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

🚀 می‌خوای پروژه‌ واقعی توی یادگیری ماشین انجام بدی؟

یه صفحه‌ی خیلی کاربردی توی سایت GeeksforGeeks هست که دقیقاً همینه چیزی که دنبالش بودی!

🔹 پروژه‌ها رو از سطح ساده تا حرفه‌ای دسته‌بندی کرده
🔹 برای هر پروژه توضیح، کد کامل و دیتاست آورده
🔹 مناسب برای کساییه که می‌خوان عملی یاد بگیرن نه فقط تئوری!

https://www.geeksforgeeks.org/machine-learning/machine-learning-projects/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

توی این جا می‌تونید به مجموعه‌ای از یادداشت‌های دست‌نویس ، به‌صورت کاملاً رایگان دسترسی پیدا کنید.

موضوعاتش خیلی گسترده‌ست و شامل مباحثی مثل:
🔹 Data Structure
🔹 Machine Learning
🔹 Algorithms
...

https://ko-fi.com/s/5f91510db0

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 دوره جدید MCP توسط Hugging Face

شرکت Hugging Face با همکاری Anthropic، دوره‌ای رایگان به نام MCP Course منتشر کرده که هدفش آموزش پروتکلی به نام Model Context Protocol (MCP) هست.

برای شروع:
https://huggingface.co/learn/mcp-course/unit0/introduction

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

معرفی ChatKit از OpenAI — ساخت چت‌بات‌های هوشمند و تعاملی✨

تصور کن یک چت‌بات داشته باشی که فقط متن نمی‌فرسته، بلکه می‌تونه کارت، دکمه و تصویر هم نشون بده و تجربه‌ای واقعی و جذاب برای کاربران بسازه. این دقیقاً کاریه که ChatKit انجام می‌ده!

اخیرا OpenAI در رویداد Dev Day ابزار جدیدش یعنی ChatKit رو معرفی کرد؛ فریم‌ورکی که بهت اجازه می‌ده چت‌بات‌های هوشمند و تعاملی بسازی و سریع اون‌ها رو در وب‌سایت یا اپلیکیشن خودت پیاده‌سازی کنی.

💡 ویژگی هاش :

- می‌تونی کامپوننت‌های سفارشی بسازی و تجربه کاربری رو منحصر به فرد کنی
- مستقیم به مدل‌های GPT وصل می‌شه و پاسخ‌های هوشمند می‌ده
- با React و Next.js کاملاً سازگار است
- مخصوص کسب‌وکارها و اپلیکیشن‌هایی که می‌خوان تعامل کاربر رو بالا ببرن

مستندات:
https://platform.openai.com/docs/guides/chatkit
نمونه کد :
https://github.com/openai/openai-chatkit-advanced-samples

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

introduction to graph theory

اگر علاقه مند به اطلاعات جامع و کاملی در مورد گراف ها هستی بهت این کتاب رو معرفی میکنم تقریبا بیشتر مباحث رو در مورد گراف رو گفته.

https://arxiv.org/pdf/2308.04512

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مدل جدید DeepSeek-OCR منتشر شد! 🚀

تیم DeepSeek از مدل تازه‌ی خودش برای OCR رونمایی کرد.
این مدل بر پایه‌ی VL2 ساخته شده و با داشتن حدود ۳ میلیارد پارامتر، عملکردی بسیار بهینه و سریع داره.

✨ ویژگی‌های مهم:
• پشتیبانی از ۱۰۰ زبان مختلف دنیا 🌍
• دقت بالا در تبدیل تصویر به متن حتی در اسناد پیچیده
• خروجی به فرمت Markdown برای حفظ ساختار سند
• مناسب برای کارهای چندزبانه از جمله فارسی 🇮🇷

https://huggingface.co/deepseek-ai/DeepSeek-OCR

اگر میتونید تست ازش بگیرید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگر به دنبال یک منبع فارسی و دانشگاهی برای یادگیری مفاهیم یادگیری ماشین (Machine Learning) هستید،
این دوره شامل جلسات تدریس‌شده توسط دکتر پروین رزاقی از دانشگاه تحصیلات تکمیلی علوم پایه زنجان است.

دکتر رزاقی در این مجموعه، مفاهیم پایه و پیشرفته‌ی یادگیری ماشین را با اسلایدهای آموزشی و مثال‌های کاربردی آموزش می‌دهند.

💬
من خودم چند جلسه از این دوره رو دیدم؛
به‌نظرم تدریسشون خیلی خوبه و اگر هیچ زمینه‌ای از قبل نداشته باشید،
این دوره می‌تونه شروع خیلی خوبی برای یادگیری ماشین براتون باشه.

دسترسی به Course :
https://www.youtube.com/playlist?list=PL54UOH4SJnPmCTApj5JGgUcsVPYytf2zw

دسترسی به اسلاید ها :
https://github.com/p-razzaghi/machine-learning-2025

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer