Algorithm design & data structureچ

📌 معرفی ریپازیتوری جذاب: https://github.com/aishwaryanr/awesome-generative-ai-guide این ریپازیتوری مثل یک مرکز جامع برای منابع GenAI عمل می‌کنه و پر از آپدیت‌های تازه در مورد: 🔹 مقالات جدید حوزه Generative AI 🔹 منابع مصاحبه و سوالات رایج 🔹 نوت‌بوک‌ها و ریپازیتوری‌های کدنویسی 🔹 دوره‌های رایگان (بیش از ۹۰ دوره مختلف) 🔹 نقشه‌راه‌های یادگیری (RAG، LLM Foundations، Agents و …) #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📣 کانالهای فعال VIP در زمینه الگوریتمهای هوش مصنوعی را از دست ندهید ▪️ انجمن پژوهشگران هوش مصنوعی ایران در تلگرام 🔸 @AI_DeepMind ▪️ رویدادهای هوش مصنوعی 🔸 @eventai ▪️ هوش مصنوعی از همه جوانب 🔸 @Neurogenix1 ▪️ آخرین اخبار و منابع فناوری ؛ هوش مصنوعی و یادگیری ماشین 🔸 @Docpython ▪️ جامعه هوش مصنوعی 🔸 @silicon_brain ▪️ اخرین اخبار دنیای تکنولوژی 🔸 @AI_MANSOURI ▪️ طراحی الگوریتم و ساختمان داده 🔸 @AlgorithmDesign_DataStructuer ▪️ رویدادهای هوش مصنوعی 🔸 @Ai_Events ▪️ آموزش پایتون و رزبری پای 🔸 @raspberry_python ▪️ آموزش‌های تخصصی هوش مصنوعی 🔸 @class_vision

🚀 چرا Momentum تو بهینه‌سازی انقدر موثره؟ اگه دوست داری بفهمی چرا الگوریتم‌های Momentum و Gradient Descent انقدر سریع و هوشمند عمل می‌کنن و چطور با مفهوم “eigenfeatures” و تحلیل منحنی خطا به سرعت به جواب می‌رسن، این سایت یه منبع عالیه: https://distill.pub/2017/momentum/ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

یه پکیج اومده که میگه می‌شه سیستم RAG مقیاس‌پذیر و با بهره‌وری بالا ساخت، کاملاً لوکال و رایگان! https://github.com/yichuan-w/LEANN #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

MIT: Machine Learning for Computational Biology این دوره MIT قراره نشون بده چطور می‌شه با کمک هوش مصنوعی و یادگیری ماشین، دنیای زیست‌شناسی رو از ژنوم و پروتئین گرفته تا درمان‌ها و داده‌های بیماران، عمیق‌تر درک کرد. موضوعاتی مثل مدل‌های زبانی ژنوم و پروتئین، AlphaFold2، اپی‌ژنومیک، کشف دارو با AI و تحلیل داده‌های پزشکی رو پوشش می‌ده. به زبان ساده، پلیه بین علم داده و زیست‌شناسی برای کشف‌های مهم در سلامت و داروسازی. Fall'24 Lecture Videos: http://tinyurl.com/MLCBlectures Fall'24 Lecture Notes: http://tinyurl.com/MLCB24notes #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

شرکت چینی Moonshot AI قابلیتی جدید به Kimi اضافه کرده به نام PPT Assistant. با این ابزار می‌توانید تنها با وارد کردن یک متن ساده یا حتی فایل‌های PDF و Word، بلافاصله یک پاورپوینت حرفه‌ای و آماده ارائه بسازید. نکته جذاب اینکه این قابلیت به‌طور کامل از زبان فارسی پشتیبانی می‌کند و کاملاً رایگان است؛ بدون هیچ محدودیتی. https://www.kimi.com/kimiplus/cvvm7bkheutnihqi2100 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

شرکت Hugging Face ابزاری متن‌باز به نام AI Sheets ارائه کرده که به شما امکان می‌دهد بدون نیاز به کدنویسی، دیتاست‌ها را بسازید، ویرایش کنید یا غنی‌سازی کنید. این ابزار هم روی سیستم شخصی قابل اجراست و هم روی Hugging Face Hub. به این ترتیب می‌توانید به هزاران مدل موجود در Hub دسترسی داشته باشید؛ چه از طریق Inference Providers و چه مدل‌های لوکال، حتی شامل مدل‌های gpt-oss از OpenAI. https://github.com/huggingface/aisheets #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📂 توی ریپازیتوری زیر، همه‌ی لینک‌های منابع رایگان برای یادگیری Machine Learning رو جمع‌آوری شده🚀 https://github.com/victor-explore/Machine-Learning-Library #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 اگه قصد دارین AI Agent درست کنین، حتما این دوتا تکنولوژی رو یاد بگیرین: ✨ ۱- Google ADK یک فریمورک فوق‌العاده قدرتمند برای ساختن ایجنت‌ها که الان به سرعت داره توی صنعت فراگیر میشه. ✨ ۲- Agent2Agent (A2A) Protocol پروتکلی برای ارتباط ایجنت‌ها با همدیگه. 📌 نکته مهم اینه که خود ریپوهای رسمی این ابزارها پر از مثال‌های عالی هستن و می‌تونین خیلی سریع و عملی باهاشون کار یاد بگیرین. -A2A: https://github.com/a2aproject/A2A - ADK: https://google.github.io/adk-docs/ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

توی این ریپازیتوری می‌تونی PageIndex رو ببینی: سیستمی که مثل یه کارشناس واقعی، فکر و استدلال می‌کنه تا مرتبط‌ترین بخش‌های اسناد طولانی رو پیدا کنه. 🔍 دو مرحله ساده داره: 1️⃣ ساخت فهرست درختی از سند 2️⃣ جستجوی هوشمند و منطقی توی درخت https://github.com/VectifyAI/PageIndex?tab=readme-ov-file #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

دوره آموزشی «LLM Zoomcamp» توی این دوره آمده به کابردهای واقعی LLMها پرداخته و اینکه یاد میگیری که چه طوری یک سیستم هوش مصنوعی بسازی و برای افرادی که هیچ پیش‌زمینه‌ای در زمینه هوش مصنوعی یا یادگیری ماشین ندارند، مناسب می باشد. https://www.youtube.com/playlist?list=PL3MmuxUbc_hIB4fSqLy_0AfTjVLpgjV3R #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

چطور می‌توان در زبان برنامه‌نویسی Malbolge عبارت «Hello world» را نوشت؟ زبان Malbolge به‌عنوان یکی از سخت‌ترین زبان‌ها برای برنامه‌نویسی شناخته می‌شود. نوشتن حتی ساده‌ترین برنامه‌ها در این زبان به‌شدت دشوار است. اولین برنامه‌ی «Hello World» در Malbolge تنها با کمک یک الگوریتم کامپیوتری ساخته شد، چراکه نوشتن آن به‌صورت دستی عملاً غیرممکن است. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📂 یه ریپازیتوری فوق‌العاده در گیت‌هاب منتشر شده که کل مسیر طراحی یک سیستم یادگیری ماشین (ML) رو پوشش می‌ده. این ریپو شامل چهار گام اصلیه: - Project setup - Data pipeline - Modeling: selecting, training, and debugging - Serving: testing, deploying, and maintaining https://github.com/chiphuyen/machine-learning-systems-design #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

MIRAGE: Scaling Test-Time Inference with Parallel Graph-Retrieval-Augmented Reasoning Chains روش های موجود مانند search-o1 که با تقویت بازیابی در RAGها میشن اما به زنجیره‌ی استدلال خطی و واحد متکی هستند و اطلاعات متنی غیرساختاریافته را به‌صورت تخت و بدون در نظر گرفتن زمینه وارد می‌کنند که نتیجع این کار ها باعث انباشه شدن خطا در طول زنجیره‌ی استدلال میشود که این روش توی پرش و پاسخ های پزشکی محدود میکنه (Medical QA) که برای حل این چالش آمدن MIRAGE معرفی کردن که پرسش ها رو به چند تا زیر پرسش های مبتی بر موجودیت تقسیم میکنه و زنجیره های استدلال رو به صورت موازی اجرا میکنه و میاد بازیابی لازم رو از طریق گسترش همسایگی و پیمایش چندمرحله‌ای انجام میده و در آخر پاسخ ها را با اعتبارسنجی میان‌زنجیره‌ای ادغام کرده و تناقض‌ها را برطرف می‌سازد. اطلاع بیشتر👇 https://arxiv.org/pdf/2508.18260 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

اولین مدل Vision Language ساخته‌شده روی OpenAI GPT-OSS منتشر شد! 🎉 این مدل جدید با نام InternVL 3.5 معرفی شده و کلی قابلیت خفن داره: 🔹 همراه با ۳۲ مدل مختلف (هم pretrain شده، هم fine-tune). 🔹 در بخش LLM از gpt-oss یا Qwen3 استفاده می‌کنه. 🔹 اندازه‌ی مدل‌ها از ۱ میلیارد تا ۲۴۱ میلیارد پارامتر متغیر هست. HuggingFace: https://huggingface.co/collections/OpenGVLab/internvl35-68ac87bd52ebe953485927fb #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

فرقی نمی‌کنه LLM شما چقدر باهوش باشه… 📌 کلید موفقیت در داده‌هایی هست که داخل Context Window می‌ذارید! #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 ریپازیتوری ارزشمند پر از پروژه‌های GenAI و AI Agents! این ریپازیتوری شامل پروژه‌ها و مثال‌هایی است که در کتگوری‌های متنوع و با فریمورک‌های مختلف پیاده‌سازی شده‌اند و به راحتی قابل اجرا هستند. 💡 نمونه‌هایی از ایجنت‌های موجود: دستیار مدیریت پروژه دستیار تحلیل محتوا عامل جستجوگر وب دستیار خرید و… https://github.com/NirDiamant/GenAI_Agents?tab=readme-ov-file #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

#هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

HCRMP: A LLM-HINTED CONTEXTUAL REINFORCEMENT LEARNING FRAMEWORK FOR AUTONOMOUS DRIVING خروجی های LLM مستعد Hallucinations هستند برای مثال مدل Gemini-2.5-Pro (یکی از پیشرفته‌ترین LLM‌ها)، نرخ عدم توهم‌زایی در وظایف مرتبط با رانندگی تنها ۵۷.۹۵٪ است. این یعنی بیش از ۴۰٪ از خروجی‌های آن مستعد Hallucinations هستند که این موضوع می تواند عملکرد سیستم رانندگی رو به خطر بندازه برای همین توی این مقاله امد ن از پرادایم RLبا راهنمایی LLM استفاده کردن به این معنی حتی اگر خروجی‌های LLM ناپایدار باشند، عامل RL می‌تواند با یادگیری سیاست خود، اشارات معنایی نادرست احتمالی را جبران کند و از تولید مستقیم اقدامات نامعقول جلوگیری نماید. اطلاع بیشتر👇 https://arxiv.org/pdf/2505.15793 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📌 خیلی وقتا RAG سنتی خوب جواب میده، مخصوصاً برای پرسش‌های ساده یا وقتی دنبال یه بخش مشخص از سند هستیم. توی این حالت، سیستم فقط شبیه‌ترین متن رو پیدا می‌کنه و جواب رو از همون می‌سازه. اما مشکل اینجاست 👇 🔸 هر تکه‌ی متن رو جدا از بقیه می‌بینه 🔸 وقتی اطلاعات تو چند سند پخش شده باشه نمی‌تونه «نقاط رو به هم وصل کنه» 🔸 روابط بین موجودیت‌ها (آدم‌ها، مکان‌ها، مفاهیم و …) رو درک نمی‌کنه 🚀 اینجاست که Graph RAG وارد عمل میشه: اول موجودیت‌ها و ارتباط‌ها رو از متن استخراج می‌کنه بعد یه گراف دانش می‌سازه که همه چیز به هم وصل باشه موقع پرسش، هم متن مرتبط رو میاره و هم رابطه‌ها رو در نظر می‌گیره در نتیجه پاسخ‌ها خیلی دقیق‌تر و جامع‌تر میشن 🔑 خلاصه بگم: برای سوال‌های سریع و ساده ➡️ RAG معمولی برای تحلیل عمیق، ترکیب چند سند و پرسش‌های پیچیده ➡️ Graph RAG #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer