Algorithm design & data structure
6.59K subscribers
889 photos
141 videos
174 files
487 links
این کانال برای تمامی علاقه‌مندان به کامپیوتر، مخصوصاً حوزه ساختمان داده‌ها و الگوریتم‌ها، مفید می باشد. آشنایی با ریاضیات مقدماتی، برنامه‌نویسی مقدماتی و پیشرفته و همچنین شی‌گرایی می‌تواند در درک بهتر مفاهیم این درس کمک‌ کند.

👨‍💻Admin👉 @Se_mohamad
Download Telegram
Media is too big
VIEW IN TELEGRAM
تقسیم داده ها با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
نرمال سازی داده ها با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
روش کدبندی وان هات با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
تبدیل دادهای طبقه بندی شده با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
مدیریت داده های گمشده با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
یادگیری ماشین با الگوریتم نزدیکترین همسایه (KNN) با کتابخانه scikit-learn
👍4
Media is too big
VIEW IN TELEGRAM
کاهش ابعاد با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
رگرسیون خطی با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
ماشین بردارپشتیبان (SVM) با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
درخت تصمیم با کتابخانه scikit-learn

#هوش_مصنوعی
👍4
Media is too big
VIEW IN TELEGRAM
خوشه بندی با کتابخانه scikit-learn

#هوش_مصنوعی
👍5
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
👍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
👍1
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
🤔4👍3
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
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
🧠 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
👍4
🔍 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
👍5🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 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
👍3
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
شبکه‌های عصبی در قلب بیشتر پیشرفت‌های مدرن هوش مصنوعی قرار دارند، اما یکی از چالش‌های اصلی در استفاده از آن‌ها، ماهیت جعبه سیاه این مدل‌هاست. به عبارت دیگر، فهمیدن اینکه این شبکه‌ها دقیقاً چگونه به نتایج خود می‌رسند، کار دشواری است. این پیچیدگی به موضوعی منجر شده که به آن "توهم" می‌گوییم 😊، یعنی جایی که مدل‌های هوش مصنوعی نتایجی تولید می‌کنند که توضیح دادن آن‌ها بسیار سخت است. این مدل‌ها معمولاً بر اساس معماری پرسپترون چند لایه کار می‌کنند.

اما اخیراً، معماری جدیدی به نام شبکه‌های کلموگروف-آرنولد (KAN) وارد صحنه شده است. این معماری هنوز در مراحل تحقیقاتی است، اما در حال جلب توجه زیادی است. ایده اصلی این شبکه‌ها این است که بخشی از قابلیت توضیح‌پذیری مدل‌های آماری را به شبکه‌های عصبی بیاورند 🔍.

هوش مصنوعی قابل توضیح در سطح الگوریتم، به جای اینکه فقط در سطح قوانین و سیاست‌ها باشد، می‌تواند راه‌حل‌های هوش مصنوعی را قابل اعتمادتر و قوی‌تر کند، مخصوصاً در مواردی که ماهیت جعبه سیاه شبکه‌ها یک مشکل بزرگ محسوب می‌شود 💡.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer
👍1