✍️ کتاب AI Agents
کتاب AI Agents (2025 Edition) یک مرجع رایگان و روان برای شناخت عامل‌های هوشمند است. نویسندگان ابتدا مفاهیم پایه، تفاوت عامل‌ها با مدل‌های زبانی بزرگ و RAG، و اجزای کلیدی مانند نقش‌پذیری، ابزارها و حافظه را توضیح می‌دهند. سپس با معرفی الگوهای طراحی و سطوح تکامل، از پاسخ‌دهنده‌های ساده تا سامانه‌های چندعاملی پیچیده، مسیر رشد این فناوری را ترسیم می‌کنند. نقطه‌ی اوج کتاب بخش پروژه‌های عملی است که نیمی از اثر را شامل می‌شود: از Agentic RAG و دستیار صوتی بلادرنگ تا تحلیل‌گر مالی و نویسنده‌ی خودکار. این پروژه‌ها نشان می‌دهند عامل‌ها در عمل می‌توانند مسائل واقعی را حل کنند و کتاب را به راهنمایی ارزشمند برای علاقه‌مندان و فعالان حوزه هوش مصنوعی تبدیل می‌سازند.

https://www.amasoudfam.ir/l/9a2yw

@algorithmha

✍️ آیا هوش مصنوعی جای برنامه‌نویس‌ها رو می‌گیره؟

https://www.linkedin.com/posts/mehrandvd_will-ai-replace-developers-dot-philosophy-activity-7368198466671468545-IQBQ/

@algorithmha

✍️ بزرگ‌ترین دیتاست بازار کار ایران

تا حالا شده بخوای بدونی تو این دو سال، کدوم شغل‌ها بیشتر خواهان داشتن یا حقوق‌ها چطور تغییر کرده؟

https://www.linkedin.com/posts/data-hub-ir_aexahyaesaepaevaepaeq-aevaewaecabraetaedaeuaewaehahy-activity-7362357854097367040-gS6K/

@algorithmha

✍️ کتاب The Hundred-Page Machine Learning Book
یکی از دغدغه‌هایی که ممکن است در زمان مطالعه‌ی مباحث مربوط به یادگیری ماشین و هوش مصنوعی داشته باشیم، حجم بالای جزئیات الگوریتم‌های آنها است و معمولا هر کتاب هم تنها بخشی از مطالب این حوزه‌ها را پوشش می‌دهد یا حجم کتاب بسیار زیاد است. کتاب The Hundred-Page Machine Learning Book منبعی است که تمامی موارد مورد نیاز را به صورت خلاصه مرور کرده است.

https://amasoudfam.ir/l/t27x4

@algorithmha

✍️ معرفی کتاب تفکر آماری؛ تحلیل اکتشافی داده

https://www.linkedin.com/posts/dlearn_aetaehaezaepahyabragpaesaepaeq-agpaesaepaeq-activity-7370809987448774656-wRoY/

@algorithmha

✍️ ویراست چهارم کتاب CLRS
کتاب مقدمه‌ای بر الگوریتم‌ها (Introduction to Algorithms مشهور به CLRS) از انتشارات MIT یکی از جامع‌ترین و پرارجاع‌ترین منابع در حوزه الگوریتم‌ها و ساختمان داده‌ها است. این کتاب سال‌ها به‌عنوان مرجع اصلی دروس طراحی و تحلیل الگوریتم در معتبرترین دانشگاه‌های جهان تدریس می‌شود و همچنان الهام‌بخش پژوهش‌های علمی و آموزشی بسیاری است. مباحث آن از مقدمات طراحی الگوریتم آغاز می‌گردد و تا پیشرفته‌ترین روش‌ها و ساختارها را دربرمی‌گیرد. از همین رو برای دانشجویان، پژوهشگران، علاقه‌مندان به علوم کامپیوتر و همچنین شرکت‌کنندگان المپیاد کامپیوتر و مسابقات برنامه‌نویسی منبعی ارزشمند و ماندگار محسوب می‌شود.

amasoudfam.ir/l/clrs4

@algorithmha

✍️ Memento: Fine-tuning LLM Agents without Fine-tuning LLMs

https://www.linkedin.com/feed/update/urn:li:activity:7374733763156672512

@algorithmha

✍️ Enhanced Agentic-RAG: What If Chatbots Could Deliver Near-Human Precision?

https://www.linkedin.com/posts/amasoudfam_enhanced-agentic-rag-what-if-chatbots-could-activity-7375849728640643072-tYai/

@algorithmha

✍️ بایاس-واریانس و پیچیدگی مدل یادگیری ماشین

در این ویدئو در مورد تعریف بایاس-واریانس، بیش‌برازش-کم‌برازش، پیچیدگی مدل یادگیری ماشین و ارتباط اونها با هم صحبت کردم.

http://algs.ir/qfnihx
http://algs.ir/qbvlink

@algorithmha

✍️ LLM Fine-tuning techniques

https://x.com/asmah2107/status/1971993684821647798

@algorithmha

• 5 Ways to Use AgenticAI

https://www.linkedin.com/feed/update/urn:li:activity:7378984254543896576

@algorithmha

• برگه تقلب آمار

https://www.linkedin.com/posts/amasoudfam_%D8%A8%D8%B1%DA%AF%D9%87-%D8%AA%D9%82%D9%84%D8%A8-%D8%A2%D9%85%D8%A7%D8%B1-activity-7207402621760860162-Pzgg/

@algorithmha

+ مجموعه ویدئوهای رایگان پایتون پیشرفته آکادمی ایرانسل
یکی از بهترین روش‌ها برای یاد گرفتن برنامه‌نویسی، تمرین با مثال‌های کاربردی هست.
با افتخار، در مجموعه ویدئوهای پایتون پیشرفته آکادمی ایرانسل از مفاهیم مهم و جذاب پایتون مثال‌های ساده‌ای رو حل کردم؛ از شی‌گرایی و مولدها و دکوراتورها گرفته تا وب‌اسکریپینگ، پردازش موازی، رابط کاربری و تحلیل داده.

https://www.linkedin.com/posts/amasoudfam_afyaepahyaesaewaeu-aeqaezaeuaepaetaevaeuaewahyaebahy-activity-7383004522438098944-pqoy

http://algs.ir/qicap

@algorithmha

+ ریپوی مقایسه‌ی توهم مدل‌های زبانی بزرگ
ریپوی Hallucination Leaderboard با هدف اندازه‌گیری و مقایسه‌ی میزان توهم مدل‌های زبانی بزرگ ایجاد شده است. در این پروژه، بیش از هزار متن کوتاه خبری (عمدتا از مجموعه‌ی CNN/DailyMail) به مدل‌های مختلف داده شده تا هرکدام خلاصه‌ای وفادار به محتوای متن تولید کنند. سپس خروجی مدل‌ها با پاسخ‌های مرجع مقایسه شده تا مشخص شود چه میزان از خلاصه‌ها از نظر واقعیت‌سنجی صحیح بوده و چه مقدار شامل اطلاعات نادرست یا خیالی هستند.
amasoudfam.ir/ql5v5j

@algorithmha