https://www.relume.io/

⬆️⬆️
یه ابزار کاربردی (ولی پولی) برای طراحی wireframe , sketch
جوریه که کامل کار رو در میاره و شما میتونید بخش های مختلف رو بهش اضافه یا کم کنید.
با یه خط توضیح درباره بیزینس یه خروجی نسبتا کامل بهتون میده


#هوش_مصنوعی
🆔 @Ai_Tv

⬅️این ریپو شما را برای ساخت و توسعه ایجنت‌های هوش مصنوعی راهنمایی میکنه

⬇️⬇️
https://github.com/NirDiamant/GenAI_Agents



#هوش_مصنوعی
🆔 @Ai_Tv

💠 ؛Comet : مرورگر جدید پرپلکسیتی برای وب‌گردی با هوش مصنوعی، تحقیق و جست‌وجوی هوشمند

⬅️ اگه می‌خواهید در ثبت‌نامش شرکت کنید، از لینک زیر ثبت نام کنید:

https://www.perplexity.ai/comet


#هوش_مصنوعی
🆔 @Ai_Tv

✔️MLOps roadmap

💬 نقش مهندس MLOps با نقش مهندس ML متفاوت است ، مهندسان ML بیشتر روی آوردن پروژه های فردی به تولید متمرکز می شوند ، در حالی که مهندسان MlOps بیشتر در ساخت پلتفرمی که توسط مهندسان یادگیری ماشین و دانشمندان داده استفاده می شود ، بیشتر کار می کنند.
برای ساخت چنین سیستم عامل هایی مهارت های مختلفی مورد نیاز است.

‼️برای درک بهتر چند نمونه‌پروژه ببینید
⬇️⬇️
https://www.zenml.io/llmops-database/llm-production-case-studies-consulting-database-search-automotive-showroom-assistant-and-banking-development-tools


💠 در این لینک نقشه راه گام به گام مهندس MLOps را مشاهده می کنید از مهارت های برنامه نویسی گرفته تا اجزای MLOps و زیرساخت ها در این نقشه آورده شده

⬇️⬇️
https://marvelousmlops.substack.com/p/mlops-roadmap-2024

#یادگیری_ماشین #Machine_Learning #علم_داده

🆔 @Ai_Tv

👍AI Agents Course by Hugging Face

دوره رایگان از پایه تا پیشرفته برای درک ، استفاده و ساختن AI Agents

🔽🔽
https://huggingface.co/learn/agents-course/unit0/introduction



#هوش_مصنوعی
🆔 @Ai_Tv

⬇️ دوتا ریپو خوب برای علاقمندان به ML

➕ طراحی سیستم های machine learning
https://github.com/mercari/ml-system-design-pattern

➕ سوالات مصاحبه طراحی سیستم ML
https://bytebytego.com/intro/machine-learning-system-design-interview


#یادگیری_ماشین #Machine_Learning

🆔 @Ai_Tv

💻 یه دوره آموزشی جامع و کاربردی برای یادگیری و پیاده سازی RAG

‼️اگه می خواهید صفر تا صد RAG رو یاد بگیرید و در پروژه هاتون استفاده کنید پیشنهاد میکنم این آموزش را ببینید

⬇️⬇️
https://www.youtube.com/playlist?list=PLfaIDFEXuae2LXbO1_PKyVJiQ23ZztA0x


#یادگیری_ماشین #Machine_Learning #LLM

🆔 @Ai_Tv

🔴 کلیپی رو اگه توی ویندوزهای قدیمی یادتون باشه اومدن یه نسخه ازش ساختن که امکان اتصال مدل‌های هوش‌مصنوعی رو داخلش داره، یعنی رابط کاربری نوستالژی کلیپی رو میتونید با AI های جدید تجربه کنید.

🔴 رابط کاربریش مثل یه چت معمولیه، پیام میدی و جواب میگیری. به صورت خودکار بهترین راه برای اجرای مدل‌های هوش مصنوعی روی سیستم شما رو پیدا می‌کنه و از قابلیت‌های سخت‌افزاری مثل Metal یا CUDA استفاده می‌کنه، همچنین می‌تونید مدل‌های خودتون رو هم بهش اضافه کنید.

‼️کلیپی کاملا آفلاین و رایگانه. لازم نیست نگران حریم خصوصی یا اتصال همیشگی به اینترنت باشید. میتونید نسخه‌های مختلفش برای ویندوز، مک و لینوکس رو دانلود کنید.

⬇️⬇️
https://felixrieseberg.github.io/clippy/


#هوش_مصنوعی
🆔 @Ai_Tv

⭐️جایگزین های رایگان و اپن سورس Cursor برای برنامه‌نویسان


✔️https://marketplace.visualstudio.com/items?itemName=genieai.chatgpt-vscode


✔️https://marketplace.visualstudio.com/items?itemName=Codeium.codeium

https://sourcegraph.com/

https://cline.bot/





#هوش_مصنوعی
🆔 @Ai_Tv

🔺 اپیزود ۱۱: ادغام اپلیکیشن‌های خارجی با فراخوانی توابع (Function Calling)

توی این قسمت، Korey Stegared-Pace توضیح میده که فراخوانی توابع چیه و چطور میتونیم ازش توی مدل‌های زبانی بزرگ (LLM) استفاده کنیم. همچنین نحوه‌ی پیاده‌سازی یک فراخوانی تابع با OpenAI رو نشون میده و چطور میتونیم این روش رو توی اپلیکیشن‌ها به‌کار ببریم تا قابلیت‌های AI رو گسترش بدیم.

🔗 Link

🔺 اپیزود ۱۲: طراحی تجربه کاربری برای اپلیکیشن‌های هوش مصنوعی

توی این قسمت، Bethany Jepchumba از اهمیت طراحی تجربه کاربری برای اپلیکیشن‌های AI-driven میگه٬ تمرکز اصلی روی اعتماد کاربر و شفافیت برای استفاده مسئولانه از هوش مصنوعیه. از نیازهای کاربر میگه و چطور میتونیم ویژگی‌های AI رو طوری طراحی کنیم که برای همکاری و بازخورد کاربر مناسب باشه.

🔗 Link

🔺 اپیزود ۱۳: تأمین امنیت اپلیکیشن‌های هوش مصنوعی مولد

توی این قسمت، Korey Stegared-Pace به مسائل امنیتی سیستم‌های هوش مصنوعی میپردازه. از تهدیدات و ریسک‌های رایج برای اپلیکیشن‌های هوش مصنوعی مولد میگه و روش‌ها و بهترین شیوه‌ها برای تأمین امنیت این سیستم‌ها در برابر این تهدیدات رو معرفی میکنه.

🔗 Link

🔺 اپیزود ۱۴: چرخه عمر اپلیکیشن‌های هوش مصنوعی مولد

توی این قسمت، Pablo Lopes چرخه عمر هوش مصنوعی مولد رو توضیح میده٬ یه فریم‌ورک برای توسعه، پیاده‌سازی، پایش و بهبود مستمر اپلیکیشن‌های هوش مصنوعی. از تغییرات بین ML Ops سنتی و LLM Ops (مدیریت مدل‌های زبانی بزرگ) میگه، همراه با ابزارها، معیارها و تکنیک‌های ارزیابی برای نگهداری و بهبود راه‌حل‌های هوش مصنوعی.

🔗 Link

🔺 اپیزود ۱۵: تولید افزوده با بازیابی (RAG) و دیتابیس‌های برداری

توی این قسمت، Bethany Jepchumba توضیح میده چطور میتونیم مدل‌های زبانی بزرگ (LLM) رو با داده‌های خودمون از طریق Retrieval Augmented Generation (RAG) به هم متصل کنیم. این درس بهت می‌گه RAG چیه، چرا مفیده، چطور میتونیم یک دیتابیس برداری برای embeddingها بسازیم و ازش استفاده کنیم، و چطور RAG رو به یه اپلیکیشن اضافه کنیم.

🔗 Link

🔺 اپیزود ۱۶: مدل‌های متن‌باز و Hugging Face

توی این قسمت، Korey Stegared-Pace به بررسی مدل‌های زبانی بزرگ متن‌باز میپردازه. از مزایای مدل‌های LLM متن‌باز در مقابل مدل‌های اختصاصی میگه و توضیح میده چطور می‌تونیم مدل‌های متن‌باز رو پیدا و استفاده کنیم (مثل Hugging Face یا Azure AI Studio)، همراه با نکاتی برای فاین‌تیون کردن این مدل‌ها.

🔗 Link

🔺 اپیزود ۱۷: ایجنت‌های هوش مصنوعی

توی این قسمت، Korey Stegared-Pace از ایجنت‌های هوش مصنوعی صحبت میکنه، جایی که مدل‌های زبانی بزرگ (LLM) میتونن از طریق ابزارها یا فریم‌ورک‌ها اقدام کنن. این قسمت توضیح میده ایجنت‌های AI چطور کار میکنن، چهار فریم‌ورک مختلف ایجنت رو بررسی میکنه (با ویژگی‌های منحصر به فرد هرکدوم) و میگه کی باید از روش‌های مبتنی بر ایجنت در اپلیکیشن‌های هوش مصنوعی مولد استفاده کنیم.

🔗 Link

🔺 اپیزود ۱۸: فاین‌تیونینگ مدل‌های زبانی بزرگ (LLM)

توی این قسمت آخر، Nitya Narasimhan توضیح میده چطور میتونیم مدل‌های زبانی پیش‌آموزش‌دیده رو فاین‌تیون کنیم تا عملکردشون رو در وظایف خاص بهتر کنیم. این اپیزود توضیح میده فاین‌تیونینگ چیه، کی مفیده و چطور میتونیم یه LLM رو فاین‌تیون کنیم، همچنین محدودیت‌های این روش رو هم بررسی میکنه.

🔗 Link

منبع

#هوش_مصنوعی #AI 


🆔 @Ai_Tv

🔴 ‏مدل‌های زبانی بزرگ (LLM) ابزارهای قدرتمندی هستند، اما خروجی‌های آن‌ها به شدت به نحوه‌ی طراحی پرامپت‌ها وابسته است. تنظیم دقیق پرامپت‌ها می‌تواند تفاوت بین پاسخ‌های دقیق و خروجی‌های نامناسب را رقم بزند. بهینه‌سازی پرامپت در حال تبدیل شدن به یکی از پایه‌های اصلی برای هر کسی است که قصد دارد AI Agent قابل اعتماد بسازد.

❓چرا بهینه‌سازی پرامپت اهمیت دارد؟

✔️دقت بیشتر: حتی تغییرات جزئی در پرامپت می‌تواند منجر به بهبود قابل توجهی در پاسخ‌های مدل شود.

✔️کاهش ابهام: پرامپت‌های بهینه‌شده مدل را به سمت پاسخ‌های مرتبط‌تر و دقیق‌تر هدایت می‌کنند.
✔️سازگاری بالاتر: با بهینه‌سازی پرامپت، خروجی‌های مدل در مواجهه با ورودی‌های مختلف، پایدارتر و قابل اعتمادتر می‌شوند.

🔽 تکنیک‌های بهینه‌سازی پرامپت

⬅️پرامپت‌دهی با چند مثال (Few-Shot Prompting): ارائه‌ی چند نمونه‌ی label خورده در پرامپت به مدل کمک می‌کند تا الگوهای مورد نظر را بهتر درک کند.

⬅️ متاپرامپتینگ (Meta Prompting): استفاده از یک مدل زبانی دیگر برای بهبود و اصلاح پرامپت‌های اصلی به صورت خودکار.

⬅️بهینه‌سازی گرادیانی (Gradient-Based Optimization): استفاده از تکنیک‌های ریاضی برای تنظیم دقیق پرامپت‌ها بر اساس معیارهای عملکردی.

⬅️ ابزارهای خودکارسازی مانند DSPy: استفاده از کتابخانه‌هایی که فرآیند بهینه‌سازی پرامپت را ساده‌تر و مقیاس‌پذیرتر می‌کنند.

🔥اگه میخواهید بیشتر بدونید این بلاگ عالی را بخونید:
https://arize.com/blog/prompt-optimization-few-shot-prompting/

منبع


#هوش_مصنوعی #AI  #پرامپت #پرامپت_نویسی


🆔 @Ai_Tv

☯️Latest AI news, tools and tutorials for AI Developers

‼️ایجنت‌ های هوش‌مصنوعی چیه ؟ چطور کار میکنن و چه کاربردهایی داره ؟ چطور می تونم یه ایجنت بسازم؟
پاسخ همه ی این سوالها رو در این وبسایت پیدا می‌کنید
⬇️⬇️

https://www.theunwindai.com/



#هوش_مصنوعی #AI  #یادگیری_ماشین


🆔 @Ai_Tv

🔵 اگه دنبال یه رودمپ خوب برای machine learning و علم داده هستید این سایت هم نقشه راه رو به خوبی نشون داده هم ابزارهای لازم رو در اختیارتون گذاشته

⬇️⬇️
https://aigents.co/learn/roadmaps/intro


  #یادگیری_ماشین #علم_داده #Machine_Learning #DataScience
#roadmap


🆔 @Ai_Tv

➡️Data Science for Beginners by Microsoft

یه ریپو از مایکروسافت که علم داده رو طی ده هفته در قالب کوئیز و چالش به مبتدیان آموزش میده

🔴 https://github.com/microsoft/Data-Science-For-Beginners

➡️Data Science Interview

برای آماده سازی مصاحبه شغلی "علم داده " از این دو ریپو استفاده کنید

🔹 https://github.com/alexeygrigorev/data-science-interviews


🔹 https://github.com/khangich/machine-learning-interview

#علم_داده #DataScience

📱 @Ai_Tv

🟢Learn to build an AI Fashion AI Assistant with this Langflow tutorial. The video demonstrates:

➡️ Processing clothing images with vision models

➡️ Implementing vector search for similar fashion items

➡️ Creating AI agents that use web search tools

➡️ Orchestrating the entire flow in Langflow

➡️ Developing the frontend with Cursor AI assistance

A practical walkthrough of combining AI components into a useful application.

🔗https://www.youtube.com/watch?v=Nary_CN75z4



#هوش_مصنوعی #AI  #یادگیری_ماشین


🆔 @Ai_Tv

◀️ در این دوره جدید از Deeplearningai یاد می گیرید Ai Voice Agent ها چجوری ساخته میشن

این دوره موارد زیر را پوشش می دهد ⬇️⬇️

🔺 Core voice agent architecture and component trade-offs

🔺 Low-latency communication using WebRTC

🔺 Building/deploying agents with STT, LLMs, and TTS

🔺 Handling voice activity detection and interruptions

🔵 Optimizing latency for natural conversation

🔺 Scaling for production with cloud infrastructure

🔺Learn to create responsive voice agents that scale to many users.

💠https://www.deeplearning.ai/short-courses/building-ai-voice-agents-for-production/


#هوش_مصنوعی #AI  #یادگیری_ماشین


🆔 @Ai_Tv

🟢 در این وبسایت 10 پروژه پیاده سازی RAG و AI Agent ارائه شده که با مشاهده و اجرای این پروژه های واقعی نحوه ساخت و کار مدل های مولد را یاد می گیرید و می تونید مدل هوش مصنوعی خودتون رو بسازید

⬇️⬇️
10 MCP, AI Agents, and RAG projects for AI Engineers with open-source code.

➡️1) MCP-powered Agentic RAG

In this project, you'll learn how to create an MCP-powered Agentic RAG that searches a vector database and falls back to web search if needed.
Check the full breakdown →

➡️2) A multi-agent book writer
In this project, you'll build an Agentic workflow that can write a 20k word book from a 3-5 word book title.
Check the full breakdown →

➡️3) RAG over audio
In this project, learn how to build a RAG system capable of ingesting & understanding audio content—think podcasts, lectures & more!
Check the full breakdown →

➡️4) Build a local MCP server
MCPs are here to stay. In this project, you will understand MCP with a simple analogy, build a local MCP server, and interact with it via Cursor IDE.
Check the full breakdown →

➡️5) RAG powered by Llama 4
Meta recently released multilingual and multimodal open-source LLMs. Learn how to build a RAG app that's powered by Llama 4.
GitHub repo →

➡️6) Multimodal RAG powered by DeepSeek Janus
In this project, build a local multimodal RAG on a complex data set
Colpali to understand and embed docs.
Qdrant as the vector DB.
DeepSeek Janus as the multimodal LLM.
Check the full breakdown →

➡️7) A mini-ChatGPT using DeepSeek-R1
In this project, build a local mini-ChatGPT using DeepSeek-R1, Ollama, and Chainlit. You could chat with it just like you chat with ChatGPT.
Check the full breakdown →

➡️8) Corrective RAG
Corrective RAG is a common technique to improve RAG systems. It introduces a self-assessment step of the retrieved documents, which helps in retaining the relevance of generated responses.
Check the full breakdown →

➡️9) Build your reasoning model
In this project, learn how to train your reasoning model like DeepSeek-R1 using Unsloth for efficient fine-tuning and Llama 3.1-8B as the LLM.
Check the full breakdown →

➡️10) Fine-tune DeepSeek-R1
In this project, you'll fine-tune your private and locally running DeepSeek-R1 (distilled Llama variant).

Check the full breakdown →



#هوش_مصنوعی #AI  #یادگیری_ماشین


🆔 @Ai_Tv