یک دوره عالی برای درست کردن AI Agents با استفاده از Agent Development Kit (ADK) از کمپانی گوگل. این ADK خیلی به کارتون میاد اگه در اکوسیستم GCP قراره ایجنت بسازید. بیشتر از ۸ ساعت آموزشه.

https://www.cloudskillsboost.google/course_templates/1382

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر دوست دارید بدون هزینه‌ی زیاد از تمام مدل‌های به‌روز Ai استفاده کنید توصیه میکنم از http://t3.chat استفاده کنید.
درحال حاضر برای خیلی مدل‌ها مثل grok 4 راهی ارزون‌تر و بهتر از این پیدا نمیکنید.
ماهی فقط ۸ دلاره. تمام مدل‌ها رو داره.
بهتون ماهی ۱۵۰۰ تا پرامپت در مدل‌های عادی (مثلا o4-mini) و ۱۰۰ تا پرامپت در مدل‌های گران (مثلا grok 4) میده.
کیفیتش بینظیره، صاحبش محبوب و خوش‌نامه و قیمتش مفته. هر مدلی هم که میاد سریع اضافش میکنه.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 معرفی GLM-4.5 و GLM-4.5 Air
مدل‌های پرچم‌دار جدیدی که با هدف یکپارچه‌سازی توانایی‌های پیشرفته در استدلال، برنامه‌نویسی، و عملکرد عاملیت‌محور (Agentic) طراحی شده‌اند.

📌 ویژگی‌های مدل‌ها:

GLM-4.5:
شامل ۳۵۵ میلیارد پارامتر کل، از این میان ۳۲ میلیارد پارامتر فعال

GLM-4.5-Air:
شامل ۱۰۶ میلیارد پارامتر کل، از این میان ۱۲ میلیارد پارامتر فعال

💵 قیمت API به‌ازای هر ۱ میلیون توکن:

GLM-4.5:
▫️ ورودی (Input): ‌۰٫۶ دلار
▫️ خروجی (Output): ‌۲٫۲ دلار

GLM-4.5-Air:
▫️ ورودی (Input): ‌۰٫۲ دلار
▫️ خروجی (Output): ‌۱٫۱ دلار

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک دوره خیلی خوب از مایکروسافت راجع به Model Context Protocol (MCP) به اسم MCP for Beginners. اگه هنوز نمیدونید MCP چی هست یا اینکه چطور کار میکنه حتما این دوره را ببینید. به جز یک ویدیو ۱ ساعته باقی ویدیوها زیر ۵-۶ دقیقه هستند. MCP یکی از مهمترین مباحث برای درست کردن AI agents هست.

https://www.youtube.com/playlist?list=PLlrxD0HtieHjYfVUpGl_-ai7D6FRBjV-d

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎉 معرفی Qwen-Image — یک مدل فوق‌العاده قدرتمند برای تولید تصویر از متن!

🚀 در واقع Qwen-Image یک مدل ۲۰ میلیارد پارامتری (20B MMDiT) و نسل جدیدی از مدل‌های Text-to-Image هست که حالا متن‌باز شده!

🧠 ویژگی‌های برجسته:

🔹 بی‌نظیر در تولید متن داخل تصویر — رقابت تنگاتنگ با GPT-4o در زبان انگلیسی و بهترین عملکرد در زبان چینی
🔹 تولید متن به‌صورت درون‌پیکسلی — بدون هیچ لایه‌ی اضافی؛ همه‌چیز کاملاً یکپارچه
🔹 پشتیبانی دوزبانه + فونت‌های متنوع + چیدمان‌های پیچیده

🎨 همچنین در تولید انواع سبک‌های تصویری عالیه:
📸 واقع‌گرایانه
🎌 انیمه
🖌 امپرسیونیستی
📐 مینیمالیستی


Blog:https://qwenlm.github.io/blog/qwen-image/
Hugging Face：https://huggingface.co/Qwen/Qwen-Image
ModelScope：https://modelscope.cn/models/Qwen/Qwen-Image
Github：https://github.com/QwenLM/Qwen-Image
Technical report：https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Image/Qwen_Image.pdf
Demo: https://modelscope.cn/aigc/imageGeneration?tab=advanced

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 معرفی مقاله DAPO

🔍 مقاله‌ی جدید "DAPO: An Open‑Source LLM Reinforcement Learning System at Scale" توسط تیم ByteDance منتشر شده و یک چارچوب متن‌باز برای بهینه‌سازی مدل‌های زبانی با RL ارائه می‌ده.

✅ نکات برجسته:

معرفی الگوریتم DAPO با تکنیک‌هایی مثل Clip‑Higher و Token‑Level Policy Gradient

ارزیابی روی دیتاست چالش‌برانگیز AIME 2024

کسب امتیاز ۵۰ با مدل Qwen‑2.5‑32B، جلوتر از DeepSeek‑R1

انتشار کامل کد، داده و آموزش روی GitHub

https://arxiv.org/pdf/2503.14476

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک دیتاست شعر فارسی منتشر کردن که شامل بیش از 80 هزار شعر از شاعران کلاسیک و معاصر هست.
برای آموزش مدل‌های زبانی، تحلیل سبک شعر، یا پروژه‌های NLP فارسی می‌تونید ازش استفاده کنید.

https://www.kaggle.com/datasets/jigsaw13/persian-poem-dataset

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک دوره کوتاه ولی جالب راجع Claude Code و اینکه چطور از code assistant استفاده کنید.

https://www.deeplearning.ai/short-courses/claude-code-a-highly-agentic-coding-assistant/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این یک پلی‌لیست فوق‌العاده و ضروری برای مبتدیان در حوزه مدل‌های زبانی بزرگ (LLM) است! 🎯

📺 پلی‌لیست "Understanding Large Language Models" موضوعات پایه‌ای و مهم زیر را پوشش می‌دهد:

1️⃣ What is temperature in LLM?

2️⃣ Pretraining Large Language Models: Everything You Need to Know!

3️⃣ How Attention Mechanism Works in Transformer Architecture

4️⃣ What Are Word Embeddings?

5️⃣ LLM Training Starts Here: Dataset Preparation & Tokenization Explained!

6️⃣ LLMs Like ChatGPT, Explained Visually – How Do They Really Work?

https://www.youtube.com/playlist?list=PLUfbC589u-FSwnqsvTHXVcgmLg8UnbIy3

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک مدل جدید اومده برای پارس کردن داکیومنت و OCR.حدود ۱۰۰ زبان از جمله فارسی را هم پشتیبانی میکنه.

https://github.com/rednote-hilab/dots.ocr

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

تبدیل آسان فایل‌های PDF به داده‌های تمیز و آماده برای مدل‌های زبانی! 🐬

فریم‌ورک متن‌باز Dolphin ابزاری برای پردازش اسناد است که می‌تواند PDFها را به قالب‌های ساختاریافته‌ای مانند Markdown، HTML، LaTeX و JSON تبدیل می‌کند.

https://github.com/bytedance/Dolphin

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر دنبال استفاده از AI بخصوص مدلهای LLM و سیستم های ایجنتیک درموضوعات مالی مثل سرمایه گذاری، تحقیقات مالی، و تریدینگ هستید این چندتا مقاله را بخونید. کلی مطالب جالب و فریمورک های جالبی را پیشنهاد میده.

- TradingAgents: Multi-Agents LLM Financial Trading Framework
https://arxiv.org/pdf/2412.20138

- From Deep Learning to LLMs: A survey of AI in Quantitative
Investment
https://arxiv.org/pdf/2503.21422

- Enhancing Investment Analysis: Optimizing AI-Agent
Collaboration in Financial Research
https://arxiv.org/pdf/2411.04788

- Are Generative AI Agents Effective Personalized Financial
Advisors?
https://arxiv.org/pdf/2504.05862

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

«این واقعاً جعبه‌ابزار مهندس هوش مصنوعی است که به آن نیاز دارید:
فهرستی از بیش از ۱۲۰ کتابخانه و فریم‌ورک، دسته‌بندی‌شده براساس کاربرد. وقتی پروژه‌ی جدیدی آغاز می‌کنید (مثل آموزش مدل، ساخت عامل‌های هوشمند، RAG و غیره)، می‌توانید به‌سادگی فهرست را بررسی کنید و مطمئن شوید که دارید از بهترین گزینه استفاده می‌کنید.»

https://github.com/KalyanKS-NLP/llm-engineer-toolkit

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

برای تسلط واقعی بر مدل‌های زبانی بزرگ (LLM)، ایجنت‌ها و سیستم‌های هوش مصنوعی، یکی از بهترین نقطه‌های شروع، پلتفرم Hugging Face است.

1. LLM Course
https://huggingface.co/learn/llm-course/chapter1/1

2. Agents Course
https://huggingface.co/learn/agents-course/unit0/introduction

3. Deep RL Course
https://huggingface.co/learn/deep-rl-course/unit0/introduction

4. Computer Vision Course
https://huggingface.co/learn/computer-vision-course/unit0/welcome/welcome

5. Audio Course
https://huggingface.co/learn/audio-course/chapter0/introduction

6. ML for Games Course
https://huggingface.co/learn/ml-games-course/unit0/introduction

7. ML for 3D Course
https://huggingface.co/learn/ml-for-3d-course/unit0/introduction

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

هوش مصنوعی: مفاهیم و تکنیک‌ها

این دوره آموزشی که توسط یکی از استادان مؤسسه علوم هند (IISC) در بنگلور ارائه می‌شود، در نهایت حدود ۶۰ ویدئو خواهد داشت... که از مباحث ریاضی تا موضوعات پیشرفته هوش مصنوعی را پوشش می‌دهد.

https://www.youtube.com/playlist?list=PLgMDNELGJ1CZSGn478v1uKbzxJzKWZ7zs

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مایکروسافت بهترین دوره آموزش هوش مصنوعی مولد را منتشر کرد!

این دوره رایگان شامل ۲۱ درس است که در گیت‌هاب در دسترس قرار دارد و تمام چیزهایی را که برای شروع ساخت برنامه‌های هوش مصنوعی مولد لازم دارید، به شما آموزش می‌دهد.


https://github.com/microsoft/generative-ai-for-beginners

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 معرفی یک کتابخانه‌ی پایتونی برای پردازش داده با LLMهای عامل‌محور 🤖📄

🔹در واقع DocETL یک کتابخانه‌ی پایتونی قدرتمند است که امکان ساخت و اجرای پایپلاین‌های پردازش داده را فراهم می‌کند.
✨ این ابزار به‌ویژه برای وظایف پیچیده‌ی پردازش اسناد طراحی شده و می‌تواند فرایندهای چندمرحله‌ای را به‌شکل هوشمند و خودکار انجام دهد.

🚀 اگر با داده‌های متنی یا اسناد حجیم کار می‌کنید، DocETL می‌تواند دستیار توانمندی برای شما باشد.

https://github.com/ucbepic/docetl

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 پایان سلطه‌ی الگوریتم دیکسترا؟! 🤯

الگوریتم دیکسترا سال‌ها به‌عنوان یک روش استاندارد برای پیدا کردن کوتاه‌ترین مسیر شناخته می‌شد. این الگوریتم با شروع از یک نقطه‌ی مبدا و گسترش تدریجی به نقاط دیگر، مسیر بهینه را پیدا می‌کند.
اما یکی از محدودیت‌های بزرگ آن، نیاز به مرتب‌سازی مداوم نقاط برای انتخاب نزدیک‌ترین گره است؛ فرآیندی که می‌تواند سرعت اجرای آن را کاهش دهد. ⏳

🔬 حالا محققان الگوریتم جدیدی معرفی کرده‌اند که بدون نیاز به مرتب‌سازی، کوتاه‌ترین مسیرها را محاسبه می‌کند. نتیجه؟
✅ سرعت بیشتر 🚀
✅ حذف گلوگاه مرتب‌سازی 🔄
✅ عملکرد بهتر در شبکه‌های بزرگ 🌐

به نظر می‌رسد با این پیشرفت، الگوریتم دیکسترا دیگر همیشه بهینه‌ترین انتخاب نخواهد بود! 📉


مقاله کامل :
arxiv.org/pdf/2504.17033

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer