🎓 دوره جامع علم داده (Data Science)

🧠 از مفاهیم پایه تا پروژه‌های واقعی
🐍 به همراه آموزش Python و SQL Server

👥 دوره آنلاین #علم_داده مناسب برای:

✅ دانشجوها ✅تحلیلگران داده ✅کارکنان واحدهای تخصصی
و
⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن

📌 مشاوره رایگان + مشاهده جزئیات دوره:

👉 httb.ir/xH3JO

💯 گواهینامه معتبر مؤسسه توسعه
---
📈 جمع‌بندی سریع:
🟣 دوره آنلاین
🟣 شروع با مفاهیم پایه
🟣 یادگیری ماشین Python، (ML) و شبکه‌های عصبی
🟣 آموزش با Case Study ها و تحلیل‌ها از صنایع و حوزه‌های متعدد

نمی دونم تا حالا اسم ADK به گوشتون خورده یا نه؟ ولی ADK مخفف Agent Development Kit هست که به نوعی ابزارهای استفاده از مثلن MCP رو در اختیار شما قرار می ده. در این ویدیو بیش تر درباره این مفهوم در اکوسیستم گوگل کلاود توضیح داده شده است :

👉 @ai_python ✍️

https://youtu.be/JnKkdHaatwU?si=8Wv3soA3PaxoSNwR

گروه پرسش و پاسخ علوم کامپیوتر

دیروز اشاره کوچیکی به ADK داشتیم. حالا با همکاری Google در وب سایت Kaggle یک دوره 5 روزه در اختیار عموم قرارداده شده، که حسابی شما رو برای کار با ADK آماده می کنه :

👉 @ai_python ✍️

https://www.kaggle.com/learn-guide/5-day-agents?linkId=17674402

گروه پرسش و پاسخ علوم کامپیوتر

چه خوشمون بیاد چه خوشمون نیاد، کم کم دنیا داره به سمتی می ره که مهندسان آی تی، حتی در محیط های Enterprise هم باید قادر باشن زیر ساخت های ماشین لرنینگ یا هوش مصنوعی را در اختیار دانشمندان رشته های ریاضی، فیزیک و ... ای قرار دهند که شاید با کدنویسی آشنایی زیادی نداشته باشند یا آشنایی آن ها حرفه ای نباشد.

👉 @ai_python ✍️

با توجه به این که سرویس های دم دستی مثل n8n و از این قبیل در سازمان های دولتی و صنعتی در اروپا، به دلیل مسائل سیاسی و ... طرفدار چندانی ندارند، بنابراین گاهی تنها انتخاب موجود برای ایجاد چنین بسترهایی Microsoft Azure هست که اگر دقت کرده باشید چند وقتی هست که فوکوس زیادی روی Solution های ML یا AI در مایکروسافت آژور در این کانال داشتیم.

البته ما بیش تر درباره زیر ساخت در کانال @WearebiTs صحبت می کنیم. ولی سعی می کنیم در این کانال هم از مباحث زیر ساختی AI و ML در Scale های بزرگ دریغ نکنیم. چون به هر حال کانال های بسیار بهتری از ما به زبان فارسی وجود دارند که مباحث عمیق تر AI و ML و همین طور بررسی مقاله هارو همیشه ارائه دادن و برای بررسی مقاله ها می تونید به تا جای ممکن به کانال های دیگه مراجعه کنید. مثلن @navidcasts

بنابراین در اینجا : یکی دیگه از ویدیو هایی هست که به نظر من افرادی که قصد فعالیت در اروپا را دارند، حتمن باید سرویس هایی که در این ویدیو ازش نام برده می شه رو یک آشنایی جزئی داشته باشند. در واقع ساخت AI Agent ها را از طریق Azure Logic Apps نشون می ده. ولی لازم به ذکر هست، که این، تنها راه ایجاد Agentic AI در مایکروسافت آژور نیست. ولی در هر صورت یکی از راه حل های قدتمند No Code هست :

👉 @ai_python ✍️


https://youtu.be/6YFN25o9jn4?si=d8fVu0RJbPQNgYLp


گروه پرسش و پاسخ علوم کامپیوتر

ماتیاس ترویر، معاون رئیس شرکت مایکروسافت کوانتوم، در این سخنرانی به تشریح مسیر ساخت یک کامپیوتر کوانتومی با مقیاس کاربردی می‌پردازد که می‌تواند مسائل "غیرقابل حل" برای کامپیوترهای کلاسیک را حل کند.

👉 @navidcasts 🎓

او تاریخچه‌ای از پیشرفت‌های علمی را ارائه می‌دهد که منجر به عصر بخار و عصر سیلیکون شد، و سپس تاکید می‌کند که مکانیک کوانتومی در حال حاضر فناوری‌های جدیدی مانند رایانش کوانتومی را ممکن ساخته است. نکته کلیدی این است که رایانه‌های کوانتومی با تغییر دادن مقیاس‌بندی محاسباتی (مثلاً از نمایی به خطی) برتری می‌یابند و می‌توانند به شتاب کوانتومی نمایی دست یابند، که برای غلبه بر سرعت ذاتی پایین‌تر عملکرد کوانتومی نسبت به عملیات کلاسیک حیاتی است.


👉 @navidcasts 🎓

این برتری بیشتر در مسائل داده کوچک مانند شیمی، بیوشیمی، و علم مواد نمود پیدا می‌کند، زیرا طبیعت زیربنایی این حوزه‌ها کوانتومی است؛ در نهایت، ترویر پیش‌بینی می‌کند که ترکیب رایانش کوانتومی با هوش مصنوعی منجر به پیشرفت‌هایی می‌شود، به طوری که هوش مصنوعی سرعت را فراهم کرده و کامپیوتر کوانتومی دقت مورد نیاز برای تولید داده‌های آموزشی بهتر و مدل‌های سریع و دقیق را فراهم می‌کند.


ویدیو خلاصه تر در یوتیوب : https://youtu.be/U9H8EEFH2AY

این متن تحقیقاتی به بررسی مقایسه‌ای بین مدل‌های زبان انتشاری (DLMs) و مدل‌های خودرگرسیو (AR) در سناریوهایی می‌پردازد که داده‌های منحصربه‌فرد با کیفیت بالا محدود هستند، اما تکرار داده‌ها مجاز است.

👉 @navidcasts 🎓

یافته اصلی پژوهش، پدیده‌ای به نام نقطه تقاطع هوش (Intelligence Crossover) است که در آن، DLMها به طور مداوم از مدل‌های AR هم‌اندازه پیشی می‌گیرند؛ این مزیت به دلیل سه عامل کلیدی در DLMها یعنی مدل‌سازی «با هر ترتیبی» (any-order modeling)، محاسبات «فوق‌متراکم» (super-dense compute) ناشی از نویزدهی دوسویه تکراری، و تقویت داده داخلی از طریق شبیه‌سازی مونت کارلو است.


این نتایج نشان می‌دهد که در عصر محدودیت داده، DLMها یک الگوی مدل‌سازی برتر برای استخراج حداکثر سیگنال از هر توکن منحصربه‌فرد، حتی به بهای افزایش نیاز محاسباتی، محسوب می‌شوند.

👉 @navidcasts 🎓

علاوه بر این، پژوهشگران توضیح می‌دهند که افزایش ضرر اعتبارسنجی (validation loss) لزوماً به معنای کاهش عملکرد در وظایف نهایی نیست، زیرا قابلیت تمایز مدل همچنان بهبود می‌یابد.

به نظر شما مدل تقریبن جدید GPT-5.1 از Open AI همون نسخه فاین تیون شده، مدل های قبلی هست یا واقعن یک مدل جدید هست؟!

👉 @ai_python ✍️

این موضوع و خیلی موضوعات جذاب و جالب دیگه موضوع بحث میز داغ از IBM Technology هست :

https://youtu.be/5sFJVAoafFI?si=3leRGKE-SGB9w22n

👉 @ai_python ✍️

مایکروسافت کوپایلوت از 15 ژانویه از WhasApp خداحافظی می کند.

اگر با PromptFlow کار کرده باشید، حتمن می دونید که فریم ورک اصلی مایکروسافت برای ایجاد پایپ لاین های Agentic AI هست. در مقابل IBM هم راه حل خودش رو در این زمینه داره که خیلی شبیه PromptFlow هست. در این ویدیو درباره BeeAI توضیح داده شده :

👉 @ai_python ✍️


https://youtu.be/WozA_qHEAqo?si=CSZ0ZImVepMV5dR4

وقتی می گیم AI Stack دقیقن شامل چه مواردی می شه؟ در این ویدیو به زبان ساده و در کم تر از 10 دقیقه توضیح داده شده :

👉 @ai_python ✍️

https://youtu.be/RRKwmeyIc24?si=NLEMwJrt9K0wlTpK

👉 @ai_python ✍️

Pydantic AI version 1.23.0 is out! 🎉

کوتاه، درباره مدل پیش بینی آب و هوای گوگل به نام WeatherNext 2 : ⛅ 😶‍🌫️

👉 @ai_python ✍️

https://youtu.be/YQwqoEm_xis?si=f_zUd-r5G978Uzgz

در چه سن و سالی، برای یادگیری کدنویسی، بیش از حد پیر هستیم؟ (از زبان مهران سهامی، پروفسور در دانشگاه استنفورد)

👉 @ai_python ✍️

https://youtu.be/cKtGsMHAp8g?si=wFbOAWxYEzZGI_rX

طبق اعلام گارتنر، در پایان سال 2025 ، شرکت IBM (احتمالن به خاطر Watsonx ) به همراه مایکروسافت، گوگل و آمازون به عنوان لیدرهای اصلی ارائه پلت فرم های توسعه نرم افزارهای AI هستند.

در طول سال در همین کانال بسیار درباره Watsonx و همین طور راه حل های مایکروسافت از جمله Azure AI Foundry و Azure ML Studio صحبت کردیم.

👉 @ai_python ✍️

در بخش Challnegers نام LangChain و علی بابا به چشم می خوره که منطقی هست.


در بخش نیچ فقط CoreWeave و در بخش Visionaries فقط OpenAI به چشم می خوره.

در حال حاضر در این بین از محصولات زیر مجموعه XAI خبری نیست. 😅

🚀 مدیریت سرمایه با قدرت داده‌ها!

اگه هنوز تصمیم‌هات بر پایه حس و تجربه‌ست، وقتشه داده‌ها رو وارد بازی کنی

🔗 دوره جامع مدیریت سرمایه داده‌محور (آنلاین)

در این دوره یاد می‌گیری:

📊 تحلیل بازار ایران و ارزیابی سهام و ETF
📈 بهینه‌سازی پرتفوی با مدل مارکوویتز
📉 پیش‌بینی روندها با سری‌های زمانی
💡 طراحی استراتژی آپشن و دلتا هجینگ
🚀 اجرای پروژه واقعی با داده‌های ایران
🔥 بدون نیاز به تسلط برنامه‌نویسی!

پایتون رو در حد کاربردی یاد می‌گیری و بلافاصله در بازار استفاده می‌کنی.

👥 مناسب برای:
فعالان بازار سرمایه، تحلیلگران، مدیران سرمایه‌گذاری، و علاقه‌مندان فین‌تک (FinTech)

📌 مشاوره رایگان + جزئیات کامل:

👉 httb.ir/2hU1m

🎓 موسسه توسعه

مقاله‌ی «Spectral Bias Mitigation via xLSTM-PINN» به بررسی یک روش نوآورانه برای بهبود یادگیری ماشین در حل معادلات دیفرانسیل با مشتقات جزئی (PDEs) می‌پردازد. در ادامه خلاصه‌ای از مقاله:

روش‌های رایج Physics-Informed Neural Networks (PINNs) با سه چالش عمده مواجه‌اند:

1️⃣ سوگیری طیفی (Spectral Bias): شبکه‌ها تمایل دارند فرکانس‌های پایین را بهتر یاد بگیرند و در بازسازی مؤلفه‌های فرکانس بالا ضعیف عمل می‌کنند.

2️⃣ عدم تعادل داده-باقی‌مانده: وزن‌دهی نامتناسب به داده‌ها و معادلات فیزیکی.

3️⃣ ضعف در برون‌یابی (Extrapolation): عملکرد ضعیف در پیش‌بینی خارج از ناحیه آموزش.

👉 @ai_python ✍️

💡 راه‌حل پیشنهادی

نویسندگان یک چارچوب جدید به نام xLSTM-PINN معرفی می‌کنند که شامل:

1️⃣ استخراج ویژگی چندمقیاسی با (Gated Memory): برای درک بهتر ساختارهای فرکانسی مختلف.

2️⃣ برنامه درسی فرکانسی مرحله‌ای (Staged Frequency Curriculum): آموزش تدریجی از فرکانس‌های پایین به بالا.

3️⃣ وزن‌دهی تطبیقی به باقی‌مانده‌ها: برای تعادل بهتر بین داده‌ها و معادلات فیزیکی.

در چهار بنچمارک مختلف، این روش:

خطای طیفی، MSE، RMSE، MAE و MaxAE را به‌طور قابل توجهی کاهش داده است.

پهنای باند قابل حل را گسترش داده و زمان رسیدن به آستانه خطا در فرکانس‌های بالا را کاهش داده است.

گذارهای مرزی تمیزتر و نوسانات فرکانس بالا را کاهش داده است.