🚀 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

✨ ریاضی فقط درباره‌ی اعداد نیست، بلکه درباره‌ی کشف الگوهای پیچیده در دنیای اطراف ماست.

👨‍💻 مفاهیم ریاضی می‌توانند فراتر از کلاس‌های درس، کاربردهای جالب و گسترده‌ای در برنامه‌نویسی داشته باشند.

📘 در این راهنما، Tiago به بررسی «معماری ریاضی» می‌پردازد و توضیح می‌دهد که چگونه می‌توان از آن در کدنویسی استفاده کرد.

https://www.freecodecamp.org/news/the-architecture-of-mathematics-and-how-developers-can-use-it-in-code/


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگه تا حالا وقت نکردید RAG یاد بگیرید، این دوره جدید DeepLearning AI میتونه یه انتخاب عالی باشه

https://www.deeplearning.ai/courses/retrieval-augmented-generation-rag/?utm_campaign=rag-launch&utm_medium=social&utm_source=dlai-sm

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 RAG-Anything:
یک RAG همه‌کاره و کاملاً متن‌باز روی گراف‌ها!

🔹در واقع RAG-Anything یک سیستم گراف‌محور برای RAG چندموداله است که روی LightRAG اجرا می‌شود.
این ابزار برای مدیریت اسناد طراحی شده و تمام انواع محتوا (متنی، تصویری، جدولی، فرمول ریاضی و ... ) را در یک ساختار یکپارچه پشتیبانی می‌کند.

✨ ویژگی‌ها:

📄 پشتیبانی از همه‌ی مدالیته‌ها در یک ساختار واحد

⚡️ پردازش منعطف: MinerU-based parsing یا ورودی مستقیم چندموداله

🖼 پردازش اختصاصی برای تصاویر، جداول، معادلات ریاضی و محتوای ناهمگن

🔍 جستجوی پیشرفته با درک متنی و چندموداله

🤖 شناسایی و دسته‌بندی خودکار محتوا و هدایت آن به کانال‌های پردازشی بهینه

📌 اگه دنبال یک RAG قدرتمند و یکپارچه هستی، این پروژه ارزش امتحان کردن رو داره!

https://github.com/HKUDS/RAG-Anything

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📝 GraphRAG-R1
توی مقالات قبلی برای بازیابی روی گراف‌ها از روش‌های هیورستیک از پیش تعریف‌شده استفاده می‌شد، که دقت و کارایی رو محدود می‌کرد.
🔹 اما این مقاله برای اولین بار با به‌کارگیری Reinforcement Learning (RL) تونسته این محدودیت رو برطرف کنه و فرآیند بازیابی رو هوشمند و بهینه‌تر بسازه.

https://arxiv.org/pdf/2507.23581

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📘 Reinforcement Learning from Human Feedback (RLHF) – Short Book

این یه introduction کوتاه درباره‌ی RLHF و post-training روی language models هست.

https://rlhfbook.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مقاله‌ای از علوم پزشکی کاشان با 426 سایتیشن ریترکت شد. بس کن دیتاسازی رو هموطن!

https://pubpeer.com/publications/FF831BF73E8D00ABF9004B8BC4B2BD

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 University of Auckland International Student Excellence Scholarship

برای مقطع:کارشناسی,کارشناسی ارشد,دکتری برای کلیه رشته‌های تحصیلی این دانشگاه بورسیه تحصیلی میده.

اطلاعات بیشتر در مورد نحوه اپلای برای آن، به لینک زیر مراجعه کنید.

https://www.auckland.ac.nz/en/study/scholarships-and-awards/find-a-scholarship/university-of-auckland-international-student-excellence-scholarship-844-all.html

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📖 Designing a SIMD Algorithm from Scratch

نوشته‌ی Miguel یکی از خوندنی‌ترین منابع برای درک طراحی الگوریتم‌های SIMD هست ✨

https://mcyoung.xyz/2023/11/27/simd-base64/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📉 تحقیقات MIT: ‌۹۵٪ از شرکت‌هایی که روی GenAI سرمایه‌گذاری کردند، هنوز خروجی مشخصی ندارند.

🏗 احتمال فروش مراکز داده OpenAI برای جبران هزینه‌های سنگین محاسبات.

📡 معرفی ChatGPT Go در هند: اشتراک ماهانه زیر ۵ دلار با پرداخت محلی.

🗞 خبرهای کوتاه:

انتشار مخزن Agents.md توسط OpenAI

فایرفاکس ۱۴۲: پشتیبانی از افزونه‌های مبتنی بر LLM محلی

🧑‍🎓 بررسی عمیق: به‌روزرسانی‌های مهم برای طراحی معماری AWS که شاید جا انداخته باشید.

اطلاعات بیشتر:
https://www.rohan-paul.com/p/mit-shows-95-investing-in-generative

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 MCP for Beginners – دوره مایکروسافت

🧩 در واقع MCP (Model Context Protocol) یک پروتکل ارتباطی برای ایجنت‌های هوش مصنوعی است که امکان تعامل آن‌ها با ابزارهای خارجی، منابع داده و اپلیکیشن‌های ثالث را فراهم می‌کند.

این دوره آموزشی از طرف Microsoft شامل:

معرفی MCP و مفاهیم اصلی آن

بهترین شیوه‌های امنیتی MCP

ساخت اولین MCP Server

آموزش ساخت، تست و استقرار اپ‌های MCP با ابزارها و گردش‌کار واقعی

ورژن MCP پیشرفته: ایجنت‌های امن، مقیاس‌پذیر و چندوجهی

نحوه مشارکت در MCP (ابزارها، مستندات، کد و …)

درس‌هایی از پذیرندگان اولیه MCP

اصول توسعه MCP و بهترین Practices

نمونه‌های واقعی MCP در عمل

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

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 Sorting Algorithm Visualizer ✨📊

🤔 همیشه درک تفاوت الگوریتم‌های مرتب‌سازی مثل Bubble Sort و Quick Sort یا نحوه کار مرحله‌به‌مرحله Insertion Sort یه مقدار انتزاعی و سخت به نظر می‌رسه.

👨‍💻 با این وب اپلیکیشن تعاملی می‌تونید به‌صورت بصری ببینید هر الگوریتم دقیقاً چطور کار می‌کنه و تفاوت‌هاشون رو بهتر متوجه بشید.

🔗 GitHub Repo: https://github.com/hrnrxb/sorting_algo
🚀 Live Demo: https://ds-fall2025.github.io/sorting_algo/

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 فریم‌ورک‌های LLM با سرعت زیادی در حال پیشرفت هستند!
اما واقعا کدومشون رو باید انتخاب کنیم؟ 🤔

اگر با هوش مصنوعی کار کرده باشید، حتما اسم این‌ها به گوشتون خورده:

🔹 LangGraph → مبتنی بر گراف، عالی برای اپ‌های چندعاملی با حالت‌های پیچیده
🔹 LangChain → دوست‌دار برنامه‌نویس، متمرکز روی زنجیره‌ها، ابزارها و حافظه
🔹 AutoGen → سیستم چندعاملی که ایجنت‌ها از طریق دیالوگ همکاری می‌کنن
🔹 CrewAI → هماهنگی نقش‌محور برای رسیدن ایجنت‌ها به اهداف مشترک

هر کدوم نقطه‌قوت خودش رو دارن، و انتخاب شما بستگی به نوع اپلیکیشنی داره که می‌سازید:

✅ نیاز به مدیریت حالت + منطق موازی → سراغ LangGraph برید
✅ دنبال جعبه‌ابزار توسعه‌دهنده با Prompt Chain هستید → LangChain بهترین گزینست
✅ روی گفت‌وگوهای خودکار ایجنت‌ها کار می‌کنید → AutoGen رو تست کنید
✅ در حال ساخت جریان‌کاری تیمی برای ایجنت‌ها هستید → CrewAI رو بررسی کنید

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📘 دوره COS 324 – مقدمه‌ای بر یادگیری ماشین
🏛 دانشگاه پرینستون

این وب‌سایت شامل یادداشت‌های درسی (Course Notes) برای درس Introduction to Machine Learning در دانشگاه پرینستون هست.

https://princeton-introml.github.io/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مدجما (MedGemma) تازه‌ترین مدل پزشکی گوگل توی می ۲۰۲۵ه که این بار متن‌باز منتشر شده. یعنی پژوهشگرها و توسعه‌دهنده‌ها راحت می‌تونن دانلودش کنن، تست کنن یا حتی با داده‌های خودشون نسخه اختصاصی بسازن.

این مدل دو نسخه داره:
🧩 نسخه ۴ میلیارد پارامتری (4B) چندوجهیه و هم متن می‌فهمه هم تصویر پزشکی مثل رادیولوژی رو تحلیل می‌کنه.
📚 نسخه ۲۷ میلیارد پارامتری (27B) فقط متنیه اما خیلی دقیق‌تر عمل می‌کنه و برای تحلیل‌های تخصصی مناسبه.

مدجما روی داده‌های پزشکی آموزش دیده، توی آزمون‌ها مثل MedQA نتایج درخشانی گرفته و حتی از بعضی مدل‌های غول‌پیکر گذشته بهتر عمل کرده. می‌تونه پرسش و پاسخ کنه، توصیه بده، یا مثل یه گفت‌وگوی اولیه با پزشک سوال‌های تکمیلی بپرسه. نسخه چندوجهی هم توانایی توصیف و گزارش تصاویر پزشکی رو داره.

medgemma-4b-it:
https://huggingface.co/google/medgemma-4b-it

medgemma-27b-text-it:
https://huggingface.co/google/medgemma-27b-text-it


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

GRAPH-R1: TOWARDS AGENTIC GRAPHRAG FRAMEWORK VIA END-TO-END REINFORCEMENT LEARNING

برای حل این چالش‌هایی که در GraphRAGهای قبلی وجود داشت مانند بازیابی داده ها فقط یک بار انجام میشد امدن یک چارچوب جدیدی به نام Graph-R1 ارائه دادن که یک چارچوب عامل‌محور (agentic) مبتنی بر یادگیری تقویتی انتها به انتها (end-to-end RL) است. این مدل:

ساخت ابرگراف (hypergraph) دانش با روش سبک و کارآمد؛

بازتعریف فرایند بازیابی به‌صورت تعامل چندمرحله‌ای بین عامل و محیط؛

بهینه‌سازی فرایند عامل با استفاده از مکانیسم پاداش انتها به انتها (end-to-end reward mechanism).

همچنین امدن روی مجوعه داده های استاندارد RAG آزمایش هایی انجام دادن که هم در دقت استدلال (reasoning accuracy)، کارایی بازیابی (retrieval efficiency)، و کیفیت تولید پاسخ (generation quality) بهتر از روش‌های سنتی GraphRAG و روش‌های RAG تقویت‌شده با RL عمل می‌کند.

https://arxiv.org/pdf/2507.21892

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر می‌خواهید با مفاهیم یادگیری ماشین به ساده‌ترین و کاربردی‌ترین شکل ممکن آشنا بشید، این کانال یوتیوب یکی از بهترین انتخاب‌هاست. 🌟
ویدیوهاش پر از توضیحات روشن و مثال‌های جذابه که باعث میشه حتی سخت‌ترین موضوعات هم براتون قابل‌فهم بشه. 📚🤖

https://www.youtube.com/@datamlistic/videos

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اینجا می‌تونید به صورت کاملاً رایگان به بیش از ۵۰۰ مدل هوش مصنوعی دسترسی داشته باشید؛ حتی مدل‌های خیلی خفن و گرون مثل o1-pro و Claude 4.1 Opus 🤩
تنها کاری که لازمه بکنید اینه که بعد از هر جواب، یه بازخورد کوچیک بدید. همین! 🔥

https://yupp.ai/get-started

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 اینجا می‌تونید نوت‌بوک‌های رایگان Google Colab رو پیدا کنید که توش هر مدل یادگیری ماشین از صفر پیاده‌سازی شده.

https://udlbook.github.io/udlbook/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

✨ توی این لینک می‌تونید به یه گنجینه ارزشمند از پروژه‌های هوش مصنوعی دسترسی داشته باشید؛
از مدل‌های زبانی (LLMs) گرفته تا AI Agents، پروژه‌های RAG، دستیارهای هوشمند و کلی اپلیکیشن جذاب دیگه 🤖🚀

https://github.com/Shubhamsaboo/awesome-llm-apps

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer