یکی از کارایی که با Nano Banana Pro می شه انجام داد اینه که یک صحنه بهش بدیم و بخوایم که اون صحنه رو از زوایای مختلف برامون باز آفرینی کنه. مثل چیزی که در تصویر می بینید.

👉 @ai_python ✍️

پرامپت استفاده شده در این جا :

In a 3x3 grid, show me different angles of this scene

X

پرامپت مربوط به تولید عکس های این شکلی با اپ Gemini :

👉 @ai_python ✍️


“Generate an ultra-detailed, hyperrealistic exploded technical view of ___________.”

در قسمت خط چین آبجکت مورد نظرتون رو بنویسید.



X

برای اینکه بفهمیم Foundry IQ چه کار خفنی در اکوسیستم مایکروسافت انجام می ده، شاید این اسکرین شات از دقیقه 3 ثانیه 36 این ویدیو کافی باشه که شما هم مثل من تحت تکثیر قرار بگیرید!

👉 @ai_python ✍️

در واقع مهم نیست که دیتای شما در کجای اکوسیستم می زیید. (زیست می کند) بلکه کافیه کار رو به Foundry IQ بسپارید و اون خودش تصمیم می گیره که برای یافتن اطلاعات مورد نظر هر بخش از کوئری، باید به کدام Data Source مشتری متصل شود.

👉 @ai_python ✍️

حالا اون دیتاسورس می تونه داده آپلود شده باشه، می تونه از SharePoint مشتری باشه و حتی می تونه در OneLake باشه !

ایجاد امنیت داده در برناهه های داخلی تحت هوش مصنوعی با Microsoft Purview :

👉 @ai_python ✍️

https://youtu.be/Ta-nrefqdb0?si=ao5QS1jatBGaT4eE

یکی از راه های ساخت تصاویر تبلیغاتی مانند این عکس برای مواد غذایی استفاده از پرامپت زیر در Nano Banana Pro هست :

👉 @ai_python ✍️

Advertising-style food photography of [subject 1] arranged on a rustic table, with [subject 2] floating above in mid-air and a splash of [subject 1] frozen in motion. High-resolution photo manipulation with selective soft focus, clean negative space for text, dramatic lighting, and crisp detail.

که در این جا سابجکت ها را می توانید با مواد غذایی مورد نظرتان تعویض کنید.

X

پرامپت برای این ویدیو در Nano Banana Pro :

👉 @ai_python ✍️

A highly detailed, photorealistic [CAMERA ANGLE, e.g., wide-angle shot, aerial shot looking down, extreme low-angle looking up] showing a colossal [DESCRIBE THE PERSON & CLOTHING] positioned in [SPECIFIC LOCATION/CITY/LANDSCAPE]. The giant is [ACTION - INTERACTING WITH THE ENVIRONMENT, e.g., sitting on a building, stepping over a bridge]. To establish the immense scale, tiny [TINY ELEMENTS: PEOPLE, CARS, OR BOATS] are visible near their [FEET/HANDS]. The lighting is [TIME OF DAY, e.g., golden hour, midday sun].

💡 طبیعتن موارد داخل براکت رو بر اساس نیازتون باید جایگزین کنید.

X

لینک Use Case های بیش تر در کانوا نویسنده پرامپت : این جا را لمس یا کلیک کنید.

عیب یابی بوت ماشین مجازی در مایکروسافت آژور :

این جا را لمس یا کلیک نمایید

@WearebiTs 🐤

پاسخ کارشناس فلسفه به برخی از سوالات مشتریان و کاربران آنتروپیک :

👉 @ai_python ✍️

https://youtu.be/I9aGC6Ui3eE?si=ADZiJjeEm7GRJ-wy

سوپابیس هم MCP خودش رو چند وقتی هست که برای همه کد ادیتور ها ارائه داده. که تعامل باهاش راحت تر بشه.

👉 @ai_python ✍️

👉 @ai_python ✍️

انواع منابع پردازشی موجود در Azure Machine Learning :

👉 @ai_python ✍️

1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.

2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script.

3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.

4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.

5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.

The paper on Nested Learning argues that current deep learning models suffer from an “anterograde amnesia” problem—unable to gradually consolidate new experiences into long-term memory—and proposes a new framework where learning occurs across multiple nested optimization levels operating at different frequencies. Drawing inspiration from the brain’s multi‑scale processing,

👉 @ai_python ✍️

it reframes optimizers as memory systems and shows that architectures like Transformers and MLPs are fundamentally uniform when viewed through this lens.


The key promise is continual learning without catastrophic forgetting, shifting focus from stacking layers to designing nested optimization processes across time scales.

https://www.k-a.in/nl.html

استفاده از Logic Apps در مایکروسافت آژور به عنوان MCP Server :

👉 @ai_python ✍️


https://youtu.be/9z7x0u99J9s?si=g95tD94eSGk5qwKN