Algorithm design & data structure
6.59K subscribers
882 photos
141 videos
174 files
481 links
این کانال برای تمامی علاقه‌مندان به کامپیوتر، مخصوصاً حوزه ساختمان داده‌ها و الگوریتم‌ها، مفید می باشد. آشنایی با ریاضیات مقدماتی، برنامه‌نویسی مقدماتی و پیشرفته و همچنین شی‌گرایی می‌تواند در درک بهتر مفاهیم این درس کمک‌ کند.

👨‍💻Admin👉 @Se_mohamad
Download Telegram
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
🎉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
👍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
👍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
👨‍💻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
🙏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
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
۲۱ پروژه پایتون

۹ ساعت پروژه‌های عملی پایتون، از سطح مبتدی تا پیشرفته.
تمام پروژه‌ها منحصربه‌فرد هستند و به صورت دسته‌بندی‌شده در سه سطح «مبتدی - متوسط - پیشرفته» قرار دارند.

https://www.youtube.com/watch?v=NpmFbWO6HPU

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
🙏5👍1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
حالا می‌تونیم مدل‌های دیفیوژن رو در زمان استنتاج (Inference Time) هدایت کنیم! 🚀

معرفی Diffusion Tree Sampling یا DTS:
یک روش مبتنی بر جستجو که از ایده‌ی Monte Carlo Tree Search الهام گرفته و فرآیند استنتاج را به یک بهینه‌سازی هدایت‌شده توسط پاداش (Reward-Guided Optimization) و قابل توقف در هر لحظه (Anytime) تبدیل می‌کند.

Paper: https://arxiv.org/abs/2506.20701
Page: https://diffusion-tree-sampling.github.io

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
دوره LLM

دوره‌ای برای ورود به دنیای مدل‌های زبانی بزرگ (LLMها) همراه با نقشه‌های راه و نوت‌بوک‌های عملی در Google Colab. 🚀

https://github.com/mlabonne/llm-course

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
🙏2
مایکروسافت یه دوره رایگان برای مبتدی‌ها آماده کرده که خیلی ساده و پروژه‌محور پیش می‌ره.

توی این دوره یاد می‌گیری:

🔹 ساختار و منطق پشت مدل‌های زبانی بزرگ (LLM)
🔹 کار با API‌های OpenAI و Azure توی پروژه‌های واقعی
🔹 ساخت قابلیت‌های هوش مصنوعی مولد داخل وب‌اپلیکیشن‌ها با Python و TypeScript

https://github.com/microsoft/generative-ai-for-beginners/tree/main?WT.mc_id=academic-105485-koreyst

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
🙏3
🎯 دوره‌ی فوق‌العاده برای کسی که می‌خواد مدل‌های زبانی رو از صفر بسازه!

Language Models from Scratch یه دوره‌ی خیلی خفن که قدم‌به‌قدم نشون می‌ده چطور می‌تونی خودت مدل زبانی رو از پایه طراحی و پیاده‌سازی کنی.

📌 پیشنهاد می‌کنم اگر توسعه‌دهنده‌ی هوش مصنوعی هستی یا دنبال یادگیری عمیق‌تر تو این حوزه‌ای، حتماً این دوره رو بوکمارک کن.

سرفصل‌ها:
Overview and Tokenization
- PyTorch
- Architectures and Hyperparameters
- Mixture of Experts
- GPUs
- Kernels and Triton
- Parallelism
- Scaling Laws
- Inference
- Evaluation
- Data
- SFT and RLHF

https://www.youtube.com/playlist?list=PLoROMvodv4rOY23Y0BoGoBGgQ1zmU_MT_

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
👍4
یکی از دوستان کتابی درباره Retrieval Augmented Generation (RAG) منتشر کردن که واقعاً مفیده.
توی این کتاب توضیح داده شده که RAG چطور کار می‌کنه و چه نقشی توی مدل‌های زبانی بزرگ (LLM) داره، به همراه مباحث پیشرفته و کد عملی.

https://mallahyari.github.io/rag-ebook/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
🙏2
این مخزن گیت‌هاب به‌معنای واقعی شامل بیش از ۷۵ آموزش درباره عوامل هوش مصنوعی (AI Agents)، چارچوب MCP، RAG، عوامل صوتی (Voice Agents) و تیم‌های چندعاملی (Multi-agent teams) است.

https://github.com/Shubhamsaboo/awesome-llm-apps/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
👍3👨‍💻1
تا حالا فکر کردی که مدل زبانی بزرگ (LLM) از درون واقعاً چه شکلیه؟

این تصویرسازی واقعاً محو‌کننده و جذابه.

https://bbycroft.net/llm

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
👍5
MCP
یک فرمت فایل باز برای ساخت ایجنت‌های هوش مصنوعی با حافظه است که همه چیز مثل پرامپت‌ها، حافظه، تنظیمات ابزار و مدل را در یک فایل جمع می‌کند.

https://github.com/letta-ai/agent-file
#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
کتاب رایگان و فوق‌العاده جبر خطی تعاملی نوشته Dan Margalit و Joseph Rabinoff

https://personal.math.ubc.ca/~tbjw/ila/ila.pdf

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
🎉 با GraphRAG توی Graphlit می‌تونید از محتوای خودتون گراف دانش بسازید و موجودیت‌ها رو با ویکی‌پدیا کامل کنید.

اینطوری می‌تونید به RAG خودتون اطلاعات زمینه‌ای دقیق‌تر اضافه کنید.

https://www.graphlit.com/blog/graphrag-using-knowledge-in-unstructured-data-to-build-apps-with-llms

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
یه مدل جدید اومده به اسم HRM که قراره استدلال هوش مصنوعی رو شبیه مغز آدم‌ها کنه!

مدل‌های قبلی مثل GPT برای فکر کردن باید کلی مرحله زنجیره‌وار (CoT) انجام بدن، کند و پرخرج. ولی این HRM با یه طراحی ساده و شبیه مغز، همزمان هم برنامه‌ریزی می‌کنه هم اجرا، اونم تو یه حرکت سریع!

جالبه با فقط ۲۷ میلیون پارامتر و هزار تا نمونه، راحت کارای سخت مثل سودوکو و پیدا کردن مسیر رو بهتر از مدل‌های بزرگ انجام می‌ده!

https://arxiv.org/pdf/2506.21734

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer