الگوریتم Longest Common Subsequence (LCS) یکی از مسائل پایه‌ای در نظریه رشته‌ها و الگوریتم‌های پویا است. این الگوریتم طولانی‌ترین زیررشته‌ی مشترک بین دو رشته را پیدا می‌کند که نیازی به پیوسته بودن ندارد اما ترتیب کاراکترها باید حفظ شود.
کاربردهای اصلی:
1. مقایسه و تشخیص شباهت رشته‌ها: در بررسی متون، رشته‌های DNA، یا مقایسه‌ی کدها استفاده می‌شود.
2. ویرایش فاصله (Edit Distance): محاسبه تعداد عملیات لازم (افزودن، حذف یا تغییر) برای تبدیل یک رشته به دیگری.
3. تطبیق نسخه‌های فایل‌ها: در ابزارهایی مثل Git برای بررسی تغییرات بین نسخه‌های مختلف فایل‌ها کاربرد دارد.
روش حل:
الگوریتم LCS با استفاده از برنامه‌ریزی پویا حل می‌شود و یک جدول دو بعدی برای ذخیره طول LCS تا هر نقطه از رشته‌ها تشکیل می‌دهد.
پیچیدگی زمانی:
این الگوریتم با پیچیدگی زمانی O(n * m) اجرا می‌شود که در آن n و m طول رشته‌های ورودی هستند.
مثال:
رشته‌های ABCBDAB و BDCAB را در نظر بگیرید. LCS این دو رشته زیررشته‌ی BCAB با طول ۴ است.
#الگوریتم
#ML #DL #DeepLearning #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Measuring short-form factuality in large language models
Document introduces SimpleQA, a benchmark for evaluating the factuality of large language models, featuring over 4,000 challenging, fact-seeking questions with a focus on single, indisputable answers. It aims to assess models' ability to "know what they know," examining the correlation between confidence and accuracy, as well as response consistency. The authors conclude that SimpleQA is a valuable tool for enhancing the reliability and trustworthiness of language models. 📊

📎 Link to paper
🌐 Read their blog
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

هوش مصنوعی و مدل‌های pose estimation در حوزه علوم ورزشی برای تشخیص صحیح حرکات و آنالیز نهایی در تمرینات
دانلود سورس کد (Github)
#هوش_مصنوعی #کد #علوم_ورزشی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

نقشه راه
Data Science ML Full Stack Roadmap
#منابع #یادگیری_ماشین #علم_داده #پایتون #کلاس_آموزشی #زبان_پایتون
#DeepLearning #MachineLearning #Python #DataScience #ML #DL #Learn #roadmap
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🚀 الگوریتم بلمن فورد (Bellman-Ford)
الگوریتم بلمن فورد یکی از الگوریتم‌های مهم برای یافتن کوتاه‌ترین مسیرها در گراف‌های وزن‌دار است. 💡 این الگوریتم به شما اجازه می‌دهد که از یک رأس شروع کرده و مسیرهای با کمترین وزن را به تمام رأس‌های دیگر گراف پیدا کنید. یک ویژگی بارز بلمن فورد این است که با یال‌های دارای وزن منفی هم به خوبی کار می‌کند و حتی چرخه‌های منفی را هم می‌تواند شناسایی کند. 🔍
🎯 مراحل اجرای الگوریتم
مقداردهی اولیه: ابتدا فاصله (وزن مسیر) از رأس شروع به خودش برابر با صفر و برای سایر رأس‌ها بی‌نهایت در نظر گرفته می‌شود. 🟢
به‌روزرسانی وزن‌ها: الگوریتم برای هر یال در گراف، |V|-1 بار تکرار می‌شود، که در آن |V| تعداد رأس‌ها است. در هر مرحله، اگر مسیر کوتاه‌تری یافت شود، وزن آن مسیر به‌روزرسانی می‌شود. 🔄
بررسی چرخه‌های منفی: در پایان، همه یال‌ها یک بار دیگر بررسی می‌شوند. اگر وزنی تغییر نکرد، گراف چرخه منفی ندارد؛ در غیر این صورت، الگوریتم چرخه منفی را شناسایی کرده و می‌تواند اطلاع دهد که گراف شامل یک چرخه منفی است. ⚠️
⏱️ پیچیدگی زمانی
پیچیدگی زمانی الگوریتم بلمن فورد O(V×E) است، که در آن V تعداد رأس‌ها و E تعداد یال‌هاست. به دلیل این پیچیدگی زمانی، این الگوریتم نسبت به الگوریتم‌هایی مثل دایکسترا کمی کندتر است، اما می‌تواند یال‌های منفی را مدیریت کند. 🕰
🌐 کاربردهای بلمن فورد
شناسایی چرخه‌های منفی: این ویژگی در مدل‌سازی مسائل مالی و اقتصادی کاربرد دارد، جایی که چرخه‌های منفی ممکن است نشان‌دهنده فرصت‌های آربیتراژ یا خطاهای سیستمی باشند. 📉
یافتن کوتاه‌ترین مسیرها در شبکه‌های دارای وزن منفی: این ویژگی در شبکه‌های جریان کالا و مسیر‌یابی بهینه در سیستم‌های ارتباطی استفاده می‌شود. 🌍
📝 مثال کاربردی
فرض کنید یک گراف با یال‌های دارای وزن مثبت و منفی داریم. الگوریتم بلمن فورد می‌تواند از یک رأس شروع کرده و به تمامی رأس‌های دیگر دسترسی پیدا کند و اگر چرخه منفی‌ای وجود داشته باشد، آن را شناسایی کند. 🔄
در کل، الگوریتم بلمن فورد با توانایی‌های منحصربه‌فرد خود برای شناسایی یال‌های منفی و چرخه‌های منفی در بسیاری از کاربردهای واقعی مثل مسیریابی در شبکه‌ها و تحلیل اقتصادی بسیار مفید است.

#الگوریتم #یادگیری_ماشین #یادگیری_عمیق
#DataAnalytics #DeepLearning #DL #MachineLearning #DataScience #ML
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

📢 انجمن‌های علمی علوم کامپیوتر و اقتصاد دانشگاه تهران برگزار می‌کنند:
📑 وبینار:
Machine learning applications in Asset Pricing
Why do some stocks have higher average returns than others? Which characteristics of stocks lead to higher or lower average returns?
These are central questions in Asset Pricing. In a world where a huge amount of information is available, Machine Learning plays a crucial role in answering these questions.
In this talk, I shed light on some of the frontiers of Machine Learning applications in Asset Pricing, and I delve into the detail of one of my recent papers: “Neighbouring Assets”. [paper link]
👤 ارائه‌دهنده: سینا سیفی
دانشجو دکترا مالی دانشگاه Aalto فنلاند [بیشتر]
📅 شنبه ۱۹ آبان | ساعت ۱۹:۰۰
🕑 مدت ارائه ۷۵ دقیقه + پرسش و پاسخ
🏷 وبینار به زبان فارسی و در بستر Zoom برگزار خواهد شد.
🔖 وبینار رایگان و حضور برای عموم آزاد می‌باشد.
لینک ثبت‌نام الزامی وبینار
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

معرفی چند پلتفرم رایگان برای حل سوالات برنامه‌نویسی و تمرین مهارت‌های کدنویسی:
🇮🇷 در داخل ایران:
1⃣ آنلیم
✨ یک پلتفورم نوآورانه و بسیار user-friendly، با پشتیبانی از عموم زبان‌های رایج برنامه‌نویسی و دارای بانک سوالات، برگزاری مسابقات و دوره‌های مختلف
2️⃣ کوئرا
🪩 جامعه توسعه‌دهندگان ایران، دارای بانکی غنی از سوالات متنوع در دسته‌بندی‌های گوناگون و برگزاری مسابقات مختلف استخدامی از طرف شرکت‌های ایرانی‌
🌐 بین‌المللی:
1️⃣ HackerRank
🆕 پلتفرمی برای تمرین سوالات برنامه‌نویسی و الگوریتم، با دسته‌بندی بر اساس موضوعات مختلف از جمله علوم داده، هوش مصنوعی، و SQL.
2️⃣ CodeChef
🔗 پلتفرمی برای حل سوالات الگوریتم و شرکت در مسابقات برنامه‌نویسی؛ به‌ویژه مناسب برای مسابقات آنلاین و رقابتی.
3️⃣ LeetCode
🎤 تمرکز بر سوالات مصاحبه‌های کاری در شرکت‌های بزرگ؛ دارای سوالات الگوریتمی و داده‌ساختار برای آماده‌سازی مصاحبه.
4️⃣ Exercism
💻 تمرین زبان‌های برنامه‌نویسی مختلف با راهنمایی از منتورهای حرفه‌ای؛ تمرکز بر یادگیری زبان‌ها و ارتقای مهارت.
5️⃣ Codewars
📱 ارائه چالش‌های برنامه‌نویسی در سطح‌های مختلف؛ امکان انتخاب زبان‌های مختلف برای تمرین و بهبود مهارت.
6️⃣ TopCoder
💻 یکی از قدیمی‌ترین پلتفرم‌ها برای تمرین سوالات برنامه‌نویسی و شرکت در مسابقات کدنویسی رقابتی؛ به‌ویژه مناسب برای شرکت در رقابت‌های بزرگ.
7️⃣ Sphere Online Judge (SPOJ)
🖥 مجموعه بزرگی از سوالات برنامه‌نویسی و الگوریتم برای تمرین و ارزیابی مهارت‌ها.
8️⃣ Coderbyte
💻شامل سوالات الگوریتم و چالش‌های مصاحبه‌های کاری به‌ویژه برای آمادگی در مصاحبه‌های فنی.
9️⃣ Project Euler
📊 تمرکز بر سوالات ریاضی و الگوریتمی که نیاز به برنامه‌نویسی دارند؛ به‌ویژه برای علاقه‌مندان به مسائل پیچیده.
1️⃣0️⃣ Edabit
🎮 پلتفرمی برای تمرین مسائل ساده تا پیچیده در زبان‌های مختلف، مناسب برای مبتدیان و توسعه مهارت‌ها.
✔️ این پلتفرم‌ها منابع عالی برای تمرین تفکر الگوریتمی و آماده‌سازی برای مصاحبه‌های شغلی و بهبود مهارت‌های برنامه‌نویسی هستند.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Transformers can be slow for real-time applications like robotics. We study if modern recurrent architectures, like xLSTM and Mamba, can be faster alternatives. Experiments on 432 tasks show that they compare favourably in terms of performance and speed

◾️ A Large Recurrent Action Model: xLSTM enables Fast Inference for Robotics Tasks

#مقاله #ایده_جذاب #رباتیک #کدینگ #کد #مدل #مهندسی_پزشکی #ساخت_ربات #کد_ربات
#Model #xLSTM #LSTM
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

⭕️ معرفی الگوریتم گرادیان کاهشی (Gradient Descent)
👨🏻‍💻 یکی از الگوریتم‌های مهم حوزه یادگیری ماشین که هدفش بهینه‌سازی مدل‌هاست تا خطا یا همون تابع هزینه رو به کمترین مقدار ممکن برسونه، الگوریتم گرادیان کاهشی است.

🌫 این الگوریتم چطوری کار می‌کنه؟
شروع کار: با یه سری مقادیر اولیه برای پارامترها شروع می‌کنیم.
محاسبه گرادیان: گرادیان تابع هزینه نسبت به پارامترها محاسبه میشه.
به‌روزرسانی پارامترها: پارامترها در جهت کاهش تابع هزینه تنظیم میشن.
تکرار: این فرآیند تا زمانی که به همگرایی برسیم، تکرار میشه.

انواع گرادیان کاهشی:
نوع اول؛ Batch Gradient Descent: از کل دیتاست برای هر آپدیت استفاده می‌کنه. خیلی دقیق ولی کُندتره.
نوع دوم؛ Stochastic Gradient Descent: هر بار فقط یه نمونه داده رو برای آپدیت استفاده می‌کنه، سریع‌تره ولی نوسان داره.
نوع سوم؛ Mini-batch Gradient Descent: یه تعداد مشخص از داده‌ها رو برای هر آپدیت استفاده می‌کنه، ترکیب خوبی از سرعت و دقته.

#گرادیان_کاهشی #الگوریتم
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🔺 منظور از یادگیری عمیق هندسی یا geometric deep learning استفاده از ابزارهای ریاضیاتی مانند گراف، توپولوژي، هندسه منیفلد ، شیف و دیگر تئوری های ریاضیاتی مانند تویولوژي جبری و هندسه جبری برای طراحی شبکه های بهتر دارای قدرت یادگیری بهتر با دیتای کمتر و همچنین در نظر گرفتن خصوصیات دیتا است. برای آشنای بیشتر دیدن ویدیوهای زیر خالی از لطف نیست:
📎 https://www.youtube.com/playlist?list=PLn2-dEmQeTfRQXLKf9Fmlk3HmReGg3YZZ
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

🎮 زبان پایتون تو چه زمینه هایی کاربرد داره ؟!
#اینفوگرافیک #پایتون #کاربرد
#Infographic #Python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

📽️ پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در پایتون 📽️
🎓 حسام محمدحسینی، مدیر ارشد مهندسی داده در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا، کارشناسی ارشد مهندسی برق و مخابرات از دانشگاه تربیت مدرس
🎓 سعید مجیدی، متخصص پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب، دکترای یادگیری ماشین با گرایش پردازش زبان از دانشگاه تافتس آمریکا
🎓 علیرضا کدیور، تحلیلگر داده و هم‌بنیانگذار در شرکت دقیقه، مدرس مبانی برنامه‌نویسی و تحلیل داده در دانشگاه شریف، کارشناسی ارشد آمار و تحقیق در عملیات از دانشگاه اسکس انگلستان
📚 سرفصل‌ها
۱. پیش‌پردازش متن و کار با عبارات قاعده‌مند در پایتون
۲. پردازش زبان‌های طبیعی با پایتون
۳. یادگیری ماشین برای پردازش زبان در پایتون
۴. کار با مدل های زبانی بزرگ در پایتون
۵. پروژه پایانی
🕰️ یکشنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵ به وقت تهران (آنلاین)
🗓️ ۱۰ هفته ۳۰ ساعت از ۴ آذر ۱۴۰۳
🔴 فرصت ثبت نام با تخفیف‌ تا ۲۱ آبان ۱۴۰۳
لینک ثبت نام:
d-learn.ir/nlmpy
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

آموزش برنامه نویسی به زبان c++
آموزش زبان c++
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کتاب برنامه نویسی به زبان c
جعفر نژاد
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

𝗗𝗮𝘁𝗮 𝗦𝗰𝗶𝗲𝗻𝗰𝗲 𝗜𝗻𝘁𝗲𝗿𝘃𝗶𝗲𝘄 𝗤𝘂𝗲𝘀𝘁𝗶𝗼𝗻:
Why is it important to maximize margin in SVM?
Some of the advantages include -
1. Improved Generalization:
وقتی فاصله رو زیاد می‌کنیم، مدل تصمیم می‌گیره که تا جایی که می‌تونه از نزدیک‌ترین نقطه‌های هر دسته دورتر باشه. اینطوری احتمال اینکه داده‌های جدید اشتباه پیش‌بینی بشن کمتر میشه، چون یه فضای امن اطراف مرز تصمیم‌گیری ایجاد شده. فاصله بزرگتر باعث میشه مدل به تغییرات کوچیک یا نویز توی داده‌ها حساسیت نشون نده.
2.Focus on Critical Points:
وقتی فاصله زیاد میشه، مدل بیشتر داده‌های تمرینی رو بی‌خیال میشه و فقط به نقاط مهمی که نزدیک مرز تصمیم‌گیری هستن توجه می‌کنه. اینطوری مدل ساده‌تر و سریع‌تر کار می‌کنه، چون فقط با چند تا نقطه سروکار داره.
3.Robustness to Outliers:
هرچند که SVM کاملاً در برابر نویز مقاوم نیست، ولی با فاصله بیشتر، نسبت به تغییرات کوچیک یا نویز توی داده‌های آموزشی مقاومت بیشتری پیدا می‌کنه. اگه یه نقطه دورتر از مرز باشه، تاثیرش روی مدل کمتره.
Link
➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

مقاله ای Survey از مدل GAN اینجا میتونین اطلاعات جامعتری که دوستان سوال داشتن بدس بیارن
#کتاب #ایده_جذاب #منابع
#Survey #GAN
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻