📘 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

مایکروسافت یه دوره‌ی خفن و رایگان داده بیرون به اسم AI Agents for Beginners 😍
جالبیش اینه که کل دوره به صورت اوپن‌سورس منتشر شده و حتی به بیشتر از ۳۰ زبان مختلف از جمله فارسی ترجمه می‌شه.

این دوره توی ۱۱ درس کوتاه و کاربردی بهت یاد میده چجوری از صفر شروع کنی و Agentهای هوش مصنوعی بسازی.

https://github.com/microsoft/ai-agents-for-beginners/tree/main/translations/fa

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

RACCooN:

حذف، اضافه یا تغییر محتوای ویدئو به‌صورت آسان و تعاملی با استفاده از چارچوب MLLM + Video Diffusion (V2P2V) و تولید توضیحات خودکار!

▶️ ۱. ویدئو به پاراگراف (V2P): RACCooN ابتدا با کمک MLLM و استراتژی multi-granular pooling، توضیحات دقیق و ساختاریافته‌ای از ویدئوها ایجاد می‌کند.

▶️ ۲. پاراگراف به ویدئو (P2V): سپس کاربران می‌توانند با اصلاح روایت خودکار، از قابلیت‌های متنوع ویرایش ویدئو با مدل انتشار ویدئو بهره ببرند.

Check out more details in our paper: https://raccoon-mllm-gen.github.io

Huggingface paper page: https://huggingface.co/papers/2405.18406

Code: https://github.com/jaehong31/RACCooN

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

از ۲۵ تا ۳۱ آگوست می‌تونید تمام دوره‌های سایت DataCamp رو رایگان ببینید! 😍

📌 موضوعات:

یادگیری ماشین 🤖

یادگیری عمیق 🧠

پردازش زبان طبیعی 🗣

تحلیل داده 📊

مدرس‌ها هم از شرکت‌های بزرگی مثل Google و Microsoft هستن.
دوره‌ها کوتاه و در همه‌ی سطوح موجودن.

https://app.datacamp.com/


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

به کمک ابزار AI اوپن سورس زیر می‌تونید تصاویر چهره تار و بی کیفیت رو بازسازی کنید.

Website: http://restorephotos.io
Github: https://github.com/Nutlope/restorePhotos

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

خبر داغ از گوگل! 🔥
مدل جدید Gemini 2.5 Flash برای ویرایش تصویر منتشر شد و یک جهش بزرگ در کیفیت و دقت به حساب میاد.

✅ ویرایش‌های محلی فقط با متن (مثل حذف یک نفر، تغییر رنگ یک شیء یا تار کردن پس‌زمینه)
✅ ثبات چهره و اجسام در چند تصویر پشت‌سرهم
✅ ترکیب چند تصویر در یک خروجی (مثلاً اضافه‌کردن یک وسیله به عکس اتاق)
✅ درک طرح‌ها و دیاگرام‌ها برای ساختن صحنه واقعی
✅ امکان گفت‌وگوی چندمرحله‌ای برای اصلاحات پشت‌سرهم

طبق اعلام رسمی، این مدل هم‌اکنون به‌صورت رایگان در اپلیکیشن Gemini و Google AI Studio برای کاربران در دسترس است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📊 طبق گزارش جدید دانشگاه استنفورد، هوش‌مصنوعی بیشترین فشار رو روی نسل جدید وارد کرده!

🔻 آمار نشون میده که میزان استخدام برای دهه هشتادی‌ها (نسل جدید) حدود ۱۶٪ کمتر شده. چرا؟ چون معمولا افراد تازه‌کار وظایف ساده و روتین انجام میدن؛ دقیقا همون کارهایی که هوش‌مصنوعی خیلی راحت می‌تونه جایگزینشون بشه.

✅ در مقابل، افراد باتجربه‌تر (بالای ۳۰ سال) شرایط بهتری دارن و حتی ۶ تا ۹ درصد رشد در بازار کار براشون ثبت شده. دلیلش اینه که نقش‌هاشون پیچیده‌تر و استراتژیک‌تره و هنوز جایگزینی کامل با AI براشون سخت‌تره.

⚠️ نتیجه؟ ورود به بازار کار برای نسل‌های جدید سخت‌تر شده و باید بیشتر با واقعیت‌های عصر هوش‌مصنوعی روبه‌رو بشن:

یادگیری مداوم 📚
مهارت‌های تخصصی 💡
و توانایی کار در کنار AI 🤖

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

ویکی‌پدیای فارسی از نظر تعداد کاربر فعال، رتبه‌ی هفتم رو بین تمام ویکی‌پدیاها داره! 🔥

👥 کاربر فعال یعنی کسی که توی ۳۰ روز گذشته حداقل یک ویرایش انجام داده باشه.
این آمار خیلی جالبه چون یکی از معیارهای مهم برای سنجش قدرت و کیفیت اجتماع زبانی در اینترنت محسوب میشه.

📚 یعنی جامعه‌ی فارسی‌زبان توی تولید و ویرایش دانش آنلاین، جزو پرجنب‌وجوش‌ترین‌هاست!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

15 دوره‌ برتر شبکه‌های عصبی (Neural Network) – پرفروش و رایگان در سال 2025

https://www.mltut.com/best-neural-network-courses/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

UQ: Assessing Language Models on
Unsolved Questions
پژوهشگران آمدن به جای آزمون‌های مصنوعی و بی‌ارتباط با دنیای واقعی، پژوهشگران رویکرد تازه‌ای پیشنهاد داده‌اند: ارزیابی مدل‌های زبانی روی پرسش‌های واقعی و حل‌نشده.

در این روش، پرسش‌ها از منابعی مثل Stack Exchange جمع‌آوری شده و با ترکیب اعتبارسنجی خودکار و تأیید جمعی جامعه بررسی می‌شوند.

🔎 نتیجه اولیه: از میان ۵۰۰ پرسش دشوار، مدل‌ها تنها توانسته‌اند حدود ۱۰ مسئله را حل کنند. این یعنی پیشرفت واقعی در این مسیر می‌تواند هم‌زمان مرزهای دانش انسانی را هم جابه‌جا کند. 🌍✨

🌐 Platform: https://uq.stanford.edu
📄 Paper: https://arxiv.org/abs/2508.17580
💻 Code: https://github.com/uq-project/UQ
🤗 Data: https://huggingface.co/datasets/uq-project/uq


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

✨ ریاضیات فقط فرمول و عدد نیست؛ زبانیه برای درک و حل مسائل دنیای واقعی

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 خیلی وقتا RAG سنتی خوب جواب میده، مخصوصاً برای پرسش‌های ساده یا وقتی دنبال یه بخش مشخص از سند هستیم. توی این حالت، سیستم فقط شبیه‌ترین متن رو پیدا می‌کنه و جواب رو از همون می‌سازه.

اما مشکل اینجاست 👇
🔸 هر تکه‌ی متن رو جدا از بقیه می‌بینه
🔸 وقتی اطلاعات تو چند سند پخش شده باشه نمی‌تونه «نقاط رو به هم وصل کنه»
🔸 روابط بین موجودیت‌ها (آدم‌ها، مکان‌ها، مفاهیم و …) رو درک نمی‌کنه

🚀 اینجاست که Graph RAG وارد عمل میشه:

اول موجودیت‌ها و ارتباط‌ها رو از متن استخراج می‌کنه
بعد یه گراف دانش می‌سازه که همه چیز به هم وصل باشه
موقع پرسش، هم متن مرتبط رو میاره و هم رابطه‌ها رو در نظر می‌گیره
در نتیجه پاسخ‌ها خیلی دقیق‌تر و جامع‌تر میشن

🔑 خلاصه بگم:

برای سوال‌های سریع و ساده ➡️ RAG معمولی

برای تحلیل عمیق، ترکیب چند سند و پرسش‌های پیچیده ➡️ Graph RAG

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

HCRMP: A LLM-HINTED CONTEXTUAL REINFORCEMENT
LEARNING FRAMEWORK FOR AUTONOMOUS DRIVING

خروجی های LLM مستعد Hallucinations هستند برای مثال مدل Gemini-2.5-Pro (یکی از پیشرفته‌ترین LLM‌ها)، نرخ عدم توهم‌زایی در وظایف مرتبط با رانندگی تنها ۵۷.۹۵٪ است. این یعنی بیش از ۴۰٪ از خروجی‌های آن مستعد Hallucinations هستند که این موضوع می تواند عملکرد سیستم رانندگی رو به خطر بندازه برای همین توی این مقاله امد ن از پرادایم RLبا راهنمایی LLM استفاده کردن به این معنی حتی اگر خروجی‌های LLM ناپایدار باشند، عامل RL می‌تواند با یادگیری سیاست خود، اشارات معنایی نادرست احتمالی را جبران کند و از تولید مستقیم اقدامات نامعقول جلوگیری نماید.

اطلاع بیشتر👇
https://arxiv.org/pdf/2505.15793

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer