اگر به دنبال فیلم‌های ضبط‌شده و اسلایدهای درس Data Structure and Algorithm تدریس شده توسط استاد گنجی تابش هستید، می‌تونید به این منابع دسترسی پیدا کنید. 🎓📚

برای ارتباط با ایشون و دریافت اطلاعات بیشتر، می‌تونید به آیدی زیر پیام بدید. ✉️👇🏻

📩 @mgtabesh

اگر همیشه دوست داشتی یک آواتار متحرک از خودت بسازی اما فکر می‌کردی نیاز به تجهیزات پیچیده‌ای داره، حالا با ابزار Webcam Motion Capture می‌تونی این کار رو به راحتی و بدون دردسر انجام بدی! 😎

فقط کافیه وب‌کم ساده‌ت رو آماده کنی و تمام! 🎥 بدون نیاز به تجهیزات گرون قیمت، از خودت یک آواتار متحرک کاملاً واقعی و جذاب بساز. ✨

برای شروع این تجربه فوق‌العاده و نصب ابزار، کافیه به لینک زیر سر بزنی. 🌐👇🏻
https://webcammotioncapture.info/beta.php

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔍 انواع وظایف شبکه‌های عصبی گراف (GNN)

1. دسته‌بندی گراف 🧩: طبقه‌بندی گراف‌ها به دسته‌های مختلف. (کاربرد: تحلیل شبکه‌های اجتماعی، دسته‌بندی متن)

2. دسته‌بندی نود 🏷: پیش‌بینی برچسب‌های گم‌شده نودها با استفاده از برچسب‌های همسایه‌ها.

3. پیش‌بینی لینک 🔗: پیش‌بینی لینک بین نودها در یک گراف ناقص. (کاربرد: شبکه‌های اجتماعی)

4. تشخیص جامعه 🕸: تقسیم نودها به خوشه‌های مختلف بر اساس ساختار لبه‌ها.

5. تعبیه گراف 📊: نگاشت گراف‌ها به بردارهایی که اطلاعات نودها و لبه‌ها را حفظ می‌کند.

6. تولید گراف 🌱: تولید ساختار گراف جدید با یادگیری از توزیع نمونه‌های گراف.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

در لینک زیر، می‌توانید کدهای چندین الگوریتم ساختمان داده را پیدا کنید که به زبان‌های برنامه‌نویسی مختلف نوشته شده‌اند. 💻 این مجموعه برای کسانی که به دنبال یادگیری و پیاده‌سازی الگوریتم‌های کلاسیک در زبان‌های مختلف هستند، بسیار مفید است. 📚

https://github.com/amaitou/DataStructures?tab=readme-ov-file

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

💻 دوره رایگان "داده ساختارها و مبانی الگوریتم‌ها" توسط دانشگاه صنعتی شریف و تدریس دکتر **علی شریفی زارچی**، به صورت رایگان در دسترس علاقه‌مندان قرار گرفته است.
برای دسترسی به این دوره به لینک زیر مراجعه کنید:

لینک دوره

📂 همچنین برای دانلود فایل‌های تدریس شده می‌توانید از لینک زیر استفاده کنید:

لینک فایل‌ها


#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

در یادگیری ماشین، اصطلاح "flattening" به فرآیندی اشاره دارد که در آن یک ساختار چندبعدی (مانند یک ماتریس یا آرایه چندبعدی) به یک بردار یک‌بعدی تبدیل می‌شود. این کار به‌ویژه در کار با داده‌های تصویری یا داده‌های چندبعدی دیگر اهمیت دارد.

به طور خلاصه، flattening به شما این امکان را می‌دهد که داده‌های چندبعدی را به شکلی درآورید که بتوانید آن‌ها را به عنوان ورودی به مدل‌های یادگیری ماشین دهید. در بسیاری از معماری‌های شبکه‌های عصبی، به خصوص در لایه‌های پایانی شبکه‌های عصبی کانولوشنی (CNNs)، یک لایه flatten وجود دارد که داده‌های خروجی چندبعدی را به یک بردار یک‌بعدی تبدیل می‌کند تا بتوان آن‌ها را به لایه‌های کاملاً متصل (fully connected layers) ورودی داد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

برای مشاهده اسلایدهای تدریس شده درس «الگوریتم و ساختار داده» در دانشگاه WATERLOO، لطفاً به لینک زیر مراجعه کنید. 🌐

https://ece.uwaterloo.ca/~dwharder/aads/Lecture_materials/


یکی از مزایای عالی این اسلایدها این است که در پایان هر فصل، سوالاتی همراه با پاسخ‌هایشان مطرح شده است. 📚✨

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

پدینگ در شبکه‌های عصبی کانولوشنی 🤖

پدینگ (Padding) یکی از مفاهیم مهم در شبکه‌های عصبی کانولوشنی است که به اضافه کردن پیکسل‌های اضافی به حاشیه تصویر اشاره دارد. این کار به منظور حفظ ابعاد فضایی تصویر پس از عملیات کانولوشن انجام می‌شود.

🌐 در هنگام انجام عملیات کانولوشن، یک فیلتر روی تصویر حرکت می‌کند. اگر این فیلتر فقط روی پیکسل‌های اصلی تصویر حرکت کند، خروجی کوچک‌تر از تصویر ورودی خواهد بود. مثلاً اگر یک تصویر 5x5 (25 پیکسل) و یک فیلتر 3x3 داشته باشیم، خروجی یک ماتریس 3x3 (9 پیکسل) خواهد بود.


🔍 دو نوع اصلی پدینگ وجود دارد:
1. پدینگ معتبر (Valid Padding): فیلتر فقط در مکان‌های معتبر داخل تصویر اعمال می‌شود و از حاشیه عبور نمی‌کند. این کار باعث می‌شود ابعاد خروجی کوچک‌تر شود.
2. پدینگ همانند (Same Padding): تصویر با صفرها به اندازه‌ای پدینگ می‌شود که ابعاد خروجی پس از کانولوشن با ورودی برابر باشد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer