Algorithm design & data structureچ

حل مسئله در انسان‌ها در مقابل مورچه‌ها 😬😬 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 معرفی ابزار قدرتمند FlashRAG برای پژوهش‌های پیشرفته RAG در واقع FlashRAG یک ابزار پایتون حرفه‌ای است که برای بازتولید و توسعه تحقیقات در حوزه Retrieval Augmented Generation (RAG) طراحی شده است. این ابزار با امکانات گسترده، کار پژوهشگران و توسعه‌دهندگان را بسیار ساده‌تر می‌کند. ✨ ویژگی‌های برجسته فلش‌رگ: ✅ ۳۲ مجموعه داده بنچمارک پردازش‌شده برای ارزیابی و آزمایش مدل‌های RAG ✅ ۱۲ الگوریتم پیشرفته RAG از پیش پیاده‌سازی‌شده با قابلیت بازتولید نتایج ✅ چارچوب انعطاف‌پذیر برای ساخت خطوط پردازشی پیچیده با اجزایی مانند retrievers، rerankers و generators ✅ ابزارهای بهینه‌سازی مانند vLLM و Faiss برای افزایش سرعت و کارایی https://github.com/RUC-NLPIR/FlashRAG #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 معرفی مدل I-JEPA از Meta 💡 🔍 مدل جدیدی از Meta در Hugging Face Transformers منتشر شده که این بار خبری از LLM یا GenAI نیست! این مدل، I-JEPA نام دارد و بر اساس دیدگاه Yann LeCun طراحی شده تا هوش مصنوعی واقعی‌تری ایجاد کند؛ هوشی که جهان را همانند ما انسان‌ها درک کند. https://ai.meta.com/blog/yann-lecun-ai-model-i-jepa/ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

✨ Transformer Explainer در واقعTransformer Explainer یک ابزار بصری و تعاملی است که برای درک بهتر عملکرد مدل‌های مبتنی بر Transformer، مانند GPT، طراحی شده است. 🌟 این ابزار، مدل زنده‌ی GPT-2 را مستقیماً در مرورگر شما اجرا می‌کند و به شما این امکان را می‌دهد که با متن‌های خود آزمایش کنید و به‌صورت زنده مشاهده کنید که اجزای داخلی و عملیات Transformer چگونه برای پیش‌بینی توکن‌های بعدی با یکدیگر هماهنگ می‌شوند. 🔍📖 https://poloclub.github.io/transformer-explainer/ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 کاوش در مجموعه داده‌های عظیم - Stanford 🔥 📂 Distributed file system 🔄 MapReduce 📈 PageRank 🔍 Nearest Neighbor Search 📌 Locality Sensitive Hashing 🌸 Bloom Filters 👥 Collaborative Filtering 📊 Clustering 🌳 Decision Trees ... و بسیاری موضوعات جذاب دیگر! https://www.youtube.com/playlist?list=PLLssT5z_DsK9JDLcT8T62VtzwyW9LNepV #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

هوش مصنوعی بسیار سریع در حال یادگیری است😁 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

DEYOLO: Dual-Feature-Enhancement YOLO for Cross-Modality Object Detection Topic: Object detection Paper: https://arxiv.org/pdf/2412.04931v1.pdf GitHub: https://github.com/chips96/deyolo معماری DEYOLO برای تشخیص اشیاء در محیط‌های کم‌نور با ترکیب تصاویر RGB و مادون قرمز (IR) طراحی شده است. این مدل از دو ماژول تقویتی DECA و DEPA استفاده می‌کند تا ویژگی‌های معنایی و فضایی هر دو مدالیته را تقویت کرده و تداخل آن‌ها را کاهش دهد. همچنین، با بهره‌گیری از Bi-Directional Decoupled Focus میدان دید شبکه را گسترش می‌دهد. این روش در مقایسه با الگوریتم‌های پیشرفته موجود، عملکرد بهتری در تشخیص اشیاء نشان داده است. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🌐 تولید متن به تصویر با GANها Generative Adversarial Networks (GANs) انقلابی در زمینه تولید متن به تصویر ایجاد کرده‌اند و امکان ساخت تصاویر واقعی و معنادار را از توضیحات متنی فراهم کرده‌اند. این پیشرفت، فرصت‌های هیجان‌انگیزی را در حوزه‌هایی مانند تولید محتوای خلاقانه و بصری‌سازی شخصی فراهم کرده است. 📦 نحوه عملکرد GANها برای تولید متن به تصویر - Generator: این شبکه عصبی توضیحات متنی را دریافت کرده و تصویری متناسب با متن تولید می‌کند. - Discriminator: این شبکه نقش داور را دارد و تصاویر تولید شده را برای تعیین واقعی بودنشان ارزیابی می‌کند. این شبکه تفاوت بین تصاویر واقعی (از مجموعه داده آموزشی) و تصاویر جعلی (ایجاد شده توسط Generator) را تشخیص می‌دهد. 💸 فرآیند آموزش Adversarial آموزش GANها شامل رقابت بین Generator و Discriminator است: - بهبود Generator: Generator تلاش می‌کند تصاویری تولید کند که بتوانند Discriminator را گمراه کرده و به عنوان واقعی شناسایی شوند. - بهبود Discriminator: Discriminator تلاش می‌کند تصاویر جعلی تولید شده را دقیق‌تر شناسایی کند. با این فرآیند تکراری، هر دو شبکه بهبود می‌یابند. Generator یاد می‌گیرد تصاویر واقعی‌تر و با جزئیات بیشتر ایجاد کند و Discriminator در شناسایی ظرافت‌های تصاویر جعلی بهتر می‌شود. 🚀 چالش‌ها و پیشرفت‌های اخیر در حالی که GANها موفقیت چشمگیری در تولید متن به تصویر داشته‌اند، چالش‌هایی همچنان وجود دارد: - Mode Collapse: Generator ممکن است تنها یک مجموعه محدود از تصاویر تولید کند که تنوع را محدود می‌کند. - بی‌ثباتی در آموزش: فرآیند آموزش GANها می‌تواند ناپایدار باشد و هماهنگی بین Generator و Discriminator از بین برود. 🐧 پیشرفت‌های اخیر این چالش‌ها را کاهش داده‌اند: - Improved Architectures: معماری‌های پیشرفته مانند StyleGAN و ProGAN کیفیت و تنوع تصاویر را بهبود بخشیده‌اند. - Conditional GANs: با اضافه کردن اطلاعات شرطی (مانند متن) به Generator، این مدل‌ها می‌توانند تصاویر متناسب با توضیحات متنی خاص تولید کنند. 🤖 مدل‌های محبوب Text-to-Image GAN - StackGAN: در دو مرحله تصاویر را ایجاد می‌کند؛ ابتدا تصاویر با وضوح پایین و سپس تصاویری با وضوح بالا. - AttnGAN: از مکانیزم توجه (Attention) برای تمرکز بر بخش‌های مرتبط توضیحات متنی استفاده می‌کند. - DF-GAN: با استفاده از معماری دو مسیری کیفیت و تنوع تصاویر را بهبود می‌بخشد. 👨🏻💻 کاربردهای Text-to-Image GANs - Creative Content Generation: تولید هنر، تصاویر و طراحی بر اساس متن. - Personalized Visualizations: ساخت بصری‌سازی‌های سفارشی برای تحلیل داده و داستان‌سرایی. - Image Editing and Manipulation: ویرایش و تغییر تصاویر موجود بر اساس توضیحات متنی. - Virtual and Augmented Reality: تولید محیط‌ها و اشیاء واقعی برای واقعیت مجازی و افزوده. 📗 نتیجه‌گیری در واقع Text-to-Image GANها به عنوان ابزاری قدرتمند برای تولید تصاویر باکیفیت و واقعی از توضیحات متنی ظاهر شده‌اند. با ادامه تحقیقات و توسعه، شاهد پیشرفت‌های بیشتری خواهیم بود که به آینده‌ای منجر می‌شود که در آن ماشین‌ها بتوانند زبان انسانی را به تصاویری خیره‌کننده تبدیل کنند. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 معرفی پروژه Mini-Torch: یک تجربه یادگیری متفاوت در دنیای PyTorch! 🔥 پروژه Mini-Torch یه کتابخونه آموزشی خلاقانه‌ست که توسط دو فارغ‌التحصیل ریاضی از دانشگاه‌های امیرکبیر و مک‌گیل طراحی شده. این کتابخونه، با الهام از PyTorch ساخته شده و قراره فرآیندهای داخلی این کتابخونه محبوب رو به زبان ساده و قابل فهم توضیح بده. 🎓✨ هدف اصلی Mini-Torch اینه که شما رو با مفاهیم پشت صحنه PyTorch آشنا کنه و اگه این پروژه با استقبال روبه‌رو بشه. https://github.com/omidiu/Mini-Torch #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Towards Natural Image Matting in the Wild via Real-Scenario Prior Topic: Semantic Segmentation Paper: https://arxiv.org/pdf/2410.06593v1.pdf #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

5 دوره رایگان برای تسلط بر مدل‌های زبانی بزرگ (LLMs) 1. Introduction to Large Language Models by Google :- Course Link 2. AI for Educators by Microsoft:- Course Link 3. Cohere’s LLM University:- Course Link 4. Anthropic Prompt Engineering Courses:- Course Link 5. Large Language Model Agents:- Course Link #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

✔️ 7 پیچیدگی زمانی مهم که باید بدانید! 𝐎(1) - زمان ثابت زمان اجرا بدون توجه به اندازه ورودی تغییر نمی‌کند. مثال: دسترسی به یک عنصر در آرایه با استفاده از ایندکس. 𝐎(𝐥𝐨𝐠 𝐧) - زمان لگاریتمی زمان اجرا به‌آرامی با افزایش اندازه ورودی رشد می‌کند. معمولاً در الگوریتم‌هایی دیده می‌شود که مسئله را در هر مرحله نصف می‌کنند. مثال: جستجوی دودویی در یک آرایه مرتب. 𝐎(𝐧) - زمان خطی زمان اجرا به صورت خطی با اندازه ورودی افزایش می‌یابد. مثال: یافتن یک عنصر در آرایه با پیمایش تمام عناصر. 𝐎(𝐧 𝐥𝐨𝐠 𝐧) - زمان خطی لگاریتمی زمان اجرا کمی سریع‌تر از زمان خطی رشد می‌کند. این پیچیدگی معمولاً شامل تعداد لگاریتمی عملیات برای هر عنصر ورودی است. مثال: مرتب‌سازی آرایه با استفاده از الگوریتم‌هایی مانند quick sort یا merge sort. 𝐎(𝐧^2) - زمان درجه دوم زمان اجرا به مربع اندازه ورودی وابسته است. مثال: الگوریتم حبابی که هر جفت از عناصر را مقایسه و در صورت نیاز جابجا می‌کند. 𝐎(2^𝐧) - زمان نمایی زمان اجرا با هر واحد افزایش در ورودی دو برابر می‌شود. این الگوریتم‌ها برای ورودی‌های بزرگ غیرعملی هستند. مثال: تولید تمام زیرمجموعه‌های یک مجموعه. 𝐎(𝐧!) - زمان فاکتوریل زمان اجرا متناسب با فاکتوریل اندازه ورودی است. مثال: تولید تمام جایگشت‌های یک مجموعه. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

یک سایت عالی برای دستیابی به یک نقشه جامع و کاربردی در زمینه هوش مصنوعی! 🔹 اگر به دنبال یک راهنمای کامل برای یادگیری هوش مصنوعی هستید، این سایت یکی از بهترین گزینه‌هاست. با ارائه منابع، مسیرهای یادگیری و ابزارهای کاربردی، این نقشه می‌تواند شما را در مسیر یادگیری و تسلط بر مفاهیم هوش مصنوعی هدایت کند. 💻🌐https://addgraph.com/ai #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Building Blocks for Theoretical Computer Science https://mfleck.cs.illinois.edu/building-blocks/index-sp2020.html #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Dual-Branch Subpixel-Guided Network for Hyperspectral Image Classification Publication date: 5 Dec 2024 Topic: Image Classification Paper: https://arxiv.org/pdf/2412.03893v1.pdf #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

ایجاد اعداد دست‌نویس فارسی با استفاده از Deep Convolutional Generative Adversarial Networks (DCGANs) و PyTorch 1-Loading Handwritten Persian numerals dataset 2-Generator and Discriminator (for DCGANs) 2-1-Building the Generator 2-2-Building the Discriminator 2-3-Defining Loss Functions 2-4-Defining Optimizers 3-Training DCGANs Github:https://github.com/omid-sakaki-ghazvini/Projects/blob/main/handwritten-persian-numerals-dcgans-pytorch.ipynb Kaggle:https://www.kaggle.com/code/omidsakaki1370/handwritten-persian-numerals-dcgans-pytorch #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

این وبلاگ دنیای پیچیده Large Language Models (LLMs) را رمزگشایی می‌کند و تحقیقات پیشرفته را به مفاهیمی شفاف و قابل‌فهم تبدیل می‌کند. مناسب برای درک معماری‌های Transformer، فرآیندهای آموزشی و آخرین اخبار در تحقیقات AI. هر کسی که سعی دارد مفاهیم مربوط به Transformers یا Large Language Models را درک کند، حتماً باید این وبلاگ را مطالعه کند! https://magazine.sebastianraschka.com/p/understanding-large-language-models #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer