🎓 هفته رایگان DataCamp

📚 بیش از ۶۰۰ دوره آموزشی رایگان – بدون نیاز به کارت بانکی

از ۱۲ تا ۱۸ آبان فرصت دارید تا به تمام دوره‌های DataCamp به‌صورت کامل و رایگان دسترسی داشته باشید.
یاد بگیرید، تمرین کنید، و حتی مدرک رسمی بگیرید! ✅

🔹 یادگیری مهارت‌های پرتقاضا مثل Python، AI، SQL، Power BI، OpenAI و ده‌ها مورد دیگه
🔹 آموزش با تمرین‌های واقعی و پروژه‌های کاربردی
🔹 مسیرهای شغلی تخصصی و گواهی معتبر بین‌المللی


لینک دسترسی:
https://www.datacamp.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

💬 سلام به همه دوست‌داران علم و دانش!
خیلی‌هاتون ازم خواسته بودید درباره‌ی کنکور ارشد مهندسی کامپیوتر صحبت کنم و منابع خوبی معرفی کنم.
منم تصمیم گرفتم تجربه‌ی شخصی خودم رو با شما به اشتراک بذارم و اساتیدی رو معرفی کنم که به‌نظرم مفاهیم رو با وضوح و روش تدریس فوق‌العاده‌ای منتقل می‌کنن.
🎯 این معرفی‌ها بر اساس تجربه‌ی شخصی منه و ممکنه برای هرکس متفاوت باشه، چون در نهایت میزان یادگیری به تلاش و پیگیری خودتون بستگی داره.

📘 منابع پیشنهادی برای دروس مهم کنکور ارشد مهندسی کامپیوتر:

🧩 ساختمان داده و طراحی الگوریتم:
ترجیحاً استاد گیلک — بعد از اون استاد انصاری

🔢 ریاضیات گسسته:
استاد گیلک

💭 نظریه زبان‌ها و ماشین‌ها:
استاد شاپوری

🎵 سیگنال‌ها و سیستم‌ها:
استاد ریحانی

🤖 هوش مصنوعی:
ترجیحاً استاد گیلک یا استاد انصاری

⚙️ مدار منطقی:
استاد کتیرایی یا استاد یوسفی

🏛 معماری کامپیوتر:
استاد یوسفی

🖥 سیستم‌عامل:
ترجیحاً استاد حقیقت یا استاد یوسفی

🗄 پایگاه داده:
حتماً استاد خلیلی‌فر — تدریسش واقعاً بی‌نظیره

🌐 شبکه‌های کامپیوتری:
دوره‌ی میکرو استاد کمایی یا استاد خلیلی‌فر

📏 ریاضیات پایه:
استاد گیلک

✨ این لیست فقط بر اساس تجربه‌ی شخصی منه و هدفم اینه که مسیرتون در انتخاب منابع شفاف‌تر بشه.

📚 چند نکته‌ی مهم برای موفقیت در کنکور ارشد مهندسی کامپیوتر:

🔹 تست زیاد بزنید و با انواع سوالات آشنا بشید
فقط با یک بار خوندن درس نمی‌تونید به همه‌ی سوال‌ها جواب بدید — باید مرور و تمرین مداوم داشته باشید تا مفاهیم کاملاً در ذهنتون تثبیت بشن.

🔹 درس‌ها رو ریز به ریز و بدون ابهام یاد بگیرید
اگه فقط درس‌های دانشگاه رو بلد باشید، معمولاً می‌تونید به ۱ تا ۳ سوال از هر درس پاسخ بدید.
اما اگر دنبال درصدهای بالا هستید، باید مطالب رو کامل و بدون ابهام مطالعه کنید. هیچ جزئیاتی رو دست‌کم نگیرید.

🔹 زمان مطالعه مناسب و هدفمند داشته باشید
سعی کنید ۵ تا ۶ ساعت مطالعه مفید در روز داشته باشید و بعد از هر مبحث، حتماً تست بزنید تا یادگیری تثبیت بشه.

🔹 تمرکز روی درس‌های کلیدی و با ضریب بالا
درس‌هایی مثل ساختمان داده و طراحی الگوریتم اهمیت ویژه‌ای دارند و معمولاً سوالات طولانی و چالشی طرح می‌کنن.
اول ببینید هدفتون در ارشد چه رشته‌ای هست و درس‌هایی که ضریب بیشتری دارند رو اولویت‌دار مطالعه کنید.

💪 جمله‌ی انگیزشی:
هیچ وقت از تلاش دست برندارید! خیلی‌ها می‌گن «اینقدر مونده، می‌تونم برسم؟» — این‌ها فقط بهانه است. شما فقط مطالعه کنید و تمام تلاش‌تون رو بکنید، بقیش رو بسپارید به خدا.

ارتباط با من:
@Se_mohamad

اگر شما هم تجربه‌ای از کلاس یا استادی داشتید که مفید بوده، حتماً توی کامنت‌ها بنویسید تا بقیه هم استفاده کنن 💬

#تجربه
📣👨‍💻 @AlgorithmDesign_DataStructuer

مکتب‌خونه به مناسبت ۱۴ سالگی شدنش یه هدیه‌ی ویژه داره!

به همین بهانه، ۵۰۰ تا از دوره‌های پرمخاطب رو رایگان کرده

از دوره‌های پایتون و هوش مصنوعی گرفته تا آموزش‌های فتوشاپ و طراحی ✨

فقط کافیه موقع ثبت‌نام از کد تخفیف زیر استفاده کنی 👇

🎫 کد تخفیف: HBD

(نحوه استفاده از کد تخفیف در سایت گفته شده)

🔗 شروع یادگیری رایگان در مکتب‌خونه

📣👨‍💻 @AlgorithmDesign_DataStructuer

💻 مرجعی برای همه‌ی زبان‌های برنامه‌نویسی!
اگه موقع کدنویسی مدام دنبال سینتکس‌ها و توابع زبان‌های مختلف می‌گردی، یه سایت هست که حسابی کمکت می‌کنه.
همه‌چی از منابع رسمی جمع شده و توی یه ساختار منظم، کنار هم چیده شده — فقط زبان مورد نظرت رو انتخاب کن و هر چی لازمی جلوته! 🚀

https://overapi.com/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

نوت‌بوک‌های Google Colab برای یادگیری هر آنچه لازم است تا در Prompt Engineering با مدل Claude آشنا شوید. از ساختارهای پایه و نقش‌دهی در پرامپت‌ها گرفته تا تکنیک‌های پیشرفته‌ای مانند Few-Shot Learning، جلوگیری از هالوسینیشن‌ها (Hallucinations)، و استفاده از ابزارها Tool Use.

https://github.com/anthropics/courses/tree/master/prompt_engineering_interactive_tutorial/Anthropic%201P

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 در این سایت با مکانیزم‌های اصلی یادگیری عمیق آشنا می‌شویم و یاد می‌گیریم چگونه به سبک PyTorch فکر کنیم.
📌 از Automatic Differentiation تا آموزشCustom Neural Networks، همه چیز در یک مسیر آموزشی ساده و کاربردی.

اگر تازه کار هستید در این زمینه حتما ببینید.

https://towardsdatascience.com/the-basics-of-deep-learning-with-pytorch-in-1-hour/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

اگه هیچ پیش‌زمینه‌ای درباره‌ی گراف نداری و نمی‌دونی اصلاً چی هست یا ازش استفاده می‌کنن 🧠
یا برات سواله که چطور می‌تونیم یک گراف بسازیم، چه انواع نمایش‌هایی براش وجود داره و کِی هرکدوم بهترن .

🎥 این ویدیو دقیقاً برای توئه!
https://www.youtube.com/watch?v=LFKZLXVO-Dg

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چگونه مهندس یادگیری ماشین شویم ؟

در این سایت یک نقشه راه کامل از صفر تا تبدیل شدن به مهندس یادگیری ماشین برای شما آماده شده است.
📌 همچنین لینک منابع معتبر برای یادگیری عملی و تئوری قرار داده شده که می‌توانید از آن‌ها برای شروع مسیر خود استفاده کنید.

https://towardsdatascience.com/dont-follow-generic-ml-engineer-roadmaps-do-this-instead-2/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧬 کاربرد شبکه‌های عصبی گراف (GNNs) در کشف دارو

شبکه‌های عصبی گراف یا GNNs به‌دلیل توانایی‌شون در پردازش داده‌های با ساختار گرافی مثل مدل‌های مولکولی داروها به یکی از ابزارهای مهم در حوزه‌ی کشف دارو تبدیل شدن. 💊

🔹 این رویکرد باعث شده روش‌ها و مدل‌های متنوعی در مقالات علمی معرفی بشن که هرکدوم بخشی از فرآیند کشف دارو رو پوشش می‌دن.
🔹 در این مقاله، به‌صورت جامع حوزه‌های مختلف پژوهشی بررسی شده و ۳۸ مقاله‌ی تحقیقاتی پرارجاع به‌همراه ۴ مقاله‌ی مروری مورد تحلیل قرار گرفتن.

https://arxiv.org/pdf/2509.07887

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مایکروسافت و مدل تصویرساز جدیدش؛ MAI-Image-1 🤖✨

مایکروسافت به‌طور رسمی از MAI-Image-1، نخستین مدل تولید تصویر از متن (Text-to-Image) که به‌صورت کاملاً داخلی (in-house) توسعه داده، رونمایی کرد.
در نخستین حضورش، این مدل در میان ۱۰ مدل برتر جدول رقابتی LMArena قرار گرفت . دستاوردی که نشان از سرمایه‌گذاری عمیق مایکروسافت در فناوری هوش مصنوعی اختصاصی دارد.


⚡️ مزایای مدل MAI-Image-1:
🔸 تولید تصاویر فوق‌واقعی با جزئیات بالا و نورپردازی طبیعی
🔸 عملکرد برتر در نمایش بازتاب نور، سایه‌ها و مناظر طبیعی
🔸 سرعت چشمگیر در تولید و پردازش تصویر
🔸 طراحی کاربردی با تمرکز بر نیازهای واقعی کاربران

🔷 نحوه دسترسی به MAI-Image-1
در حال حاضر این مدل برای آزمایش عمومی در پلتفرم LMArena در دسترس است؛ جایی که توسعه‌دهندگان و علاقه‌مندان به هوش مصنوعی می‌توانند عملکرد آن را ارزیابی کرده و بازخورد ارائه دهند.

دریافت اطلاعات بیشتر:
https://microsoft.ai/news/introducing-mai-image-1-debuting-in-the-top-10-on-lmarena/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کوکا کولا امسال دوباره تبلیغ کریسمس خود را به‌طور کامل با هوش مصنوعی تولید خواهد کرد.

وقتی شرکتی میلیارد دلاری مثل کوکا کولا این کار را انجام می‌دهد، تصور کنید چه فشاری هم‌اکنون بر صنعت خلاقیت وارد شده است.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

📘 Machine Learning Glossary

🔍 مجموعه‌ای از توضیحات تصویری کوتاه درباره‌ی مفاهیم یادگیری ماشین ,همراه با نمودارها، نمونه‌کدها و لینک‌های منابع آموزشی برای یادگیری عمیق‌تر.

https://ml-cheatsheet.readthedocs.io/en/latest/index.html

🎯 مناسب برای همه‌ی کسانی که می‌خوان مفاهیم ML رو به‌صورت ساده و کاربردی یاد بگیرن.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

Dijkstra vs. A Star Search Algorithms

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

پلتفرم Hugging Face حالا ۱۲ دوره‌ی رایگان در زمینه‌ی هوش مصنوعی، یادگیری عمیق، NLP، و مدل‌های Transformer ارائه می‌دهد.

دسترسی به دوره ها:
https://huggingface.co/learn

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

همه ورکشاپ‌های هکاتان دیوان رو می‌تونین اینجا بهش دسترسی داشته باشین:

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

یه مجموعه از آموزش‌های کاربردی و رایگان برای علاقه‌مندان به کارآفرینی، هوش مصنوعی، و توسعه محصول

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

📘 Transformers Notebooks

مجموعه‌ای از نوت‌بوک‌های آموزشی برگرفته از کتاب Natural Language Processing with Transformers

💻 می‌تونی این نوت‌بوک‌ها رو روی Google Colab یا سیستم خودت اجرا کنی.
برای اجرای سریع‌تر، پیشنهاد می‌شه از GPU استفاده کنی چون بیشتر فصل‌ها به قدرت پردازشی بالا نیاز دارن ⚡️

https://github.com/nlp-with-transformers/notebooks?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

✅ کتاب‌های رایگان یادگیری ماشین که باید بشناسی!

1️⃣ Dive into Deep Learning: https://d2l.ai

2️⃣ Deep Learning: https://deeplearningbook.org

3️⃣ Interpretable Machine Learning: https://christophm.github.io/interpretable-ml-book/

4️⃣ Machine Learning Yearning: https://info.deeplearning.ai/machine-learning-yearning-book

5️⃣ Mathematics for Machine Learning: https://mml-book.github.io

6️⃣ An Introduction to Statistical Learning: https://statlearning.com

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🔹 طبق تازه‌ترین آمار GitHub، زبان TypeScript تونسته با پشت سر گذاشتن Python به محبوب‌ترین زبان از نظر تعداد کاربران فعال تبدیل بشه!
جالبه بدونین TypeScript نسبت به سال گذشته ۶۶٪ رشد داشته و این نشون می‌ده که برنامه‌نویس‌ها روزبه‌روز بیشتر به زبان‌های تایپ‌شده علاقه‌مند می‌شن.

البته در دنیای هوش مصنوعی هنوزم Python بی‌رقیبه!
از طرفی، از نظر تعداد پروژه‌های ساخته‌شده، زبان JavaScript در صدره و Python هم با فاصله‌ای خیلی کم در رتبه دوم قرار داره.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

در این جلسه زنده، یاد می‌گیرید چگونه با استفاده از پایگاه داده‌ی Neo4j یک گراف دانش (Knowledge Graph) ایجاد کنید.

https://www.youtube.com/watch?v=1ogNyPWUP7g

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🤖 AI vs Machine Learning vs Deep Learning vs Generative AI

🧠 هوش مصنوعی (AI):
شاخه‌ای گسترده از علوم کامپیوتره که هدفش ساخت سیستم‌هایی‌ست که بتونن کارهایی مثل استدلال، یادگیری، حل مسئله و درک زبان رو مثل انسان انجام بدن.
زیرشاخه‌هایی مثل یادگیری ماشین، پردازش زبان طبیعی، بینایی ماشین و رباتیک رو شامل میشه.

📊 یادگیری ماشین (ML):
زیرمجموعه‌ای از AI که به کامپیوترها اجازه میده از داده‌ها یاد بگیرن و بدون برنامه‌ریزی مستقیم، تصمیم‌گیری کنن.
هر چی داده‌ها بیشتر باشن، مدل هوشمندتر میشه.

🧩 یادگیری عمیق (Deep Learning):
شاخه‌ای تخصصی از ML که با استفاده از شبکه‌های عصبی چندلایه، الگوهای پیچیده در داده‌ها رو شناسایی می‌کنه.
این شبکه‌ها الهام‌گرفته از مغز انسان هستن و در کارهایی مثل تشخیص تصویر و گفتار، پردازش زبان طبیعی و خودروهای خودران کاربرد دارن 🚗

🎨 هوش مصنوعی مولد (Generative AI):
نوعی از AI که می‌تونه محتوای جدید تولید کنه ، مثل متن، تصویر، موسیقی یا کد بر اساس داده‌هایی که آموزش دیده.
این مدل‌ها بیشتر بر پایه‌ی معماری ترنسفورمر ساخته می‌شن.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue