📄 شنبه‌های Data Elites را با یک مقاله تازه و واقعاً جالب شروع می‌کنیم!
🤖 این بار AI قرار نیست فقط مقاله بخواند یا خلاصه کند؛
قرار است نتیجه پژوهش را دوباره آزمایش کند.
در مقاله جدید Training AI Scientists to Replicate Research، پژوهشگران سیستمی به نام Faraday معرفی کرده‌اند؛ یک AI Scientist که مقاله علمی را می‌خواند، آزمایش‌ها را بازسازی می‌کند و تلاش می‌کند نتایج پژوهش را مستقل از نویسندگان اصلی بازتولید کند.
برای ارزیابی آن هم benchmark بزرگی به نام Replica ساخته شده: 🧪 ۳۱۰ مسئله بازتولید
📚 از ۱۰۰ مقاله Machine Learning و AI for Science
نکته جذاب‌تر؟
Faraday برای کدنویسی از Codex کمک می‌گیرد؛ یعنی یک AI نقش پژوهشگر را دارد و AI دیگری نقش برنامه‌نویس پژوهش را. 🔥
شاید آینده AI در علم فقط «تولید مقاله» نباشد؛
بلکه بررسی این باشد که کدام نتیجه علمی واقعاً قابل تکرار است.
📄 Training AI Scientists to Replicate Research
🔗 https://arxiv.org/abs/2608.13331

🔥 دوره آمار و احتمال دکتر علی شریفی زارچی؛ وقتی تئوری به R و تحلیل داده وصل می‌شود

اگر در مسیر Data Science، Machine Learning یا AI هستید، احتمال و آمار فقط یک درس دانشگاهی نیست؛ بخش مهمی از منطق پشت مدل‌ها، عدم‌قطعیت و استنباط داده‌هاست.

این دوره از دکتر علی شریفی زارچی، مدتی در مکتب‌خونه در دسترس بود، اما حالا از آنجا حذف شده.
ما ویدئوهای دوره را دوباره پیدا کردیم و برای بچه‌های Data Elites یک‌جا جمع کردیم تا این منبع ارزشمند از دسترس خارج نشود. 🔥

در این دوره مباحثی مثل:

🔹 احتمال شرطی و قضیه بیز
🔹 متغیرهای تصادفی و توزیع‌ها
🔹 امید، واریانس و قضیه حد مرکزی
🔹 برآورد و Maximum Likelihood
🔹 فاصله اطمینان و آزمون فرض
🔹 رگرسیون
🔹 استنباط بیزی

را قدم‌به‌قدم دنبال می‌کنید.

نقطه جذاب‌تر اینکه دوره فقط تئوری نیست؛ Notebookهای R، تمرین‌ها و منابع تکمیلی هم در دسترس‌اند تا مفاهیم را روی داده و با کد دنبال کنید.

🎥 ویدئوهای کامل دوره:
[لینک ویدئوها]

💻 تمرین‌ها و Notebookهای R:
https://github.com/SharifiZarchi/Probability_Statistics

📌 اگر قبلاً دنبال این دوره بودید و دیدید دیگر در مکتب‌خونه نیست، این پست را ذخیره کنید؛ براتون پیداش کردیم. 🚀

⚙️ مدل‌های Machine Learning دقیقاً چطور «یاد می‌گیرند»؟ جوابش تا حد زیادی در بهینه‌سازی است!
بعد از جبر خطی و احتمال، در این قسمت از یکشنبه‌های Data Elites می‌ریم سراغ ضلع سوم ریاضیات Data و AI:
Optimization | بهینه‌سازی
از Gradient Descent و Regularization گرفته تا آموزش شبکه‌های عصبی، تقریباً پشت هر مدل یادگیری یک مسئله بهینه‌سازی وجود دارد.
برای این هفته چهار منبع فارسی و انگلیسی انتخاب کردیم؛ از پایه نظری تا Optimization for Machine Learning.🚀
مسیر نظری فارسی
بهینه‌سازی خطی — دکتر مجید سلیمانی دامنه | دانشگاه تهران
برای ساختن پایه ریاضی Optimization؛ مناسب برای یادگیری مدل‌سازی، ساختار مسائل بهینه‌سازی خطی و منطق ریاضی پشت روش‌های حل.
🔗 ویدئوها:
[لینک دوره]
مسیر کاربردی فارسی
Optimization در دوره Machine Learning — دکتر علی شریفی زارچی
برای بخش Optimization در ML:
Gradient Descent
Adam
Newton Algorithm
Regularization
Lasso & Ridge
اگر می‌خواهید ببینید بهینه‌سازی واقعاً کجای Machine Learning وارد می‌شود، این بخش از دوره انتخاب خیلی خوبی است؛ از Gradient Descent تا Newton، Adam و Regularization
🔗 ویدئوها:
[لینک دوره]
مسیر نظری انگلیسی — 2025
EE5606: Convex Optimization — IIT Hyderabad
یک دوره دانشگاهی برای یادگیری جدی Convex Sets & Functions، Unconstrained/Constrained Optimization، Lagrange Multipliers و KKT؛ همراه با Python، CVXPY و تمرین‌های برنامه‌نویسی.
🔗
https://people.iith.ac.in/shashankvatedka/html/courses/2025/EE5606/course_details.html
مسیر کاربردی انگلیسی — 2025
CS769: Optimization in Machine Learning — IIT Bombay
اینجا Optimization مستقیماً وارد Machine Learning می‌شود:
🔹 Gradient & Proximal Methods
🔹 Accelerated Optimization
🔹 Newton & Quasi-Newton
🔹 Duality
🔹 Discrete & Submodular Optimization
🔹 Feature Selection
🔹 Data Subset Selection
🔹 Model Compression
🔗 دوره و منابع:
https://www.cse.iitb.ac.in/~ganesh/cs769/
🔗 ویدئوهای دوره:
https://www.youtube.com/playlist?list=PLyo3HAXSZD3y-tdFpfw8CZcIG-rJ6ckn9
💡 مسیر پیشنهادی DE:
دکتر سلیمانی دامنه → ساختن پایه Optimization
⬇️
EE5606 → یادگیری عمیق‌تر Convex Optimization
⬇️
دکتر شریفی زارچی → دیدن Optimization در قلب ML
⬇️
CS769 → ورود جدی به Optimization for Machine Learning
🚨 مدل بدون Optimization فقط یک ساختار ریاضی است؛ بهینه‌سازی همان چیزی است که به مدل یاد می‌دهد پارامترهایش را چگونه پیدا کند.
📚 یکشنبه‌های Data Elites؛ از ریاضیات پشت مدل‌ها تا کاربرد واقعی آن‌ها 🚀g

🚨 پژوهشگرها و بچه‌های Data Science، این ابزار رو از دست ندین!
تصور کن یک محیط داشته باشی که مسئله پژوهشی‌ات رو بهش بدی و خودش بتونه:
🐍 کد Python اجرا کنه
📊 تحلیل‌های R انجام بده
📚 مقاله و منبع علمی پیدا کنه
🌐 وب و دیتابیس‌های پژوهشی رو بگرده
📈 جدول و نمودار بسازه
📝 گزارش پژوهشی تولید کنه
🔍 و حتی مسیر رسیدن به هر نتیجه رو قابل‌ردیابی نگه داره
اسم این پروژه Open Science هست؛ یک AI Research Workbench متن‌باز و Local-first برای انجام کارهای پژوهشی و تحلیلی.
قسمت جذاب‌تر؟ 👀
Open Science به مجموعه‌ای از منابع علمی مثل PubMed، bioRxiv، Clinical Trials، ChEMBL و دیتابیس‌های ژنتیکی و Omics متصل می‌شود و Scientific Skillهای آماده‌ای برای کارهایی مثل Literature Review و تحلیل‌های محاسباتی هم دارد.
یعنی به‌جای اینکه مدام بین:
ChatGPT + RStudio + Python + مرورگر + مقاله‌ها + دیتابیس‌های مختلف
جابه‌جا بشی، می‌تونی بخش بزرگی از Workflow پژوهشت رو داخل یک محیط واحد مدیریت کنی. 🔥
🔐 Local-first
💻 Windows / macOS / Linux
🌱 Open Source
🤖 مناسب Research + Data Analysis + AI
و مهم‌تر اینکه پروژه هنوز کاملاً فعال و در حال توسعه است؛ نسخه 0.16.0 آن 16 آگوست ۲۰۲۶ منتشر شده.
اگر دانشجو، پژوهشگر یا Data Scientist هستی، این یکی واقعاً ارزش Save و امتحان‌کردن داره 👀
🔗 GitHub:
https://github.com/aipoch/open-science
🌐 Website:
https://www.aipoch.com/open-science

🎙 اپیزود دوم پادکست Data Elites منتشر شد!
بعد از اینکه در قسمت اول با پایه‌های Statistical Learning آشنا شدیم، این بار می‌ریم سراغ اولین مدل جدی مسیر:
📘 Chapter 3 — Linear Regression
از کتاب An Introduction to Statistical Learning
در این اپیزود، رگرسیون خطی رو از صفر و مفهومی پیش می‌بریم؛ از اینکه ضرایب مدل واقعاً چه معنایی دارن تا این‌که چطور بفهمیم یک مدل قابل اعتماد هست یا نه.
قراره درباره این مفاهیم صحبت کنیم:
🔹 Simple & Multiple Linear Regression
🔹 Least Squares و Residuals
🔹 Confidence Interval و p-value
🔹 R² و تفسیر درستش
🔹 Prediction vs Inference
🔹 Interaction Effects
🔹 Multicollinearity و VIF
🔹 Model Diagnostics و خطاهای رایج مدل
این اپیزود فقط درباره «کشیدن یک خط روی داده‌ها» نیست؛
قراره بفهمیم Linear Regression واقعاً چطور فکر می‌کنه و چطور باید درست تفسیرش کنیم. 🧠
🎧 اگر قسمت اول پادکست DE درباره Chapter 2 رو هنوز گوش ندادید، بهتره اول از اون شروع کنید:
🔗 لینک قسمت اول: [لینک اپیزود اول]
کتاب رو باز کنید، هدفون رو بذارید و بریم سراغ Linear Regression🎧📚

🛡️ چهارشنبه‌های Data Elites | این هفته به‌جای معرفی پروژه، خودمون یکی ساختیم: DataGuard Agent
از اول ایده‌ی چهارشنبه‌های DE این بود که فقط درباره‌ی Data Science حرف نزنیم؛
چیز واقعی بسازیم، تست کنیم و منتشر کنیم.
این هفته خروجی‌مون شد DataGuard Agent؛ یک Agent برای اینکه قبل از Train کردن مدل، دیتاست واقعی رو Audit کنه و جواب بده:
آیا این داده واقعاً آماده‌ی Machine Learning هست؟
DataGuard روی CSV، Excel و Parquet کار می‌کنه و مواردی مثل Missing Value، Duplicate، Target Leakage، Class Imbalance، Split نامناسب، Data Drift و Schema Drift رو بررسی می‌کنه و در نهایت یک ML Readiness Report می‌سازه.
بخش جذاب‌تر پروژه اینه که می‌تونید Gemini API رو هم بهش وصل کنید تا در نقش یک AI Reviewer خروجی Audit رو بررسی کنه، مشکلات مهم‌تر رو اولویت‌بندی کنه و درباره‌شون توضیح بده.
البته خودِ تشخیص مشکلات به LLM سپرده نشده؛ اول Audit واقعی انجام می‌شه و AI روی شواهد استخراج‌شده تحلیل می‌ده.
Detect deterministically. Explain with AI. 🛡️
🚀 اجرای پروژه در Windows هم خیلی ساده‌ست:
1. Repo رو Clone یا Download کنید
2. install_windows.bat رو اجرا کنید
3. run_windows.bat رو اجرا کنید
4. دیتاست رو Upload کنید
5. Target / ID / Time رو در صورت نیاز انتخاب کنید
6. Run DataGuard Audit
🔗 GitHub:
github.com/Zahra-Esfandiar/DataGuard-Agent
اگر پروژه براتون مفید بود، با یک ⭐ Star ازش حمایت کنید؛
و اگر ایده‌ای برای نسخه‌های بعدی دارید، خوشحال می‌شم پیشنهادتون رو بشنوم.
چهارشنبه‌های DE قراره دقیقاً همین باشه: کمتر معرفی، بیشتر ساختن 🚀
طراح و توسعه دهنده : زهرا اسفندیار

🌍 پنجشنبه‌های DE | دیتاست هفته
دنیا هر ۱۵ دقیقه یک دیتاست جدید می‌شود! 👀
جنگ، اعتراض، مذاکره، بحران، روابط بین کشورها، اتفاقات اقتصادی و حتی لحن رسانه‌ها نسبت به یک موضوع...
همه‌ی این‌ها می‌توانند تبدیل به داده قابل تحلیل شوند.
این هفته سراغ GDELT رفتیم؛ یکی از جذاب‌ترین منابع داده برای تحلیل رویدادهای جهانی.
داده‌های رویداد GDELT از سال ۱۹۷۹ تا امروز را پوشش می‌دهند و به‌صورت مداوم، تقریباً هر ۱۵ دقیقه به‌روزرسانی می‌شوند.
حالا با این حجم از داده چه کار می‌شود کرد؟ 👇
🗺 ساخت نقشه زنده رویدادهای جهان
📈 شناسایی افزایش ناگهانی اعتراض، بحران یا درگیری
📰 تحلیل تغییر لحن رسانه‌ها نسبت به یک کشور یا موضوع
🌍 مقایسه پوشش یک اتفاق در رسانه‌های کشورهای مختلف
🔗 بررسی ارتباط بین کشورها، افراد و سازمان‌ها با Network Analysis
🤖 ساخت پروژه‌های NLP، Event Detection و Anomaly Detection
📊 طراحی داشبوردهای تحلیلی با Python، R یا Power BI
قسمت جذاب‌تر ماجرا اینجاست:
GDELT فقط نمی‌گوید چه اتفاقی افتاده؛ با کمک ساختارهایی مثل Global Knowledge Graph می‌توان افراد، سازمان‌ها، مکان‌ها و موضوعات مرتبط با خبرها را هم به هم وصل کرد.
یعنی می‌توانی سؤال‌هایی مثل این را با داده واقعی بررسی کنی:
«تنش بین دو کشور در طول زمان چطور تغییر کرده؟»
یا حتی:
«قبل از یک بحران، آیا در الگوی خبرها و رویدادها نشانه‌ای دیده می‌شود؟» 👀
این فقط یک دیتاست برای تمرین نیست؛
بیش از چهار دهه از اتفاقات جهان، آماده‌ی تحلیل شدن است. 🌍📊
🔗 GDELT
https://www.gdeltproject.org/

🗞 جمعه‌های DE | این هفته در دنیای Data & AI چه گذشت؟ 🚀
یک هفته دیگر، چند اتفاق مهم در دنیای هوش مصنوعی، داده و یادگیری ماشین رقم خورد.
اما بین صدها خبر، کدام‌ها واقعاً ارزش دنبال کردن داشتند؟ 👇
🚨 1) AI Agentها؛ قدرت بیشتر، مسئولیت بیشتر
این هفته دوباره موضوع امنیت و کنترل Agentهای هوش مصنوعی به یکی از بحث‌های اصلی AI تبدیل شد.
هرچه Agentها از یک chatbot ساده فاصله می‌گیرند و توانایی:
🔹 اجرای کد
🔹 استفاده از ابزارها
🔹 دسترسی به داده‌ها
🔹 تصمیم‌گیری چندمرحله‌ای
را پیدا می‌کنند، یک سؤال مهم‌تر می‌شود:
چطور می‌توانیم به سیستم‌هایی اعتماد کنیم که خودشان تصمیم می‌گیرند؟
آینده AI فقط ساخت مدل‌های قوی‌تر نیست؛
ساخت سیستم‌هایی است که بتوانیم رفتارشان را ارزیابی، کنترل و پایش کنیم.
🔗 Reference:
https://www.axios.com/2026/08/19/openai-astra-safety-altman-anthropic
🧪 2) آیا AI می‌تواند یک پژوهشگر باشد؟
یکی از جذاب‌ترین پژوهش‌های اخیر:
📄 Training AI Scientists to Replicate Research
این مقاله بررسی می‌کند که آیا Agentهای هوش مصنوعی می‌توانند چرخه‌ای از کارهای پژوهشی را انجام دهند:
📚 خواندن مقاله
💻 اجرای کد
📊 بازتولید نتایج
🧠 تحلیل خروجی‌ها
این مسیر می‌تواند آینده همکاری انسان و AI در پژوهش را تغییر دهد.
اما چالش اصلی همچنان باقی است:
آیا AI فقط می‌تواند اجرا کند یا واقعاً می‌تواند «استدلال علمی» داشته باشد؟
🔗 Paper:
https://arxiv.org/abs/2608.13331
📄 3) مشکل جدید AI: چگونه پیشرفت را اندازه بگیریم؟
مدل‌های جدید هر روز بهتر می‌شوند، اما یک سؤال مهم‌تر مطرح شده:
آیا Benchmarkهای فعلی واقعاً توانایی مدل‌ها را اندازه می‌گیرند؟
مقاله:
Frontier AI Forecasting Has a Measurement Problem
نشان می‌دهد ارزیابی مدل‌های مرزی به دلیل تغییر داده‌ها، معیارها و روش‌های تست، روزبه‌روز پیچیده‌تر می‌شود.
یعنی در آینده فقط ساخت مدل مهم نیست؛
✅ طراحی معیارهای ارزیابی درست هم یک مسئله تحقیقاتی بزرگ خواهد بود.
🔗 Paper:
https://arxiv.org/abs/2608.14903
🛠 4) Tool Highlight | SmolDocling
یکی از ابزارهای جذاب این هفته:
🤗 SmolDocling
یک مدل کوچک Vision-Language برای درک اسناد پیچیده.
کاربردها:
📄 PDFهای علمی
📊 استخراج جدول‌ها
🖼 تحلیل اسناد تصویری
📝 تبدیل Document به ساختار قابل استفاده
چرا مهم است؟
چون بخش بزرگی از داده‌های واقعی هنوز داخل فایل‌ها و اسناد قرار دارد، نه دیتابیس‌های تمیز.
🔗 Model:
https://huggingface.co/ibm-granite/granite-docling-258M
⭐️ 5) روند هفته | حرکت از مدل به سیستم
یکی از واضح‌ترین روندهای این هفته:
AI دیگر فقط یک مدل نیست.
مسیر جدید:
Model
⬇️
Agent
⬇️
Multi-Agent System
⬇️
Trusted AI Workflow
و برای Data Scientistهای نسل جدید، ترکیب این مهارت‌ها مهم‌تر از همیشه است:
📊 Statistics
🤖 Machine Learning
💻 Engineering
🔍 Evaluation
🚀 جمع‌بندی هفته
آینده AI فقط در ساخت مدل‌های بزرگ‌تر نیست؛
در ساخت سیستم‌هایی است که:
✔️ تصمیم می‌گیرند
✔️ ابزار استفاده می‌کنند
✔️ قابل ارزیابی هستند
✔️ قابل اعتماد باقی می‌مانند
🗞 جمعه‌های Data Elites
مرور مهم‌ترین اتفاقات Data و AI در یک نگاه

📄 شنبه‌های Data Elites را با یک مقاله جذاب از دنیای LLMها شروع می‌کنیم!
🚨 آیا ChatGPT می‌داند چه زمانی اشتباه می‌کند؟
مدل‌های زبانی بزرگ مثل ChatGPT، Claude و Gemini امروز می‌توانند پاسخ‌هایی شگفت‌انگیز تولید کنند؛ اما یک سؤال مهم هنوز باقی مانده:
چقدر می‌توان به پاسخ یک هوش مصنوعی اعتماد کرد؟
اینجاست که یک علم قدیمی اما حیاتی وارد میدان می‌شود: 📊 آمار و احتمال
در مقاله جدید:
📄 The Origins of Stochasticity: Comprehensive Investigations on Uncertainty Quantification for Large Language Models
پژوهشگران بررسی می‌کنند که چگونه می‌توان عدم‌قطعیت (Uncertainty) در LLMها را اندازه‌گیری کرد.
زیرا یک مدل هوش مصنوعی فقط نباید پاسخ بدهد؛ باید بتواند بگوید:
✅ چقدر به این پاسخ اطمینان دارم؟
⚠️ چه زمانی احتمال اشتباه من بالاست؟
برای رسیدن به این هدف، مفاهیمی مثل:
🎲 توزیع‌های احتمالی
📈 کالیبراسیون مدل‌ها (Model Calibration)
📊 اندازه‌گیری عدم‌قطعیت
🔬 تحلیل آماری رفتار مدل
به قلب LLMها وارد می‌شوند.
این مقاله نشان می‌دهد پشت بسیاری از پیشرفت‌های جدید هوش مصنوعی، هنوز همان مفاهیم بنیادی آمار و احتمال قرار دارند.
شاید آینده AI فقط ساخت مدل‌های بزرگ‌تر نباشد؛
بلکه ساخت مدل‌هایی باشد که هم باهوش‌تر هستند و هم میزان ناآگاهی خودشان را می‌دانند. 🤖
📄 Paper of the Week
🔗 https://arxiv.org/abs/2606.22792
به‌نظر شما، آیا یک هوش مصنوعی قابل اعتماد باید فقط جواب بدهد یا باید میزان اطمینان خودش را هم اعلام کند؟

🚀 خبر ویژه برای علاقه‌مندان Data Science و AI
📢 DataCamp Free Access Week برگشته!
از ۲۴ تا ۳۰ آگوست، دسترسی رایگان به بیش از ۷۰۰ دوره آموزشی، Career Track و Certification در DataCamp فعال می‌شود. 🎯
اگر دنبال تقویت مهارت‌های خودت در مسیر دیتا هستی، این فرصت می‌تواند زمان خوبی باشد برای شروع یا ادامه یادگیری در حوزه‌های:
🐍 Python
📊 R & Statistics
🗄 SQL
🤖 AI & Machine Learning
☁️ Cloud & Data Engineering
📈 Tableau و Visualization
یکی از ویژگی‌های جذاب DataCamp این است که آموزش‌ها کاملاً Hands-on هستند؛ یعنی از همان ابتدا با تمرین و پروژه واقعی یاد می‌گیری، نه فقط تئوری. 💻
😎پیشنهاد DE: قبل از شروع هفته رایگان، مسیر یادگیری خودت را مشخص کن؛ چون بین صدها دوره، انتخاب درست مهم‌تر از تعداد دوره‌هایی است که می‌بینی🚀
DataCamp Link

💻 قبل از ساخت مدل‌های هوش مصنوعی، الگوریتم فکر کردن را یاد بگیر!

در یکشنبه‌های Data Elites تا اینجا مسیر پایه‌های علمی Data و AI را با هم جلو آمدیم:

📐 جبر خطی
برای فهم ساختار داده‌ها، بردارها و ماتریس‌ها

⬇️

🎲 احتمال
برای مدل‌کردن عدم‌قطعیت و رفتار داده‌ها

⬇️

⚙️ بهینه‌سازی
برای پیدا کردن بهترین پارامترها و آموزش مدل‌ها

و حالا قدم بعدی:

🧠 Algorithms & Data Structures

چون قبل از اینکه مدل‌های پیچیده بسازیم، باید یاد بگیریم چطور مسئله‌ها را تحلیل کنیم، راه‌حل طراحی کنیم و آن‌ها را به شکل بهینه پیاده‌سازی کنیم.

الگوریتم‌ها به ما یاد می‌دهند چطور مسئله‌ها را منطقی، بهینه و مقیاس‌پذیر حل کنیم؛ و ساختمان داده‌ها کمک می‌کنند اطلاعات را به بهترین شکل مدیریت کنیم.

از موتورهای جستجو و پایگاه‌های داده تا سیستم‌های هوش مصنوعی، همه به این مفاهیم وابسته‌اند. 🚀

دوره فارسی
💻 ساختمان داده و طراحی الگوریتم

دکتر علی شریفی زارچی

یک دوره ارزشمند برای یادگیری پایه‌های الگوریتم و ساختمان داده.

در این دوره با مفاهیمی مثل:

🔹 Array و Linked List
🔹 Stack و Queue
🔹 Tree و Graph
🔹 Sorting Algorithms
🔹 Dynamic Programming
🔹 طراحی و تحلیل الگوریتم‌ها
آشنا می شوید

🎥 Playlist دوره:
https://youtube.com/playlist?list=PLb9zxAaQXcchjJRdm476gz5rXduAMvgkQ

💻 GitHub دوره (کدها و منابع):
https://github.com/SharifiZarchi/Data_Structures_Algorithms

📚 کتاب‌های پیشنهادی

📘 The Algorithm Design Manual — Steven Skiena
یک کتاب کاربردی برای تقویت مهارت حل مسئله و طراحی الگوریتم.

📗 Introduction to Algorithms (CLRS)
یکی از معتبرترین منابع دنیا برای یادگیری عمیق الگوریتم‌ها و تحلیل آن‌ها.

🇬🇧 دوره‌های انگلیسی
🎓 Algorithms and Data Structures — University of Oxford | 2026

یک دوره دانشگاهی جدید برای یادگیری اصول الگوریتم و ساختمان داده.

موضوعات:

🔹 Algorithm Analysis
🔹 Data Structures
🔹 Sorting & Searching
🔹 Graph Algorithms
🔹 Dynamic Programming
🔹 Complexity Analysis

🎥 YouTube Playlist:
https://youtube.com/playlist?list=PLzZlJT-UOiwDCw7TDmww4hk5waSTkjhDh

🎓 CS50x 2026 — Harvard University

یک مسیر کاربردی و پروژه‌محور برای تقویت مهارت حل مسئله و برنامه‌نویسی.

مباحث مرتبط:

🔹 Algorithms
🔹 Data Structures
🔹 Searching
🔹 Sorting
🔹 Memory
🔹 Problem Solving

🎥 YouTube Playlist:
https://youtube.com/playlist?list=PLhQjrBD2T3839iqxqUdw7NWOCboh00vsV

🧭 مسیر پیشنهادی DE

📐 Linear Algebra
⬇️
🎲 Probability
⬇️
⚙️ Optimization
⬇️
💻 Algorithms & Data Structures
⬇️
🤖 AI / Data Systems

🚨 قبل از اینکه به ماشین یاد بدهیم، باید خودمان یاد بگیریم چطور مسئله حل کنیم. 🧠

الگوریتم‌ها فقط برای برنامه‌نویسی نیستند؛ آن‌ها پایه‌ی تفکر مهندسی، طراحی سیستم‌ها و ساخت فناوری‌های هوشمند هستند.

📚 یکشنبه‌های Data Elites؛ معرفی منابعی که واقعاً ارزش یادگیری دارند. 🚀

🧪 دوشنبه‌های Data Elites | وقتی AI وارد آزمایشگاه می‌شود! 🤖
تا امروز، هوش مصنوعی بیشتر برای پاسخ‌دادن، تولید محتوا و کمک به برنامه‌نویسی استفاده می‌شد.
اما سؤال بزرگ‌تر این است:
آیا یک Agent هوش مصنوعی می‌تواند بخشی از فرآیند یک پژوهش علمی را خودش انجام دهد؟
اینجاست که پروژه Safe Lab Agents وارد می‌شود؛ یک چارچوب جدید برای بررسی نقش Agentهای هوش مصنوعی در محیط‌های علمی و آزمایشگاهی.
این پروژه تلاش می‌کند Agentهایی بسازد که بتوانند:
🧠 مسئله علمی را تحلیل کنند
🧪 workflow آزمایش را طراحی کنند
💻 کد و شبیه‌سازی اجرا کنند
📊 داده‌ها و نتایج را بررسی کنند
📝 گزارش و مستندات پژوهشی تولید کنند
اما تفاوت مهم اینجاست:
Agentها در یک محیط کنترل‌شده و ایمن (Sandbox) فعالیت می‌کنند تا فرآیندهای علمی قابل بررسی، تکرار و مدیریت باشند.
یعنی مسیر آینده می‌تواند از:
👩‍🔬 پژوهشگر + ابزارهای محاسباتی
به سمت:
👩‍🔬 پژوهشگر + تیمی از Agentهای هوشمند
حرکت کند.
این نقطه اتصال چند حوزه مهم است:
🔹 Artificial Intelligence
🔹 AI Agents
🔹 Scientific Computing
🔹 Data Science
🔹 Automated Research
شاید در آینده نزدیک، AI فقط دستیار پژوهشگر نباشد؛
بلکه عضوی از تیم تحقیقاتی باشد. 🚀
🔗 Safe Lab Agents:
https://safe-lab-agents.org/

🎙 اپیزود سوم پادکست Data Elites منتشر شد!
بعد از Statistical Learning و Linear Regression، حالا می‌رسیم به جایی که مدل باید تصمیم بگیره یک مشاهده متعلق به کدوم کلاسه 👀
📘 Chapter 4 — Classification
از کتاب An Introduction to Statistical Learning
تو این اپیزود می‌ریم سراغ:
🔹 Logistic Regression
🔹 تصمیم‌گیری بین کلاس‌ها
🔹 LDA و QDA
🔹 مدل های Naive Bayes و KNN
🔹 و این سؤال مهم که کِی باید از کدوم Classifier استفاده کنیم؟
این فصل جاییه که مدل‌سازی از «پیش‌بینی یک عدد» عبور می‌کنه و وارد دنیای Classification و تصمیم‌گیری می‌شه. 🧠🔥
🎧 اگر دو قسمت قبلی رو گوش ندادید، پیشنهاد می‌کنم اول از اون‌ها شروع کنید تا مسیر مفاهیم کامل براتون شکل بگیره.
هدفون رو بذارید؛ بریم ببینیم مدل‌ها چطور بین کلاس‌ها تصمیم می‌گیرن. 🚀
لینک اپیزود فصل دوم
لینک اپیزود فصل اول