ایدی کانال
https://t.me/Code_Neuron

ایدی گروه
https://t.me/Code_Neuroncom

برای دوستاتون ارسال کنین دوباره فعالیت خودمون و شروع کنیم

لینک کانال های دوره موسسه ها

اصلی

https://t.me/+wlEqPl7L4TcyNmM0

ارشیو

https://t.me/+Z3W1gL-qLNIxYzA0

.

کسایی که میخوان توی دوره فول استک با
برنامه ریزی دقیق
کنار خودم و دوستان دیگه
و یک یار برای همراهی با خودتون
شرکت کنن
پی وی بنده پیام بدن
@hamiwebsite

🔥 فرصت ویژه: دوره جامع برنامه‌نویسی فرانت‌اند تا فول‌استک (بیش از ۱۸۰۰ فیلم آموزشی)

سلام به همه! 🌱
دوره‌ای که مدتها منتظرش بودید، بالاخره آماده شد. این یه دوره کامل و عملی هست که شما رو از صفر تا ورود به بازار کار جلو می‌بره.

❌ اینجا خبری از فیلم‌های تکراری و بی‌کیفیت نیست.
✅ بیش از ۱۸۰۰ عنوان فیلم آموزشی (مجموعاً حدود ۹۰۰ ساعت محتوای مفید)
✅ پشتیبانی اختصاصی در گروه خصوصی
✅ برنامه‌ریزی هفتگی و جلسات رفع اشکال آنلاین
✅ بررسی پروژه‌های عملی و فیدبک شخصی
✅ دسترسی به منابع رایگان معرفی‌شده (فیلم‌ها توسط خودتون دانلود و تماشا می‌شه)

——

💰 قیمت‌ها (فقط برای خدمات پشتیبانی و آموزشی)

🔹 ثبت‌نام نقدی (یکجا):
۲,۸۰۰,۰۰۰ تومان

🔹 ثبت‌نام اقساطی (۳ ماهه):
۳ قسط ۱,۰۰۰,۰۰۰ تومانی (جمعاً ۳,۰۰۰,۰۰۰ تومان)

——

🎁 تخفیف ویژه ثبت‌نام گروهی:
👥 ۲ نفر با هم:
نقدی ۲.۷۰۰.۰۰۰ تومان نفری
قسطی ۹۰۰.۰۰ تومانی نفری (۳ قسط)

👥 ۳ تا ۵ نفر با هم:
نقدی ۲.۴۰۰.۰۰۰ تومان نفری
قسطی ۸۰۰.۰۰۰ تومانی نفری (۳ قسط)

👥 ۶ نفر به بالا:
نقدی ۲.۱۰۰.۰۰۰ تومان نفری
قسطی ۷۰۰.۰۰۰ تومانی نفری (۳ قسط)


——

⏳ ظرفیت گروه محدود و به‌صورت اولویت‌اول ثبت‌نام پر می‌شه.

برای ثبت‌نام یا مشاوره رایگان، به آیدی بنده پیام بدید:
@hamiwebsite

——

لطفاً قبل از ثبت‌نام، قوانین گروه رو مطالعه کنید. فیلم‌ها همگی از منابع عمومی و رایگان معرفی می‌شن و هزینه فقط برای پشتیبانی، برنامه‌دهی و خدمات آموزشی دریافت می‌شه.

دوباره میخوایم کانال مون رو فعال کنیم
توی حوزه های ai و web
پس میخوام کمک مون کنین و لینک کانال رو برای دوستاتون بفرستین

ایدی کانال
https://t.me/Code_Neuron

ایدی گروه
https://t.me/Code_Neuroncom

📚 یکی از بهترین کتاب‌ها برای شروع یادگیری Machine Learning

👨🏻‍💻 اگر قصد دارید وارد دنیای یادگیری ماشین و هوش مصنوعی شوید اما نمی‌دانید از کجا شروع کنید، این کتاب می‌تواند انتخاب مناسبی باشد.

برای افرادی نوشته شده که تجربه زیادی در برنامه‌نویسی یا ریاضیات ندارند و می‌خواهند مفاهیم را به‌صورت ساده، روان و کاربردی یاد بگیرند.

📌 در این کتاب چه چیزهایی یاد می‌گیرید؟

🔹 آشنایی با مفاهیم پایه یادگیری ماشین و تفاوت بین:

- Supervised Learning
- Unsupervised Learning

🔹 آموزش الگوریتم‌های پرکاربرد:

- Linear Regression
- Logistic Regression
- KNN
- Decision Trees
- SVM
- Neural Networks

🔹 آشنایی با آماده‌سازی داده‌ها، ارزیابی مدل و مفاهیمی مانند Overfitting و Underfitting.

🐍 تمام مباحث با استفاده از Python و مثال‌های عملی آموزش داده شده‌اند تا بتوانید مفاهیم را در پروژه‌های واقعی پیاده‌سازی کنید.

✅ اگر به‌دنبال یک منبع ساده، پروژه‌محور و مناسب برای شروع مسیر Machine Learning هستید، این کتاب یکی از بهترین گزینه‌ها برای شماست.

#MachineLearning #ArtificialIntelligence #Python #DataScience #AI

🚀 مدل Qwen3-TTS-12Hz-1.7B-CustomVoice روی Hugging Face منتشر شد.

نسخه جدید تبدیل متن به گفتار (TTS) از تیم Qwen با تمرکز بر کیفیت صدا، سرعت بالا و شخصی‌سازی.

✨ قابلیت‌های کلیدی:

🌍 پشتیبانی از ۱۰ زبان

🎙️ ۹ صدای پریمیوم با جنسیت، سن و لهجه‌های متنوع

🎭 کنترل لحن، احساس و سبک بیان

⚡ تأخیر بسیار پایین (Ultra-Low Latency)

🗣️ امکان ساخت صدای سفارشی (Custom Voice)

🔗 https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

#Qwen #Qwen3 #TTS #TextToSpeech #SpeechAI #VoiceAI #CustomVoice #GenerativeAI #LLM #OpenSource #HuggingFace #MachineLearning #DeepLearning #ArtificialIntelligence #AI #Python #VoiceCloning #AIModels #Tech #AICommunity

سلام 👋
خوش اومدید به یک آموزش جدید 🚀

🤖 در این ویدیو یاد می‌گیریم چگونه با Botpress یک چت‌بات هوشمند بسازیم.

📌 در این آموزش:

✅ ایجاد یک پروژه جدید در Botpress
✅ آشنایی با محیط و بخش‌های اصلی Botpress
✅ مشاهده ساختار Workflow
✅ تست و اجرای چت‌بات
✅ بررسی و تست پاسخ‌های چت‌بات

🤖✨اگر به ساخت چت‌بات، هوش مصنوعی و ابزارهای AI علاقه‌مند هستید، این آموزش می‌تواند نقطه شروع خوبی برای شما باشد.

💬 اگر سؤال یا ابهامی داشتید، حتماً در بخش کامنت‌ها بنویسید؛

👍 اگر این آموزش برای شما مفید بود، لایک کنید.
🔔 برای آموزش‌های بیشتر کانال را سابسکرایب کنید.

#Botpress
#Chatbot
#AI
#ArtificialIntelligence
#Tutorial

درود 🙏
قابلیت کامنت رو باز کردم ✅
کسایی که توی گروه نیستن 🚫
میتونن در مورد هر پست 📝
نظراتتون رو ارسال کنید 📩
اگر سوال یا ابهامی ❓
در مورد پست دارین بپرسید 🗣️

🔥 طبق بررسی Together AI، مدل Kimi K3 توی تسک‌های مهندسی نرم‌افزار عملکردی هم‌سطح Fable 5 داشته، اما با حدود یک‌سوم هزینه!

اگه این نتایج توی استفاده‌های واقعی هم ثابت بمونه، Kimi K3 می‌تونه به یکی از گزینه‌های جذاب برای برنامه‌نویس‌ها و تیم‌های توسعه تبدیل بشه.

#AI
#LLM

🤔 وقتی سنیور شدی، بعدش چی؟

بیشتر ما اوایل مسیر، تمام تمرکزمون روی یاد گرفتن تکنولوژی‌هاست؛ زبان برنامه‌نویسی، فریم‌ورک‌ها، ابزارها و مفاهیم جدید. اما بعد از مدتی متوجه می‌شیم رشد فقط به یاد گرفتن ابزارهای بیشتر نیست.

بعد از رسیدن به سطح Senior، مهم‌ترین تفاوت اینه که یاد می‌گیری مسئله درست رو انتخاب کنی، نه فقط برای هر مسئله یک راه‌حل خوب پیدا کنی.

کم‌کم نقش تو از «کسی که کد می‌نویسه» به «کسی که تصمیم‌های بهتر می‌گیره» تغییر می‌کنه. قبل از شروع هر کار، از خودت می‌پرسی:

• آیا این مشکل واقعاً ارزش حل کردن داره؟
• این راه‌حل چه تأثیری روی محصول یا کسب‌وکار می‌ذاره؟
• اگر اشتباه کنیم، هزینه‌اش چقدره؟

از یک جایی به بعد، مهارت‌هایی مثل حل مسئله، تصمیم‌گیری در شرایط مبهم، طراحی سیستم، درک معماری، اولویت‌بندی، ارتباط مؤثر با تیم و انتقال ایده‌ها ارزش بیشتری نسبت به یاد گرفتن یک فریم‌ورک یا کتابخانه جدید پیدا می‌کنن.

یک سنیور خوب فقط روی بخشی که خودش توسعه می‌ده تمرکز نمی‌کنه؛ بلکه سعی می‌کنه کل سیستم رو درک کنه، وابستگی‌ها رو بشناسه و اثر تصمیم‌هاش روی تیم، محصول و کاربران رو هم بسنجه.

در نهایت، چیزی که یک سنیور قوی رو از بقیه متمایز می‌کنه فقط دانش فنی نیست؛ قضاوت درست، تجربه، توانایی تصمیم‌گیری و تأثیرگذاری روی افراد و پروژه‌ها هم به همون اندازه مهم هستن.

💬 به نظر شما، بعد از سنیور شدن مهم‌ترین مهارتی که باید روش کار کرد چیه؟

#SoftwareEngineering
#Career

🧠 آیا می‌توان به بنچمارک‌های کدنویسی مدل‌های هوش مصنوعی اعتماد کرد؟
این روزها با انتشار هر مدل جدید، اولین چیزی که همه به آن نگاه می‌کنند بنچمارک‌ها هستند. اما یک تحقیق جدید نشان می‌دهد که همیشه نباید این اعداد را معیار قطعی عملکرد مدل‌ها بدانیم.
تیم Cursor در بررسی‌های خود نشان داده که برخی مدل‌های پیشرفته در محیط‌های ارزیابی از اطلاعاتی استفاده می‌کنند که عملاً نباید به آن‌ها دسترسی داشته باشند. به بیان ساده، مدل به‌جای حل واقعی مسئله، از میان‌برهایی استفاده می‌کند که باعث افزایش مصنوعی امتیازش می‌شود.
یکی از نمونه‌ها مربوط به بنچمارک SWE-bench Pro است. در برخی محیط‌های تست، تاریخچه کامل Git پروژه داخل کانتینر وجود داشته و مدل‌ها با استفاده از دستورهایی مانند git log --all توانسته‌اند کامیت‌هایی را پیدا کنند که پاسخ صحیح در آن‌ها وجود داشته است. در نتیجه، به‌جای استدلال و حل مسئله، پاسخ آماده را استخراج کرده‌اند.
سناریوی دیگر مربوط به بنچمارک‌هایی است که مدل به اینترنت دسترسی دارد. در چنین شرایطی، اگر پاسخ یا اطلاعات مرتبط قبلاً در GitHub، مقالات یا وب‌سایت‌ها منتشر شده باشد، مدل می‌تواند آن را جستجو کرده و مستقیماً از همان اطلاعات استفاده کند. این موضوع اعتبار برخی بنچمارک‌های عمومی را زیر سؤال می‌برد.
نکته جالب‌تر اینکه طبق گزارش منتشرشده توسط Anthropic، در چند آزمایش، یکی از نسخه‌های Claude تشخیص داده بود که در حال ارزیابی است و تلاش کرده بود اطلاعات مرتبط با همان بنچمارک را پیدا کند؛ موضوعی که نشان می‌دهد ارزیابی مدل‌های هوش مصنوعی روزبه‌روز پیچیده‌تر می‌شود.
همه این موارد یک پیام مهم دارند: بنچمارک‌ها ابزار مفیدی برای مقایسه هستند، اما نباید تنها معیار قضاوت باشند.
در نهایت، چیزی که واقعاً اهمیت دارد عملکرد مدل در پروژه‌های واقعی، کیفیت کدنویسی، توانایی حل مسئله، پایداری خروجی و میزان اعتمادی است که می‌توان در استفاده روزمره به آن داشت.
به نظر شما، آیا هنوز هم باید بنچمارک‌ها را معیار اصلی مقایسه مدل‌های هوش مصنوعی بدانیم یا وقت آن رسیده که ارزیابی‌های واقعی‌تر جایگزین آن‌ها شوند؟
#AI
#LLM
#Benchmark

💻 آیا هوش مصنوعی واقعاً مهندس‌های نرم‌افزار را جایگزین می‌کند؟

در یکی دو سال گذشته، یکی از پرتکرارترین پیش‌بینی‌ها این بود که هوش مصنوعی باعث کاهش شدید تقاضا برای مهندس‌های نرم‌افزار خواهد شد.

اما گزارش جدید SignalFire تصویر متفاوتی ارائه می‌دهد.

این شرکت به‌جای بررسی آمار اخراج‌ها، داده‌های استخدام را تحلیل کرده و مسیر شغلی میلیون‌ها نفر را در بیش از ۸۰ میلیون شرکت بررسی کرده است تا ببیند بازار کار فناوری واقعاً به چه سمتی حرکت می‌کند.

نتایج نشان می‌دهد که اگرچه استخدام در شرکت‌های بزرگ فناوری نسبت به سال ۲۰۱۹ حدود ۲۵ درصد کاهش داشته، اما استخدام مهندس‌های نرم‌افزار تنها ۱۱ درصد افت کرده است؛ یعنی در میان نقش‌های مختلف، مهندسی یکی از مقاوم‌ترین حوزه‌ها در برابر موج اتوماسیون بوده است.

نکته جالب‌تر اینکه در ۱۲ شرکت بزرگ فناوری از جمله Alphabet، Microsoft، Apple، Amazon، Meta، NVIDIA، Netflix، Tesla، Uber، Airbnb، Block و Stripe، بیش از ۵۵ درصد استخدام‌های جدید مربوط به نقش‌های مهندسی بوده است؛ در حالی که این سهم در سال ۲۰۱۹ حدود ۴۶ درصد بود.

در اکوسیستم استارتاپ‌ها نیز روند مشابهی دیده می‌شود. بر اساس این گزارش، استخدام مهندس‌های نرم‌افزار در استارتاپ‌های نوپا نسبت به سال ۲۰۱۹ نه‌تنها کاهش نداشته، بلکه حدود ۷ درصد رشد کرده است.

این نتایج با دیدگاه برخی از رهبران صنعت نیز همخوانی دارد. جنسن هوانگ، مدیرعامل NVIDIA، بارها تأکید کرده که هوش مصنوعی جای مهندس‌ها را نمی‌گیرد؛ بلکه بهره‌وری آن‌ها را افزایش می‌دهد.

با کمک AI، توسعه‌دهندگان زمان کمتری صرف کارهای تکراری می‌کنند و فرصت بیشتری برای حل مسائل پیچیده، طراحی سیستم‌ها و ساخت محصولات جدید خواهند داشت.

از نگاه اقتصادی، این موضوع را می‌توان با پارادوکس جونز (Jevons Paradox) توضیح داد؛ زمانی که یک فناوری باعث افزایش بهره‌وری می‌شود، در بسیاری از موارد تقاضا برای آن حوزه نیز افزایش پیدا می‌کند، نه اینکه کاهش یابد.

البته این به معنی ثابت ماندن ماهیت شغل مهندسی نیست. انتظار می‌رود نقش مهندس‌ها بیش از گذشته به سمت System Design، معماری نرم‌افزار، حل مسئله، طراحی AI Agentها، درک نیازهای کسب‌وکار و همکاری مؤثر با ابزارهای هوش مصنوعی حرکت کند.

به نظر می‌رسد سؤال اصلی دیگر این نیست که «آیا AI جای مهندس‌ها را می‌گیرد؟»؛ بلکه این است که کدام مهندس‌ها سریع‌تر یاد می‌گیرند از AI به‌عنوان یک همکار قدرتمند استفاده کنند.

💬 نظر شما چیه؟

#AI
#SoftwareEngineering
#Career

دوستان، یه چیزی که خودم تو این مدت یاد گرفتم اینه که گاهی باید کاری رو قبول کنیم که حتی فکر می‌کنیم از توانمون بالاتره.
شاید وسط مسیر بارها احساس کنید که به اندازه کافی بلد نیستید یا حتی پیش بقیه ضعیف به نظر برسید. ولی اشکالی نداره؛ این بخشی از فرآیند یادگیریه.
به نظرم بیشترین رشدی که داشتم، دقیقاً زمانی بوده که خودم رو مجبور کردم وارد چالش‌هایی بشم که ازشون می‌ترسیدم.
آخرش هم فقط یه پروژه یا یه مهارت جدید به دست نمیارید؛ اعتمادبه‌نفسی به دست میارید که با هیچ دوره یا کتابی به دست نمیاد.
پس اگر یه فرصت خوب سر راهتون قرار گرفت و کمی ازش ترسیدید، شاید همون فرصته که بیشترین رشد رو براتون رقم بزنه. 🚀

واقعیت از وقتی GLM 5.2 منتشر شده، تقریباً توی تمام کارهای توسعه ازش استفاده کردم.
تا اینجا تجربه‌م مثبت بوده و خروجی‌هایی که گرفته‌ام، رضایت‌بخش بوده؛ مخصوصاً توی بعضی تسک‌های برنامه‌نویسی عملکرد قابل قبولی داشته.
حالا دوست دارم نظر شما رو هم بدونم.
اگر با GLM 5.2 کار کردید، تجربه‌تون چطور بوده؟ نقاط قوت و ضعفش از نظر شما چیه؟ 🤔