🔥 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

🧠 روش جدید برای آموزش مدل‌های هوش مصنوعی

در دنیای هوش مصنوعی، روش‌های مختلفی برای آموزش و بهبود مدل‌ها وجود داره، ولی حالا یه روش تازه اومده که نگاه‌ها رو به خودش جلب کرده: Self-Adapting Language Models 🌀

قبل از اینکه بریم سراغ این روش جدید، بیایید یه مرور کوتاه روی روش‌های قبلی داشته باشیم 👇
1️⃣ Train
مدل از صفر ساخته می‌شه.
🔹 مزیت: کاملاً بنیادی و قابل کنترل
🔸 عیب: فوق‌العاده پرهزینه و زمان‌بر

2️⃣ Fine-tune
مدل از پیش‌ساخته با داده‌های انسانی دقیق‌تر می‌شه.
🔹 مزیت: تخصصی و کاربردی‌تر
🔸 عیب: وابسته به داده‌های برچسب‌خورده و پرهزینه انسانی

3️⃣ Prompt Engineering
مدل با دستورهای هوشمندانه هدایت می‌شه.
🔹 مزیت: سریع و بدون تغییر در خود مدل
🔸 عیب: موقتی و سطحی، چون مدل یاد نمی‌گیره

4️⃣ Agent Context Engineering (ACE)
مدل با استفاده از حافظه خارجی (مثلاً فایل‌ها، پایگاه داده یا ابزارهای جانبی) کار می‌کنه.
🔹 مزیت: قدرتمند و منعطف
🔸 عیب: یادگیری واقعی در درون مدل اتفاق نمی‌افته

✨ حالا می‌رسیم به Self-Adapting Language Models ✨
مدل خودش self-edit تولید می‌کنه؛ یعنی خودش تصمیم می‌گیره چه دادهٔ آموزشی مصنوعی باید ساخته بشه، چه تنظیماتی برای آموزش استفاده بشن، و چطوری وزن‌ها رو به‌روزرسانی کنه.
بعد اون self-edit رو به کار می‌بره و خودش رو بهبود می‌ده. بر اساس عملکرد بعد از به‌روزرسانی، به self-edit پاداش داده میشه و مدل یاد می‌گیره که در آینده self-editهای بهتری بسازه.

🧠 مزایا و چالش‌های SEAL (Self-Adapting Language Models)

✔️ مزایا:
مدل به‌صورت دائمی و خودکار پیشرفت می‌کنه 🚀
نیاز به داده و دخالت انسانی کمتر می‌شه 🤖
در مواجهه با وظایف یا اطلاعات جدید خودش رو تطبیق می‌ده 🔄
می‌تونه با روش‌های دیگه ترکیب بشه
یادگیری درون‌مدلی اتفاق می‌افته، بدون اتکا به ابزارهای خارجی

⚠️ چالش‌ها:
طراحی حلقهٔ یادگیری (self-edit و ارزیابی) پیچیده‌ست 🧩
هزینهٔ محاسباتی بالا برای ارزیابی هر تغییر
خطر فراموشی دانش قدیمی
امکان تولید self-editهای نادرست یا مضر
نیاز به نظارت، کنترل و بازگشت‌پذیری دقیق
در بعضی وظایف، تعیین پاداش یادگیری دشواره

لینک مقاله:
https://arxiv.org/pdf/2506.10943

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

13 تا از بهترین کانال‌های یوتیوبی در زمینه هوش مصنوعی و تحلیل داده:

1️⃣دوره‌های کامل دانشگاهی علوم کامپیوتر و ماشین لرنینگ از اساتید دانشگاه MIT:

https://www.youtube.com/@mitocw
2️⃣بررسی مقالات و تکنیک‌های پژوهشی هوش مصنوعی از تیم تحقیقاتی دکتر اندرو اِنگ (Andrew Ng) :
https://www.youtube.com/@deeplearningai

3️⃣آموزش‌های گام به گام پیاده‌سازی LLM و تحلیل مقالات دیپ لرنینگ :

https://www.youtube.com/@SebastianRaschka

4️⃣ریاضیات پیشرفته (جبر خطی، کنترل، معادلات دیفرانسیل) برای مهندس‌های هوش مصنوعی :

https://www.youtube.com/@Eigensteve

5️⃣رویکرد عملی و فنی به دیپ لرنینگ :

https://www.youtube.com/@howardjeremyp

6️⃣تصویرسازی مفاهیم پیچیده ریاضی در زیرساخت الگوریتم‌های ماشین لرنینگ :

https://www.youtube.com/@3blue1brown

7️⃣ساخت سیستم‌های واقعی مبتنی بر هوش مصنوعی از مبانی اولیه (پژوهشگر ارشد سابق OpenAI و مدیر ارشد هوش مصنوعی در تسلا) :

https://www.youtube.com/@andrejkarpathy

8️⃣آمار و الگوریتم‌های ماشین لرنینگ به زبان ساده :

https://www.youtube.com/@statquest

9️⃣تجزیه مفاهیم پیچیده هوش مصنوعی به توضیحات قابل‌فهم برای مبتدیان :

https://www.youtube.com/@SerranoAcademy

🔟آموزش‌های عملی پایتون و پروژه‌های واقعی ماشین لرنینگ و دیپ لرنینگ :

https://www.youtube.com/@sentdex

2️⃣1️⃣راهنمای کامل پروژه‌های ماشین لرنینگ با کاربردهای صنعتی :

https://www.youtube.com/@krishnaik06

3️⃣1️⃣نقشه راه کامل ماشین لرنینگ با پروژه‌های کاربردی :

https://www.youtube.com/@campusx-official


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

پنج مدل هوش مصنوعی در میدان واقعی ترید با هم رقابت می‌کنن 💰🤖
هر مدل با ۱۰,۰۰۰ دلار واقعی وارد بازار کریپتو شده و به‌صورت خودکار معامله می‌کنه.

برای بررسی این موضوع:
https://nof1.ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 Veo3 JSON Prompt

یه پلتفرم خفن برای دیدن ویدئوهای کوتاه تولیدشده با هوش مصنوعی 🌟
کاربران می‌تونن از قالب‌های JSON پرومپت الهام بگیرن و خودشان هم محتوای جذاب بسازن 🎬✨

https://veo3jsonprompt.com/explore

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer