مدل هوش مصنوعی چند‌وجهی DeepSeek با نام Janus-Pro-7b که قابلیت‌هایی مانند تولید تصویر از متن را دارد، به صورت متن باز می باشد:

https://huggingface.co/deepseek-ai/Janus-Pro-7B
https://github.com/deepseek-ai/Janus

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک گروه از دانشگاه استنفورد یک AI agent به اسم Biomni درست کردن برای کارهای biomedical. از جمله درست کردن گزارش هایی که برای افراد روزها طول میکشه الان تو چند دقیقه درست میشه. این ایجنت اپن سورس هست و میتونید کامل ران کنید و یا حتی با توجه به نیازتون تغییرش بدید. یک مقاله دارن که کامل توضیح میدن چطوری درست شده و کار میکنه.

github: https://github.com/snap-stanford/Biomni

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ویدئوهای درسی و اسلایدهای "تحلیل الگوریتم‌ها" در دسترس هستند. این منابع و کتاب، اساس و بنیان یادگیری ساختار داده‌ها و الگوریتم‌ها را تشکیل می‌دهند.


https://www3.cs.stonybrook.edu/~skiena/373/videos/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره عالی CS 285: یادگیری تقویتی عمیق (2023)

https://www.youtube.com/playlist?list=PL_iWQOsE6TfVYGEGiAOMaOzzv41Jfm_Ps

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📘 گزارش جدید: وضعیت هوش مصنوعی در سال ۲۰۲۵ – راهنمای سازندگان
یک گزارش ۷۰ صفحه‌ای که به‌تازگی منتشر شده، با عنوان 2025 State of AI: The Builder’s Playbook، به‌صورت دقیق بررسی می‌کنه که چطور میشه محصولات هوش مصنوعی رو از مرحله‌ی ایده به اجرا و سپس به مقیاس‌پذیری رسوند.

این گزارش بر اساس نظرسنجی اختصاصی از ۳۰۰ مدیر اجرایی در شرکت‌های نرم‌افزاری (در آوریل ۲۰۲۵) و مصاحبه‌های عمیق با رهبران AI در جامعه‌ی ICONIQ تهیه شده.
📍 نتیجه؟ ارائه‌ی یک نقشه‌ راه عملی برای تبدیل Gen AI به یک مزیت رقابتی پایدار.

🔗 اگه به ساخت محصول با محوریت هوش مصنوعی فکر می‌کنی، این گزارش رو از دست نده.

https://www.iconiqcapital.com/growth/reports/2025-state-of-ai

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این داستان‌ها همچنان ادامه دارند درباره اینکه چگونه هوش مصنوعی (در این مورد ChatGPT) به افراد کمک می‌کند تا برای مشکلات پزشکی خود Second Opinion دریافت کنند.

این شخص ۱۱ سال خستگی، بی‌حسی و کمردرد را پس از ۵ تا ۶ ساعت خواب تحمل کرده بود، اما با ۸ ساعت خواب حالش خوب بود.

درواقع ChatGPT تشخیص داد که دلیلش کمبود ویتامین D است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

۳٬۲۹۵ نفر، مجموع نویسندگان مقاله Gemini 2.5 از گوگل هستند 🧐

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 مجموعه‌ای عالی از مقالات، کدها و وب‌سایت‌های مربوط به Vision Transformer (ViT):

https://github.com/cmhungsteve/Awesome-Transformer-Attention

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌دوره‌های رایگان برای یادگیری تحلیل داده :

1. Python
🔗 https://imp.i384100.net/5gmXXo

2. SQL
🔗 https://edx.org/learn/relational-databases/stanford-university-databases-relational-databases-and-sql

3. Statistics and R
🔗 https://edx.org/learn/r-programming/harvard-university-statistics-and-r

4. Data Science: R Basics
🔗https://edx.org/learn/r-programming/harvard-university-data-science-r-basics

5. Excel and PowerBI
🔗 https://learn.microsoft.com/en-gb/training/paths/modern-analytics/

6. Data Science: Visualization
🔗https://edx.org/learn/data-visualization/harvard-university-data-science-visualization

7. Data Science: Machine Learning
🔗https://edx.org/learn/machine-learning/harvard-university-data-science-machine-learning

8. R
🔗https://imp.i384100.net/rQqomy

9. Tableau
🔗https://imp.i384100.net/MmW9b3

10. PowerBI
🔗 https://lnkd.in/dpmnthEA

11. Data Science: Productivity Tools
🔗 https://lnkd.in/dGhPYg6N

12. Data Science: Probability
🔗https://mygreatlearning.com/academy/learn-for-free/courses/probability-for-data-science

13. Mathematics
🔗http://matlabacademy.mathworks.com

14. Statistics
🔗 https://lnkd.in/df6qksMB

15. Data Visualization
🔗https://imp.i384100.net/k0X6vx

16. Machine Learning
🔗 https://imp.i384100.net/nLbkN9

17. Deep Learning
🔗 https://imp.i384100.net/R5aPOR

18. Data Science: Linear Regression
🔗https://pll.harvard.edu/course/data-science-linear-regression/2023-10

19. Data Science: Wrangling
🔗https://edx.org/learn/data-science/harvard-university-data-science-wrangling

20. Linear Algebra
🔗 https://pll.harvard.edu/course/data-analysis-life-sciences-2-introduction-linear-models-and-matrix-algebra

21. Probability
🔗 https://pll.harvard.edu/course/data-science-probability

22. Introduction to Linear Models and Matrix Algebra
🔗https://edx.org/learn/linear-algebra/harvard-university-introduction-to-linear-models-and-matrix-algebra

23. Data Science: Capstone
🔗 https://edx.org/learn/data-science/harvard-university-data-science-capstone

24. Data Analysis
🔗 https://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis

25. IBM Data Science Professional Certificate
https://imp.i384100.net/9gxbbY

26. Neural Networks and Deep Learning
https://imp.i384100.net/DKrLn2

27. Supervised Machine Learning: Regression and Classification
https://imp.i384100.net/g1KJEA

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک «اثبات شگفت‌انگیز» توسط دانشمند کامپیوتر MIT، نخستین پیشرفت مهم در یکی از معروف‌ترین مسائل علوم کامپیوتر در ۵۰ سال گذشته است.

پیچیدگی فضایی (Space Complexity) در برابر پیچیدگی زمانی (Time Complexity)

ایده‌ی جدید نشان می‌دهد که هر الگوریتمی که در T مرحله اجرا می‌شود، می‌تواند به گونه‌ای بازنویسی شود که تنها از حدود √T خانه حافظه استفاده کند. این یعنی حافظه (RAM) منبعی به‌مراتب قوی‌تر از آن چیزی است که نظریه‌های قبلی اجازه می‌دادند.

یک کامپیوتر برای اجرای مراحل زمان صرف می‌کند (یعنی پیچیدگی زمانی) و برای نگهداری داده‌ها از حافظه استفاده می‌کند (یعنی پیچیدگی فضایی).

حافظه در واقع فهرستی از خانه‌های شماره‌گذاری‌شده در RAM است که برنامه برای ذخیره‌سازی داده‌هایی که به زودی نیاز خواهد داشت، از آن‌ها استفاده می‌کند. پیچیدگی فضایی بیشترین تعداد خانه‌های حافظه‌ای را که در یک لحظه در حال استفاده هستند، اندازه‌گیری می‌کند. پیچیدگی زمانی هم تعداد کل مراحلی را که پردازنده تا رسیدن به پاسخ اجرا می‌کند، محاسبه می‌کند.

مثلاً اگر بخواهیم یک میلیون آدرس ایمیل را مرتب کنیم:

الگوریتم Quick Sort چندین بار هر آدرس را لمس می‌کند اما فقط به مقدار کمی حافظه اضافی نیاز دارد؛ بنابراین زمان زیادی صرف می‌شود ولی حافظه‌ی کمی مصرف می‌کند.

اما الگوریتم Counting Sort با مراحل کمتر کار را تمام می‌کند، اما نیاز به جدولی بسیار بزرگ در حافظه دارد؛ یعنی مصرف حافظه بالا و زمان اجرا پایین‌تر است.

برنامه‌نویسان معمولاً ترکیبی از این دو انتخاب می‌کنند که با محدودیت‌های سخت‌افزاری‌شان سازگار باشد.

رایان ویلیامز از MIT نشان داد که یک برنامه که نیاز به T مرحله دارد، می‌تواند بازنویسی شود تا تنها از حدود √T خانه‌ی حافظه استفاده کند.

در واقع با بازاستفاده‌ی هوشمندانه از یک بخش بسیار کوچک از حافظه‌ی RAM، می‌توان نیاز به اجرای طولانی‌مدت را حذف کرد. به عبارت دیگر، از نظر قدرت خام محاسباتی، حافظه ابزار قوی‌تری از زمان است.

در روش جدید رایان ویلیامز، برنامه به‌گونه‌ای بازنویسی می‌شود که تنها یک بلوک کوچک از حافظه را اشغال می‌کند، و این بلوک بارها و بارها پاک و مجدداً پر می‌شود.

هر بار پاک‌سازی و پرکردن حافظه، مراحل بیشتری به برنامه اضافه می‌کند؛ بنابراین زمان اجرای برنامه افزایش می‌یابد. به زبان ساده، او سرعت را فدای صرفه‌جویی در حافظه می‌کند.

منبع:
https://www.wired.com/story/for-algorithms-a-little-memory-outweighs-a-lot-of-time/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک پلتفرم متن‌باز RAG برای ساخت سیستم جستجوی هوش مصنوعی با استفاده از داده‌های خودتان

https://github.com/supavec/supavec

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

تحقیقات MIT نشون داده دانشجوهایی که از همون اول سراغ هوش مصنوعی رفتن، سریع نوشتن اما چیزی یادشون نموند! نه ایده‌هاشون مال خودشون بود، نه ذهنشون فعال.

اما اون‌هایی که اول فکر کردن و بعد از AI کمک گرفتن، حافظه قوی‌تر، تفکر شفاف‌تر و درک عمیق‌تری داشتن.

یادگیری یعنی مقاومت، نه فقط تایپ یه پیام به چت‌بات!
اول ایده رو بساز، بعد با ابزار تقویتش کن.
اگر می‌خوای ذهنت رو حفظ کنی، باید ازش استفاده کنی!

منبع

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 پلی‌لیست Deep Learning

تدریس فوق‌العاده توسط Prof. Bryce

https://www.youtube.com/playlist?list=PLgPbN3w-ia_PeT1_c5jiLW3RJdR7853b9

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یادگیری تقویتی مدل‌های زبانی بزرگ – بهار ۲۰۲۵ (UCLA)

مجموعه‌ای فوق‌العاده از درس‌های جدید درباره یادگیری تقویتی در مدل‌های زبانی بزرگ (LLMs). این دوره طیف گسترده‌ای از موضوعات مرتبط با RL و LLMها را پوشش می‌دهد، از جمله:

مفاهیم پایه و اصول یادگیری تقویتی

محاسبات در زمان آزمون (Test-time Compute)

یادگیری تقویتی با بازخورد انسانی (RLHF)

یادگیری تقویتی با پاداش‌های قابل اثبات (RLVR)

https://www.youtube.com/playlist?list=PLir0BWtR5vRp5dqaouyMU-oTSzaU5LK9r

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎧 NVIDIA Audio Flamingo 3:

مدل Audio Flamingo 3 توسط انویدیا منتشر شده و قابلیت‌های فوق‌العاده‌ای دارد:

✅ استدلال چندگانه صوتی برای درک بهتر ارتباط‌ها
✅ پرسش و پاسخ صوتی به صوتی برای تعامل هوشمند
✅ پشتیبانی از صوت‌های طولانی (تا 10 دقیقه) همراه با زنجیره تفکر درخواستی
✅ کد متن‌باز به همراه 4 معیار جدید برای ارزیابی عملکرد

این مدل یک گام بزرگ به سوی ایجاد سیستم‌های صوتی هوشمندتر است. اگر می‌خواهید بیشتر بدانید و کد آن را ببینید، به لینک زیر سر بزنید:
https://research.nvidia.com/labs/adlr/AF3/


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این ویدئو مخصوص استارتاپ‌هاییه که به دنیای هوش مصنوعی علاقه دارن و دوست دارن به یک شرکت AI-first تبدیل بشن.

توی این ویدئو هم اطلاعات جذابی درباره کار LLMها و ایجنت‌ها گفته میشه، هم آینده استارتاپ‌های AI و دنیای SaaS رو خیلی شفاف ترسیم می‌کنه.

https://www.youtube.com/watch?v=LCEmiRjPEtQ

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 Grok 4 vs Kimi K2: Competing at the Top! 🔥

📚 Source

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک مقاله کوتاه (short paper) ۵ صفحه ای از کنفرانس SIGIR که یکی از بهترین کنفرانسها در زمینه بازیابی اطلاعات (information retrieval) هست، اومده که جالبه. نشون میده چطور روش Agentic RAG، سیستمهای recommendation را بهبود میده. همین ایده را میتونید برای کاربردهای دیگه هم استفاده کنید.

یک مورد دیگه اینکه اگه دنبال پیدا کردن ایده برای مقاله یا تحقیق هستید یا اینکه میخواهید بدونید آخرین تکنیکها چیا هستند این کنفرانس ها را از دست ندید. یک عالمه workshop و tutorial هم دارند.
Paper link: https://arxiv.org/pdf/2506.21931
Conference link: https://sigir2025.dei.unipd.it/overall-program.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک Roadmap خوب برای یادگیری ساختمان داده و الگوریتم‌ها (DSA) همراه با کد به چند زبان مختلف

https://github.com/serverx-org/DSA-MASTERY

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 یه سایت فوق‌العاده پیدا کردیم: lmarena.ai
اینجا می‌تونی به‌صورت کاملاً رایگان و بدون محدودیت از مدل‌های معروف و قدرتمند هوش مصنوعی مثل ChatGPT-4، Grok 4، Gemini و Imagen 4 Ultra استفاده کنی!

✅ گفت‌وگو با مدل‌ها
✅ ساخت تصویر با هوش مصنوعی
✅ مقایسه عملکرد مدل‌ها
...

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer