برای مشاهده اسلایدهای تدریس شده درس «الگوریتم و ساختار داده» در دانشگاه WATERLOO، لطفاً به لینک زیر مراجعه کنید. 🌐
https://ece.uwaterloo.ca/~dwharder/aads/Lecture_materials/
یکی از مزایای عالی این اسلایدها این است که در پایان هر فصل، سوالاتی همراه با پاسخ‌هایشان مطرح شده است. 📚✨
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
https://ece.uwaterloo.ca/~dwharder/aads/Lecture_materials/
یکی از مزایای عالی این اسلایدها این است که در پایان هر فصل، سوالاتی همراه با پاسخ‌هایشان مطرح شده است. 📚✨
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
پدینگ در شبکه‌های عصبی کانولوشنی 🤖
پدینگ (Padding) یکی از مفاهیم مهم در شبکه‌های عصبی کانولوشنی است که به اضافه کردن پیکسل‌های اضافی به حاشیه تصویر اشاره دارد. این کار به منظور حفظ ابعاد فضایی تصویر پس از عملیات کانولوشن انجام می‌شود.
🌐 در هنگام انجام عملیات کانولوشن، یک فیلتر روی تصویر حرکت می‌کند. اگر این فیلتر فقط روی پیکسل‌های اصلی تصویر حرکت کند، خروجی کوچک‌تر از تصویر ورودی خواهد بود. مثلاً اگر یک تصویر 5x5 (25 پیکسل) و یک فیلتر 3x3 داشته باشیم، خروجی یک ماتریس 3x3 (9 پیکسل) خواهد بود.
🔍 دو نوع اصلی پدینگ وجود دارد:
1. پدینگ معتبر (Valid Padding): فیلتر فقط در مکان‌های معتبر داخل تصویر اعمال می‌شود و از حاشیه عبور نمی‌کند. این کار باعث می‌شود ابعاد خروجی کوچک‌تر شود.
2. پدینگ همانند (Same Padding): تصویر با صفرها به اندازه‌ای پدینگ می‌شود که ابعاد خروجی پس از کانولوشن با ورودی برابر باشد.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
پدینگ (Padding) یکی از مفاهیم مهم در شبکه‌های عصبی کانولوشنی است که به اضافه کردن پیکسل‌های اضافی به حاشیه تصویر اشاره دارد. این کار به منظور حفظ ابعاد فضایی تصویر پس از عملیات کانولوشن انجام می‌شود.
🌐 در هنگام انجام عملیات کانولوشن، یک فیلتر روی تصویر حرکت می‌کند. اگر این فیلتر فقط روی پیکسل‌های اصلی تصویر حرکت کند، خروجی کوچک‌تر از تصویر ورودی خواهد بود. مثلاً اگر یک تصویر 5x5 (25 پیکسل) و یک فیلتر 3x3 داشته باشیم، خروجی یک ماتریس 3x3 (9 پیکسل) خواهد بود.
🔍 دو نوع اصلی پدینگ وجود دارد:
1. پدینگ معتبر (Valid Padding): فیلتر فقط در مکان‌های معتبر داخل تصویر اعمال می‌شود و از حاشیه عبور نمی‌کند. این کار باعث می‌شود ابعاد خروجی کوچک‌تر شود.
2. پدینگ همانند (Same Padding): تصویر با صفرها به اندازه‌ای پدینگ می‌شود که ابعاد خروجی پس از کانولوشن با ورودی برابر باشد.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍5
در علوم کامپیوتر، مسائل بر اساس میزان بغرنجی و پیچیدگی آن‌ها به سه دسته اصلی تقسیم می‌شوند:
1️⃣ مسائلی با الگوریتم‌های چندجمله‌ای: این دسته شامل مسائلی است که برای آن‌ها الگوریتم‌هایی با پیچیدگی زمانی چندجمله‌ای (polynomial time) یافت شده است. این بدان معناست که زمان اجرای این الگوریتم‌ها با افزایش اندازه ورودی به طور منطقی و قابل مدیریت رشد می‌کند. به عنوان مثال، جستجوی دودویی در آرایه‌های مرتب 🔍، مرتب‌سازی آرایه‌ها 📊، و ضرب زنجیره‌ای ماتریس‌ها 🔗 همگی از این نوع مسائل هستند. این دسته از مسائل به طور کلی به عنوان مسائلی با پیچیدگی قابل قبول در نظر گرفته می‌شوند و حل آن‌ها در زمان قابل قبولی ممکن است.
2️⃣ مسائلی که ثابت شده بغرنج هستند: این دسته شامل مسائلی است که برای آن‌ها ثابت شده است که الگوریتم چندجمله‌ای وجود ندارد. به عبارت دیگر، هیچ راه حلی با زمان اجرای معقول و قابل قبول برای این مسائل وجود ندارد و به عنوان مسائل سخت (intractable) شناخته می‌شوند. یک نمونه معروف از این مسائل، حساب پرزبرگر 🧮 است که اثبات شده است به گونه‌ای بغرنج است که نمی‌توان الگوریتمی با زمان اجرای چندجمله‌ای برای آن یافت.
3️⃣ مسائلی با وضعیت نامشخص: این دسته شامل مسائلی است که هنوز به طور دقیق مشخص نشده است که آیا قابل حل با الگوریتم‌های چندجمله‌ای هستند یا نه. از طرف دیگر، هیچ الگوریتم چندجمله‌ای برای این مسائل یافت نشده است، اما بغرنج بودن آن‌ها نیز به طور قطعی اثبات نشده است. به عنوان مثال، مسأله کوله‌پشتی صفر و یک 🎒 و مسأله فروشنده دوره‌گرد 🚶♂️ در این دسته قرار می‌گیرند. این مسائل به عنوان NP-complete شناخته می‌شوند، و در صورت یافتن الگوریتم چندجمله‌ای برای یکی از آن‌ها، همه مسائل NP می‌توانند در زمان چندجمله‌ای حل شوند.
💡 نکته جالب در اینجا این است که در حالی که دسته اول از مسائل به راحتی و با استفاده از الگوریتم‌های بهینه حل می‌شوند، دسته دوم و سوم چالش‌های بزرگی را برای محققان علوم کامپیوتر ایجاد کرده‌اند. یافتن راه حلی برای مسائل دسته سوم یکی از بزرگ‌ترین چالش‌ها در نظریه پیچیدگی است و همچنان یکی از پرسش‌های باز و مهم در این زمینه باقی مانده است.
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
1️⃣ مسائلی با الگوریتم‌های چندجمله‌ای: این دسته شامل مسائلی است که برای آن‌ها الگوریتم‌هایی با پیچیدگی زمانی چندجمله‌ای (polynomial time) یافت شده است. این بدان معناست که زمان اجرای این الگوریتم‌ها با افزایش اندازه ورودی به طور منطقی و قابل مدیریت رشد می‌کند. به عنوان مثال، جستجوی دودویی در آرایه‌های مرتب 🔍، مرتب‌سازی آرایه‌ها 📊، و ضرب زنجیره‌ای ماتریس‌ها 🔗 همگی از این نوع مسائل هستند. این دسته از مسائل به طور کلی به عنوان مسائلی با پیچیدگی قابل قبول در نظر گرفته می‌شوند و حل آن‌ها در زمان قابل قبولی ممکن است.
2️⃣ مسائلی که ثابت شده بغرنج هستند: این دسته شامل مسائلی است که برای آن‌ها ثابت شده است که الگوریتم چندجمله‌ای وجود ندارد. به عبارت دیگر، هیچ راه حلی با زمان اجرای معقول و قابل قبول برای این مسائل وجود ندارد و به عنوان مسائل سخت (intractable) شناخته می‌شوند. یک نمونه معروف از این مسائل، حساب پرزبرگر 🧮 است که اثبات شده است به گونه‌ای بغرنج است که نمی‌توان الگوریتمی با زمان اجرای چندجمله‌ای برای آن یافت.
3️⃣ مسائلی با وضعیت نامشخص: این دسته شامل مسائلی است که هنوز به طور دقیق مشخص نشده است که آیا قابل حل با الگوریتم‌های چندجمله‌ای هستند یا نه. از طرف دیگر، هیچ الگوریتم چندجمله‌ای برای این مسائل یافت نشده است، اما بغرنج بودن آن‌ها نیز به طور قطعی اثبات نشده است. به عنوان مثال، مسأله کوله‌پشتی صفر و یک 🎒 و مسأله فروشنده دوره‌گرد 🚶♂️ در این دسته قرار می‌گیرند. این مسائل به عنوان NP-complete شناخته می‌شوند، و در صورت یافتن الگوریتم چندجمله‌ای برای یکی از آن‌ها، همه مسائل NP می‌توانند در زمان چندجمله‌ای حل شوند.
💡 نکته جالب در اینجا این است که در حالی که دسته اول از مسائل به راحتی و با استفاده از الگوریتم‌های بهینه حل می‌شوند، دسته دوم و سوم چالش‌های بزرگی را برای محققان علوم کامپیوتر ایجاد کرده‌اند. یافتن راه حلی برای مسائل دسته سوم یکی از بزرگ‌ترین چالش‌ها در نظریه پیچیدگی است و همچنان یکی از پرسش‌های باز و مهم در این زمینه باقی مانده است.
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
👍3
مقاله "CogVideo: Large-scale Pretraining for Text-to-Video Generation via Transformers" یک مدل نوآورانه به نام CogVideo را معرفی می‌کند که برای تولید ویدیو از متن طراحی شده است. این مدل از تکنیک‌های یادگیری عمیق و شبکه‌های ترانسفورمر بهره می‌برد، که به طور گسترده در مدل‌های تولید متن به تصویر (text-to-image) و تولید زبان طبیعی کاربرد دارند.
برای دسترسی به مقاله و کدهای مرتبط، می‌توانید به لینک‌های زیر مراجعه کنید:
https://paperswithcode.com/paper/cogvideo-large-scale-pretraining-for-text-to
https://github.com/thudm/cogvideo
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
برای دسترسی به مقاله و کدهای مرتبط، می‌توانید به لینک‌های زیر مراجعه کنید:
https://paperswithcode.com/paper/cogvideo-large-scale-pretraining-for-text-to
https://github.com/thudm/cogvideo
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍1
🎉 معرفی کانال تست کامپیوتر 💻
به کانال ما خوش آمدید! 🌟 اینجا می‌توانید به روزترین تست‌های کامپیوتری و اطلاعات مفید در زمینه‌های مختلف کامپیوتر را پیدا کنید🚀
📩برای پیوستن به کانال:
https://t.me/test_computer_ce
به کانال ما خوش آمدید! 🌟 اینجا می‌توانید به روزترین تست‌های کامپیوتری و اطلاعات مفید در زمینه‌های مختلف کامپیوتر را پیدا کنید🚀
📩برای پیوستن به کانال:
https://t.me/test_computer_ce
🙏4👍1
معرفی NeuralGCM: پیشرفت در پیش‌بینی آب و هوا 🌍
در واقع NeuralGCM مدل جدیدی است که با ترکیب مدل‌های یادگیری ماشینی (ML) و شبیه‌سازهای گردش عمومی (GCMs) برای پیش‌بینی آب و هوا و اقلیم طراحی شده است. این مدل می‌تواند پیش‌بینی‌های دقیق برای دوره‌های ۱-۱۰ روزه و پیش‌بینی‌های بلندمدت ۱-۱۵ روزه ارائه دهد. 🌦🔬
ویژگی‌های کلیدی NeuralGCM:
- رقابت با مدل‌های پیشرفته: نتایج مشابه یا بهتری نسبت به بهترین مدل‌های ML و GCMs ارائه می‌دهد.
- پیش‌بینی دقیق: می‌تواند معیارهای آب و هوایی و اقلیمی را برای چندین دهه با دقت ردیابی کند و پدیده‌های نوظهور مانند طوفان‌های استوایی را شبیه‌سازی کند. 🌀🌡
- صرفه‌جویی محاسباتی: نسبت به GCMهای معمولی صرفه‌جویی‌های بزرگ محاسباتی را ارائه می‌دهد.
این مدل نمایانگر ترکیبی موفق از یادگیری عمیق و فیزیک در مقیاس بزرگ است که به بهبود پیش‌بینی‌های آب و هوایی کمک می‌کند. 🚀🌎
📩 برای اطلاع بیشتر :
Neural general circulation models for weather and climate
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
در واقع NeuralGCM مدل جدیدی است که با ترکیب مدل‌های یادگیری ماشینی (ML) و شبیه‌سازهای گردش عمومی (GCMs) برای پیش‌بینی آب و هوا و اقلیم طراحی شده است. این مدل می‌تواند پیش‌بینی‌های دقیق برای دوره‌های ۱-۱۰ روزه و پیش‌بینی‌های بلندمدت ۱-۱۵ روزه ارائه دهد. 🌦🔬
ویژگی‌های کلیدی NeuralGCM:
- رقابت با مدل‌های پیشرفته: نتایج مشابه یا بهتری نسبت به بهترین مدل‌های ML و GCMs ارائه می‌دهد.
- پیش‌بینی دقیق: می‌تواند معیارهای آب و هوایی و اقلیمی را برای چندین دهه با دقت ردیابی کند و پدیده‌های نوظهور مانند طوفان‌های استوایی را شبیه‌سازی کند. 🌀🌡
- صرفه‌جویی محاسباتی: نسبت به GCMهای معمولی صرفه‌جویی‌های بزرگ محاسباتی را ارائه می‌دهد.
این مدل نمایانگر ترکیبی موفق از یادگیری عمیق و فیزیک در مقیاس بزرگ است که به بهبود پیش‌بینی‌های آب و هوایی کمک می‌کند. 🚀🌎
📩 برای اطلاع بیشتر :
Neural general circulation models for weather and climate
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
پیمایش الگوریتم BFS با استفاده از صف به این صورت عمل می‌کند:
1. ابتدا یک صف خالی ایجاد می‌کنیم.
2. گره شروع را به صف اضافه کرده و آن را علامت‌گذاری می‌کنیم.
3. تا زمانی که صف خالی نشده است:
- اولین گره را از صف خارج می‌کنیم.
- تمام گره‌های مجاور که هنوز بازدید نشده‌اند را به صف اضافه کرده و آن‌ها را علامت‌گذاری می‌کنیم.
- گره‌های بازدیدشده به ترتیب از صف خارج شده و بررسی می‌شوند.
4. این روند ادامه دارد تا تمامی گره‌های دسترس‌پذیر از گره شروع بازدید شوند.
🔄📥 صف به‌عنوان ابزار اصلی برای مدیریت ترتیب بازدید از گره‌ها استفاده می‌شود.
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
1. ابتدا یک صف خالی ایجاد می‌کنیم.
2. گره شروع را به صف اضافه کرده و آن را علامت‌گذاری می‌کنیم.
3. تا زمانی که صف خالی نشده است:
- اولین گره را از صف خارج می‌کنیم.
- تمام گره‌های مجاور که هنوز بازدید نشده‌اند را به صف اضافه کرده و آن‌ها را علامت‌گذاری می‌کنیم.
- گره‌های بازدیدشده به ترتیب از صف خارج شده و بررسی می‌شوند.
4. این روند ادامه دارد تا تمامی گره‌های دسترس‌پذیر از گره شروع بازدید شوند.
🔄📥 صف به‌عنوان ابزار اصلی برای مدیریت ترتیب بازدید از گره‌ها استفاده می‌شود.
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
👌3👍1
Media is too big
VIEW IN TELEGRAM
یادگیری ماشین با الگوریتم نزدیکترین همسایه (KNN) با کتابخانه scikit-learn
👍4
فیلم‌های آموزشی که در بالا معرفی شده‌اند، برای افرادی که به تازگی وارد دنیای کدنویسی در حوزه یادگیری ماشین شده‌اند و علاقه‌مند به یادگیری مفاهیم اساسی هستند، بسیار مناسب است. 😊 این منابع به گونه‌ای طراحی شده‌اند که حتی اگر در این زمینه تازه‌کار باشید، به راحتی می‌توانید مباحث را دنبال کنید و مهارت‌های خود را تقویت کنید. 🚀
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
آیا مدل‌های زبان بزرگ (LLMها) می‌توانند خودروهای خودران واقعی را به وجود آورند؟ 🤔
استفاده از مدل‌های زبان بزرگ مانند ChatGPT در خودروهای خودران ایده‌ای جالب و قابل توجه است. 🚗💡 این مدل‌ها می‌توانند داده‌های مختلفی مانند تصاویر، اطلاعات حسگرها (مانند LiDAR و RADAR)، و داده‌های الگوریتمی (مثل خطوط جاده و اشیا) را پردازش کنند. 🖼🔍 همه این داده‌ها می‌توانند به توکن‌هایی تبدیل شوند و مدل‌های ترانسفورمر با همان ساختار قبلی به پردازش آن‌ها ادامه دهند، زیرا این مدل‌ها مستقل از نوع ورودی هستند. 🧩 خروجی مدل می‌تواند شامل توضیحات درباره وضعیت تصویر یا انجام وظایف رانندگی مانند تغییر لاین باشد. 🛣➡️
📩 برای اطلاع بیشتر :
https://thegradient.pub/car-gpt/
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
استفاده از مدل‌های زبان بزرگ مانند ChatGPT در خودروهای خودران ایده‌ای جالب و قابل توجه است. 🚗💡 این مدل‌ها می‌توانند داده‌های مختلفی مانند تصاویر، اطلاعات حسگرها (مانند LiDAR و RADAR)، و داده‌های الگوریتمی (مثل خطوط جاده و اشیا) را پردازش کنند. 🖼🔍 همه این داده‌ها می‌توانند به توکن‌هایی تبدیل شوند و مدل‌های ترانسفورمر با همان ساختار قبلی به پردازش آن‌ها ادامه دهند، زیرا این مدل‌ها مستقل از نوع ورودی هستند. 🧩 خروجی مدل می‌تواند شامل توضیحات درباره وضعیت تصویر یا انجام وظایف رانندگی مانند تغییر لاین باشد. 🛣➡️
📩 برای اطلاع بیشتر :
https://thegradient.pub/car-gpt/
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
👍3
گراف را می‌توان مانند یک خانواده در نظر گرفت که هر فرد خانواده به عنوان نود (گره) و ارتباطات بین اعضای خانواده به عنوان یال‌ها (اتصالات) در نظر گرفته شوند. 👨👩👧👦🔗
برای اطلاعات بیشتر در مورد گراف، لطفاً به لینک زیر مراجعه فرمایید:
🌐🔗https://dev.to/tamerlang/data-structures-graphs-2960
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
برای اطلاعات بیشتر در مورد گراف، لطفاً به لینک زیر مراجعه فرمایید:
🌐🔗https://dev.to/tamerlang/data-structures-graphs-2960
#الگوریتم
📣👨💻 @AlgorithmDesign_DataStructuer
👍1