DLeX: AI Python
22.5K subscribers
5.01K photos
1.23K videos
764 files
4.38K links
هوش‌مصنوعی و برنامه‌نویسی

توییتر :

https://twitter.com/NaviDDariya

هماهنگی و تعرفه تبلیغات : @navidviola
Download Telegram
@ai_python

از این به بعد کاربران Google Gemini کنترل بیش تری روی به خاطر سپاری مکالمه های قبلی با جمینای دارند. طبیعتن روشن بودن این گزینه باعث می شه که نیازی به تکرار بعضی از موارد در گذشت زمان نباشد.

@ai_python

البته کاربرانی هم که ترجیح می دهند به شدت از حریم خصوصی خودشون محافظت کنن می تونن این گزینه ها را خاموش یا حتی از ویژگی Temporary Chat استفاده کنند :

https://blog.google/products/gemini/temporary-chats-privacy-controls/
1
@ai_python

متاسفانه نتونستیم این ویدیو رو دانلود کنیم و در کانال بذاریم. ولی سر زدن بهش خالی از لطف نیست:

https://x.com/OpenAIDevs/status/1956438999364768225

به خصوص برای کسانی که تصمیم دارن با GPT-5 وایب کدینگ انجام بدن. که بتونن بهترین نتیجه یا درست ترین نتیجه رو از مدل دریافت کنند.
1
🎓 یادگیری ماشین با پایتون؛ از مفاهیم پایه تا پیاده‌سازی مدل‌های کاربردی

الگوریتم‌های یادگیری ماشین، ستون فقرات بسیاری از سیستم‌های هوشمند امروز هستند.
در این دوره تخصصی، با استفاده از زبان پایتون، اصول نظری و عملی یادگیری ماشین را فرا می‌گیرید.

🔹 درک مفاهیم کلیدی مانند رگرسیون، طبقه‌بندی و خوشه‌بندی
🔹 پیاده‌سازی الگوریتم‌ها با کتابخانه‌های علمی مانند Scikit-learn
🔹 تحلیل داده‌ها و ارزیابی مدل‌ها بر پایه معیارهای دقیق
🔹 آموزش پروژه‌محور با تمرکز بر کاربردهای صنعتی و پژوهشی

این دوره برای دانشجویان، پژوهشگران و علاقه‌مندان به علوم داده، هوش مصنوعی و تحلیل آماری طراحی شده است.

برای کسب اطلاعات بیشتر به لینک زیر مراجعه کنید↙️
https://B2n.ir/ru5773

☎️مشاوره و ثبت نام
02167641999
📲مشاوره تلگرام
09222477250

✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص
مدل TimeGPT یک مدل پیش‌بینی سری‌های زمانی مبتنی بر یادگیری عمیق که بدون نیاز به آموزش روی داده‌های خاص، می‌تواند پیش‌بینی انجام دهد (zero-shot forecasting).

از طرف دیگه ... Polars جایگزینی سریع‌تر و بهینه‌تر از pandas برای پردازش داده‌ها، با مصرف حافظه کمتر و Lazy evaluation

@ai_python

مزایای ترکیب TimeGPT و Polars:


پردازش سریع داده‌های حجیم

کاهش مصرف حافظه تا ۸۰٪

پیش‌بینی مستقیم از روی DataFrame بدون تبدیل

پشتیبانی از بازه‌های اطمینان (confidence intervals)

قابلیت اعتبارسنجی متقابل (cross-validation) برای ارزیابی دقت مدل

کاربردها: مناسب برای سیستم‌های تولیدی در حوزه‌هایی مثل برنامه‌ریزی موجودی، تحلیل روند، و پیش‌بینی تقاضا.

شاید برای مطالعه بیش تر این پایپ لاین مفید باشه :

https://www.nixtla.io/blog/production-ready-forecasting-pipeline-with-timegpt-and-polars
2
این مطلب شرح می‌دهد که پالانتیر چگونه با سه جزء Insight (ابزار اسکن امنیتی هاست)، Foundry (پلتفرم تحلیل و نمایش نتایج) و Apollo (زیرساخت استقرار و به‌روزرسانی) امنیت استک‌های on‑prem و حتی محیط‌های air‑gapped را در مقیاس هزاران سرور مدیریت و پایش می‌کند؛ نتیجه، افزایش چشمگیر کامپلاینس، کاهش کار دستی و برنامه‌ریزی برای خودکارسازی کامل رِمدیشن‌هاست:

@ai_python

https://www.linkedin.com/pulse/scaling-on-prem-security-palantir-how-insight-foundry-tybec/
1
آینده را از داده‌ها بساز!

📊 می‌دونی پشت هر داده، داستانی از موفقیت نهفته است؟
با دوره جامع دانشمند داده، مهارت‌های پیشرفته تحلیل، یادگیری ماشین و هوش مصنوعی رو به صورت عملی یاد بگیر و به قله‌های جدیدی در دنیای دیجیتال دست پیدا کن! 🚀

💡 در این دوره، شما:

1- یاد می‌گیری چگونه با پایتون به جادوی داده‌ها دست پیدا کنی 🐍
2- تکنیک‌های نوین یادگیری ماشین و هوش مصنوعی رو کشف می‌کنی 🤖
3- پروژه‌های واقعی و کاربردی رو تجربه می‌کنی تا آماده دنیای حرفه‌ای بشی 📈

ثبت‌نام محدود است – فرصت رو از دست نده!
       
🌐جهت مشاهده اطلاعات دوره کلیک کنید 👇
https://B2n.ir/ug6365
  
☎️ مشاوره و ثبت‌نام:
02167641999
📲مشاوره تلگرام:
09222477250
  
✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص
پایپ لاین Classification قرارداد ها با LlamaCloud و همچنین Extraction اطلاعات و در نهایت ذخیره سازی نتایج در KG با استفاده از Neo4j :

@ai_python

https://docs.llamaindex.ai/en/latest/examples/cookbooks/build_knowledge_graph_with_neo4j_llamacloud

در ضمن همون طور که در تصویر مشاهده می کنید، به راحتی می شه اگر سوالی داشتید از ASK AI خود llamaindex.ai بپرسید. مثلن من برام سوال بود چرا در این پایپ لاین از مد parse_page_without_llm استفاده کردن.
1
به‌روزرسانی PostgreSQL 18 پیشرفت‌های چشمگیری را به همراه دارد که آن را به یک ابزار پایگاه داده قدرتمندتر تبدیل می‌کند و نحوه عملکرد آن را از پایه تغییر می‌دهد. افزوده شدن قابلیت ورودی و خروجی ناهمگام به دیسک، سرعت و کارایی Query ها را به طور چشمگیری بهبود می‌بخشد و زمان انتظار عملیات دیسک را کاهش می‌دهد. علاوه بر این، بهینه‌سازی‌های زیرساختی هوشمند مانند پردازش بهبودیافته OR و IN و ارتقاء Hash Joins، عملکرد کلی پایگاه داده را بدون نیاز به تغییر کد موجود افزایش می‌دهند.

این نسخه همچنین تجربه توسعه‌دهنده را با ویژگی‌هایی مانند ستون‌های تولید شده مجازی، پشتیبانی داخلی از UUID نسخه ۷ و clauseهای Returning هوشمندتر، ساده‌تر می‌کند و قابلیت اطمینان را با محدودیت‌های زمانی جدید و حفظ آمار در هنگام ارتقاء برای ارتقاهای روان‌تر، تقویت می‌نماید.

@ai_python

توضیح دقیق تر این موارد را در این پادکست مصنوعی فارسی بشنوید :

https://youtu.be/klmtAO1cBRM?si=FgzHk30NO1dEEwBX
3
This media is not supported in your browser
VIEW IN TELEGRAM
@ai_python

در تبلیغ منتشر شده برای مخاطبان فرانسوی زبان، یکی از یکی از ویژگی های بسیار جذاب Google Pixel 10 که با کمک هوش مصنوعی به وجود اومده، رونمایی شد.

@ai_python

این ویژگی به نام Couch Photo بهتون کمک می کنه عکس های بهتری بگیرید و به تدریج در عکاسی و استفاده از امکانات دوربین گوشیتون حرفه ای بشید. 📸 🤳
Please open Telegram to view this post
VIEW IN TELEGRAM
2
This media is not supported in your browser
VIEW IN TELEGRAM
@ai_python

ادیت تصاویر در اپلیکیشن Google Photos تنها با پرامپ ، ابتدا در Pixel 10 و سپس در همین چند هفته آینده در اپ Google Photos در سایر گوشی های اندرویدی و حتی در iPhone ملعون در دسترس قرار خواهد گرفت.
1
این ویدئو راهنمایی جامع برای نحوه نوشتن Unit Test های مؤثر در پایتون ارائه می‌دهد و بر اهمیت آن‌ها در توسعه نرم‌افزار تأکید می‌کند. ابتدا چالش‌های تست کدی را که به درخواست‌های خارجی (مانند فراخوانی API) متکی است، توضیح می‌دهد و تکنیک‌هایی مانند مانکی پچینگ (monkey patching) و ماکینگ (mocking) را معرفی می‌کند تا بتوان وابستگی‌ها را شبیه‌سازی کرد و کد را به صورت ایزوله تست کرد.

@ai_python


سپس، به بررسی ویژگی‌های پیشرفته‌تر Pytest (مانند fixtures، پارامترسازی، و مدیریت استثناها) می‌پردازد که نوشتن تست‌ها را آسان‌تر و قدرتمندتر می‌کنند. در نهایت، با ارائه نکات عملی برای طراحی تست خوب، از جمله بازسازی کد برای قابلیت تست‌پذیری بهتر و سازماندهی ساختار فایل‌های تست، به مخاطبان کمک می‌کند تا رویکردی کارآمدتر در تست‌نویسی داشته باشند.

جهت گوش سپردن به خلاصه فارسی این ویدیو که به صورت مصنوعی ساخته شده این جا کلیک کنید.

https://youtu.be/EIV_ixKGPmc?si=I1eZQs4xHR8DDj8R
@ai_python

ابزارهای گوگل برای کدنویسی و مدیریت پروژه های برنامه نویسی بر پایه هوش مصنوعی، به قدری داره زیاد می شه که نیاز به راهنما داریم، که چه زمانی از کدوم باید استفاده کنیم.

@ai_python

این یک راهنمای سریع و ساده سازی شده هست :

👈 ابزار Jules : انجام خودکار وظایف مثل مستندسازی یا بهبود تست‌ها در پروژه‌های GitHub

👈 ابزار Gemini CLI : رابط خط فرمان سریع و قابل توسعه برای تعامل با کد و محتوا

@ai_python

👈 ابزار Gemini CLI GitHub Actions : اجرای وظایف پس‌زمینه‌ای در مخازن GitHub با مدل‌های Gemini

👈 ابزار Gemini Code Assist : افزونه IDE برای تکمیل کد، تولید تست، و تعامل هوشمند با کد

👈 ابزار Firebase Studio : محیط توسعه تحت مرورگر برای ساخت اپ بدون نیاز به تخصص فنی بالا

👈 ابزار Google AI Studio : آزمایش مدل‌های هوش مصنوعی و ساخت اپ‌های سبک با استفاده از prompt ها

@ai_python

البته ممکنه این دسته بندی که من انجام دادم باب میل شما نباشه یا به نظرتون از کلمات گنگ استفاده کردم. در این صورت این شما و این راهنمای اصلی در وبلاگ خود گوگل : https://cloud.google.com/blog/products/ai-machine-learning/choose-the-right-google-ai-developer-tool-for-your-workflow
Please open Telegram to view this post
VIEW IN TELEGRAM