Algorithm design & data structureچ

🚀 اجرای ساده‌تر DeepSeek-V4-Flash به‌صورت Local!

تیم Unsloth نسخه بهینه‌شده‌ای از DeepSeek-V4-Flash منتشر کرده که اجرای این مدل را روی سیستم‌های شخصی کم‌هزینه‌تر و سریع‌تر می‌کند.

🔹 پشتیبانی از Context Window بسیار بزرگ (تا ۱ میلیون توکن)
🔹 مصرف حافظه کمتر با نسخه‌های کوانتیزه‌شده
🔹 مناسب برای کدنویسی، چت و ساخت AI Agent
🔹 امکان اجرا روی سخت‌افزار شخصی

📌 راهنمای اجرا:

https://unsloth.ai/docs/models/deepseek-v4

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🎓 استنفورد دوره جدید Self-Improving AI Agents منتشر کرد.

این دوره روی نسل جدید Agentها تمرکز دارد؛ سیستم‌هایی که فقط پاسخ تولید نمی‌کنند، بلکه با تفکر در زمان استنتاج، ارزیابی خروجی و خوداصلاحی می‌توانند عملکردشان را به‌مرور بهتر کنند. از موضوعات مهم آن می‌توان به Test-time Compute، استفاده از Verifierها، Tool Use، Memory، RL و Multi-step Reasoning اشاره کرد.

🎥 پلی‌لیست دوره:
https://www.youtube.com/playlist?list=PLangBM27OtEA

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🟢هوش مصنوعی Gemini فعال شد
از طریق سایت و اپلیکیشن آن استفاده کنید.

https://gemini.google.com/

نکته مهم:
حتما باید اول برنامه شکن را فعال کنید
تحریم‌شکن هست برای عبور از تحریم‌ها👇

http://cafebazaar.ir/app/?id=co.bonyan.shecan&ref=share

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

سلام، امیدوارم حالتون خوب باشه 🤍
در روزهایی که فضای کشور برای خیلی‌هامون پر از نگرانی و سؤال شده، بیش از هر زمان دیگه به آرامش، آگاهی و کنار هم بودن نیاز داریم؛ امیدوارم دل‌هاتون آروم، تنتون سالم و آینده‌مون روشن‌تر از امروز باشه 🌱✨

۱۰۰+ سؤال و جواب مصاحبه LLM

برای هر کسی که در حال آماده شدن برای مصاحبه‌های AI / ML است، داشتن دانش قوی در زمینه موضوعات مرتبط با مدل‌های زبانی بزرگ (LLM) کاملاً ضروری است.

این ریپازیتوری شامل بیش از ۱۰۰ سؤال مصاحبه LLM همراه با پاسخ است که طیف گسترده‌ای از مباحث LLM را پوشش می‌دهد، از جمله:
LLM Inference
LLM Fine-Tuning
LLM Architectures
LLM Pretraining
Prompt Engineering
etc.

https://github.com/KalyanKS-NLP/LLM-Interview-Questions-and-Answers-Hub

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🚀 روش جدید RLEP:

آموزش مدل‌های زبانی بزرگ (LLM) با روش‌های تقویتی (RL) معمولاً ناپایدار و پرهزینه است؛ درست مثل کوهنوردی که تا نیمه راه می‌رود اما خسته می‌شود و دوباره باید از صفر شروع کند!

این مقاله روشی به نام RLEP را معرفی می‌کند که این مشکل را حل کرده است. ایده ساده اما قدرتمند است: ۱. جمع‌آوری: ابتدا مدل تلاش می‌کند و مسیرهای رسیدن به پاسخ "صحیح" را ذخیره می‌کند. ۲. بازپخش (Replay): در آموزش‌های بعدی، مدل این تجربه‌های موفق قبلی را با تلاش‌های جدید ترکیب می‌کند.

✅ نتیجه؟ مدل دیگر وقتش را برای کشف مسیرهای بی‌فایده تلف نمی‌کند، یادگیری‌اش پایدارتر می‌شود و در حل مسائل پیچیده ریاضی (روی مدل Qwen2.5) رکوردها را جابه‌جا کرده است.

🔗 اطلاعات بیشتر به لینک زیر مراجعه کنید:
https://arxiv.org/pdf/2507.07451

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🎓 Advanced Large Language Model Agents – Spring 2025 (UC Berkeley)

درس پیشرفته‌ای درباره عامل‌های هوشمند مبتنی بر LLM که روی مهارت‌های کلیدی مثل استدلال پیچیده، برنامه‌ریزی، تولید کد و ریاضیات تمرکز دارد.
این درس به‌صورت عمیق به تکنیک‌های Inference-time و Post-training، جست‌وجو و برنامه‌ریزی، Agentic Workflow، استفاده از ابزارها، و کاربرد LLMها در اثبات قضایا و راستی‌آزمایی برنامه‌ها می‌پردازد.

https://rdi.berkeley.edu/adv-llm-agents/sp25

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

توی این سایت ابزار بصری جالبی برای تست و مشاهده عملکرد الگوریتم‌های معروف جستجو ارائه می‌دهد. الگوریتم‌های مسیر‌یابی کوتاه‌ترین مسیر را با استفاده از همین روش‌ها پیدا می‌کنند.

https://qiao.github.io/PathFinding.js/visual/

A*:
جستجوی کم‌هزینه با استفاده از تخمینگر (Heuristic).

IDA*:
نسخه‌ای از A* که حافظه کمتری مصرف می‌کنه.

Breadth-First Search (BFS):
جستجوی پهنای سطح، مسیر کوتاه‌ترین تعداد قدم‌ها رو پیدا می‌کنه.

Best-First Search:
انتخاب مسیر براساس بهترین تخمین فعلی به هدف.

Dijkstra:
مسیر کم‌هزینه واقعی رو پیدا می‌کنه بدون استفاده از تخمین.

Jump Point Search:
بهینه‌سازی A* برای شبکه‌های گرید با پرش نقاط.

Orthogonal Jump Point Search:
نسخه محدود به حرکات افقی و عمودی Jump Point Search.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

گوگل. آمازون. مایکروسافت. نتفلیکس.

بیش از ۳۰۰ مطالعه‌ی موردی واقعی از طراحی سیستم‌های یادگیری ماشین در حدود ۸۰ شرکت.

یک ریپازیتوری پیدا کردم که دقیقاً توضیح می‌دهد سیستم‌های ML در مقیاس صنعتی و واقعی چطور ساخته می‌شوند.
https://github.com/Engineer1999/A-Curated-List-of-ML-System-Design-Case-Studies

اگر در یادگیری ماشین، داده، یا Engineering Leadership جدی هستید، بررسی این‌که چرا سیستم‌ها به این شکل طراحی شده‌اند، یکی از پربازده‌ترین مهارت‌هایی است که می‌توانید یاد بگیرید.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

بیشتر افراد ساعت‌ها وقت خود را صرف پیدا کردن منابع باکیفیت هوش مصنوعی می‌کنند.

اما این ریپوی GitHub، بی‌سروصدا ۱۳ کتاب رایگان و درجه‌یک AI را منتشر کرده؛
همه مفید و عمیق، بدون حاشیه 📚✨

داخل این مجموعه چه چیزهایی پیدا می‌کنید؟ 👇

🧠 مبانی LLM
🎯 یادگیری تقویتی
💼 مصاحبه‌های Deep Learningه
📐 ریاضیات یادگیری ماشین
🤖 راهنمای OpenAI Agent
موارد بیشتر:
https://github.com/AniruddhaChattopadhyay/Books
#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🤖 یادگیری تقویتی عمیق (Deep Reinforcement Learning)

در مدت کوتاهی میتوانید، مباحث مقدماتی، متوسط و پیشرفته یادگیری تقویتی عمیق را یاد بگیرید!
در این مخزن ، همه چیز به‌صورت منظم و ساختارمند گردآوری شده است؛ از مقالات و آموزش‌ها گرفته تا ویدئوهای یوتیوب، پیاده‌سازی مقالات، پروژه‌ها و کدها 🚀

http://github.com/andri27-ts/Reinforcement-Learning

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🧠 Agentic RAG for Dummies

یک پروژه آموزشی–عملی برای ساخت یک سیستم Agentic RAG واقعی و آماده‌ی استفاده در محیط Production است.

در این پروژه یاد می‌گیرید چگونه:

✅یک RAG هوشمند مبتنی بر Agent بسازید.

✅از LangGraph برای orchestration عامل‌ها استفاده کنید.

✅حافظه مکالمه (Conversation Memory) داشته باشید.

✅سوال‌های مبهم را به‌صورت خودکار اصلاح یا از کاربر شفاف‌سازی کنید.

✅با Multi-Agent Map-Reduce چند سؤال را به‌صورت موازی پردازش کنید.

✅یک رابط کاربری Gradio کامل برای تعامل بسازید.

https://github.com/GiovanniPasq/agentic-rag-for-dummies/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🚀 یادگیری پیاده‌سازی LLaMA 4 از صفر

یکی از محبوب‌ترین خانواده‌های LLMs است و LLaMA 4 جدیدترین و پیشرفته‌ترین نسخه‌ی این سری محسوب می‌شود.

این ویدیوی آموزشی توضیح می‌دهد که چگونه LLaMA 4 را از صفر پیاده‌سازی کنیم و موارد زیر را پوشش می‌دهد:
How LLM works
Tokens
Code tokenizer
Attention explained
Code attention
RoPE
RoPE code & attention
Feed forward

Youtube Playlist
GitHub

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

📘 LLMs from Scratch
آموزش ساخت مدل‌های زبانی بزرگ از صفر

این ریپوی گیت‌هاب قدم‌به‌قدم نشون می‌ده که LLMها واقعاً چطور ساخته می‌شن؛ بدون وابستگی به فریم‌ورک‌های آماده و فقط با تمرکز روی مفاهیم اصلی.

🔹 پیاده‌سازی ترنسفورمر از پایه
🔹 درک عملی Self-Attention و Tokenization
و...

https://github.com/rasbt/LLMs-from-scratch

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🛠 دوره آموزش MLflow
مدیریت حرفه‌ای پروژه‌های یادگیری ماشین

نسخه آپدیت‌شده‌ی دوره MLflow for ML Dev منتشر شده؛ مناسب کسایی که می‌خوان پروژه‌های ML رو منظم و قابل‌پیگیری اجرا کنن.

📌 مباحث اصلی:
✅ راه‌اندازی و تنظیم MLflow
✅ ساخت و مدیریت Experiments
✅ لاگ کردن متادیتا
✅ کار با Model Registry
✅ تیونینگ و بهبود مدل‌ها
✅ اجرای یه پروژه کامل با MLflow
Youtube Playlist
GitHub

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

اگه دوست دارید بدونید یه سیستم Realtime Recommendation چطور در عمل ساخته می‌شه، این ریپو یه نمونه‌ی کامل از صفر تا صد رو ارائه می‌ده؛ از طراحی معماری سیستم و Feature Engineering گرفته تا پیاده‌سازی مدل و مباحث MLOps، همه‌چیز با کد و توضیح شفاف پوشش داده شده و دید خیلی خوبی از ساخت یک سیستم توصیه‌گر واقعی در مقیاس عملی می‌ده.

https://github.com/decodingai-magazine/personalized-recommender-course

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

دانشگاه Stanford با دوره‌ی جدید The Modern Software Developer نشون می‌ده که قواعد برنامه‌نویسی در حال تغییر جدیه؛ دیگه صرفاً بلد بودن سینتکس و الگوریتم کافی نیست و توسعه‌دهنده‌های آینده باید بتونن با AI Agentها کار کنن، از ابزارهایی مثل Cursor و Warp استفاده کنن و به‌جای کدنویس صرف، نقش معمار و مدیر سیستم‌های هوشمند رو داشته باشن. تمرکز این دوره روی گذار توسعه نرم‌افزار از «تایپ کردن کد» به «تعامل با هوش مصنوعی برای ساخت سیستم‌های پیچیده» هست و نکته‌ی کلیدی اینه که مزیت رقابتی آینده به میزان تسلط شما روی استفاده مؤثر از ابزارهای AI بستگی داره؛ ضمن اینکه اسلایدها و پروژه‌های دوره هم به‌صورت کامل منتشر شده و دیدن سرفصل‌ها واقعاً ارزش داره.

https://themodernsoftware.dev/
#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

اگه می‌خوای بدون حتی یک خط کدنویسی، برای پروژه‌هات Agent هوش مصنوعی حرفه‌ای بسازی، AutoAgent دقیقاً همون چیزیه که دنبالش بودی!
این فریم‌ورک کاملاً خودکار و صفر‌کد بهت اجازه می‌ده فقط با توضیح دادن در قالب زبان طبیعی، Agent دلخواهت رو بسازی و دیپلوی کنی.

اطلاع بیشتر:
https://github.com/HKUDS/AutoAgent

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🌐 وبسایت Eye2؛ مقایسه سریع مدل‌های هوش مصنوعی در یک نگاه!

اگه دوست داری بدونی ChatGPT، Gemini و بقیه مدل‌های هوش مصنوعی دقیقاً چه جوابی به یک سؤال می‌دن، وبسایت Eye2 دقیقاً برای همین ساخته شده!
فقط کافیه سؤال‌ت رو وارد کنی؛ بعد جواب چند مدل مختلف رو کنار هم می‌بینی و می‌تونی بهترین و مطمئن‌ترین پاسخ رو انتخاب کنی.

✔️ استفاده کاملاً رایگان
✔️ رابط کاربری ساده و سریع
✔️ مناسب برای دانشجوها، پژوهشگرها و هر کسی که جواب دقیق می‌خواد

https://www.eye2.ai/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue

🎉 گوگل دوره رایگان Gemini 3 for Developers رو منتشر کرد!

اگه می‌خوای با نسل جدید مدل‌های Gemini کار کنی، این دوره دقیقاً همون چیزیه که لازم داری. توی این آموزش رایگان یاد می‌گیری:

✨ ویژگی‌های جدید Gemini 3 API
⚡️ مفهوم Vibe Coding و نحوه استفاده ازش
🤖 ساخت Agents هوشمند
و چندین قابلیت کاربردی دیگه

https://www.youtube.com/playlist?list=PLOU2XLYxmsIJCVXV1bLV7qnT5hilN3YJ7

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructue