🎓 دوره‌های Generative AI از Google

این دوره به آموزش مفاهیم Generative AI می‌پردازه؛
از پایه‌های مدل‌های زبانی بزرگ (LLM) گرفته تا موضوعات مهم مثل Responsible AI 🚀

https://www.cloudskillsboost.google/paths/118

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚨 امارات دیروز همه رو غافلگیر کرد!
با معرفی مدل جدید K2 Think ✨
🔹 یک LLM با ۳۲ میلیارد پارامتر
🔹 ساخته‌شده روی Qwen 2.5
🔹 آموزش‌داده‌شده روی سخت‌افزار Cerebras ⚡️
🔹 و از همه مهم‌تر: کاملاً متن‌باز 🟢

💡 نکته جالب اینجاست که K2 Think در ریاضی و کدنویسی حتی از غول‌هایی مثل DeepSeek هم بهتر عمل کرده!

https://www.k2think.ai/guest
#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 ریپازیتوری منابع مهندسی کامپیوتر

این ریپازیتوری شامل مجموعه‌ای از اسلایدها، کتاب‌ها، جزوه‌ها، تمرین‌ها و نمونه سوالات رشته مهندسی کامپیوتر است.
هدف از این مجموعه، ایجاد یک مرجع کامل و آسان برای دانشجویان و علاقه‌مندان است تا بتوانند راحت‌تر به منابع آموزشی دسترسی داشته باشند.

✨ محتوا شامل:
جزوه‌ها و اسلایدهای درسی
نمونه سوالات و تمرین‌ها
منابع پیشنهادی برای مطالعه بیشتر
و...
https://github.com/Mohammadhossinee/Computer-Engineering-Resources

💾 ذخیره داشته باشید تا منابع به‌روز را از دست ندهید!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

همه روش‌های Fine-Tuning یکسان نیستند!

در واقع Fine-tuning یعنی گرفتن یک مدل از قبل آموزش‌دیده و آموزش دوباره روی دیتاست کوچک و خاص، تا برای یک وظیفه یا حوزه جدید آماده شود. بهترین روش برای بهره‌برداری کامل از مدل‌های بزرگ (LLM)، اما مسیرش می‌تواند پیچیده باشد.

💥 انواع روش‌ها:

1️⃣ Full Fine-Tuning
آپدیت همه پارامترهای مدل اصلی برای یک دیتاست خاص.
مناسب برای: وقتی یک مدل فوق‌العاده برای یک وظیفه بسیار خاص می‌خواهید.
نیاز به سخت‌افزار: خوشحال‌کننده برای GPU کلستر بزرگ!

2️⃣ LoRA (Low-Rank Adaptation)
آموزش ماتریس‌های کوچک جدید و نگه داشتن وزن‌های اصلی مدل ثابت.
مناسب برای: تطبیق مدل روی چندین وظیفه.
نیاز به سخت‌افزار: GPU حرفه‌ای مثل A100 یا H100

3️⃣ QLoRA (Quantized LoRA)
نسخه کم‌حجم‌تر و کم‌مصرف LoRA که روی نسخه کوانتیزه و کم‌دقت مدل انجام می‌شود.
مناسب برای: Prototyping و آزمایش با بودجه محدود.
نیاز به سخت‌افزار: یک GPU معمولی، حتی با VRAM محدود

📄 LoRA Paper: https://arxiv.org/pdf/2106.09685
📄 QLoRA Paper: https://arxiv.org/pdf/2305.14314

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 یادگیری دیپ‌لرنینگ از صفر تا صد در ۲۶ جلسه


🧠 اصلاً دیپ‌لرنینگ چی هست و چه پیش‌نیازهایی داره
⚡️ محاسبات یه نورون و آموزش شبکه‌های عصبی ساده
🔄 پس‌انتشار خطا (Backpropagation) و توابع اکتیویشن
📊 مدیریت داده، اعتبارسنجی و جلوگیری از اورفیت
📈 مشکل محو یا انفجار گرادیان‌ها و راه‌حل‌ها
🖼 شبکه‌های CNN و تکنیک‌های Transfer Learning
و...

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

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧩 چرا LLMها دست از توهم (Hallucination) برنمی‌دارن؟

مقاله جدید OpenAI توضیح می‌ده که توهم در مدل‌های زبانی «خطا غیرمنتظره» نیست، بلکه نتیجه طبیعی آموزش و ارزیابی اون‌هاست.
مدل‌ها مجبور می‌شن حتی وقتی مطمئن نیستن، جواب بدن و سیستم‌های فعلی هم «بلوف زدن» رو بیشتر از «نمی‌دونم» پاداش می‌دن.

✅ راه‌حل: تغییر سیستم امتیازدهی به‌جای معرفی تست‌های جدید.
اگر به جای جریمه کردن جواب‌های «نمی‌دونم»، اون‌ها رو خنثی حساب کنیم، مدل‌ها یاد می‌گیرن فقط وقتی جواب بدن که مطمئن هستن. این تغییر می‌تونه اعتماد به هوش مصنوعی رو افزایش بده.

اطلاعات بیشتر:
https://www.arxiv.org/pdf/2509.04664

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 دوره آموزش ساخت مدل زبانی از صفر

مدل‌های زبانی پایه اصلی بیشتر ابزارهای NLP مدرن هستن و نشون دادن که یه سیستم عمومی می‌تونه چندین کار مختلف رو انجام بده. پس درک عمیق این مدل‌ها برای پژوهشگرها و مهندس‌ها ضروریه.

توی این دوره قراره مثل درس‌هایی که سیستم‌عامل رو از صفر می‌سازن، کل مسیر ساخت یه Language Model رو با هم قدم‌به‌قدم یاد بگیریم:

🔹 جمع‌آوری و پاک‌سازی داده‌ها برای pre-training
🔹 ساختار ترنسفورمر و نحوه طراحی مدل
🔹 آموزش مدل و تکنیک‌های مهم یادگیری
🔹 ارزیابی و آماده‌سازی برای استقرار (Deployment)

https://www.youtube.com/playlist?list=PLoROMvodv4rOY23Y0BoGoBGgQ1zmU_MT_

برای بررسی کد ها و اسلاید ها و... :
https://github.com/stanford-cs336/spring2025-lectures

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کمپانی OpenAI بالاخره منتشر گرد که مردم چطور از ChatGPT استفاده می‌کنند. فرصت برای درست کردن محصولاتی که مردم نیاز دارند.


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 معرفی VaultGemma
یه مدل زبانی جدیده که از پایه ساخته شده و فرق اصلیش با بقیه اینه که با روش حفظ حریم خصوصی (Differential Privacy) آموزش داده شده. یعنی چی؟
یعنی وقتی این مدل آموزش می‌بینه، دیگه نمی‌تونه اطلاعات حساس کاربرا یا متن‌هایی که روش تمرین داده شده رو حفظ کنه و بعداً پس بده. عملاً مثل این می‌مونه که هر چیزی رو که می‌خونه، سریع فراموش می‌کنه.

برای اطلاع بیشتر از جمله مقاله و ... :
https://research.google/blog/vaultgemma-the-worlds-most-capable-differentially-private-llm/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگه از ابزارهای هوش مصنوعی مثل Cursor یا Copilot استفاده می‌کنی ولی خروجی دقیق نمی‌گیری، حتما OpenSpec رو امتحان کن!

ایده‌اش ساده‌ست: قبل از نوشتن حتی یک خط کد، تو و AI روی جزئیات پروژه به توافق می‌رسید — یعنی دیگه خبری از کدهای اشتباه یا مبهم نیست 💡

✅ بدون نیاز به API
✅ هماهنگ با ابزارهای محبوب (Claude, Copilot, Cursor و...)
✅ مستندسازی خودکار و کنترل کامل پروژه

https://github.com/Fission-AI/OpenSpec

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 دوره‌های جدید در حوزه AI

- CMU Advanced NLP Fall 2025 :

https://www.youtube.com/playlist?list=PLqC25OT8ZpD2-RuhyacIsODl5iJVgMjI3

- new inference class of its kind in academia CMU

https://www.youtube.com/playlist?list=PL8PYTP1V4I8DY15Ob83nmwBAVyNtUQadX


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

فرآیند کار RAG در چهار مرحله انجام می‌شود:

1️⃣ ایندکس‌سازی (Indexing):
متن‌ها از منابع مختلف مثل PDF یا وب‌سایت استخراج، به بخش‌های کوچک‌تر (Chunk) تقسیم، و سپس توسط مدل embedding به بردار تبدیل و در پایگاه داده‌ی برداری ذخیره می‌شوند.

2️⃣ بازیابی (Retrieval):
پرسش کاربر هم به بردار تبدیل می‌شود و با مقایسه‌ی معنایی در پایگاه داده(البته این فقط یکی از روش ها می باشد)، مرتبط‌ترین بخش‌ها (Chunks) پیدا و برگردانده می‌شوند.

3️⃣ تقویت (Augmentation):
بخش‌های مرتبط به‌صورت یک متن واحد (Context) با پرسش کاربر ترکیب می‌شوند تا ورودی نهایی مدل ساخته شود.

4️⃣ تولید (Generation):
مدل زبانی با استفاده از پرسش و زمینه‌ی به‌دست‌آمده، پاسخی تولید می‌کند که بر پایه‌ی اطلاعات واقعی است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 یه ریپوی کامل از دوره‌ها و منابع رایگان هوش مصنوعی مولد (GenAI)!

شامل:
📘 مقالات و نوت‌بوک‌ها
💻 مخزن‌های کد آماده
🎓 معرفی ۸۵ دوره رایگان GenAI
🧠 منابع آماده‌سازی مصاحبه شغلی

https://github.com/aishwaryanr/awesome-generative-ai-guide

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 دوره‌ی جدید Agentic AI با تدریس Andrew Ng منتشر شده!
این دوره برای کسایی که می‌خوان از ساخت یه چت‌بات ساده برسن به طراحی عامل‌های هوشمند

📚شامل ۵ فصل می باشد :
1️⃣ مفاهیم پایه‌ای Agentic AI
2️⃣ الگوی طراحی Reflection
3️⃣ استفاده از ابزارها در عامل‌های هوشمند
4️⃣ نکات عملی برای ساخت Agent واقعی
5️⃣ الگوهای توسعه‌ی عامل‌های کاملاً خودکار

https://www.deeplearning.ai/courses/agentic-ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 دوره‌ی جدید و رایگان یادگیری عمیق: CS230 دانشگاه استنفورد منتشر شد!

این دوره توسط Andrew Ng و گروهی از پژوهشگران و مدرسان برجسته ارائه می‌شود.

https://www.youtube.com/playlist?list=PLoROMvodv4rNRRGdS0rBbXOUGA0wjdh1X

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

توضیح تصویری انتگرال در حساب دیفرانسیل و انتگرال

📣👨‍💻 @AlgorithmDesign_DataStructuer

پیچیدگی‌ الگوریتم‌های مرتب‌سازی

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

دسترسی رایگان به API تا سقف ۲۵۰ دلار برای مدل‌های GPT-5، سرویس‌های Cloud و تمام مدل‌های پیشرفته!
کافیه فقط ثبت‌نام کنید ✅
توصیه میشه با GitHub ثبت‌نام کنید تا سریع‌تر و راحت‌تر انجام بشه 🚀

لینک رفرال خودم :
https://agentrouter.org/register?aff=fNnL

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

شبکه‌های عصبی چگونه از مغز الهام گرفته‌اند؟

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 برای تازه‌کارهای یادگیری ماشین!

یه لیست فوق‌العاده از پروژه‌های Machine Learning با پایتون جمع شده که از فریمورک‌ها و کتابخونه‌ها تا ابزارهای تحلیل و بهینه‌سازی رو شامل می‌شه.
همه پروژه‌ها دسته‌بندی شده و می‌تونید راحت ازشون برای یادگیری عملی استفاده کنید.

https://github.com/lukasmasuch/best-of-ml-python

پیشنهاد می‌کنم بررسیش کنید و برای دوستانتون هم ارسال کنید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer