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

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

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

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

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

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

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

برای یادگیری ریاضیات،
این بهترین کانال است. کاملاً مناسب برای مبتدیان.

The Channel: ProfRobBob

❯ Algebra
https://youtube.com/playlist?list=PLGbL7EvScmU7ZqJW4HumYdDYv12Wt3yOk

❯ Calculus
https://youtube.com/playlist?list=PL67C119EDA6BDE946

❯ Geometry
https://youtube.com/playlist?list=PL668AB35C6885A036

❯ Trigonometry
https://youtube.com/playlist?list=PL085526F86A268B57

❯ Statistics
https://youtube.com/playlist?list=PLC8478000586FA6F9

❯ Vector Math
https://youtube.com/playlist?list=PLGbL7EvScmU65gODlS0IWZLRgnfcqx1lm

❯ Linear Algebra
https://youtube.com/playlist?list=PLGbL7EvScmU4yeJjKaSrp2R7DN6czOV2y

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یه اسکریپت خیلی ساده که می‌تونی باهاش توی ترمینال مستقیماً به Gemini متصل بشی.


https://github.com/AmiraliToori/GeminiSH

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

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

🎯 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

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

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

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

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