https://blog.google/technology/developers/t5gemma-2/

👉 @ai_python ✍️

شاید این ویدیو رو چندین بار در چانال تکرار کنم. چون ویدیو بسیار مهم و جذابی برای کسانی هست که در کنار یادگیری، دوست دارن کمی سرگرم هم بشن. مثلن این روزا خیلیا به راحتی برای خودشون Idle Game های بسیار جذاب می سازن و حتی پابلیش می کنند. شما چطور؟ :

👉 @ai_python ✍️

https://youtu.be/Zj_cvQKcH4g?si=iKW68ZTc2vlZ_i1M

به روزرسانی های Microsoft Entra با تمرکز بر روی امنیت دسترسی در راه حل های AI :

@WearebiTs 🐤

https://youtu.be/FQOSIJOFou0?si=lGyc914_vhDjlbch

معرفی فانکشن جما از گوگل :

👉 @ai_python ✍️


https://youtu.be/-Tgc_9uYJLI?si=OR3j6yvSLS8kY3uY

از اونجایی که این ویدیو unlisted هست، شاید کم تر دیده باشید. ولی یکی از ابزارهای قدرتمندی که Lovable برای ساخت اپلیکیشن از طریق وایب کدینگ اضافه کرده همین ابزار جذاب Connector هست :

👉 @ai_python ✍️

https://youtu.be/IJuctUeyVlQ?si=ZUjIO_DcuGcQr-nC

روش های استفاده بهتر از جمینای 3 نسخه Pro :
👉 @ai_python ✍️

https://youtu.be/di5E5FG1OT0?si=kYZKDCtCYzXj8E18

تور آزمایشگاه رباتیک گوگل دیپ مایند به همراه پروفسور هانا فرای :


👉 @ai_python ✍️

تاریخ تنظیم شده اولین انتشار این پست در @ai_python برابر است با : 27 دسامبر 2025

https://youtu.be/UALxgn1MnZo?si=DOUemd5muhvUmdbB

یکی از کارهای خفنی که یکی از ربات ها در این ویدیو انجام می ده 🤩 اینه که یه دونه نون تُست برمی داره و می ذاره توی یک کیسه فریزر زیپ دار و زیپش رو هم می بنده بعد می ذاره توی یک کیف

بقیه ربات هایی هم که نشون داده می شه جالبن. حتمن ببینید.

بعضی از ربات ها هم از جمینای استفاده می کنند برای بعضی از وظایف ... 🥱

👉 @ai_python ✍️

alphaxiv.org/pdf/2512.16649

یادداشتِ گروک : این توییت، مقاله‌ای به نام «JustRL: Scaling a 1.5B LLM with a Simple RL Recipe» را معرفی می‌کند. این مقاله یک روش ساده و تک‌مرحله‌ای یادگیری تقویتی (RL) با هایپرپارامترهای ثابت را توصیف می‌کند که مدل‌های زبان بزرگ با ۱.۵ میلیارد پارامتر را به سطح عملکرد استیت‌آف‌د‌آرت در استدلال (reasoning) می‌رساند.

👉 @ai_python ✍️

این روش روی دو مدل پایه (DeepSeek و Nemotron) میانگین دقت ۵۴.۹٪ و ۶۴.۳٪ را در نه بنچمارک ریاضی به دست آورده، در حالی که با ۲ برابر محاسبات کمتر نسبت به روش‌های پیچیده‌تر کار می‌کند و بهبودهای مداوم و بدون توقف (plateau) یا فروپاشی (collapse) را در بیش از ۴۰۰۰ گام نشان می‌دهد.


نویسندگان استدلال می‌کنند که خطوط لوله چندمرحله‌ای پیچیده و تنظیمات پویا اغلب غیرضروری هستند و مدل‌ها و کد خود را به عنوان یک پایه پایدار برای جامعه تحقیقاتی منتشر کرده‌اند.

قابلیت های Tabular در نسخه 14.2 برای تمیز کردن داده ها :

👉 @ai_python ✍️

https://www.youtube.com/live/XrnSVMRK9Bk?si=soc2EoVVgYdKFCvc

کارهای بسیار زیادی که می تونید برای سر و سامون دادن به SharePoint با استفاده از Agent مربوطه در Microsoft 365 Copilot در چند دقیقه انجام بدید، در حالی که همین کارها در گذشته ساعت ها زمان و برنامه ریزی و نیروی انسانی نیاز داشتند:

@WearebiTs 🐤

https://youtu.be/biWymgItJ_I?si=_Zp5PJjA6PdHRZXk

👉 @ai_python ✍️

alphaxiv.org/abs/2512.17901

یادداشتِ گروک :

این پست مقاله‌ای به نام «When Reasoning Meets Its Laws» را معرفی می‌کند.این مقاله یک چارچوب ساده به نام «قوانین استدلال» (Laws of Reasoning یا LoRe) پیشنهاد می‌دهد: استدلال مدل‌های هوش مصنوعی باید به صورت خطی با پیچیدگی سؤال مقیاس‌پذیر باشد (یعنی محاسبات استدلالی متناسب با سختی مسئله افزایش یابد).


پیچیدگی سؤال با دو ویژگی قابل اندازه‌گیری ارزیابی می‌شود:مونوتونیسیتی (Monotonicity): سؤالات پیچیده‌تر نیاز به محاسبات بیشتری دارند.
کامپوزیسیونالیتی (Compositionality): برای سؤالات مستقل، محاسبات کل برابر مجموع محاسبات هر بخش جداگانه است.

وقتی مدل‌ها را روی رعایت این اصول آموزش می‌دهند، دقت استدلال آن‌ها در وظایف پیچیده به طور قابل توجهی بهبود می‌یابد.

👉 @ai_python ✍️

در واقع، مدل‌هایی که بهتر به این قوانین پایبند باشند، عملکرد بهتری در بنچمارک‌های مختلف نشان می‌دهند و از افت دقت نمایی (exponential accuracy drop) با افزایش پیچیدگی جلوگیری می‌شود.چارچوب LoRe یک رویکرد عملی برای نزدیک شدن به قوانین مقیاس‌پذیری واقعی است و می‌تواند تأثیرات گسترده‌ای روی استدلال قابل اعتمادتر هوش مصنوعی در زمینه‌هایی مثل منطق، حل مسئله و غیره داشته باشد.

شبیه ساز اولین مرورگر تاریخ اینترنت که در سال 1990 استفاده شد :

👉 @ai_python ✍️


https://worldwideweb.cern.ch/browser/

💎 دوره آنلاین «تربیت مدیر بازاریابی: از مبانی تا داده محوری»

📌 بازاریابی رو به اعداد قابل اندازه‌گیری تبدیل کن ❗️

✅ سرفصل‌ها:
🔹 بخش‌بندی بازار و طراحی پرسونا
🔹 تصمیم‌گیری داده‌محور در بازاریابی
🔹 بهینه‌سازی کانال‌های بازاریابی
🔹طراحی و اجرای تست‌های بازاریابی

🏛 موسسه توسعه

📎 مشاوره رایگان و مشاهده جزئیات دوره:

🔗 httb.ir/xqul5 👈

⚫️⚫️⚫️⚫️⚫️⚫️

این صفحه وب، یک محیط تعاملی برای یادگیری شبکه‌های عصبی است که به شما اجازه می‌دهد رفتار یک شبکه عصبی را به‌صورت بصری و مرحله‌به‌مرحله مشاهده و تجربه کنید.

👉 @ai_python ✍️

⛄️ آموزش مفهومی شبکه‌های عصبی با یک شبیه‌ساز ساده و قابل فهم

⛄️ تغییر پارامترها مثل تعداد لایه‌ها، تعداد نرون‌ها، نرخ یادگیری، نوع فعال‌سازی و مشاهده اثر آن‌ها روی خروجی مدل

⛄️ انتخاب ویژگی‌ها و داده‌ها و دیدن اینکه شبکه چگونه الگوها را یاد می‌گیرد

⛄️ نمایش بصری وزن‌ها، خروجی نرون‌ها و نواحی تصمیم برای درک بهتر عملکرد مدل

https://playground.tensorflow.org/

این توییت (اکانت)، از داده‌های "Popular Times" و "Live Visit Data" گوگل مپ استفاده می‌کند که بر اساس فعالیت کاربرانی است که مکان‌هایشان از طریق دستگاه‌هایشان ردیابی می‌شود. این داده‌ها توسط گوگل جمع‌آوری و پردازش می‌شوند، اما دقت آن‌ها به تعداد کاربران کافی و الگوهای رفتاری وابسته است.


👉 @ai_python 🧐

گوگل اعلام کرده که این اطلاعات تنها در صورتی نمایش داده می‌شود که داده‌های بازدید کافی وجود داشته باشد، اما ممکن است تحت تأثیر عوامل خارجی (مثل رویدادهای محلی یا خطاها) قرار گیرد.


مفهوم "Pizza Index": 🍕 این روش یک ابزار غیررسمی و مبتنی بر هوش مصنوعی و (OSINT) است که فرض می‌کند افزایش ناگهانی سفارش غذا (مثل پیتزا) در نزدیکی پنتاگون می‌تواند نشان‌دهنده فعالیت نظامی غیرعادی باشد، به‌ویژه در ساعات غیرمتعارف.



این ایده از گزارش‌هایی مثل افزایش سفارشات پیتزا قبل از عملیات نظامی گذشته (مثلاً عملیات اسرائیل علیه ایران در ژوئن ۲۰۲۵ یا حملات اخیر به ونزوئلا) سرچشمه گرفته است. با این حال، این فقط یک همبستگی آماری است و رابطه علت و معلولی قطعی ندارد.


👉 @ai_python 🧐


مقایسه با شواهد دیگر: گزارش‌های مستقل (مثل Gulf News در ۴ ژانویه ۲۰۲۶) این الگو را تأیید کرده‌اند، اما هیچ تأیید رسمی از سوی پنتاگون یا منابع دولتی وجود ندارد. این بدان معناست که داده‌ها می‌توانند نشانه‌ای باشند، اما به تنهایی برای نتیجه‌گیری قطعی کافی نیستند.



اعتبار اکانت PenPizzaReport در توییتر : این اکانت به‌عنوان یک مانیتورینگ غیررسمی فعالیت‌های پیتزافروشی‌ها اطراف پنتاگون شناخته می‌شود و بخشی از ترند OSINT است که توسط جامعه آنلاین دنبال می‌شود. هیچ اطلاعاتی درباره هویت واقعی گردانندگان آن وجود ندارد، و این اکانت به‌صورت ناشناس عمل می‌کند.

👉 @ai_python 🧐


عدم وجود اطلاعات هویتی و وابستگی به منابع عمومی (مثل گوگل مپ) باعث می‌شود که این اکانت به‌عنوان یک منبع تأییدشده دولتی یا آکادمیک تلقی نشود. با این حال، در جامعه OSINT، چنین ابزارهایی به‌عنوان "هوش جمعی" پذیرفته شده‌اند، به شرطی که با داده‌های دیگر مقایسه شوند.

👉 @ai_python 🧐

داده‌های گوگل مپ معتبر هستند، اما تفسیر آن‌ها به‌عنوان شاخص نظامی (Pizza Index) یک فرضیه غیررسمی است که نیاز به تأیید مستقل دارد. افزایش فعالیت امروز (ساعت ۲ عصر ET) می‌تواند با رویدادهای نظامی مرتبط باشد (مثل حملات اخیر به ونزوئلا)، اما ممکن است صرفاً به دلیل رویدادهای محلی باشد.

👉 @ai_python ✍️

https://www.alphaxiv.org/abs/2512.24880