🧠 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 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 🚀

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

#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

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

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

🎓 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

🚀 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

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