🤖 ۱۲ دوره رایگان برای ساخت Agentهای هوش مصنوعی

1. Multi AI Agent Systems with CrewAI
🔗 https://lnkd.in/evNNuQDi

2. Practical Multi AI Agents and Advanced Use Cases with CrewAI
🔗 https://lnkd.in/ega39kJw

3. AI Agents in LangGraph
🔗 https://lnkd.in/erTxSF_g

4. Long-Term Agentic Memory with LangGraph
🔗 https://lnkd.in/eZrxStm8

5. AI Agentic Design Patterns with AutoGen
🔗 https://lnkd.in/eEmbdM9C

6. Evaluating AI Agents
🔗 https://lnkd.in/eaz3-PzQ

7. Event-Driven Agentic Document Workflows with LlamaIndex
🔗 https://lnkd.in/egmF-DGR

8. Build Apps with Windsurf's AI Coding Agents
🔗 https://lnkd.in/e_nei494

9. Building Code Agents with Hugging Face
🔗 https://lnkd.in/eqt7pmSB

10. Building AI Browser Agents
🔗 https://lnkd.in/eGtPgQRd

11. DsPy: Build and Optimize Agentic Apps
🔗 https://lnkd.in/exRzn_xh

12. MCP: Build Rich-Context AI Apps with Anthropic
🔗 https://lnkd.in/e5eGbATC

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کتابخانه‌های زیادی برای visualization داده وجود دارند، اما یکی از خاص‌ترین‌شان که رابط کاربری گرافیکی هم دارد و کار را برای افرادی که خیلی فنی نیستند راحت می‌کند، SandDance از مایکروسافت است.
ویژگی کلیدی SandDance این است که از unit visualizations استفاده می‌کند — هر ردیف از داده مستقیماً به یک نشانه روی صفحه نگاشت می‌شود، که باعث می‌شود ساختار و توزیع داده‌ها شفاف‌تر دیده شوند. علاوه بر این، انتقال‌های انیمیشنی نرم بین نماها حفظ زمینه و پیوستگی ذهنی را راحت‌تر می‌کند؛ همین انیمیشن‌های زیبا و تعاملی هستند که اگر بخواهید از صفر بسازید، زمان و مهارت زیادی لازم دارند، اما SandDance این کار را با یک UI آسان برای شما انجام می‌دهد.

https://github.com/microsoft/SandDance

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💥 دوره جدید: Jupyter AI – کدنویسی با هوش مصنوعی در Notebooks
تدریس توسط Andrew Ng و Brian Granger

دستیارهای هوشمند در حال تغییر شیوه‌ی ساخت نرم‌افزار هستند. اما بیشترشون در محیط notebooks عملکرد خوبی ندارن. اینجاست که Jupyter AI وارد می‌شه! 🤖

در این دوره یاد می‌گیرید:

1️⃣ چطور با رابط چت Jupyter AI chat interface مستقیماً در notebookها کد بنویسید، debug کنید و explain code بگیرید 💬💻
2️⃣یک Book Research Assistant بسازید با استفاده از Open Library API 📚
3️⃣یک جریان کاری Stock Market Analysis Workflow طراحی کنید که داده‌های واقعی رو visualize و interpret کنه


https://www.deeplearning.ai/short-courses/jupyter-ai-coding-in-notebooks/?utm_campaign=jupyter-ai-launch&utm_medium=social-media&utm_source=dlai-sm

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 هفته رایگان DataCamp

📚 بیش از ۶۰۰ دوره آموزشی رایگان – بدون نیاز به کارت بانکی

از ۱۲ تا ۱۸ آبان فرصت دارید تا به تمام دوره‌های DataCamp به‌صورت کامل و رایگان دسترسی داشته باشید.
یاد بگیرید، تمرین کنید، و حتی مدرک رسمی بگیرید! ✅

🔹 یادگیری مهارت‌های پرتقاضا مثل Python، AI، SQL، Power BI، OpenAI و ده‌ها مورد دیگه
🔹 آموزش با تمرین‌های واقعی و پروژه‌های کاربردی
🔹 مسیرهای شغلی تخصصی و گواهی معتبر بین‌المللی


لینک دسترسی:
https://www.datacamp.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💬 سلام به همه دوست‌داران علم و دانش!
خیلی‌هاتون ازم خواسته بودید درباره‌ی کنکور ارشد مهندسی کامپیوتر صحبت کنم و منابع خوبی معرفی کنم.
منم تصمیم گرفتم تجربه‌ی شخصی خودم رو با شما به اشتراک بذارم و اساتیدی رو معرفی کنم که به‌نظرم مفاهیم رو با وضوح و روش تدریس فوق‌العاده‌ای منتقل می‌کنن.
🎯 این معرفی‌ها بر اساس تجربه‌ی شخصی منه و ممکنه برای هرکس متفاوت باشه، چون در نهایت میزان یادگیری به تلاش و پیگیری خودتون بستگی داره.

📘 منابع پیشنهادی برای دروس مهم کنکور ارشد مهندسی کامپیوتر:

🧩 ساختمان داده و طراحی الگوریتم:
ترجیحاً استاد گیلک — بعد از اون استاد انصاری

🔢 ریاضیات گسسته:
استاد گیلک

💭 نظریه زبان‌ها و ماشین‌ها:
استاد شاپوری

🎵 سیگنال‌ها و سیستم‌ها:
استاد ریحانی

🤖 هوش مصنوعی:
ترجیحاً استاد گیلک یا استاد انصاری

⚙️ مدار منطقی:
استاد کتیرایی یا استاد یوسفی

🏛 معماری کامپیوتر:
استاد یوسفی

🖥 سیستم‌عامل:
ترجیحاً استاد حقیقت یا استاد یوسفی

🗄 پایگاه داده:
حتماً استاد خلیلی‌فر — تدریسش واقعاً بی‌نظیره

🌐 شبکه‌های کامپیوتری:
دوره‌ی میکرو استاد کمایی یا استاد خلیلی‌فر

📏 ریاضیات پایه:
استاد گیلک

✨ این لیست فقط بر اساس تجربه‌ی شخصی منه و هدفم اینه که مسیرتون در انتخاب منابع شفاف‌تر بشه.

📚 چند نکته‌ی مهم برای موفقیت در کنکور ارشد مهندسی کامپیوتر:

🔹 تست زیاد بزنید و با انواع سوالات آشنا بشید
فقط با یک بار خوندن درس نمی‌تونید به همه‌ی سوال‌ها جواب بدید — باید مرور و تمرین مداوم داشته باشید تا مفاهیم کاملاً در ذهنتون تثبیت بشن.

🔹 درس‌ها رو ریز به ریز و بدون ابهام یاد بگیرید
اگه فقط درس‌های دانشگاه رو بلد باشید، معمولاً می‌تونید به ۱ تا ۳ سوال از هر درس پاسخ بدید.
اما اگر دنبال درصدهای بالا هستید، باید مطالب رو کامل و بدون ابهام مطالعه کنید. هیچ جزئیاتی رو دست‌کم نگیرید.

🔹 زمان مطالعه مناسب و هدفمند داشته باشید
سعی کنید ۵ تا ۶ ساعت مطالعه مفید در روز داشته باشید و بعد از هر مبحث، حتماً تست بزنید تا یادگیری تثبیت بشه.

🔹 تمرکز روی درس‌های کلیدی و با ضریب بالا
درس‌هایی مثل ساختمان داده و طراحی الگوریتم اهمیت ویژه‌ای دارند و معمولاً سوالات طولانی و چالشی طرح می‌کنن.
اول ببینید هدفتون در ارشد چه رشته‌ای هست و درس‌هایی که ضریب بیشتری دارند رو اولویت‌دار مطالعه کنید.

💪 جمله‌ی انگیزشی:
هیچ وقت از تلاش دست برندارید! خیلی‌ها می‌گن «اینقدر مونده، می‌تونم برسم؟» — این‌ها فقط بهانه است. شما فقط مطالعه کنید و تمام تلاش‌تون رو بکنید، بقیش رو بسپارید به خدا.

ارتباط با من:
@Se_mohamad

اگر شما هم تجربه‌ای از کلاس یا استادی داشتید که مفید بوده، حتماً توی کامنت‌ها بنویسید تا بقیه هم استفاده کنن 💬

#تجربه
📣👨‍💻 @AlgorithmDesign_DataStructuer

مکتب‌خونه به مناسبت ۱۴ سالگی شدنش یه هدیه‌ی ویژه داره!

به همین بهانه، ۵۰۰ تا از دوره‌های پرمخاطب رو رایگان کرده

از دوره‌های پایتون و هوش مصنوعی گرفته تا آموزش‌های فتوشاپ و طراحی ✨

فقط کافیه موقع ثبت‌نام از کد تخفیف زیر استفاده کنی 👇

🎫 کد تخفیف: HBD

(نحوه استفاده از کد تخفیف در سایت گفته شده)

🔗 شروع یادگیری رایگان در مکتب‌خونه

📣👨‍💻 @AlgorithmDesign_DataStructuer

💻 مرجعی برای همه‌ی زبان‌های برنامه‌نویسی!
اگه موقع کدنویسی مدام دنبال سینتکس‌ها و توابع زبان‌های مختلف می‌گردی، یه سایت هست که حسابی کمکت می‌کنه.
همه‌چی از منابع رسمی جمع شده و توی یه ساختار منظم، کنار هم چیده شده — فقط زبان مورد نظرت رو انتخاب کن و هر چی لازمی جلوته! 🚀

https://overapi.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

نوت‌بوک‌های Google Colab برای یادگیری هر آنچه لازم است تا در Prompt Engineering با مدل Claude آشنا شوید. از ساختارهای پایه و نقش‌دهی در پرامپت‌ها گرفته تا تکنیک‌های پیشرفته‌ای مانند Few-Shot Learning، جلوگیری از هالوسینیشن‌ها (Hallucinations)، و استفاده از ابزارها Tool Use.

https://github.com/anthropics/courses/tree/master/prompt_engineering_interactive_tutorial/Anthropic%201P

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 در این سایت با مکانیزم‌های اصلی یادگیری عمیق آشنا می‌شویم و یاد می‌گیریم چگونه به سبک PyTorch فکر کنیم.
📌 از Automatic Differentiation تا آموزشCustom Neural Networks، همه چیز در یک مسیر آموزشی ساده و کاربردی.

اگر تازه کار هستید در این زمینه حتما ببینید.

https://towardsdatascience.com/the-basics-of-deep-learning-with-pytorch-in-1-hour/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگه هیچ پیش‌زمینه‌ای درباره‌ی گراف نداری و نمی‌دونی اصلاً چی هست یا ازش استفاده می‌کنن 🧠
یا برات سواله که چطور می‌تونیم یک گراف بسازیم، چه انواع نمایش‌هایی براش وجود داره و کِی هرکدوم بهترن .

🎥 این ویدیو دقیقاً برای توئه!
https://www.youtube.com/watch?v=LFKZLXVO-Dg

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چگونه مهندس یادگیری ماشین شویم ؟

در این سایت یک نقشه راه کامل از صفر تا تبدیل شدن به مهندس یادگیری ماشین برای شما آماده شده است.
📌 همچنین لینک منابع معتبر برای یادگیری عملی و تئوری قرار داده شده که می‌توانید از آن‌ها برای شروع مسیر خود استفاده کنید.

https://towardsdatascience.com/dont-follow-generic-ml-engineer-roadmaps-do-this-instead-2/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧬 کاربرد شبکه‌های عصبی گراف (GNNs) در کشف دارو

شبکه‌های عصبی گراف یا GNNs به‌دلیل توانایی‌شون در پردازش داده‌های با ساختار گرافی مثل مدل‌های مولکولی داروها به یکی از ابزارهای مهم در حوزه‌ی کشف دارو تبدیل شدن. 💊

🔹 این رویکرد باعث شده روش‌ها و مدل‌های متنوعی در مقالات علمی معرفی بشن که هرکدوم بخشی از فرآیند کشف دارو رو پوشش می‌دن.
🔹 در این مقاله، به‌صورت جامع حوزه‌های مختلف پژوهشی بررسی شده و ۳۸ مقاله‌ی تحقیقاتی پرارجاع به‌همراه ۴ مقاله‌ی مروری مورد تحلیل قرار گرفتن.

https://arxiv.org/pdf/2509.07887

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مایکروسافت و مدل تصویرساز جدیدش؛ MAI-Image-1 🤖✨

مایکروسافت به‌طور رسمی از MAI-Image-1، نخستین مدل تولید تصویر از متن (Text-to-Image) که به‌صورت کاملاً داخلی (in-house) توسعه داده، رونمایی کرد.
در نخستین حضورش، این مدل در میان ۱۰ مدل برتر جدول رقابتی LMArena قرار گرفت . دستاوردی که نشان از سرمایه‌گذاری عمیق مایکروسافت در فناوری هوش مصنوعی اختصاصی دارد.


⚡️ مزایای مدل MAI-Image-1:
🔸 تولید تصاویر فوق‌واقعی با جزئیات بالا و نورپردازی طبیعی
🔸 عملکرد برتر در نمایش بازتاب نور، سایه‌ها و مناظر طبیعی
🔸 سرعت چشمگیر در تولید و پردازش تصویر
🔸 طراحی کاربردی با تمرکز بر نیازهای واقعی کاربران

🔷 نحوه دسترسی به MAI-Image-1
در حال حاضر این مدل برای آزمایش عمومی در پلتفرم LMArena در دسترس است؛ جایی که توسعه‌دهندگان و علاقه‌مندان به هوش مصنوعی می‌توانند عملکرد آن را ارزیابی کرده و بازخورد ارائه دهند.

دریافت اطلاعات بیشتر:
https://microsoft.ai/news/introducing-mai-image-1-debuting-in-the-top-10-on-lmarena/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer