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

🧠 CMU Advanced NLP – Spring 2025

جدیدترین دوره Advanced Natural Language Processing در سطح پیشرفته، که در ترم بهار ۲۰۲۵ توسط Carnegie Mellon University (CMU) ارائه شده است. این دوره به بررسی عمیق تکنیک‌های مدرن NLP، مدل‌های زبانی بزرگ (LLMs) و کاربردهای پیشرفته آن‌ها می‌پردازد.

https://www.youtube.com/playlist?list=PLqC25OT8ZpD3WxQ0FwWMGPS_BcWdcKyZy

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 دنبال یه نقشه راه کامل برای تبدیل شدن به Machine Learning Engineer هستی؟
گوگل یه مجموعه‌ی فوق‌العاده شامل ۱۵ دوره رایگان ارائه داده، چیزی حدود ۲۰۰ ساعت آموزش کاربردی!

این دوره‌ها طیف وسیعی از موضوعات رو پوشش می‌دن:
🔹 یادگیری ماشین
🔹 بینایی ماشین (Vision)
🔹 پردازش زبان طبیعی (NLP)
و کلی مهارت دیگه — همگی روی Google Cloud!

https://www.cloudskillsboost.google/paths/17

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یکی از چالش‌های بزرگ مدل‌های زبانی، پردازش متن‌های خیلی طولانیه. مقاله‌ای جدید با الگوریتم DAPO، راه‌حل جالبی ارائه داده:
یه عامل هوشمند (Agent) متن رو مرحله‌به‌مرحله می‌خونه و نکات مهم رو به‌صورت پویا بازنویسی و به‌روز می‌کنه.
نکته جالب اینجاست که این عامل با یادگیری تقویتی (RL) یاد می‌گیره چی رو نگه داره و چی رو حذف کنه.
اگر موفق عمل کنه، می‌تونه راه LLMها رو برای فهم متن‌های طولانی باز کنه!

https://arxiv.org/abs/2507.02259

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

نقشه راه رایگان برای مهندسی هوش مصنوعی

1️⃣ مرحله اول: مبانی برنامه‌نویسی پایتون
دوره برنامه‌نویسی پایتون دانشگاه هاروارد (CS50):
https://pll.harvard.edu/course/cs50s-introduction-programming-python

2️⃣ مرحله دوم: مبانی یادگیری ماشین
دوره یادگیری ماشین دانشگاه استنفورد (CS229):
https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU

3️⃣ مرحله سوم: تسلط بر یادگیری عمیق
دوره یادگیری عمیق کاربردی :
https://course.fast.ai/

4️⃣ مرحله چهارم: پردازش زبان طبیعی (NLP)
دوره CS224N/Ling284 دانشگاه استنفورد:
https://www.youtube.com/playlist?list=PLoROMvodv4rMFqRtEuo6SGjY4XbRIVRd4

5️⃣ مرحله پنجم: مقدمه‌ای بر هوش مصنوعی مولد
دوره Generative AI for Beginners از مایکروسافت:
https://microsoft.github.io/generative-ai-for-beginners/#/

6️⃣ مرحله ششم: مدل‌های زبانی بزرگ (LLMs)
LLM University از Cohere:
https://cohere.com/llmu

📢 اگه مفید بود، حتماً به اشتراک بزارید!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 این ریپازیتوری یه مجموعه‌ی کامل از مثال‌های کاربردی با PyTorch رو در بر می‌گیره که به‌صورت قدم‌به‌قدم مفاهیم دیپ‌لرنینگ رو از پایه تا سطح پیشرفته آموزش می‌ده

https://github.com/yunjey/pytorch-tutorial

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 اگه دوست داری بدون رفتن به دانشگاه، علوم کامپیوتر رو درست و حسابی یاد بگیری، این لیست از دوره‌های رایگان MIT و Stanford رو از دست نده. همه‌چی هست،

https://github.com/ForrestKnight/open-source-cs


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اولین ایجنت رسمی OpenAI معرفی شد!

یه دستیار هوشمند جدید از شرکت OpenAI که از به تازگی معرفی شده. این ابزار متفاوت از نسخه‌های قبلی ChatGPT‌ فقط پاسخ نمی‌ده—بلکه خودش روی یک «کامپیوتر مجازی» کار می‌کنه و کارهای پیچیده رو مستقل انجام میده.

چه کارهایی بلده بکنه؟

1️⃣وب‌گردی و تعامل مستقل: مثل کلیک کردن روی سایت، پر کردن فرم‌ها یا خرید آنلاین .

2️⃣ساخت فایل‌های قابل ویرایش: مانند پاورپوینت، جدول اکسل، گزارش و متن .

3️⃣تحقیق عمیق و تحلیل اطلاعات: با مهارت‌های Deep Research قبلی، تحقیق‌های چندمرحله‌ای انجام میده.

4️⃣اجرای کد و تحلیل داده: توی ترمینال کد اجرا می‌کنه، داده پردازی می‌کنه یا فایل‌های خروجی می‌سازه .

هم‌اکنون برای کاربران Pro، Plus و Team در ChatGPT در دسترسه.کاربران Enterprise و Education در طول تابستان بهش دسترسی پیدا می‌کنن.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

گوگل به شکل گسترده ویژگی Talk Live about this رو توی نسخه اندرویدی Gemini منتشر کرد، این ویژگی اینجوریه که میتونید عکس یا یه فایل و حتی ویدیو یوتیوب رو به جمنای بدید بعد در موردش باهاش مکالمه صوتی داشته باشید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 یکی از جذاب‌ترین ویدیوهای یوتیوب درباره‌ی اینکه چرا و چطور شبکه‌های عصبی می‌تونن “تقریبا” هر چیزی رو یاد بگیرن

https://www.youtube.com/watch?v=0QczhVg5HaI

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer