🔵 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

🔹 این ریپو را قبلا معرفی کرده بودم. یک دوره عالی راجع به LLM ها. الان یک تعداد مطلب جدید و یک roadmap بخصوص راجع به AI Engineer هم بهش اضافه شده

⬇️⬇️
https://github.com/mlabonne/llm-course


#هوش_مصنوعی #AI  #یادگیری_ماشین


🆔 @Ai_Tv

📱 کتابخانه های پایتون برای علم داده

🟢برای محاسبات عددی
Numpy & Numba

⭐️تحلیل آماری
SciPy & pystan & Statsmodels

🟢برای تحلیل و پردازش داده ها
Pandas & polars

مقایسه pandas و polars ، کدوم بهتره؟ link

⭐️برای مصورسازی داده و ساخت نمودار
Matplotlib & Bokeh & Plotly & pygal

XGBoost& LightGBM

🟢برای یادگیری ماشین
Tensorflow & JAX & Scikit-learn


🕒 دوره های رایگان تحلیل و مصورسازی داده ها

➡️Data Analysis with Numpy, Pandas, Python, sklearn

➡️Data Visualization Python

📱 @Ai_Tv

‼️برای اجرای پروژه های Ai چقد GPU نیازه؟

📄 یه داکیونت + کد تعاملی نوشتن برای تخمین تقریبی gpu مورد نیاز
از اینجا میتونین دسترسی داشته باشین :
⬇️⬇️
https://github.com/mshojaei77/vram-calculator


🆔 @Ai_Tv

🔆 اگه می خواهید وارد حوزه هوش‌مصنوعی مولد شوید و دنبال یه منبع خوب برای شروع از صفر هستید پیشنهاد میکنم از این بوتکمپ رایگان است کنید
تقریبا دوره کاملیه که همراه با پروژه های عملی هست و شامل مهندسی پرامپت، کار با کتابخانه های پایتون، مدل سازی و ساخت GenAI می باشد
➡️https://www.youtube.com/playlist?list=PLBfufR7vyJJ69c9MNlOKtO2w2KU5VzLJV

➡️https://genai.cloudprojectbootcamp.com/


#هوش‌_مصنوعی
🆔 @Ai_Tv

👍جامع ترین ریپو دوره ها و مطالب آموزشی رایگان هوش‌مصنوعی مولد ( شامل : مقالات ، مخزن های کد و نوت بوک،معرفی ۸۵ دوره رایگان GenAi، منابع مورد نیاز برای آمادگی مصاحبه شغلی و ... )

⌛https://github.com/aishwaryanr/awesome-generative-ai-guide



#هوش‌_مصنوعی
🆔 @Ai_Tv