Algorithm design & data structureچ

Machine Learning Model⚡️ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

دانشگاه هاروارد تعداد زیادی دوره آنلاین رایگان ارائه می‌دهد. از علوم کامپیوتر تا هوش مصنوعی. در اینجا ۱۰ دوره رایگان که نباید از دست بدهید آورده شده است. 1. Introduction to Computer Science An introduction to the intellectual enterprises of computer science and the art of programming. Check here 👇 https://pll.harvard.edu/course/cs50-introduction-computer-science?delta=0 2. Web Programming with Python and JavaScript This course takes you deeply into the design and implementation of web apps with Python, JavaScript, and SQL using frameworks like Django, React, and Bootstrap. Check here 👇 https://pll.harvard.edu/course/cs50s-web-programming-python-and-javascript?delta=0 3. Introduction to Programming with Scratch A gentle introduction to programming that prepares you for subsequent courses in coding. Check here 👇 https://pll.harvard.edu/course/cs50s-introduction-programming-scratch?delta=0 4. Introduction to Programming with Python An introduction to programming using Python, a popular language for general-purpose programming, data science, web programming, and more. Check here 👇 https://edx.org/course/cs50s-introduction-to-programming-with-python 5. Understanding Technology This is CS50’s introduction to technology for students who don’t (yet!) consider themselves computer persons. Check here 👇 https://pll.harvard.edu/course/cs50s-understanding-technology-0?delta=0 6. Introduction to Artificial Intelligence with Python Learn to use machine learning in Python in this introductory course on artificial intelligence. Check here 👇 https://pll.harvard.edu/course/cs50s-introduction-artificial-intelligence-python?delta=0 7. Introduction to Game Development Learn about the development of 2D and 3D interactive games in this hands-on course, as you explore the design of games such as Super Mario Bros., Pokémon, Angry Birds, and more. Check here 👇 https://pll.harvard.edu/course/cs50s-introduction-game-development?delta=0 8. CS50's Computer Science for Business Professionals This is CS50’s introduction to computer science for business professionals. Check here 👇 https://pll.harvard.edu/course/cs50s-computer-science-business-professionals-0?delta=0 9. Mobile App Development with React Native Learn about mobile app development with React Native, a popular framework maintained by Facebook that enables cross-platform native apps using JavaScript without Java or Swift. Check here 👇 https://pll.harvard.edu/course/cs50s-mobile-app-development-react-native?delta=0 10. Introduction to Data Science with Python Join Harvard University instructor Pavlos Protopapas in this online course to learn how to use Python to harness and analyze data. Check here 👇 https://pll.harvard.edu/course/introduction-data-science-python?delta=0 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

O1 Replication Journey -- Part 2: Surpassing O1-preview through Simple Distillation, Big Progress or Bitter Lesson? Github: https://github.com/gair-nlp/o1-journey Paper: https://arxiv.org/abs/2411.16489v1 Dataset: https://paperswithcode.com/dataset/lima #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔍What Is a Vector Database? https://qdrant.tech/articles/what-is-a-vector-database/ #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 بررسی LLM-as-a-Judge یکی از کاربردهای جذاب و کم‌تر شناخته‌شده‌ی مدل‌های زبانی بزرگ (LLMs)، LLM-as-a-Judge است. این مفهوم می‌تواند تحولی در سیستم‌های ارزیابی و تایید ایجاد کند. 🌐 🔍 کاربردهای مهم این حوزه: - طراحی سیستم‌های Verification برای بررسی و تایید خودکار. - ارتقا و مقیاس‌دهی Evaluation Pipelines برای بهبود دقت و سرعت. این حوزه پتانسیل زیادی برای نوآوری دارد و می‌تواند فرآیندهای ارزیابی را به سطح جدیدی برساند. 🚀 Paper:https://arxiv.org/abs/2411.15594 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🌟 بوت‌کمپ تحلیلگر داده آکادمی همراه اول 🌟 🎯 فرصتی استثنایی برای ورود به دنیای داده‌ها و ساخت آینده شغلی خود! تصور کنید در ۹ هفته، به یکی از پرتقاضاترین مشاغل دنیا مسلط شوید و در مسیر موفقیت قدم بگذارید. 📋 ویژگی‌های بوت‌کمپ: ⏳ مدت زمان: ۹ هفته نیمه‌حضوری 📚 محتوا: ۱۳۰ ساعت آموزش حرفه‌ای 🌟 پروژه‌های واقعی: شبیه‌سازی وظایف تحلیلگر داده و استفاده از داده‌های واقعی 💼 امکان استخدام: استخدام و کارآموزی نفرات برتر دوره در خانواده همراه اول و شرکت‌های همکار ⚠️ ظرفیت این بوت‌کمپ محدود است. 🚀 چرا این بوت‌کمپ؟ چون شما فقط آموزش نمی‌بینید؛ بلکه با پروژه‌های واقعی و فرصت ورود به شرکت‌های برتر، مسیر شغلی خود را تضمین می‌کنید. 🔗 مشاوره رایگان و اطلاعات بیشتر: https://link.hamrah.academy/pwx @hamrah_academy | آکادمی همراه #آکادمی_همراه #همراه_اول #بوتکمپ_تحلیلگر_داده #تحلیل_داده #آموزش_تحلیل_داده #دوره_آموزشی #کارآموزی #استخدام #آینده_شغلی #مهارت_آموزی

🌎 همه زبان‌ها مهم هستند: LMMs vs. 100 Lang. 🌎 در واقع ALM-Bench با هدف ارزیابی نسل جدید مدل‌های چندزبانه و چندوجهی (Multimodal) به روشی استاندارد طراحی شده و تلاش می‌کنه مرزهای LMMs رو برای درک بهتر فرهنگی و شمولیت گسترش بده. Code & Dataset 💙 Paper https://lnkd.in/ddVVZfi2 Code https://lnkd.in/dnbaJJE4 Dataset https://lnkd.in/drw-_95v #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

یادگیری ماشین کاربردی - Cornell CS5785 این دوره از دانشگاه Cornell تمام الگوریتم‌های مهم یادگیری ماشین رو از پایه آموزش می‌ده و حتی نحوه‌ی استفاده‌ی عملی از اون‌ها رو هم پوشش می‌ده. برای هر ویدیو کد موجوده و این دوره شامل بیش از ۸۰ ویدیو هست! youtube link:https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83 Code link:https://github.com/kuleshov/cornell-cs5785-2020-applied-ml #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

در یک سیستم RAG، ما سوال رو از کاربر می‌گیریم و به وکتور دیتابیس ارسال می‌کنیم تا رکوردهای مربوط به اون رو بازیابی کنیم. در کل وکتوردیتابیس ما یک معیار مشابهت (مثلا cousin similarity)‌ محاسبه می‌کنه و بر اساس اون خروجی رو برمی‌گردونه. تا اینجا ما یک سری رکورد رو تونستیم بازیابی کنیم که بیشترین تشابه رو با وکتور سوال کاربر دارند! حالا مشکل چیه؟ مشکل اینه که شاید دیتابیس صد هزار رکورد مشابه رو از بین میلیون‌ها رکورد برگردونه، کدوم top k رکورد رو باید بدیم LLM تا برامون خروجی رو تولید کنه؟ تو پست بعد سعی می‌کنم جواب این سوال رو براتون توضیح بدم. بخوانید: RAG چیست؟ بخوانید: LLM چیست؟ اصلاح: جواب پرسش را در این پست مطالعه کنید. @Ai_Events

Explicitly Modeling Pre-Cortical Vision with a Neuro-Inspired Front-End Improves CNN Robustness Paper: https://arxiv.org/pdf/2409.16838v1.pdf GitHub: https://github.com/dicarlolab/vonenet 💡 بهبود استحکام شبکه‌های عصبی کانولوشنی (CNN) در برابر نویز و اعوجاج‌های رایج شبکه‌های عصبی کانولوشنی (CNNs) در طبقه‌بندی تصاویر تمیز بسیار موفق عمل می‌کنند، اما در مواجهه با تصاویر دارای نویز و خرابی‌های رایج، کارایی آن‌ها کاهش می‌یابد. برای رفع این محدودیت، پژوهشگران اخیراً از بلوک‌های الهام‌گرفته از عملکرد primate primary visual cortex (V1) در ساختار شبکه‌ها استفاده کرده‌اند. 🔍 معرفی دو مدل جدید: مدلRetinaNet: مدلی هیبریدی با بلوک پیش‌پردازشی جدید که مراحل پردازش بصری پیش از قشر بینایی را شبیه‌سازی می‌کند و در مقایسه با مدل‌های استاندارد، ۱۲.۳٪ بهبود استحکام نشان داده است. مدلEVNet: معماری دیگری که بر همین اساس طراحی شده و ویژگی‌های مشابهی دارد. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Reinforcement Learning: Foundations BOOK : https://sites.google.com/view/rlfoundations/home #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning Paper: https://arxiv.org/pdf/2410.12657v1.pdf GitHub: https://github.com/junxia97/simgrace در این مقاله، روش جدیدی به نام توسعه توضیح‌محور (Explanation-Preserving Augmentation یا EPA) معرفی شده است که از تکنیک‌های توضیح‌دهی گراف برای تولید گراف‌های توسعه‌یافته بهره می‌برد. این روش شکاف بین حفظ معنا (Semantics-Preservation) و اختلال داده (Data-Perturbation) را کاهش می‌دهد. در این روش، ابتدا تعداد کمی از برچسب‌ها برای آموزش یک توضیح‌دهنده گراف (Graph Explainer) استفاده می‌شود تا زیرساختارهای مرتبط با معنای گراف (توضیحات) شناسایی شوند. سپس از این توضیحات برای تولید توسعه‌هایی که معنای گراف را حفظ می‌کنند، استفاده می‌شود. این رویکرد برای یادگیری بازنمایی گراف خودنظارتی (Self-Supervised GRL) تحت عنوان EPA-GRL به کار گرفته می‌شود. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Leveraging SAM for Single-Source Domain Generalization in Medical Image Segmentation 📄 https://arxiv.org/pdf/2401.02076.pdf 💻 https://github.com/SARIHUST/SAMMed #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🌟 WildCat: قدمی جسورانه در رباتیک 🌟 🔍 معرفی: در سال 2013، شرکت Boston Dynamics با معرفی ربات WildCat دنیا را شگفت‌زده کرد. این ربات چهارپا که با موتور بنزینی کار می‌کند، در زمان خود تحولی بزرگ در سرعت و چابکی ربات‌ها ایجاد کرد. 🏃‍♂️ ویژگی‌های کلیدی: ✅ سرعت باورنکردنی 19 مایل بر ساعت روی زمین صاف، سریع‌ترین در میان ربات‌های چهارپا! ✅ حفظ تعادل دینامیکی حتی در حرکات پیچیده. ✅ توانایی اجرای گام‌های متنوع با الهام از حرکات طبیعی موجودات زنده. 🔊 فقط شنیدن صدای عملکرد این ربات کافی است تا شما را تحت تأثیر قرار دهد! #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

📃 Understanding Graph Databases: A Comprehensive Tutorial and Survey این مقاله یک آموزش جامع و بررسی دقیق درباره پایگاه‌های داده گرافی ارائه می‌دهد. اگر به دنبال درک عمیق‌تر این فناوری نوین هستید، این مطالعه از دیدگاه آکادمیک توسط تیمی از محققان دانشگاه ایندیانا تهیه شده است. 🌐 paper : https://arxiv.org/pdf/2411.09999 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models Github: https://github.com/deepseek-ai/deepseek-math Paper: https://arxiv.org/abs/2402.03300v1 Dataset: https://paperswithcode.com/dataset/math #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer