Algorithm design & data structureچ

📚 پایتون - TheAlgorithms - یک مخزن فوق‌العاده در گیت‌هاب!!! 195,000 ستاره در گیت‌هاب!!! یک مجموعه بی‌نظیر از پیاده‌سازی‌های الگوریتم‌ها مانند : Data Structures Digital Image Processing Divide And Conquer Docs Dynamic Programming Electronics File Transfer Financial Fractals Fuzzy Logic Genetic Algorithm Geodesy Geometry Graphics Graphs Greedy Methods Linear Algebra Linear Programming Machine Learning Maths ... #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

چگونه Audio Spectrogram Transformer را روی داده‌های خود Fine-Tune کنیم ؟ https://renumics.com/blog/how-to-fine-tune-the-audio-spectrogram-transformer #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

در این دوره آموزشی، شما موارد زیر را یاد خواهید گرفت: - رویکردهای مختلف هوش مصنوعی، شامل رویکرد قدیمی و نمادین با استفاده از نمایش دانش و استدلال (GOFAI). -شبکه‌های عصبی و یادگیری عمیق که هسته اصلی هوش مصنوعی مدرن هستند. مفاهیم کلیدی این موضوعات مهم را با استفاده از کدنویسی در دو چارچوب محبوب - TensorFlow و PyTorch - توضیح خواهیم داد. - معماری‌های عصبی برای کار با تصاویر و متون. در این بخش به مدل‌های جدید می‌پردازیم، اما ممکن است کمی از مدل‌های کاملاً پیشرفته فاصله داشته باشیم. - رویکردهای کمتر رایج در هوش مصنوعی، مانند الگوریتم‌های ژنتیکی و سیستم‌های چندعاملی. https://microsoft.github.io/AI-For-Beginners/?id=artificial-intelligence-for-beginners-a-curriculum #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

رگرسیون لجستیک یکی از تکنیک‌های محبوب در علم داده برای پیش‌بینی نتایج باینری (مانند بله/خیر یا موفقیت/شکست) است. ✅ هدف: پیش‌بینی احتمال وقوع یک رویداد. ✅ چگونه؟ با استفاده از تابع سیگموئید، احتمال پیش‌بینی می‌شود و براساس آن «بله» یا «نه» تصمیم‌گیری می‌شود. ✅ مزایا: ساده، سریع و مناسب برای طبقه‌بندی‌های باینری. ✅ محدودیت‌ها: فرض رابطه خطی بین ویژگی‌ها و نتیجه، و ضعف در داده‌های پیچیده. کاربردها: بازاریابی، مراقبت‌های بهداشتی، و پیش‌بینی ریسک‌های مالی. #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Hyper-Representations: Learning from Populations of Neural Networks Paper: https://arxiv.org/pdf/2410.05107v1.pdf GitHub: https://github.com/hsg-aiml/sane #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

سلام دوستان عزیز این موضوعی که می‌خوام مطرح کنم، تجربه‌ای شخصی هست که خودم باهاش مواجه شدم و حس کردم به اشتراک گذاشتنش می‌تونه برای شما هم مفید باشه. گاهی پیش میاد که سر کلاس اساتیدی میرید که مدرک دکترا دارن و به نظر می‌رسه باید بهترین‌ها در حوزه خودشون باشن. اما وقتی پای تدریسشون می‌شینید، متوجه می‌شید که نه تنها تسلط کافی روی موضوع ندارن، بلکه نوع آموزش و تمرین‌هایی که ارائه می‌دن، بیشتر از اینکه شما رو به تفکر و تلاش تشویق کنه، شما رو به استفاده از ابزارهایی مثل ChatGPT بکشونه. این تجربه برام خیلی تلخ بود. حتی وقتی خودم برای ارائه رفتم، به جای نقد علمی یا آموزش بهتر، بیشتر روی نکات جزئی و بی‌اهمیت گیر دادن که فقط بخوان خودشون رو مسلط نشون بدن. در واقع، حتی اگر بین یه خرمن کاه، چند ذره خراب هم پیدا بشه، نباید این‌طور فکر کرد که همه چیز بی‌فایده بوده. از هر استاد، هر موقعیت و هر چالش میشه چیزی یاد گرفت. همین که یاد بگیریم چطور در این شرایط مسیر خودمون رو ادامه بدیم، خودش یه موفقیت بزرگه. از طرف دیگه، اساتید عالی هم وجود دارن، کسانی که با دانش و تسلطشون می‌تونن مسیر پیشرفت ما رو هموارتر کنن. توصیه من اینه که به راهتون ادامه بدید، از همه فرصت‌ها استفاده کنید، و بدونید که این چالش‌ها فقط بخشی از مسیر رشد شما هستن. موفق باشید! 😊

عامل‌های مبتنی بر LLM برای مهندسی نرم‌افزار "Large Language Model-Based Agents for Software Engineering: A Survey". https://github.com/FudanSELab/Agent4SE-Paper-List. https://t.me/deep_learning_proj #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

OBJECT-ORIENTED PYTHON 📚 https://matematika-mipa.unsri.ac.id/wp-content/uploads/2022/05/Object-Oriented-Python-Master-OOP-by-Building-Games-and-GUIs-Irv-Kalb-z-lib.org_.pdf #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

🚨آخرین فرصت ثبت‌نام بوت‌کمپ تحلیلگر داده ⚠️ ظرفیت محدود محمد شکوهی‌یکتا|دانشمند داده سابق مایکروسافت محمدعلی فردباستانی|مدیر کل سیستم‌های منابع سازمانی همراه اول مهدی ناصری|مدیر تحلیل داده‌های بازاریابی Snapp Grocery مسعود کاویانی|دانشمند داده صباایده حمیدرضا کشاورز|مدیرعامل لایف وب امیرحسین عسگری|مدیرعامل دیتاک محمدحسین گلیکانی|مدیرعامل رایداد محسن اسماعیلی|تحلیلگر داده دیجی‌کالا امیررضا تجلی|راهبر داده گروه سایپا هادی خورشیدی|AI/ML Product Manager دیجی‌کالا محمدعلی دادگسترنیا|مدیر آموزش لایف‌وب مسعود اسدپور|مدیرعامل هشتگ مریم امیرمزلقانی|دکتری برق دانشگاه امیرکبیر تکتم خطیبی|دانشیار گروه صنایع دانشگاه تربیت مدرس هامون محمدیان‌پور|مدیر فناوری دیتاک سیدمحمد صادق داودی|مدیر برنامه و بودجه هلدینگ سینا بابک تیمورپور|مدیر داده‌کاوی بیمه ایران محسن یزدی‌نژاد|مدیر گروه هوش مصنوعی نکسترا مظاهر قربانی|تحلیلگر داده Azerion امیر هنرمند|مدیر هوش تجاری Smart City محمدعلی سلطانی|مدیر تحقیق‌وتوسعه لایف‌وب 🌐مشاوره و پیش ثبت نام رایگان: https://link.hamrah.academy/mng 📍آکادمی همراه @hamrah_academy

📃 Graph Neural Networks: A Bibliometric Mapping of the Research Landscape and Applications این مقاله به بررسی جامع Graph Neural Networks (GNNs) پرداخته و با استفاده از تحلیل کتاب‌سنجی، چشم‌انداز تحقیقاتی و کاربردهای این حوزه را ترسیم کرده است. مقاله در یکی از مجلات معتبر در زمینه اطلاعات به چاپ رسیده و توسط تیمی از پژوهشگران برجسته از دانشگاه‌ها و موسسات علمی معتبر تهیه شده است. https://www.mdpi.com/2078-2489/15/10/626/pdf?version=1728635612 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

الگوریتم پویا یا برنامه‌ریزی پویا (Dynamic Programming) یک تکنیک بهینه‌سازی است که برای حل مسائل پیچیده به کار می‌رود. این تکنیک مسئله را به مسائل کوچک‌تر و ساده‌تر تقسیم می‌کند، نتایج آن‌ها را ذخیره می‌کند و از این نتایج برای حل مسائل بزرگ‌تر استفاده می‌کند. ویژگی‌های مسائل قابل حل با برنامه‌ریزی پویا: 1. اصل بهینه‌سازی (Optimal Substructure): حل بهینه‌ی یک مسئله از ترکیب حل بهینه‌ی زیرمسائل آن به دست می‌آید. 2. زیرمسائل هم‌پوشان (Overlapping Subproblems): مسئله‌ی اصلی به چند زیرمسئله تقسیم می‌شود که برخی از این زیرمسائل چندین بار تکرار می‌شوند. ذخیره کردن نتایج این زیرمسائل (با استفاده از یک جدول یا آرایه) باعث افزایش کارایی می‌شود. روش‌های پیاده‌سازی: 1. روش بالا به پایین (Top-Down): در این روش، از طریق بازگشت (Recursion) و به همراه تکنیکی به نام "یادآوری" یا Memoization عمل می‌کنیم. ابتدا مسئله‌ی اصلی حل می‌شود و نتایج زیرمسائل در زمان حل ذخیره می‌شوند. 2. روش پایین به بالا (Bottom-Up): در این روش، ابتدا زیرمسائل کوچک‌تر حل می‌شوند و سپس نتایج آن‌ها برای حل مسائل بزرگ‌تر به کار می‌رود. این روش از یک جدول برای ذخیره‌ی نتایج استفاده می‌کند. مثال‌های رایج: - مسئله‌ی کوله‌پشتی (Knapsack Problem): انتخاب آیتم‌ها به گونه‌ای که حداکثر ارزش را در محدودیت وزن به دست آورید. - فاصله‌ی ویرایشی (Edit Distance): یافتن حداقل تعداد تغییرات برای تبدیل یک رشته به رشته‌ی دیگر. - دنباله‌ی مشترک بیشینه (Longest Common Subsequence): یافتن طول بلندترین دنباله‌ی مشترک بین دو رشته. - مسئله‌ی مسیر بهینه در یک ماتریس: پیدا کردن مسیری با کمترین هزینه از یک نقطه به نقطه دیگر. مزایا: - کاهش زمان اجرای الگوریتم از طریق جلوگیری از انجام محاسبات تکراری. - بهبود کارایی در مسائل پیچیده. معایب: - مصرف حافظه به دلیل ذخیره‌ی نتایج زیرمسائل. - ممکن است برای برخی مسائل مناسب نباشد. #الگوریتم 📣👨‍💻 @AlgorithmDesign_DataStructuer

🧑‍💻 5 کورس رایگان برای فهمیدن یادگیری ماشین 1. Machine Learning by Stanford University (Coursera) 2. Introduction to Machine Learning for Coders (fast.ai) 3. Machine Learning Crash Course by (Google) 4. Applied Machine Learning with Python (University of Michigan) 5. Elements of AI by the University of Helsinki and Reaktor #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

💡 مدل QwQ-32B-Preview توسط Qwen عرضه شد و توانست در بنچمارک‌های AIME و MATH عملکردی فراتر از مدل‌های قدرتمندی مانند OpenAI o1 و Anthropic Sonnet ارائه دهد. این مدل قابلیت‌های برجسته‌ای در زمینه‌های استدلال و محاسبات ریاضی نشان داده است. 🚀 نسخه کوآنتایزشده اکنون در Hugging Face در دسترس است. این حرکت، گامی مهم برای دسترس‌پذیرتر کردن مدل‌های پیشرفته زبانی محسوب می‌شود و به جامعه تحقیقاتی این امکان را می‌دهد که با منابع کمتر، به قدرت بیشتری دست یابند. https://huggingface.co/Satwik11/QwQ-32B-Preview-quantized-autoround-GPTQ-sym-4bit #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

یه ایده‌ی خلاقانه به نام GraphRAG برای تقویت توانایی‌ LLMها یکی از چالش‌های کلیدی در مدل‌های زبانی بزرگ (LLM) استفاده از آن‌ها برای حل مسائل فراتر از داده‌های آموزش است. به‌منظور برآورده شدن این هدف، تیم تحقیقاتی مایکروسافت GraphRAG را معرفی کرده که به‌عنوان یک تکنیک پیشرفته برای بهبود عملکرد Retrieval-Augmented Generation (RAG) استفاده می‌شود. ویژگی‌های کلیدی GraphRAG: ایجاد گراف دانش توسط LLM: این روش به‌صورت خودکار گرافی از موجودیت‌ها و روابط موجود در داده‌های خصوصی تولید می‌کند. خوشه‌بندی معنایی: با ایجاد ساختارهای معنایی سلسله‌مراتبی، داده‌ها به خوشه‌هایی معنادار تقسیم‌بندی می‌شوند که امکان پیش‌خلاصه‌سازی اطلاعات را فراهم می‌کند. افزایش دقت بازیابی: با استفاده از گراف تولید شده، GraphRAG محتوای مرتبط‌تری را برای ورود به پنجره زمینه LLM فراهم می‌آورد و پاسخ‌های دقیق‌تری تولید می‌کند. پشتیبانی از پرسش‌های پیچیده: این تکنیک توانایی پردازش سوالاتی که نیاز به تجمیع اطلاعات پراکنده یا تحلیل تم‌های کلان دارند را افزایش می‌دهد. 📊 عملکرد: در یک آزمایش با داده‌های خبری پیچیده، GraphRAG توانسته مفاهیم کلیدی مانند فعالیت‌های سیاسی و نظامی مرتبط با "Novorossiya" را با دقت بالا شناسایی کند. این نتایج، بهبود چشمگیری را نسبت به روش‌های RAG پایه (که عملکرد آن‌ها صرفا با استفاده از فاصله وکتور سوال و جواب است) نشان داد که معمولاً در اتصال اطلاعات پراکنده ناکام بودند. 🔗 مزایای GraphRAG: منبع‌نگاری دقیق: هر پاسخ به داده‌های اصلی مرتبط است و امکان تأیید صحت اطلاعات را فراهم می‌کند. تحلیل کل‌نگر داده‌ها: خوشه‌بندی معنایی امکان شناسایی تم‌های اصلی و پاسخ‌دهی به سوالات کلی‌تر را بهبود می‌بخشد. تطبیق با داده‌های خصوصی: این روش برای داده‌هایی که مدل‌های LLM به آن‌ها آموزش ندیده‌اند، مانند اسناد تجاری یا داده‌های اختصاصی سازمانی، ایده‌آل است. مطالعه‌ی مقاله کامل بخوانید: RAG چیست؟ بخوانید: LLM چیست؟ @Ai_Events

مقاله "Learning Transferable Visual Models From Natural Language Supervision" یکی از آثار برجسته در حوزه بینایی کامپیوتر و پردازش زبان طبیعی است. در این مقاله، نویسندگان یک مدل جدید به نام CLIP (Contrastive Language–Image Pretraining) را معرفی کرده‌اند که از یک روش نوآورانه برای یادگیری مدل‌های بصری قابل انتقال از طریق نظارت زبانی استفاده می‌کند. در واقع CLIP با استفاده از مجموعه عظیمی از داده‌های تصویر و متن، به‌صورت همزمان تصاویر و توضیحات متنی مرتبط را آموزش می‌دهد. این مدل به گونه‌ای طراحی شده که می‌تواند بدون نیاز به داده‌های برچسب‌خورده خاص، وظایف جدیدی را تنها با ارائه دستورالعمل‌های متنی انجام دهد. از جمله کاربردهای این مدل می‌توان به تشخیص تصویر، دسته‌بندی، و حتی وظایف ترکیبی تصویر-متن اشاره کرد. Paper:https://arxiv.org/abs/2103.00020 #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructuer

Converting text data to numbers using tokenisation and embeddings (overview)

Splitting data into training and validation sets