📘 Transformers Notebooks

مجموعه‌ای از نوت‌بوک‌های آموزشی برگرفته از کتاب Natural Language Processing with Transformers

💻 می‌تونی این نوت‌بوک‌ها رو روی Google Colab یا سیستم خودت اجرا کنی.
برای اجرای سریع‌تر، پیشنهاد می‌شه از GPU استفاده کنی چون بیشتر فصل‌ها به قدرت پردازشی بالا نیاز دارن ⚡️

https://github.com/nlp-with-transformers/notebooks?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

✅ کتاب‌های رایگان یادگیری ماشین که باید بشناسی!

1️⃣ Dive into Deep Learning: https://d2l.ai

2️⃣ Deep Learning: https://deeplearningbook.org

3️⃣ Interpretable Machine Learning: https://christophm.github.io/interpretable-ml-book/

4️⃣ Machine Learning Yearning: https://info.deeplearning.ai/machine-learning-yearning-book

5️⃣ Mathematics for Machine Learning: https://mml-book.github.io

6️⃣ An Introduction to Statistical Learning: https://statlearning.com

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🔹 طبق تازه‌ترین آمار GitHub، زبان TypeScript تونسته با پشت سر گذاشتن Python به محبوب‌ترین زبان از نظر تعداد کاربران فعال تبدیل بشه!
جالبه بدونین TypeScript نسبت به سال گذشته ۶۶٪ رشد داشته و این نشون می‌ده که برنامه‌نویس‌ها روزبه‌روز بیشتر به زبان‌های تایپ‌شده علاقه‌مند می‌شن.

البته در دنیای هوش مصنوعی هنوزم Python بی‌رقیبه!
از طرفی، از نظر تعداد پروژه‌های ساخته‌شده، زبان JavaScript در صدره و Python هم با فاصله‌ای خیلی کم در رتبه دوم قرار داره.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

در این جلسه زنده، یاد می‌گیرید چگونه با استفاده از پایگاه داده‌ی Neo4j یک گراف دانش (Knowledge Graph) ایجاد کنید.

https://www.youtube.com/watch?v=1ogNyPWUP7g

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🤖 AI vs Machine Learning vs Deep Learning vs Generative AI

🧠 هوش مصنوعی (AI):
شاخه‌ای گسترده از علوم کامپیوتره که هدفش ساخت سیستم‌هایی‌ست که بتونن کارهایی مثل استدلال، یادگیری، حل مسئله و درک زبان رو مثل انسان انجام بدن.
زیرشاخه‌هایی مثل یادگیری ماشین، پردازش زبان طبیعی، بینایی ماشین و رباتیک رو شامل میشه.

📊 یادگیری ماشین (ML):
زیرمجموعه‌ای از AI که به کامپیوترها اجازه میده از داده‌ها یاد بگیرن و بدون برنامه‌ریزی مستقیم، تصمیم‌گیری کنن.
هر چی داده‌ها بیشتر باشن، مدل هوشمندتر میشه.

🧩 یادگیری عمیق (Deep Learning):
شاخه‌ای تخصصی از ML که با استفاده از شبکه‌های عصبی چندلایه، الگوهای پیچیده در داده‌ها رو شناسایی می‌کنه.
این شبکه‌ها الهام‌گرفته از مغز انسان هستن و در کارهایی مثل تشخیص تصویر و گفتار، پردازش زبان طبیعی و خودروهای خودران کاربرد دارن 🚗

🎨 هوش مصنوعی مولد (Generative AI):
نوعی از AI که می‌تونه محتوای جدید تولید کنه ، مثل متن، تصویر، موسیقی یا کد بر اساس داده‌هایی که آموزش دیده.
این مدل‌ها بیشتر بر پایه‌ی معماری ترنسفورمر ساخته می‌شن.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

⚡️ بیش از 200 اسکریپت آماده برای n8n

یه مخزن گیتهاب شامل بیش از 200 workflow آماده و رایگان برای ابزار n8n 🤖

📚 موضوعات:
فروش، مارکتینگ، حسابداری مالی، کدنویسی و بهره‌وری شخصی

🧩 n8n?
🔹 یه ابزار اتوماسیون متن‌باز و بدون‌کد هست
🔹 محیط گرافیکی داره؛ فقط با اتصال بلوک‌ها می‌تونی فرایند بسازی
🔹 صدها integration با سرویس‌هایی مثل ایمیل، CRM، پیام‌رسان‌ها و webhook
🔹 قابلیت اضافه کردن منطق اختصاصی با JavaScript
🔹 قابل اجرا روی سرور شخصی یا فضای ابری ☁️

⚙️ نحوه استفاده:
1️⃣ ورک‌فلو موردنظر (.json) رو از GitHub دانلود کن
2️⃣با API key و اطلاعات اکانتت رو داخل بلوک‌ها بذار
3️⃣ مراحل رو چک کن و اجرای خودکار رو با cron یا webhook فعال کن

📎 لینک گیتهاب:
https://github.com/wassupjay/n8n-free-templates

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

مجموعه‌ای از شبکه‌های عصبی کاملاً رایگان در Hugging Face

می‌توانید از آن‌ها برای کارهای جالبی مثل افزایش کیفیت عکس‌ها (upscaling)، حذف پس‌زمینه‌ها، ویرایش تصاویر و موارد دیگر استفاده کنید.

تمام این مدل‌ها رایگان و open-source هستند و در اینجا در دسترس‌اند.

https://huggingface.co/collections/ysharma/edit-your-image-662be093bf97b697957c3c3f

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

📌 تحلیل احساسات با PyTorch – تحلیل مؤلفه‌های عاطفی متن

این مخزن شامل پیاده‌سازی‌های مختلفی از تحلیل متن با استفاده از PyTorch است:
🔄 با استفاده از روش Bag of Words
🟰 با بهره‌گیری از شبکه‌ عصبی بازگشتی (RNN)
♾️ از طریق شبکه‌ عصبی کانولوشنی (CNN)
🔍 و با کمک مدل‌های ترنسفورمر (Transformers)

https://github.com/bentrevett/pytorch-sentiment-analysis/blob/main/1%20-%20Neural%20Bag%20of%20Words.ipynb

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🟢 مرجع اصلی تمام کتابخانه‌های Python برای Data Science!

✅ این GitHub Repository فوق‌العاده شامل تمام کتابخانه‌ها، پکیج‌ها و ابزارهای Python است که برای یادگیری و انجام پروژه‌های Data Science ضروری هستند.

🔖 لینک دسترسی به Repository:
https://github.com/krzjoa/awesome-python-data-science

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🔥 مجموعه‌ای از سوالات مصاحبه در حوزه‌های DS، AI، ML، DL، NLP و Computer Vision!
✅ Machine learning interview questions and answers for data scientists

✅ Deep Learning Interview Questions and Answers for Data Scientists

✅ Statistics questions

✅ Questions on probability theory

✅ Repository for a line of online courses on statistics

✅ Questions and answers for data scientists in Python

✅ SQL and DB Interview Questions and Answers for Data Scientists
Questions Based on Resumes

✅ Large Language Model (LLM) Interview Questions and Answers

✅ Questions and answers to interviews on computer vision part 1

✅ Computer vision interview questions and answers part 2

✅ Questions and answers to computer vision interviews part 3

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

مخزن GitHub “Free AI Resources” توسط mrsaeeddev، مجموعه‌ای بی‌نظیر از منابع آموزشی کاملاً رایگان است که برای همه، از مبتدی تا حرفه‌ای، مناسب است.

🔑 موضوعات کلیدی این مخزن:

🎓 دوره‌های رایگان AI، ML، Deep Learning و NLP از دانشگاه‌ها و پلتفرم‌های برتر (استنفورد، گوگل، IBM، Udacity، هاروارد)
📐 مبانی ریاضی برای AI و علم داده
🏆 پروژه‌ها و مسابقات رایگان Machine Learning و Data Science (Kaggle، Zindi، CodaLab، AIcrowd)
📊 مخازن داده‌ها (UCI، TensorFlow، Microsoft Open Data، Google Dataset Search)
🔬 تحقیقات AI در شرکت‌های فناوری پیشرو (گوگل، DeepMind، تسلا، مایکروسافت، آمازون)
💻 منابع توسعه‌دهندگان و پژوهشگران برای ساخت ابزارهای AI
📺 کانال‌ها و وبلاگ‌های محبوب AI برای یادگیری مستمر
🌍 تابلوهای شغلی و جامعه‌های AI برای فرصت‌های جهانی
📚 چیت‌شیت‌های جامع AI برای یادگیری سریع و مرور

https://github.com/mrsaeeddev/free-ai-resources

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🎓 Graph Representation Learning

https://etd.ohiolink.edu/acprod/odb_etd/ws/send_file/send?accession=bgsu1750685783989036&disposition=inline

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

فهرست گسترده‌ای از منابع برای تمرین Data Science

این مجموعه شامل کتابخانه‌های پایتون، لینک به آموزش‌ها و مثال‌های کد برای حل مسائل Data Science است.

https://github.com/r0f1/datascience

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🔹 آغاز تحول: Vision Transformer (ViT) — سال ۲۰۲۰

تا قبل از سال ۲۰۲۰، بیشتر مدل‌های بینایی بر پایه‌ی CNNها بودند؛ مثل ResNet و EfficientNet.
اما در مقاله‌ای از تیم Google Research (Dosovitskiy et al., 2020) ایده‌ای کاملاً متفاوت مطرح شد:
«اگر تصویر را مثل متن تکه‌تکه کنیم، می‌توانیم از Transformer به جای CNN استفاده کنیم!» 💡

🔸 ایده‌ی اصلی ViT

📦 در ViT، تصویر به بخش‌های کوچک به نام Patch تقسیم می‌شود (مثلاً 16×16 پیکسل).
هر patch مثل یک “کلمه” در جمله در نظر گرفته می‌شود.
سپس با Flatten + Linear Projection تبدیل به یک بردار ویژگی می‌گردد.

🔁 این توکن‌ها (patch embeddings) همراه با Positional Encoding به Encoder ترنسفورمر داده می‌شوند تا ارتباط میان بخش‌های مختلف تصویر را یاد بگیرد.

به زبان ساده:

در واقع Transformer یاد می‌گیرد که کدام بخش‌های تصویر به هم مرتبط‌اند، بدون نیاز به فیلترهای مکانی CNN.

اطلاع بیشتر:
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

⚡️ یادگیری ماشین گراف (Graph Machine Learning)

📘 دوره‌ی پیشرفته‌ی رایگان درباره‌ی یادگیری ماشین روی گراف‌ها.

این دوره به‌صورت منظم با مسائل عملی و اسلایدهای آموزشی به‌روزرسانی می‌شود.
👨‍🏫 نویسنده‌ی دوره، پروفسور Xavier Bresson، استاد دانشگاه ملی سنگاپور (National University of Singapore) است.

▪️ Introduction

▪️ Dive into graphs

Running instructions: https://storage.googleapis.com/xavierbresson/lectures/CS6208/running_notebooks.pdf

💡 Github

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🔥 فهرستی گردآوری‌شده از مدل‌های زبانی بزرگ (LLM)

مجموعه‌ای منظم از مقالات، مدل‌ها، APIها، نمونه‌کدها، دوره‌ها و دیتاست‌ها که به مدل‌های زبانی بزرگ اختصاص دارد.

.• Github

سایر ریپازیتوری‌های تخصصی و ارزشمند که به مدل‌های زبانی بزرگ (LLM) اختصاص دارند:
• Awesome-LLM-hallucination
• Awesome-hallucination-detection
• Awesome ChatGPT Prompts
• Awesome ChatGPT
• Awesome Deliberative Prompting
• Instruction-Tuning-Papers
• LLM Reading List
• Reasoning using Language Models
• Chain-of-Thought Hub
• Awesome GPT
• Awesome GPT-3
• Awesome LLM Human Preference Datasets
• RWKV-howto
• ModelEditingPapers
• Awesome LLM Security
• Awesome-Code-LLM
• Awesome-LLM-Compression
• Awesome-LLM-Systems
• Awesome-LLM-Healthcare
• Awesome-LLM-Inference
• Awesome-LLM-3D
• LLMDatahub
• Language models for Russian language

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🎓 ۹ دوره‌ی رایگان یادگیری ماشین استنفورد

1️⃣ دوره جامع هوش مصنوعی

2️⃣ دوره مقدمه‌ای بر یادگیری ماشین

3️⃣ دوره یادگیری ماشین

4️⃣ دوره تئوری یادگیری ماشین

5️⃣ دوره یادگیری ماشین با گراف‌ها

6️⃣ دوره درک و پردازش زبان طبیعی

7️⃣ دوره NLP با یادگیری عمیق

8️⃣ دوره جامع یادگیری عمیق

9️⃣ دوره جامع یادگیری تقویتی

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🚀 Nanobrowser — مرور هوشمند وب با هوش مصنوعی

یه ابزار متن‌باز و هوشمنده که به‌صورت افزونه در مرورگر نصب می‌شه و می‌تونه کارهای وبی رو فقط با دستور زبانی انجام بده
مثل:
خلاصه‌کردن خبرها
پیدا کردن پروژه‌های برتر GitHub
جست‌وجوی محصولات با ویژگی دلخواه

برخلاف ابزارهای ابری، همه‌چیز به‌صورت محلی و امن روی دستگاه شما اجرا می‌شه

✅ پشتیبانی از چندین مدل LLM (GPT-4, Claude, Gemini, Ollama و …)
✅ رابط کاربری ساده و قابل تنظیم
✅ کاملاً متن‌باز و رایگان

https://github.com/nanobrowser/nanobrowser

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue