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

تقسیم داده ها با کتابخانه scikit-learn

#هوش_مصنوعی

نرمال سازی داده ها با کتابخانه scikit-learn

#هوش_مصنوعی

روش کدبندی وان هات با کتابخانه scikit-learn

#هوش_مصنوعی

تبدیل دادهای طبقه بندی شده با کتابخانه scikit-learn

#هوش_مصنوعی

مدیریت داده های گمشده با کتابخانه scikit-learn

#هوش_مصنوعی

یادگیری ماشین با الگوریتم نزدیکترین همسایه (KNN) با کتابخانه scikit-learn

کاهش ابعاد با کتابخانه scikit-learn

#هوش_مصنوعی

رگرسیون خطی با کتابخانه scikit-learn

#هوش_مصنوعی

ماشین بردارپشتیبان (SVM) با کتابخانه scikit-learn

#هوش_مصنوعی

درخت تصمیم با کتابخانه scikit-learn

#هوش_مصنوعی

خوشه بندی با کتابخانه scikit-learn

#هوش_مصنوعی

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. 🚀

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

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

معرفی چت‌بات روانشناس:

می‌تونید از این چت‌بات به عنوان تراپیست مجازی خودتون استفاده کنید و باهاش درباره مشکلاتتون صحبت کنید. 🧠 بررسی‌ها نشون داده که این چت‌بات در بیشتر مواقع راهکارهای منطقی و مناسبی ارائه می‌ده. البته در مواردی که نیاز به کمک بیشتر باشه، بهتون پیشنهاد می‌کنه که با یک تراپیست انسان مشورت کنید. 😊

به صورت عادی می‌تونید هر وقت خواستید از این چت‌بات استفاده کنید و باهاش صحبت کنید، به صورت رایگان! 💬

http://185.243.48.32/register

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

A course on linear algebra for data science
⭕️ دوره جبر خطی برای علوم داده
✅ یادگیری مفاهیم جبر خطی به صورت بصری!

👨🏻‍💻 شاینا ریس دانشمند داده، دوره جبر خطی رو که بر روی کاربرد‌های جبر خطی در علم داده تمرکز داره، در ۳۳ ویدیو آموزشی، ارائه داده است. این دوره به صورت بصری ارائه شده و مفاهیم جبر خطی رو با زبان خیلی ساده و در قالب تصاویر و نمودارها ارائه میده.👇🏼

┌ 🏷 Linear Algebra for Data Science
└ 🎬 Youtube Playlist: https://lnkd.in/dc8JcpmY


📚 همچنین از لینک‌های زیر می‌تونین به اسلاید‌های درسی، تکالیف و کتاب ضمن دوره دسترسی داشته باشین:

┌ 🏷 Extra Content
├ 📂 Course Homepage: https://lnkd.in/diiK4Vzb
└ 📕 Textbook: https://lnkd.in/dimX6aJ9

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 نگاهی به مغز شبکه عصبی - تکامل نقشه‌های CNN در زمان واقعی!

شبکه‌های عصبی کانولوشنال (CNN) در پردازش تصاویر بی‌نظیرند. 📸 اما تا حالا فکر کردید این شبکه‌ها چطور ویژگی‌های تصویر رو استخراج می‌کنن؟ 🤔

🎥 تو این انیمیشن، تکامل لایه به لایه نقشه‌های ویژگی رو در CNN مشاهده می‌کنید:
- تمرکز روی لایه‌های کانولوشن 🔍
- از الگوهای ساده تا انتزاعات پیچیده 🌀
- آموزش مدل با داده‌های واقعی Kaggle 🐾

این ویدیو برای همه، از تازه‌کار تا متخصص، بینش‌های جذابی ارائه می‌ده! 🚀

#هوش_مصنوعی

📣👨‍💻 @AlgorithmDesign_DataStructuer

🔍 یه سایت جذاب برای بهبود مهارت‌های شما در زمینه الگوریتم و ساختمان داده!

این سایت مخصوص آماده‌سازی برای مصاحبه‌های فنی طراحی شده و سوالات متنوعی در حوزه ساختمان داده و الگوریتم‌ها ارائه می‌ده. 🧠 سوالات به صورت موضوعی دسته‌بندی شده‌اند و این به کاربران امکان می‌ده تا به راحتی روی نقاط ضعف خودشون کار کنند و مهارت‌هاشون رو ارتقا بدن. 🚀

https://workat.tech/problem-solving/practice/topics

🌟 فرصتی برای تقویت مهارت‌ها و آماده شدن برای چالش‌های فنی!

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 معرفی MindSearch: جستجوی اطلاعات وب با الهام از ذهن انسان

جستجوی اطلاعات و ادغام آن‌ها یک فرآیند شناختی پیچیده است که نیاز به زمان و تلاش زیادی دارد. با توجه به پیشرفت‌های چشمگیر مدل‌های زبان بزرگ (LLM)، تلاش‌های اخیر به سمت ترکیب LLMها با موتورهای جستجو برای بهبود این فرآیند متمرکز شده‌اند. با این حال، این روش‌ها همچنان با سه چالش بزرگ مواجه‌اند:

1️⃣ درخواست‌های پیچیده اغلب نمی‌توانند به‌طور دقیق و کامل توسط موتور جستجو بازیابی شوند.

2️⃣ اطلاعات مرتبط در چندین صفحه وب پراکنده‌اند و با نویز زیاد همراه هستند.

3️⃣ طول محتوای صفحات وب به سرعت از حداکثر طول زمینه LLM فراتر می‌رود.

در واقع 🧠 MindSearch بهبود قابل توجهی را در کیفیت پاسخ‌ها از نظر عمق و وسعت نشان داده است و در مقایسه با برنامه‌های مشابه مانند ChatGPT-Web و Perplexity.ai ترجیح داده می‌شود. این نشان می‌دهد که MindSearch می‌تواند به عنوان یک راه‌حل رقابتی در برابر موتورهای جستجوی اختصاصی هوش مصنوعی عمل کند.

📥 برای دانلود مقاله، به لینک زیر مراجعه کنید:

https://arxiv.org/abs/2407.20183v1

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

آشنایی با لیست پیوندی در ساختمان داده 🌟

لیست پیوندی (Linked List) یکی از ساختارهای داده‌ای مهم و پرکاربرد در برنامه‌نویسی است که نقش مهمی در مدیریت داده‌ها ایفا می‌کند. در ادامه با اصول و ویژگی‌های این ساختار آشنا می‌شویم:

📦 ساختار لیست پیوندی:
- گره‌ها (Nodes): هر لیست پیوندی از مجموعه‌ای از گره‌ها تشکیل می‌شود. هر گره شامل دو بخش است:
- داده (Data): محلی برای ذخیره‌سازی اطلاعات.
- پیوند (Link یا Pointer): اشاره‌گری که به گره بعدی در لیست اشاره می‌کند.
- گره اول و آخر: گره اول به عنوان سر (Head) شناخته می‌شود و گره آخر به یک مقدار null اشاره می‌کند که نشان‌دهنده انتهای لیست است.

🔄 انواع لیست پیوندی:
- لیست پیوندی ساده (Singly Linked List): هر گره فقط به گره بعدی اشاره می‌کند.
- لیست پیوندی دوطرفه (Doubly Linked List): هر گره علاوه بر اشاره‌گر به گره بعدی، یک اشاره‌گر به گره قبلی نیز دارد.
- لیست پیوندی حلقه‌ای (Circular Linked List): در این نوع، گره آخر به گره اول اشاره می‌کند و یک حلقه تشکیل می‌شود.

⚖️ مزایا و معایب لیست پیوندی:
- مزایا:
- حذف و درج آسان: درج و حذف گره‌ها در هر نقطه از لیست به سادگی انجام می‌شود.
- استفاده بهینه از حافظه: برخلاف آرایه‌ها، لیست‌های پیوندی به اندازه نیاز رشد می‌کنند.
- معایب:
- دسترسی کند به عناصر: دسترسی به عناصر نیاز به پیمایش از سر لیست دارد.
- نیاز به حافظه اضافی: هر گره باید یک اشاره‌گر اضافی نگه‌داری کند.

🛠 عملیات اصلی روی لیست پیوندی:
- افزودن (Insertion): امکان افزودن گره جدید در هر نقطه از لیست.
- حذف (Deletion): حذف یک گره مشخص از لیست.
- جستجو (Search): پیمایش لیست برای یافتن یک گره خاص.
- پیمایش (Traversal): پیمایش از گره سر تا گره آخر برای انجام عملیاتی مثل چاپ داده‌ها.

💡 کاربردهای لیست پیوندی:
- پیاده‌سازی صف (Queue) و پشته (Stack).
- مدیریت حافظه در سیستم عامل‌ها.
- نمایش چندین پلی‌گون یا منحنی در گرافیک کامپیوتری.
- ساختارهای داده‌ای پیشرفته‌تر مثل گراف‌ها و درخت‌ها.

لیست‌های پیوندی یک ابزار قدرتمند در جعبه ابزار برنامه‌نویسان هستند که در حل مسائل مختلف کاربردهای فراوانی دارند. 📚

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer