواقع 11ai با تکیه بر فناوری MCP (پروتکل اتصال ابزارها) به راحتی با اپلیکیشنهای کاری و روزمره شما یکپارچه میشود. همچنین، این دستیار از بیش از ۷۰ زبان پشتیبانی میکند و میتواند زبان گوینده را به صورت خودکار تشخیص دهد. نکته جذاب دیگر، امکان تغییر لحن و حالت صداست — مثل مکالمه با حس هیجان، خنده یا حتی زمزمه — که باعث میشود این ابزار هم در محیطهای رسمی و هم استفاده شخصی کاربرد داشته باشد.
این دستیار هماکنون در فاز آلفا قرار دارد و کاربران میتوانند به صورت رایگان آن را امتحان کنند.
https://elevenlabs.io/blog/introducing-11ai
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
ابزار هوش مصنوعی که متن را تقسیم میکند، موجودیتها را استخراج میکند و از اسناد، گرافهای دانشی میسازد.
https://github.com/robert-mcdermott/ai-knowledge-graph
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
https://github.com/robert-mcdermott/ai-knowledge-graph
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👏3
امآیتی واقعاً تمام آنچه که باید درباره مدلهای زبانی بزرگ (LLM) بدانید را در ۶۰ دقیقه فشرده ارائه کرده است.
https://vidskipper.com/watch?v=_HfdncCbMOE
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
https://vidskipper.com/watch?v=_HfdncCbMOE
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍2🙏1
ایلان ماسک عکس ساختمون لینکدینو گذاشته و گفته امیدوارم ایران سعی نکنه تأسیسات هستهای فوق سری ما رو که تصویرش توی بالا سمت چپ وسطه رو نابود کنه.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
😁15🤔2👍1👨💻1
گوگل از Gemini CLI، ابزار هوش مصنوعی متنباز برای ترمینالها، رونمایی کرد!
این ابزار AI متنباز، که قرار است در ترمینالها (Terminal) اجرا شود، پلی بین توسعهدهندگان و مدلهای پیشرفته Gemini AI (هوش مصنوعی جمنای) ایجاد میکند.
https://github.com/google-gemini/gemini-cli
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
این ابزار AI متنباز، که قرار است در ترمینالها (Terminal) اجرا شود، پلی بین توسعهدهندگان و مدلهای پیشرفته Gemini AI (هوش مصنوعی جمنای) ایجاد میکند.
https://github.com/google-gemini/gemini-cli
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
🎉4👌3
۳۰ بلاگ برای یادگیری ۳۰ مفهوم طراحی سیستم:
1. APIs: https://blog.algomaster.io/p/whats-an-api
2. API Gateways: https://blog.algomaster.io/p/what-is-an-api-gateway
3. JWTs: https://blog.algomaster.io/p/json-web-tokens
4. Webhooks: https://blog.algomaster.io/p/what-are-webhooks
5. Load Balancing: https://blog.algomaster.io/p/load-balancing-algorithms-explained-with-code
6. Proxy vs Reverse Proxy: https://blog.algomaster.io/p/proxy-vs-reverse-proxy-explained
7. Scalability: https://blog.algomaster.io/p/scalability
8. Availability: https://blog.algomaster.io/p/system-design-what-is-availability
9. SPOF: https://blog.algomaster.io/p/system-design-how-to-avoid-single-point-of-failures
10. CAP Theorem: https://blog.algomaster.io/p/cap-theorem-explained
11. SQL vs NoSQL: https://blog.algomaster.io/p/sql-vs-nosql-7-key-differences
12. ACID Transactions: https://blog.algomaster.io/p/what-are-acid-transactions-in-databases
13. Database Indexes: https://blog.algomaster.io/p/a-detailed-guide-on-database-indexes
14. Database Sharding: https://blog.algomaster.io/p/what-is-database-sharding
15. Consistent Hashing: https://blog.algomaster.io/p/consistent-hashing-explained
16. CDC: https://blog.algomaster.io/p/change-data-capture-cdc
17. Caching: https://blog.algomaster.io/p/4d7d6f8a-6803-4c7b-85ca-864c87c2cbf2
18. Caching Strategies: https://blog.algomaster.io/p/top-5-caching-strategies-explained
19. Cache Eviction Policies: https://blog.algomaster.io/p/7-cache-eviction-strategies
20. CDN: https://blog.algomaster.io/p/content-delivery-networks
21. Rate Limiting Algorithms: https://blog.algomaster.io/p/rate-limiting-algorithms-explained-with-code
22. Message Queues: https://blog.algomaster.io/p/message-queues
23. Bloom Filters: https://blog.algomaster.io/p/bloom-filters
24. Idempotency: https://blog.algomaster.io/p/idempotency-in-distributed-systems
25. Concurrency vs Parallelism: https://blog.algomaster.io/p/concurrency-vs-parallelism
26. Stateful vs. Stateless Architecture: https://blog.algomaster.io/p/stateful-vs-stateless-architecture
27. Long Polling vs WebSockets: https://blog.algomaster.io/p/long-polling-vs-websockets
28. Batch vs Stream Processing: https://blog.algomaster.io/p/batch-processing-vs-stream-processing
29. Strong vs. Eventual Consistency: https://blog.algomaster.io/p/strong-vs-eventual-consistency
30. REST vs GraphQL: https://blog.algomaster.io/p/rest-vs-graphql
📣👨💻 @AlgorithmDesign_DataStructuer
1. APIs: https://blog.algomaster.io/p/whats-an-api
2. API Gateways: https://blog.algomaster.io/p/what-is-an-api-gateway
3. JWTs: https://blog.algomaster.io/p/json-web-tokens
4. Webhooks: https://blog.algomaster.io/p/what-are-webhooks
5. Load Balancing: https://blog.algomaster.io/p/load-balancing-algorithms-explained-with-code
6. Proxy vs Reverse Proxy: https://blog.algomaster.io/p/proxy-vs-reverse-proxy-explained
7. Scalability: https://blog.algomaster.io/p/scalability
8. Availability: https://blog.algomaster.io/p/system-design-what-is-availability
9. SPOF: https://blog.algomaster.io/p/system-design-how-to-avoid-single-point-of-failures
10. CAP Theorem: https://blog.algomaster.io/p/cap-theorem-explained
11. SQL vs NoSQL: https://blog.algomaster.io/p/sql-vs-nosql-7-key-differences
12. ACID Transactions: https://blog.algomaster.io/p/what-are-acid-transactions-in-databases
13. Database Indexes: https://blog.algomaster.io/p/a-detailed-guide-on-database-indexes
14. Database Sharding: https://blog.algomaster.io/p/what-is-database-sharding
15. Consistent Hashing: https://blog.algomaster.io/p/consistent-hashing-explained
16. CDC: https://blog.algomaster.io/p/change-data-capture-cdc
17. Caching: https://blog.algomaster.io/p/4d7d6f8a-6803-4c7b-85ca-864c87c2cbf2
18. Caching Strategies: https://blog.algomaster.io/p/top-5-caching-strategies-explained
19. Cache Eviction Policies: https://blog.algomaster.io/p/7-cache-eviction-strategies
20. CDN: https://blog.algomaster.io/p/content-delivery-networks
21. Rate Limiting Algorithms: https://blog.algomaster.io/p/rate-limiting-algorithms-explained-with-code
22. Message Queues: https://blog.algomaster.io/p/message-queues
23. Bloom Filters: https://blog.algomaster.io/p/bloom-filters
24. Idempotency: https://blog.algomaster.io/p/idempotency-in-distributed-systems
25. Concurrency vs Parallelism: https://blog.algomaster.io/p/concurrency-vs-parallelism
26. Stateful vs. Stateless Architecture: https://blog.algomaster.io/p/stateful-vs-stateless-architecture
27. Long Polling vs WebSockets: https://blog.algomaster.io/p/long-polling-vs-websockets
28. Batch vs Stream Processing: https://blog.algomaster.io/p/batch-processing-vs-stream-processing
29. Strong vs. Eventual Consistency: https://blog.algomaster.io/p/strong-vs-eventual-consistency
30. REST vs GraphQL: https://blog.algomaster.io/p/rest-vs-graphql
📣👨💻 @AlgorithmDesign_DataStructuer
blog.algomaster.io
What's an API?
what every tech company has in common
👍4
این عکس رو ایلان ماسک منتشر کرده!
یه عدد اول با ۴۲۰ رقم که بیشترش از ۸ ساخته شده و چند تا ۱ بینش قاطی شده تا این عدد عجیب و جالب درست بشه.
جالبتر اینکه لوگوی Grako هم گوشه تصویر هست، که خودش معروف به طراحیهای خاص و ریاضیمحوره! 🔢✨
ریاضی همیشه سورپرایز داره! 🚀
📣👨💻 @AlgorithmDesign_DataStructuer
یه عدد اول با ۴۲۰ رقم که بیشترش از ۸ ساخته شده و چند تا ۱ بینش قاطی شده تا این عدد عجیب و جالب درست بشه.
جالبتر اینکه لوگوی Grako هم گوشه تصویر هست، که خودش معروف به طراحیهای خاص و ریاضیمحوره! 🔢✨
ریاضی همیشه سورپرایز داره! 🚀
📣👨💻 @AlgorithmDesign_DataStructuer
👍2
یک مکانیزم جدید و بهبود یافته برای Attention بهتازگی توسط MIT، انویدیا، پرینستون و سایر پژوهشگران معرفی شده است.
✅ مکانیزم جدید با نام Radial Attention یک روش Sparse (کمتراکم) و استاتیک برای Attention است که پیچیدگی محاسباتی آن O(n log n) میباشد. این روش تمرکز بیشتری روی توکنهای نزدیک دارد و بهمرور زمان پنجره توجه را کوچکتر میکند. علاوه بر این، Radial Attention میتواند با روشهای LoRA برای fine-tuning کردن مدلهای موجود نیز کار کند.
همچنین محققان یک پدیده به نام کاهش انرژی فضازمان (Spatiotemporal Energy Decay) را در مدلهای انتشار ویدیویی (Video Diffusion Models) شناسایی کردهاند. به این صورت که امتیازهای Attention پس از اعمال Softmax، هر چه فاصله مکانی یا زمانی بین توکنها بیشتر شود، کاهش پیدا میکند؛ شبیه به افت انرژی یا سیگنال در طبیعت که با افزایش فاصله کاهش مییابد.
Paper: https://arxiv.org/pdf/2506.19852v1.pdf
Code: https://github.com/mit-han-lab/radial-attention
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
✅ مکانیزم جدید با نام Radial Attention یک روش Sparse (کمتراکم) و استاتیک برای Attention است که پیچیدگی محاسباتی آن O(n log n) میباشد. این روش تمرکز بیشتری روی توکنهای نزدیک دارد و بهمرور زمان پنجره توجه را کوچکتر میکند. علاوه بر این، Radial Attention میتواند با روشهای LoRA برای fine-tuning کردن مدلهای موجود نیز کار کند.
همچنین محققان یک پدیده به نام کاهش انرژی فضازمان (Spatiotemporal Energy Decay) را در مدلهای انتشار ویدیویی (Video Diffusion Models) شناسایی کردهاند. به این صورت که امتیازهای Attention پس از اعمال Softmax، هر چه فاصله مکانی یا زمانی بین توکنها بیشتر شود، کاهش پیدا میکند؛ شبیه به افت انرژی یا سیگنال در طبیعت که با افزایش فاصله کاهش مییابد.
Paper: https://arxiv.org/pdf/2506.19852v1.pdf
Code: https://github.com/mit-han-lab/radial-attention
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👨💻2👌1
یک کتاب کاملاً رایگان و مناسب مبتدیان
یکی از بهترین کتابها درباره جبر خطی
https://www.cs.ox.ac.uk/files/12921/book.pdf
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
یکی از بهترین کتابها درباره جبر خطی
https://www.cs.ox.ac.uk/files/12921/book.pdf
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
🙏4
MLOps Pipeline Tutorial - YouTube viewer Sentiment
🔧 در این دوره یک پروژه کامل MLOps را از صفر تا صد پیادهسازی میکنید که هدف آن تحلیل احساسات کاربران یوتیوب است، آن هم با استفاده از یک افزونه کروم!
ابزارها و تکنولوژیهای مورد استفاده:
✅ MLflow
✅ DVC (نسخهبندی دادهها)
✅ Docker
✅ AWS (زیرساخت ابری)
https://www.youtube.com/watch?v=gwNPV882tkc
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
🔧 در این دوره یک پروژه کامل MLOps را از صفر تا صد پیادهسازی میکنید که هدف آن تحلیل احساسات کاربران یوتیوب است، آن هم با استفاده از یک افزونه کروم!
ابزارها و تکنولوژیهای مورد استفاده:
✅ MLflow
✅ DVC (نسخهبندی دادهها)
✅ Docker
✅ AWS (زیرساخت ابری)
https://www.youtube.com/watch?v=gwNPV882tkc
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
۷۴ صفحه که همهچی رو در مورد MCP پوشش میده: مفاهیم پایه، مشکلاتی که MCP حل میکنه، معماری، ابزارها، پرامپتها و ۱۱ پروژه عملی… همه توی یکجا جمع شده.
https://drive.google.com/file/d/1a0OMR6NKTY-R2ZeLJVnDimkmTauarXPB/view
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
https://drive.google.com/file/d/1a0OMR6NKTY-R2ZeLJVnDimkmTauarXPB/view
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer