Algorithm design & data structureچ

هیجان‌زده‌ام که این دستاورد جدید در بهینه‌سازی یادگیری ماشین رو از تیم اپل با شما به اشتراک بذارم! معرفی AdEMAMix: یک بهینه‌ساز فوق‌پیشرفته که مفهوم مومنتوم (شتاب) در Stochastic Gradient Descent رو متحول کرده. این تکنیک تازه، از دو میانگین متحرک نمایی بهره می‌بره تا با ترکیب هوشمندانه‌ای از گرادیان‌های اخیر و داده‌های اولیه، سرعت یادگیری مدل‌های پیچیده رو افزایش بده و در عین حال پایداری و عمومی‌سازی اون‌ها رو به شدت بهبود ببخشه. نتیجه؟ بهبود عملکرد و کاهش قابل‌توجه فراموشی مدل در طول آموزش، که باعث می‌شه شبکه‌های عصبی بهتر از هر زمان دیگه‌ای وظایف متنوع رو انجام بدن. جزییات بیشتر در لینک زیر می باشد، حتماً چک کنید! 👇 https://arxiv.org/abs//2409.03137 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

K-Nearest Neighbors (KNN): الگوریتمی ساده اما مؤثر در واقعKNN یک الگوریتم یادگیری ماشین نظارت‌شده است که برای طبقه‌بندی و رگرسیون استفاده می‌شود. این الگوریتم داده‌های جدید را با توجه به نزدیک‌ترین همسایه‌ها در فضای ویژگی طبقه‌بندی می‌کند. 🔹 چطور کار می‌کند؟ 1. انتخاب تعداد همسایه‌ها (K). 2. محاسبه فاصله بین نقطه جدید و داده‌های موجود. 3. تعیین نزدیک‌ترین K همسایه. 4. اختصاص برچسب بر اساس اکثریت کلاس‌ها در بین K همسایه. 🔹 نقاط کلیدی: - متریک‌های فاصله: شامل فاصله اقلیدسی، منهتن و مینکوفسکی. - انتخاب K: انتخاب K مناسب، عملکرد مدل را به شدت تحت تأثیر قرار می‌دهد. - یادگیری تنبل: KNN از داده‌های آموزشی تابع خاصی یاد نمی‌گیرد و فقط داده‌ها را حفظ می‌کند. 🔹 مزایا: - ساده و قابل فهم - عدم نیاز به فرضیاتی درباره توزیع داده‌ها - مؤثر برای داده‌های کوچک و غیرخطی 🔹 معایب: - محاسبات سنگین برای داده‌های بزرگ - حساس به ویژگی‌های نامربوط و مقیاس داده‌ها - وابسته به انتخاب K #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

صف اولویت‌دار (Priority Queue) در دنیای برنامه‌نویسی به ما کمک می‌کند تا کارها را بر اساس اهمیت‌شان، نه صرفاً زمان ورودشان، مدیریت کنیم. این داده‌ساختار کاربردهای زیادی دارد، مثل: 🛠 زمان‌بندی پردازش‌ها: سیستم‌عامل‌ها از صف اولویت‌دار برای اولویت‌دهی به وظایف مختلف استفاده می‌کنند تا مهم‌ترین کارها سریع‌تر انجام شوند. 🚗 الگوریتم‌های مسیریابی: در مسیریابی، صف اولویت‌دار کمک می‌کند تا مسیرهایی با کمترین هزینه یا کوتاه‌ترین زمان شناسایی شوند. 📶 مدیریت منابع: در تخصیص منابعی مثل پهنای باند یا حافظه، صف اولویت‌دار تضمین می‌کند که منابع ابتدا به مهم‌ترین درخواست‌ها اختصاص داده شود. این صف به نوعی شبیه یک سیستم اورژانس است؛ همیشه به مهم‌ترین موضوعات اول رسیدگی می‌شود! 😊 #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی 🤖 است که به سیستم‌ها این قابلیت را می‌دهد تا بدون نیاز به برنامه‌نویسی دقیق، از تجربه‌ها یاد بگیرند و با گذشت زمان عملکردشان را بهبود دهند 📈. به جای استفاده از قوانین ثابت، مدل‌های یادگیری ماشین با استفاده از داده‌ها الگوها را شناسایی می‌کنند و بر اساس آن تصمیم‌گیری می‌کنند. سه نوع اصلی یادگیری ماشین عبارتند از: 1. یادگیری نظارت‌شده (Supervised Learning): در این روش، مدل با استفاده از داده‌های ورودی و خروجی آموزش می‌بیند 📝 و هدف آن یادگیری رابطه بین آن‌هاست تا بتواند خروجی‌های جدید را پیش‌بینی کند. مثال: تشخیص ایمیل‌های اسپم ✉️. 2. یادگیری بدون نظارت (Unsupervised Learning): در این حالت، مدل تنها با داده‌های ورودی کار می‌کند و سعی می‌کند ساختارهای پنهان یا گروه‌های مشابه را پیدا کند 🔍. مثال: خوشه‌بندی مشتریان بر اساس رفتار خرید 🛒. 3. یادگیری تقویتی (Reinforcement Learning): مدل با تعامل با محیط خود و دریافت پاداش‌ها و تنبیه‌ها یاد می‌گیرد تا تصمیمات بهتری بگیرد 🏆. مثال: آموزش ربات‌ها برای حرکت در یک محیط 🚀. یادگیری ماشین در حوزه‌های مختلف مانند تشخیص تصویر 📸، پردازش زبان طبیعی 🗣، و پیش‌بینی‌ها و توصیه‌ها (مانند پیشنهاد فیلم یا محصولات 🎥🛍) کاربرد دارد. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

#الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition 🖥 Github: https://github.com/opendatalab/unimernet 📕 Paper: https://arxiv.org/pdf/2409.03643v1 🚀 Dataset: https://opendatalab.com/OpenDataLab/UniMER-Dataset 🤗 HF: https://huggingface.co/datasets/wanderkid/UniMER_Dataset #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 28 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🔗 مجموعه‌های مجزا مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 27 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🌳 درخت پوشای کمینه - الگوریتم کراسکال مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 26 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🌳 درخت پوشای کمینه مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 25 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🛤 کوتاه‌ترین مسیر در گراف مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 24 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🛤 کوتاه‌ترین مسیر در گراف وزن‌دار مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 23 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع:🔍 جستجو در گراف‌ها - جستجوی سطح‌نخست (BFS) مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 22 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع: 🔍 جستجوی عمق‌نخست (DFS) مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 21 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع: 🔗 گراف مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 20 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع: 📊 مرتب‌سازی خطی - مسأله انتخاب مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 19 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع: ⚡️ مرتب‌سازی سریع تصادفی - حد پایین بر روی مرتب‌سازی مقایسه‌ای - مرتب‌سازی خطی مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 18 درس: 📘 ساختمان داده‌ها و الگوریتم‌ها موضوع: 🔄 مرتب‌سازی - 1 مدرس: 👨‍🏫 دکتر مسعود صدیقین دانشگاه: 🏛 صنعتی شریف #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer