🌐🎤 قابلیت ترجمه زنده در Google Meet؛ ارتباط بدون مرز!

یکی از جدیدترین امکانات Google Meet، ترجمه زنده زیرنویس در جلسات آنلاین است.
حالا می‌توانید صحبت‌های افراد را به صورت لحظه‌ای به زبان‌های مختلف، از جمله فارسی، مشاهده کنید!

این ویژگی به شما کمک می‌کند:

جلسات بین‌المللی و چندزبانه را راحت‌تر برگزار کنید

موانع زبانی را در همکاری‌های تیمی از بین ببرید

یادگیری و آموزش را برای همه افراد آسان‌تر کنید

کیفیت و دقت ارتباطات آنلاین را بالا ببرید

برای فعال‌سازی این قابلیت کافی است هنگام برگزاری جلسه، زیرنویس (Live Captions) را فعال کنید و زبان موردنظر را انتخاب نمایید.

آیا شما هم تجربه استفاده از ترجمه زنده در جلسات Google Meet را داشته‌اید؟ نظرتان را با ما به اشتراک بگذارید! 😊

#گوگل_میت #ترجمه_زنده #زیرنویس #جلسات_آنلاین #فناوری #ارتباطات

🌐 انجمن علمی هوش مصنوعی دانشگاه صنعتی شریف برگزار می‌کند:

⏪ آغاز ثبت‌نام هکاتون LLM Agents

☑️ اولین دوره‌ی هکاتون عامل‌های هوشمند مدل‌های زبانی بزرگ دانشگاه صنعتی شریف به همت انجمن علمی هوش مصنوعی و با همکاری انجمن IEEE و آزمایشگاه RIML.

👥 با آموزش اساتید دانشگاه شریف و MIT، با LLM Agents آشنا شو و اولین محصولت با مدل‌های زبانی بزرگ رو آماده کن.

🎁 بیش از ۱۰۰ میلیون تومان جایزه‌ی نقدی برای تیم‌های برتر
➕ تا سقف ۲ میلیارد تومان کمک بلاعوض و سرمایه‌گذاری بر روی تیم‌ها و ایده‌های برتر توسط حامیان
🏆همراه با گواهی حضور در هکاتون از طرف IEEE شریف

📅 روزهای برگزاری:
    ➖۷ خردادماه به صورت مجازی
    ➖۸ و ۹ خردادماه به صورت حضوری

⌚️ مهلت ثبت‌نام تا ۵ خردادماه است و این زمان تمدید نخواهد شد.
👥 شرکت در هکاتون به صورت تیم‌های ۲ الی ۶ نفره است.

✍️ برای ثبت‌نام و کسب اطلاعات بیشتر، به وب‌سایت رویداد مراجعه کنید.

🕶✨ قابلیت ترجمه زنده با پشتیبانی از زبان فارسی در عینک‌های هوشمند XR!

یکی از جذاب‌ترین امکانات نسل جدید عینک‌های هوشمند مبتنی بر اندروید XR، ترجمه همزمان و زنده است؛ آن هم با پشتیبانی از زبان فارسی!

با این فناوری، کاربران می‌توانند:

مکالمات یا نوشته‌های محیط اطراف را در لحظه به زبان دلخواه (مثلاً فارسی) ترجمه و مشاهده کنند

در سفرها و جلسات بین‌المللی بدون نگرانی از موانع زبانی ارتباط برقرار کنند

متن ترجمه‌شده را مستقیماً روی نمایشگر عینک، به صورت واقعیت افزوده (AR)، مشاهده کنند

از هوش مصنوعی پیشرفته برای دقت و سرعت بیشتر ترجمه بهره‌مند شوند

این قابلیت به ویژه برای دانشجویان، گردشگران، مدیران کسب‌وکار و هر کسی که نیاز به تعامل چندزبانه دارد، یک تحول بزرگ به حساب می‌آید.

آیا شما هم دوست دارید دنیا را بدون مرزهای زبانی تجربه کنید؟ 😎🌍

#عینک_هوشمند #ترجمه_زنده #اندروید_XR #واقعیت_افزوده #فناوری #هوش_مصنوعی

🦾🤖 ربات سگ‌نمای خودمختار؛ انقلابی در پایش و بازرسی صنعتی!

در صنایع بزرگ، بازرسی و پایش مستمر تجهیزات و زیرساخت‌ها یکی از مهم‌ترین چالش‌هاست. حالا نسل جدیدی از ربات‌ها به کمک آمده‌اند؛ ربات‌های سگ‌نمای خودمختار که با الهام از حرکات حیوانات، می‌توانند به راحتی در محیط‌های صنعتی پرخطر و صعب‌العبور حرکت کنند.

این ربات‌ها مجهز به انواع سنسورها، دوربین‌های پیشرفته و هوش مصنوعی هستند و می‌توانند:

به صورت ۲۴ ساعته و بدون خستگی، مسیرهای تعیین‌شده را پایش کنند

نشتی، خوردگی، تغییر دما و سایر مشکلات را به صورت لحظه‌ای تشخیص دهند

تصاویر و داده‌ها را به‌صورت آنلاین برای اپراتور ارسال کنند

حتی در محیط‌های خطرناک یا غیرقابل دسترس برای انسان، مأموریت خود را با دقت بالا انجام دهند

استفاده از این ربات‌ها باعث افزایش ایمنی، کاهش هزینه‌های تعمیرات ناگهانی و ارتقاء بهره‌وری خطوط تولید می‌شود.
آینده پایش صنعتی، هوشمند و خودکار است! 🚀

#بازرسی_هوشمند #رباتیک #سگ_ربات #پایش_صنعتی #هوش_مصنوعی #اتوماسیون

🚀🤖 ربات پایش وضعیت خط لوله‌ها؛ تضمین سلامت و ایمنی زیرساخت‌ها

در صنایع نفت، گاز و آب، بررسی سلامت خط لوله‌ها یکی از مهم‌ترین چالش‌هاست. ربات‌های بازرسی و پایش خط لوله‌ها با ورود به داخل یا حرکت بر سطح لوله، می‌توانند به صورت دقیق و سریع وضعیت خطوط را ارزیابی کنند.

این ربات‌ها مجهز به سنسورهای پیشرفته و دوربین‌های با کیفیت بالا هستند و قابلیت‌هایی نظیر:

شناسایی نشتی، خوردگی و ترک‌های ریز

ارسال داده و تصاویر به صورت آنلاین

بازرسی نقاط صعب‌العبور یا زیرزمینی

کاهش هزینه و زمان توقف خط تولید
را فراهم می‌کنند.

استفاده از این ربات‌ها، نقش مهمی در افزایش ایمنی، کاهش ریسک حوادث و بهبود بهره‌وری صنایع زیرساختی دارد.

آیا تا به حال با این نوع ربات‌ها آشنا شده‌اید یا تجربه‌ای در این حوزه داشته‌اید؟
نظراتتان را با ما به اشتراک بگذارید! 😊

#رباتیک #پایش_خط_لوله #بازرسی_صنعتی #ایمنی_صنعتی #فناوری

♨️ اگر بخواهم به عنوان فردی با تجربه به یک دانشجوی تازه‌وارد رشته کامپیوتر که علاقه‌مند به یادگیری هوش مصنوعی است، راهنمایی ارائه دهم و خود را در سن ۱۸ سالگی تصور کنم، مسیر پیشنهادی من به شرح زیر خواهد بود:

۱. تقویت زبان انگلیسی:
پیش از هر چیز، تا حدی زبان انگلیسی خود را تقویت می‌کردم که بتوانم مقالات و کتاب‌های تخصصی را به‌خوبی درک و مطالعه کنم. آشنایی با زبان اصلی منابع علمی، یک امتیاز بسیار مهم در پیشرفت حرفه‌ای است.

۲. یادگیری سیستم عامل لینوکس:
آشنایی عمیق با لینوکس را در اولویت قرار می‌دادم و سعی می‌کردم مدارک معتبری مانند RHCSA و RHCE را دریافت کنم.

۳. آشنایی با مفاهیم پایه شبکه:
مطالعه و تسلط بر مفاهیم اولیه شبکه (در حد مدرک Network+) را ضروری می‌دانستم.

۴. مطالعه دوره‌های علمی معتبر:
در گام بعدی، دوره‌های Computer Science دانشگاه‌های معتبر جهان (مانند Stanford، MIT و...) را به صورت آنلاین دنبال می‌کردم؛ برای مثال، دوره موازی‌سازی (Parallel Computing) دانشگاه Stanford که منابع آموزشی آن به رایگان در دسترس است.

۵. یادگیری مباحث سیستم عامل و اصول پایه‌ای:
به مطالعه عمیق‌تر مباحثی مانند سیستم عامل، ساختمان داده‌ها و الگوریتم‌ها می‌پرداختم.

۶. تسلط کامل بر یک زبان برنامه‌نویسی (پایتون):
انتخاب یک زبان برنامه‌نویسی پایه‌ای (مانند پایتون) و تسلط کامل بر آن را بسیار مهم می‌دانم.

۷. یادگیری ساختمان داده و الگوریتم با محوریت پایتون:
ساختمان داده‌ها و الگوریتم‌ها را به طور جدی و با تمرکز بر پیاده‌سازی در پایتون دنبال می‌کردم.

۸. پیاده‌سازی الگوریتم‌های مهم:
تلاش می‌کردم الگوریتم‌های کلیدی را خودم پیاده‌سازی کرده و دقیقاً بفهمم چه اتفاقی در پشت صحنه می‌افتد.

۹. مطالعه پایتون پیشرفته:
مطالعه منابع پیشرفته مانند کتاب Fluent Python را برای تسلط بر جنبه‌های حرفه‌ای این زبان توصیه می‌کنم.

۱۰. آشنایی با مفاهیم هم‌روندی و محاسبات موازی:
به صورت تخصصی مباحث async، concurrent و parallel computing را می‌آموختم تا بتوانم مفاهیم Green Thread را به صورت عملی پیاده‌سازی کنم.

۱۱. مطالعه ریاضیات پایه (جبر، آمار و احتمال):
پس از ایجاد پایه قوی در برنامه‌نویسی و کامپیوتر، یادگیری مباحث پایه‌ای ریاضی مانند جبر، آمار و احتمال را در اولویت قرار می‌دادم.

۱۲. شروع با مفاهیم ساده یادگیری ماشین:
مطالعه و درک الگوریتم‌های پایه یادگیری ماشین مانند KNN و پی بردن به سازوکار آن‌ها.

۱۳. آشنایی با کتابخانه‌های تخصصی پایتون:
یادگیری کار با کتابخانه‌هایی مانند Numpy و Scikit-learn برای پیاده‌سازی الگوریتم‌ها.

۱۴. شرکت در دوره‌های تخصصی آنلاین:
شرکت در دوره‌های معتبر و گام‌به‌گام، مانند دوره پیشنهادی:

1) NYU (new york university): Yann LeCun & Alfered canziani. Deep learning course

2) Standford university: Prof. Manning, deep learning for nlp

3) Standord university: Deep Generative Models

4) Stanford University: Transformers United

5) EfficientML.ai Lecture, Fall 2023, MIT 6.5940

۱۵. پیاده‌سازی عملی بعد از هر درس:
پس از اتمام هر دوره یا مبحث، پیاده‌سازی الگوریتم‌ها به صورت دستی و با پایتون (بدون استفاده از کتابخانه‌های آماده) برای اطمینان از فهم عمیق مطالب.

۱۶. مطالعه و پیاده‌سازی مقالات مهم:
مطالعه مقالات مهم و انقلابی در زمینه یادگیری ماشین و تلاش برای پیاده‌سازی آن‌ها و مقایسه نتایج با سورس‌کدهای منتشرشده.

۱۷. یادگیری کار با فریمورک‌های یادگیری عمیق (Deep Learning):
تسلط بر یکی از فریمورک‌های مطرح (مانند PyTorch) برای پیاده‌سازی پروژه‌های یادگیری عمیق.

۱۸. دنبال کردن پژوهش‌های جدید و پیاده‌سازی آن‌ها:
مطالعه مداوم مقالات و ایده‌های جدید و پیاده‌سازی آن‌ها جهت همگام بودن با دانش روز.

با رعایت این مسیر و صرف زمان کافی طی دوران کارشناسی، می‌توان نه تنها دروس دانشگاهی را با درک عمیق پشت سر گذاشت، بلکه با دانش و مهارت عملی بسیار بالا، برای ورود به حوزه‌های تخصصی و حتی تحصیلات تکمیلی آماده شد.

📌بهترین ابزارهای هوش مصنوعی برای پژوهشگران
دیگه وقت خودتونو با امتحان کردن هوش مصنوعی های رنگارنگ تلف نکنید! من بهترین و قوی ترین ابزارها رو برای شما جمع کردم تا به راحتی ازشون استفاده کنید. از Napkin برای ایجاد شکل و نمودار تا Bohrium برای پاسخ‌های علمی و Dimensions به عنوان جایگزین گوگل اسکالر. بیاید با هم این ابزارها رو کشف کنیم و کارهای تحقیقاتی‌مون رو راحت‌تر کنیم!

🔗آدرس بهترین ابزارهای هوش مصنوعی در پژوهش تقدیم شما می گردد:
https://www.napkin.ai/
https://bohrium.dp.tech/home
https://www.dimensions.ai/
https://scispace.com/
https://app.litmaps.com/
https://notebooklm.google/
https://mapify.so/
https://chatgpt.com/
https://quillbot.com/
https://www.turnitin.com/
https://julius.ai/chat
https://gamma.app/

🔥 Diffusion Model <-> Depth 🔥

👉ETH & CMU on how to turn a single-image latent diffusion model (LDM) into the SOTA video depth estimator: video depth without video models. Repo released under Apache 2.0 and HF demo available💙

👉Review https://t.ly/sP9ma
👉Paper arxiv.org/pdf/2411.19189
👉Project rollingdepth.github.io/
👉Repo github.com/prs-eth/rollingdepth
🤗Demo huggingface.co/spaces/prs-eth/rollingdepthhttps://t.ly/sP9ma

✅ *فراخوان ثبت‌نام در بزرگ‌ترین و طولانی ترین بوت‌کمپ هوش مصنوعی و امنیت سایبری کشور!*

استانداری کرمان برگزار می‌کند: 
*بوت‌کمپ آموزشی کاریز؛ جایی که فناوری از عمق تاریخ به اوج آینده می‌رسد!* 
🔹 ما به دنبال 150 نفر از بهترین‌های دانشجویی هستیم! 
🔹 هزینه واقعی برای هر نفر : 200 میلیون تومان! 
🔹 رایگان برای تمامی شرکت کنندگان منتخب دانشجویی سراسر کشور ! 
چرا این بوت‌کمپ متفاوت است؟ 
✅ آموزش فشرده و عملی با بیش از 1000 ساعت محتوای تخصصی در حوزه‌های هوش مصنوعی و امنیت سایبری 
✅ یادگیری بر پایه مسائل واقعی با اساتید جوان و نخبه 
✅ تبدیل شما به یک متخصص تمام‌عیار — نه فقط یک دانشجو! 

شرایط ثبت‌نام: 
📅 مهلت ثبت نام: تا 10 خردادماه 
💵 هزینه ثبت‌نام اولیه: فقط 99 هزار تومان 
اگر فکر می‌کنید جزو بهترین‌ها هستید و عاشق چالش‌های فناوری هستید، همین حالا اقدام کنید! 
ما منتظر متخصصان فردا هستیم — شما یکی از آنها هستید؟ 🚀 
توجه: 
ثبت‌نام برای همه دانشجویان آزاد است، اما تنها 150 نفر با معیارهای گزینشی و مصاحبه انتخاب خواهند شد. 
این فرصت را از دست ندهید!

🌐 لینک ثبت‌نام:
www.KR-Kariz.ir

♦️پرستار رباتیک از راه می‌رسد

🔹تایوان با کمبود پرستار روبه‌روست و حالا قرار است برخی بیمارستان‌های آن برای مقابله با این بحران، از ربات‌ها کمک بگیرند.
🔹رباتی که برای کمک به پرستاران طراحی شده، بخشی از کارهایی مثل تحویل دارو، گشت‌زنی در بخش‌ها و راهنمایی بیماران و همراهان را برعهده خواهد گرفت.

🔔 برگزاری جلسه‌ی بیست و چهارم باشگاه مدل‌های زبانی بزرگ

📚 موضوع: مروری سیستماتیک بر کاربرد مدل‌های زبانی بزرگ در پژوهش علمی و ایده‌پردازی
👤 ارائه‌دهنده: معین سلیمی
🗓 زمان: سه‌شنبه ۱۴۰۴/۰۳/۰۵ ساعت ۲۰:۰۰
📍 مکان برگزاری: vc.sharif.edu/mjafari
🔍 این مقاله نخستین مرور جامع و سیستماتیک درباره‌ی نقش مدل‌های زبانی بزرگ در فرآیند پژوهش علمی است. نویسندگان نشان می‌دهند که این مدل‌ها چگونه می‌توانند در چهار مرحله‌ی کلیدی پژوهش علمی به کار گرفته شوند:
۱. کشف فرضیه‌های علمی ۲. طراحی و اجرای آزمایش‌ها ۳. نگارش علمی و ۴. داوری علمی
این مقاله با بررسی دقیق روش‌ها، چالش‌ها و معیارهای ارزیابی در هر مرحله، تصویری روشن از قابلیت‌ها و محدودیت‌های فعلی مدل‌های زبانی بزرگ در حوزه‌ی پژوهش علمی ارائه می‌دهد و مسیرهای آینده برای پژوهش را نیز پیشنهاد می‌کند.
📝 منابع
1. LLM4SR: A Survey on Large Language Models for Scientific Research
2. IRIS: Interactive Research Ideation System for Accelerating Scientific Discovery
یوتیوب (ویدئو و اسلاید جلسه‌ها)
توییتر
افزودن رویداد به تقویم گوگل‌

از همه دعوت می‌کنیم در این جلسه شرکت کنید!
#LLM_Club #LLM_Research

گوگل ویدیویی از پروژه Astra رو منتشر کرده که هدف اون تبدیل کردن جمنای به دستیار هوش مصنوعی جامع هست و علاوه بر امکان پرسیدن سوالات مختلف و به خاطر سپردن چیزایی که دیده، این مدل همیشه در حال دیدن و شنیدن خواهد بود و فعالانه به دنبال موقعیت مناسبی که دخالت کنه و نظرشو بگه. مثلا به جای اینکه منتظر بمونه تا در مورد چیزی سوال کنید، این مدل وقتی در حین انجام کاری شمارو ببینه و اشتباهی ازتون سر بزنه اون اشتباه رو بعد از دیدن به شما اطلاع میده.

علاوه بر این امکان کنترل گوشی رو هم داره و با ذکر کار مدنظر با دستورات صوتی، این مدل میتونی بین اپها و منوهای مختلف بچرخه و کار موردنظر رو انجام بده. مثلا راهنما یک محصول خاص رو در اینترنت پیدا کنه، PDF اون رو باز کنه و به بخش مدنظر اسکرول کنه.

همچنین توانایی انجام مکالمات به جای فرد رو داره و مثلا وقتی فرد دنبال قطعه خاصی هست، این مدل میتونه به جای مختلف زنگ بزنه و با حرف زدن با اونها از اون موجود بودن اون مطلع بشه.

این قابلیت ها در حال حاضر در حد طرح مفهوم هستن ولی در اینده به تدریج به هوش مصنوعی جمنای در گوشی اضافه خواهند شد.

🔎 theverge

این ویدئو رو زیرنویس کردم که کامل حس فیلم رو دریافت کنید
این فیلم تماما با Prompt توسط Veo3 ساخته شده است. متن، صدا، و... تنها با یک پرامپت

چه حسی دریافت کردید؟

🎯 با این روش مشکل داده‌های نامتوازن رو به سادگی حل کن!


👨🏻‍💻 یه مشکل مهم تو یادگیری ماشین، داده‌های نامتوازن هستن؛ یعنی یکی از کلاس‌ها (مثلاً موارد نادر) تعدادشون خیلی کمتر از بقیه‌ست. اگه بخوای این موارد کم‌یاب رو هم درست‌تر پیش‌بینی کنی، باید یه فکری براشون بکنی. یکی از روش‌های معروف، SMOTE‌ هست.


❓ حالا SMOTE دقیقاً چی کار می‌کنه؟ ایده‌ش خیلی ساده و در عین حال تاثیرگذاره:

1️⃣ اول SMOTE میاد سراغ هر نقطه قرمز (یعنی کلاس اقلیت) و نزدیک‌ترین همسایه‌های قرمز اون رو پیدا می‌کنه.

2️⃣ یه همسایه رو به صورت تصادفی انتخاب می‌کنه و بین اون دو تا نقطه یه خط مستقیم فرض می‌کشه.

3️⃣ یه نقطه جدید، جایی روی همین خط (هر جایی که شد، کاملاً تصادفی) ایجاد می‌کنه.

4️⃣در آخر این کار رو برای همه نمونه‌های اقلیت تکرار می‌کنه (یا تا زمانی که تعداد کافی داده مصنوعی ساختیم).


⏪ به این ترتیب، با تولید داده مصنوعی بین نقاط واقعی اقلیت، داده‌ها متعادل‌تر می‌شن و مدل (مثلاً رگرسیون لجستیک) می‌تونه مرز تصمیم‌گیری بهتری بذاره و نقاط نادر رو هم بهتر یاد بگیره.


┌ 🧬 SMOTE
└ 📖 Documentation



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
💡 مهندس ML شوید

📍دوران آکادمی با افتخار برگزار می‌نماید:

🌟وبینار تخصصی مدلهای مولد هوشمند

مدرس: دکتر وحید محمد زاده
(دیتاساینتیست اسبق شرکت ولوو سوئد)

✨دوران آکادمی مجری دوره‌های تخصصی فناوری اطلاعات و مخابرات و هوش مصنوعی

🔗لینک ثبت نام رایگان
👇👇👇👇👇👇
https://Douranacademy.com/وبینار-تخصصی-مدلهای-مولد-هوشمند

مدل Claude Sonnet 4 و Claude Opus 4 امروز توسط شرکت Anthropic معرفی و منتشر شدند...

🧠 ویژگی‌های برجسته Claude Opus 4

✅عملکرد بی‌نظیر در برنامه‌نویسی: Claude Opus 4 در بنچمارک SWE-bench امتیاز ۷۲.۵٪ را کسب کرده است که بالاتر از امتیاز ۵۴.۶٪ مدل GPT-4.1 از OpenAI است.


✅توانایی انجام وظایف طولانی‌مدت: در آزمایشی با شرکت Rakuten، این مدل توانست به‌طور مستقل و بدون وقفه به مدت ۷ ساعت کدنویسی کند...

✅قابلیت‌های پیشرفته در حل مسائل پیچیده: مدل Claude Opus 4 با بهره‌گیری از تفکر مرحله‌به‌مرحله و حافظهٔ گسترده، قادر به انجام وظایف پیچیده و طولانی‌مدت است.

✅ویژگی "تفکر گسترده": این مدل دارای حالت "تفکر گسترده" (Extended Thinking) است که به آن امکان می‌دهد بین پاسخ‌های سریع و استدلال‌های عمیق سوئیچ کند.


https://docs.anthropic.com/en/docs/about-claude/models/overview

*همچنین، مدل Claude Sonnet 4 به‌عنوان نسخه‌ای مقرون‌به‌صرفه‌تر و قاعدتا ضعیفتر در دسترس کاربران است.

⌛ بهترین کتابخونه‌ی پیش‌بینی سری‌های زمانی


👨🏻‍💻 کتابخونه Kats که توسط تیم دیتاساینس فیس‌بوک ساخته شده، یکی از شگفتی‌های پایتونه و امکاناتش واقعاً کاربردیه.

⏪ یه جعبه‌ابزار جمع‌وجور و ساده واسه تحلیل داده‌های سری زمانی؛ یعنی هرچی برای تحلیل، تشخیص، ساخت ویژگی، و پیش‌بینی روی داده‌های زمانی لازم داری، اینجا دم دست داری. مثل:


✅ پیش‌بینی آینده: بیشتر از ۱۰ مدل مختلف داره، امکان ترکیب مدل‌ها، فرایادگیری، بک‌تست و حتی تنظیم خودکار مدل رو هم ساپورت می‌کنه.

📎 لینک: Forecasting

➖ ➖ ➖

☑️ کشف الگو: می‌تونی تغییر روند، نقطه‌های غیرعادی و حتی فصل‌ها رو تو دیتات پیدا کنی.

📎 لینک: Detection

➖ ➖ ➖

✔️ استخراج ویژگی: خودش با یه ماژول مخصوصش، ۶۵ تا ویژگی مختلف سری زمانی رو بهت می‌ده، مناسب برای وقتی که می‌خوای با ML کار کنی.

📎 لینک: TSFeatures

➖ ➖ ➖

☑️ ابزارهای جانبی: شبیه‌ساز سری زمانی و کلی ابزار دیگه.


┌ ⏳ Kats
├ 🌎 Homepage
└ 🐱 GitHub-Repos



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖