🛒 فروشگاه اینترنتی چطور می‌فهمه چی بهت پیشنهاد بده؟

تا حالا شده فقط یه محصول رو ببینی و چند ساعت بعد، کلی محصول مشابه بهت پیشنهاد بشه؟ 👀
تصادفی نیست!

فروشگاه‌ها رفتار تو رو تحلیل می‌کنن:

🔎 چی سرچ کردی
👀 چی دیدی
🛒 چی خریدی
❤️ چی پسندیدی
⏱️ روی چی بیشتر موندی

بعد از بین این داده‌ها الگو پیدا می‌کنن.

مثلاً:
💻 Laptop → 🖱️ Mouse
📱 Phone → 📱 Case

یعنی افرادی که لپ‌تاپ خریدن، بیشتر موس هم خریدن؛ پس احتمالاً به تو هم موس پیشنهاد میشه!

با Python و Pandas می‌تونیم خیلی ساده همین ایده رو بررسی کنیم:

import pandas as pd

data = {
    "product": ["Laptop", "Laptop", "Phone", "Laptop", "Phone"],
    "recommended": ["Mouse", "Bag", "Case", "Mouse", "Case"]
}

df = pd.DataFrame(data)

result = df.groupby("product")["recommended"].value_counts()

print(result)

📊 این کد به ما کمک می‌کنه بفهمیم بعد از خرید هر محصول، چه محصولی بیشتر خریداری شده.

و این دقیقاً یکی از کاربردهای Data Analysisـه:

Data → Analysis → Pattern → Recommendation 🚀

#NovaCode #Python #DataAnalysis #DataScience #MachineLearning #Pandas

🔐 وقتی رمزت رو وارد می‌کنی، سایت از کجا می‌فهمه درسته؟

اینجا Hash وارد میشه! 👀

حالا Hash یعنی تبدیل یک داده مثل رمز عبور به یک خروجی مشخص و غیرقابل‌برگشت.

یعنی:

Password ➡️ 🔒 Hash

سایت به‌جای ذخیره مستقیم رمز، Hash اون رو ذخیره می‌کنه و موقع ورود، Hash رمز جدید رو با مقدار ذخیره‌شده مقایسه می‌کنه. 🧠

🐍 با Python:

import hashlib

password = "NovaCode123"

hashed = hashlib.sha256(
    password.encode()
).hexdigest()

print(hashed)

💡 در سیستم‌های واقعی برای ذخیره امن رمز عبور معمولاً از الگوریتم‌هایی مثل Argon2، bcrypt و scrypt استفاده میشه.

🔐 امنیت فقط یه رمز قوی نیست؛ پشت صحنه‌ش هم مهمه!

#Python #CyberSecurity #Hashing #Programming #NovaCode

🐍 PYTHON FACT #01

چرا Python با اینکه کندتره، توی AI این‌قدر محبوبه؟ 🤔

یه سؤال جالب:

اگه Python از خیلی از زبان‌ها کندتره، پس چرا تقریباً همه‌جا اسمشو کنار AI می‌بینیم؟ 🤯

جوابش اینه که Python قرار نیست همه‌ی محاسبات سنگین رو خودش انجام بده!

کتابخونه‌هایی مثل NumPy، PyTorch و TensorFlow بخش‌های سنگین محاسبات رو با زبان‌های سریع‌تری مثل C/C++ اجرا می‌کنن.

یعنی Python بیشتر نقش فرمانده رو داره 😎
و بخش‌های سنگین رو می‌سپره به ابزارهای سریع‌تر.

import numpy as np

data = np.random.rand(1000000)

result = np.mean(data)

print(result)

اینجاست که قدرت واقعی Python مشخص می‌شه:

🐍 سادگی Python + ⚡ سرعت کدهای سطح پایین = 🔥 قدرت در AI

پس همیشه سریع‌ترین زبان، بهترین انتخاب نیست؛
گاهی سادگی، اکوسیستم و ابزارها مهم‌ترن.

#Python #AI #ArtificialIntelligence #MachineLearning #DataScience #NovaCode

📂 مرتب سازی خودکار فایل ها | Python Trick 🐍

دسکتاپت پر از عکس، فیلم، PDF و فایل‌های مختلفه؟ 😂

با چند خط Python می‌تونی کاری کنی که فایل‌ها خودکار بر اساس نوعشون داخل پوشه‌های جدا قرار بگیرن! 🤯

import os
import shutil

folder = "Downloads"

for file in os.listdir(folder):
    path = os.path.join(folder, file)

    if os.path.isfile(path):
        ext = file.split(".")[-1].lower()

        if ext in ["jpg", "png", "jpeg"]:
            target = "Images"
        elif ext in ["mp4", "mkv"]:
            target = "Videos"
        elif ext == "pdf":
            target = "PDFs"
        else:
            target = "Others"

        os.makedirs(target, exist_ok=True)
        shutil.move(path, os.path.join(target, file))

print("✅ Files organized!")

✨ نتیجه؟

Downloads تبدیل میشه به:

📁 Images
📁 Videos
📁 PDFs
📁 Others

یعنی به‌جای اینکه خودت صدتا فایل رو جابه‌جا کنی، Python برات انجامش میده!😎

💡 این یکی از کاربردهای جذاب Python برای Automationـه.

#Python #Automation #Programming #Coding #PythonTips #AI #NovaCode

🤖 AI Fact #01

چرا با وجود AI هنوز به برنامه‌نویس‌ها نیاز داریم؟ 👀

یه تصور اشتباه وجود داره که با پیشرفت AI، دیگه برنامه‌نویس‌ها کم‌کم حذف میشن!

اما واقعیت اینه که 👇

هوش مصنوعی(AI) می‌تونه در چند ثانیه کد تولید کنه، خطاها رو پیدا کنه و حتی بخش‌هایی از یک پروژه رو بسازه؛ اما برنامه‌نویسی فقط نوشتن کد نیست!

یک برنامه‌نویس باید بتونه:

🧠 مسئله رو درست تحلیل کنه
🏗️ معماری مناسب برای پروژه انتخاب کنه
🔐 امنیت و کیفیت کد رو بررسی کنه
⚡ عملکرد و مقیاس‌پذیری سیستم رو در نظر بگیره
🐛 خطاهای کد تولیدشده توسط AI رو پیدا و اصلاح کنه
🎯 و مهم‌تر از همه، تشخیص بده چه چیزی اصلاً باید ساخته بشه!

💡 فکت جالب:
هرچقدر AI در نوشتن کد بهتر میشه، توانایی فهمیدن، بررسی کردن و تصمیم‌گیری درباره کد ارزشمندتر میشه.

پس آینده متعلق به کسی نیست که فقط کدنویسی بلده؛
🚀 متعلق به کسیه که کدنویسی + AI رو بلده!

پس AI جای برنامه‌نویس رو نمی‌گیره؛
برنامه‌نویسی که بلد باشه از AI استفاده کنه، جای برنامه‌نویسِ بدون AI رو می‌گیره! 🔥

#AI #ArtificialIntelligence #Python #Programming #Coding #Developer #NovaCode

💻 فکت کامپیوتری | کامپیوتر از کجا می‌فهمه یک فایل واقعاً PDFـه؟ 🤯

تا حالا به این فکر کردی وقتی یک فایل رو باز می‌کنی، کامپیوتر از کجا می‌فهمه باید اون رو با چه برنامه‌ای اجرا کنه؟ 👀

یکی از جواب‌ها چیزی به اسم Magic Number یا File Signature ـه. 🔮

بعضی فایل‌ها در ابتدای خودشون چند بایت مشخص دارن که نوع واقعی فایل رو معرفی می‌کنه.

مثلاً یک فایل PDF معمولاً با:

%PDF

شروع میشه.

پس اگر اسم این فایل رو از:

report.pdf

به:

photo.jpg

تغییر بدی، فایل واقعاً تبدیل به عکس نشده! 😄

چون محتوای داخلی فایل هنوز همون PDFـه.

---

🛡️ اما این موضوع چه کاربردی داره؟

یکی از کاربردهای مهمش در امنیت آپلود فایل‌هاست.

فرض کن یک سایت اجازه میده کاربر فایل PDF آپلود کنه.

اگر سایت فقط اسم فایل رو بررسی کنه:

if filename.endswith(".pdf"):
    print("OK")

ممکنه کاربر یک فایل با محتوای کاملاً متفاوت رو با پسوند .pdf آپلود کنه.

راه بهتر اینه که علاوه بر پسوند، محتوای ابتدایی فایل هم بررسی بشه.

مثلاً:

def is_pdf(filename):
    if not filename.lower().endswith(".pdf"):
        return False

    with open(filename, "rb") as file:
        header = file.read(4)

    return header == b"%PDF"


print(is_pdf("report.pdf"))

اگر خروجی True باشه، یعنی فایل هم پسوند PDF داره و هم امضای ابتدایی مورد انتظار PDF رو دارد. ✅

⚠️ البته در یک سیستم واقعی، فقط Magic Number برای امنیت کافی نیست و باید بررسی‌های امنیتی بیشتری انجام بشه.

---

🤯 پس دفعه بعدی که پسوند یک فایل رو تغییر دادی، یادت باشه:

اسم فایل می‌تونه دروغ بگه؛ ولی محتوای فایل داستان واقعی رو تعریف می‌کنه! 😎

🐍 این دقیقاً یکی از جاهاییه که برنامه‌نویسی از یک مفهوم ساده، به یک کاربرد واقعی در امنیت نرم‌افزار می‌رسه.

#Python #Programming #CyberSecurity #ComputerFacts #PythonTips #FileSecurity #NovaCode

#درد_و_دل
بعد از یک سال تلاش برای کنکور ارشد بالاخره رتبه ها اومد..
سال عجیبی بود واقعا و خیلی سخت و درعین حال جالب گذشت ...
درس خوندن واسه کنکور ارشد خیلی بیشتر از کارشناسی حال میده...
ولی واقعا توی کامپیوتر رقابت خیلییییییییییییییی زیاده....
توی رشته های دگه یه عده میگفتن تقریبا سفید دادن و رتبه های نسبتا خوبیم میاوردن ولی توی کامپیوتر اصلا از این خبرا نیست ...
خلاصه که بعد از یک سال سختی نتیجه اومد و حس حال عجیبیه و انتخاب رشته پروسه خیلییییی سختیه واقعا...
ادم بین گزینه هاش شدیدا شک میکنه یه وقتایی و هی مجبوری پرس و جو کنی ...
امیدوارم تمام کسایی که تلاش میکنن مسیر خفنی جلوی پاشون قرار بگیره و این رتبه کوچیک ترین بخش زندگیشون بشه و کلی موفقیت کسب کنند...
منم قول میدم که واسه ی موفقیتای بزرگ تلاش کنم و این مسیرو خوب پیش ببرم ....
برویم که بسازیم یه مسیر سخت ولی شیرینو....
حرفی بود خوشحال میشم بشنوم ازتون...
بهترین ها رو برای همتون ارزو میکنم🤍🙏🏻
بماند از کنکور ارشد کامپیوتر ۱۴۰۵....

خسته نباشید ویژه میگم به همگی دوستام که مشغول انتخاب رشته بودن...
فاینالی انتخاب رشته تمام شد :)
سخت بود واقعا ولی متخصص شدم تو تمام گرایش ها و تمام دانشگاه ها....
خداقوت به همگی...
بهترینا براتون رقم بخوره ...🤍🙏🏻
از فردام میریم سراغ ادامه پایتون و مطالب مفید😁

🎲 کامپیوتر چطوری عدد تصادفی می‌سازه؟

فرض کن می‌خوای با پایتون یه تاس بندازی. می‌نویسی:

import random

print(random.randint(1, 6))

ممکنه خروجی 4 باشه.
دفعه‌ی بعد 2، بعد 6...

اما یه سؤال جالب:

کامپیوتر که خودش شانس نداره، پس این عددها رو از کجا میاره؟ 🤔

🧠 اول یه تفاوت مهم

وقتی یه تاس واقعی می‌ندازی، نتیجه به چیزهایی مثل سرعت پرتاب، زاویه و برخورد با سطح بستگی داره. این عوامل رو نمی‌تونی دقیق پیش‌بینی کنی.

اما کامپیوتر معمولی، اگر فقط به خودش و یک الگوریتم ریاضی تکیه کنه، می‌تونه عددهایی تولید کنه که تصادفی به نظر می‌رسن، ولی در اصل قابل‌تکرارن.

به این‌ها می‌گیم:

Pseudo-Random Numbers
یعنی اعداد شبه‌تصادفی.

🎯 حالا الگوریتم چطور کار می‌کنه؟

فرض کن یه دستگاه داریم که یه عدد اولیه می‌گیره و هر بار عدد بعدی رو از روی قبلی می‌سازه:

مثلاً یه الگوریتم خیلی ساده می‌تونه این باشه:

عدد بعدی = (عدد قبلی × 5 + 1) % 16

علامت % یعنی باقی‌مانده‌ی تقسیم.

پس اگر عدد اولیه 3 باشه:

عدد اول:   3
عدد بعدی:  (3 × 5 + 1) % 16 = 0
عدد بعدی:  (0 × 5 + 1) % 16 = 1
عدد بعدی:  (1 × 5 + 1) % 16 = 6
عدد بعدی:  (6 × 5 + 1) % 16 = 15

می‌بینی؟ 😮

هیچ شانسی در کار نیست!
الگوریتم فقط داره محاسبه می‌کنه، ولی خروجی‌ها می‌تونن شبیه عددهای تصادفی به نظر برسن.

🐍 حالا همین ایده رو با پایتون ببینیم

def pseudo_random(seed, count):
    numbers = []

    for _ in range(count):
        seed = (seed * 5 + 1) % 16
        numbers.append(seed)

    return numbers


print(pseudo_random(3, 10))

خروجی:

[0, 1, 6, 15, 12, 13, 2, 11, 8, 9]

این یه الگوریتم آموزشی ساده‌شده است، نه الگوریتم واقعی پایتون؛ فقط می‌خوایم ایده رو ببینیم.

پس Seed چیه؟
یعنی نقطه‌ی شروع الگوریتم

اگر Seed رو ثابت کنیم، دنباله‌ی عددها هم ثابت می‌شه:

import random

random.seed(42)

print(random.randint(1, 6))
print(random.randint(1, 6))
print(random.randint(1, 6))

حالا همین کد رو دوباره اجرا کن؛ همون سه عدد رو می‌بینی!

چرا؟ چون کامپیوتر از همون نقطه‌ی شروع، همون محاسبات رو دوباره انجام می‌ده.

> تصادفی به نظر می‌رسه، ولی قابل‌تکراره. 🧠

🔐 یه نکته‌ی خیلی مهم

این نوع تصادفی‌سازی برای بازی، شبیه‌سازی و انتخاب‌های معمولی کاربردیه.
اما برای رمز عبور، توکن امنیتی و کارهای حساس نباید از random معمولی استفاده کرد؛ چون برای امنیت طراحی نشده.

پس پشت خیلی از چیزهایی که تصادفی به نظر می‌رسن، یه الگوریتم دقیق نشسته! 🐍

#NovaCode #Python #Programming #ComputerScience #RandomNumbers #PythonTutorial #AI

🐍 چرا ChatGPT گاهی با اعتمادبه‌نفس کامل جواب اشتباه می‌ده؟

تا حالا شده یه سؤال از ChatGPT بپرسی، با اطمینان کامل جواب بده، بعد بفهمی کلاً اشتباه بوده؟

جالب‌تر اینه که گاهی جوابش اون‌قدر مرتب و قانع‌کننده‌ست که اصلاً شک نمی‌کنی!

اما چرا؟ مگه هوش مصنوعی قرار نیست جواب درست بده؟

🧠 اول یه تصور اشتباه رو اصلاح کنیم

خیلی‌ها فکر می‌کنن ChatGPT مثل یه کتابخونه‌ست که جواب سؤال‌ها رو از توش پیدا می‌کنه.

اما مدل‌های زبانی مثل GPT در اصل با یادگیری الگوهای زبان کار می‌کنن.

یعنی چی؟

فرض کن به مدل بگی:

> «پایتون یک زبان برنامه‌نویسی ...»

مدل از روی الگوهایی که یاد گرفته، احتمال می‌ده کلمه‌ی بعدی «است» باشه.

حالا اگر بگی:

> «پایتون یک زبان برنامه‌نویسی است که برای ...»

مدل دوباره پیش‌بینی می‌کنه کلمه‌ی بعدی چی باشه.

و این کار رو کلمه‌به‌کلمه ادامه می‌ده تا جواب ساخته بشه.

پس مدل لزوماً نمی‌گه:

> «من این واقعیت رو از منبع X پیدا کردم.»

بلکه می‌گه:

> «با توجه به الگوهایی که یاد گرفتم، این ادامه‌ی متن محتمل‌تره.»

و این دقیقاً جاییه که ممکنه اشتباه کنه! 👀


🎲 یه مثال خیلی ساده با پایتون

فرض کن یه مدل کوچیک فقط این جمله‌ها رو دیده:

sentences = [
    "من امروز قهوه خوردم",
    "من امروز چای خوردم",
    "من امروز آب خوردم",
]

حالا اگر ازش بپرسیم:

«من امروز ...»

مدل باید حدس بزنه کلمه‌ی بعدی چی باشه.

from collections import Counter

sentences = [
    "من امروز قهوه خوردم",
    "من امروز چای خوردم",
    "من امروز آب خوردم",
]

next_words = []

for sentence in sentences:
    words = sentence.split()

    if words[:2] == ["من", "امروز"]:
        next_words.append(words[2])

print(Counter(next_words))

خروجی:

Counter({'قهوه': 1, 'چای': 1, 'آب': 1})

یعنی مدل از روی مثال‌هایی که دیده، می‌فهمه بعد از «من امروز» احتمالاً یکی از این کلمه‌ها میاد.

البته این فقط یه مثال آموزشی خیلی ساده ست؛ مدل‌های واقعی از شبکه‌های عصبی بزرگ و الگوهای بسیار پیچیده‌تر استفاده می‌کنن.


🤔 پس چرا جواب اشتباه می‌سازه؟

چون محتمل‌ترین ادامه‌ی متن، همیشه حقیقت نیست.

مثلاً اگر از مدل بپرسی:

> «فلان دانشمند در سال ۱۸۵۰ چه مقاله‌ای منتشر کرد؟»

ممکنه مدل چون اسم دانشمند، سال و موضوع مقاله رو شبیه چیزهایی که قبلاً دیده تشخیص می‌ده، یه جواب کاملاً قانع‌کننده بسازه؛ حتی اگر اون مقاله اصلاً وجود نداشته باشه.

به این اتفاق می‌گن:

Hallucination | توهم هوش مصنوعی

یعنی مدل اطلاعاتی رو تولید می‌کنه که واقعی به نظر می‌رسن، اما ممکنه نادرست باشن.

🔥 یه نکته‌ی خیلی مهم

هوش مصنوعی لزوماً دروغ نمی‌گه؛ ممکنه واقعاً ندونه، ولی چون برای ادامه‌ی متن باید یه چیزی تولید کنه، یه جواب محتمل بسازه.

برای همین:

جواب مرتب ≠ جواب درست
اعتمادبه‌نفس زیاد ≠ اطمینان علمی
هوش مصنوعی ≠ منبع حقیقت

پس دفعه‌ی بعد که ChatGPT یه جواب خیلی قاطع داد، یه سؤال مهم ازش بپرس:

> «مطمئنی؟ منبعش چیه؟»

و اگر موضوع مهمیه، حتماً خودت هم بررسیش کن.

#NovaCode #AI #ChatGPT #LLM #MachineLearning #Python #هوش_مصنوعی #برنامه_نویسی

🧠 کامپیوتر چطور معنی کلمات رو می‌فهمه؟!

یه سؤال عجیب:

اگه کامپیوتر فقط عدد می‌فهمه، پس چطوری می‌فهمه «گربه» به «سگ» نزدیک‌تره تا «هواپیما»؟! 🤯

اینجا یکی از ایده‌های جذاب دنیای هوش مصنوعی و NLP وارد میشه:

🔢 کلمات تبدیل به عدد میشن!

یکی از روش‌های ساده برای این کار، Word Embedding هست.

یعنی هر کلمه رو به یک مجموعه عدد تبدیل می‌کنیم؛ مثلاً:

cat = [0.8, 0.7, 0.2]
dog = [0.7, 0.8, 0.3]
car = [0.1, 0.2, 0.9]

حالا می‌تونیم با پایتون بررسی کنیم کدوم کلمه به cat نزدیک‌تره! 👇

import numpy as np

cat = np.array([0.8, 0.7, 0.2])
dog = np.array([0.7, 0.8, 0.3])
car = np.array([0.1, 0.2, 0.9])

def distance(a, b):
    return np.linalg.norm(a - b)

print("Cat ↔ Dog:", distance(cat, dog))
print("Cat ↔ Car:", distance(cat, car))

احتمالاً خروجی چیزی شبیه این میشه:

Cat ↔ Dog: 0.17
Cat ↔ Car: 1.07

یعنی از نظر این فضای عددی:

🐱 Cat به Dog نزدیک‌تره
تا
🚗 Cat به Car

و این دقیقاً قسمت باحال ماجراست! 🤯

مدل‌های واقعی هم ایده‌ای مشابه دارن، اما نه با فقط ۳ عدد!

در مدل‌های مدرن، کلمات یا توکن‌ها در فضاهای برداری با صدها یا هزاران بُعد نمایش داده میشن.

مدل با دیدن حجم عظیمی از متن یاد می‌گیره که چه کلماتی معمولاً در چه زمینه‌ها و روابطی کنار هم قرار می‌گیرن.

پس کامپیوتر لزوماً مثل انسان نمیگه:

> «گربه یک حیوانه و سگ هم یک حیوانه.»

بلکه از الگوهای موجود در داده‌ها یاد می‌گیره که نمایش عددی این مفاهیم چه رابطه‌ای با هم داشته باشه.

🔥 به همین ایده‌هاست که مدل‌های زبانی می‌تونن روابط پیچیده‌تری بین کلمات و مفاهیم پیدا کنن.

و این یکی از پایه‌های مهم NLP، Machine Learning و LLMها محسوب میشه.


🤯 حالا سؤال سخت‌تر:

اگه هر کلمه فقط تبدیل به یه سری عدد بشه...

اینChatGPT چطور از عددها می‌فهمه منظور ما از «شیر» 🦁 حیوانه یا «شیر» 🥛 نوشیدنی؟!

#Python #AI #NLP #MachineLearning #LLM #NovaCode

🧠 کامپیوتر چطور می‌فهمه «شیر» 🦁 است یا «شیر» 🥛؟!

توی پست قبلی دیدیم که کلمات می‌تونن به بردارهای عددی تبدیل بشن.

اما یه مشکل بزرگ وجود داره! 👀
کلمه‌ی «شیر» رو در نظر بگیر:
🦁 «شیر در جنگل زندگی می‌کند.»
🥛 «شیر را از یخچال بردار.»
کلمه یکیه، اما معنی کاملاً متفاوته!

پس اگه برای «شیر» فقط یک بردار ثابت داشته باشیم، کامپیوتر از کجا بفهمه منظورمون کدوم شیره؟ 🤔

🔥 جواب: Context یا «زمینه»!

مدل‌های زبانی فقط خود کلمه رو نگاه نمی‌کنن؛
به کلمات اطرافش هم توجه می‌کنن.

مثلاً:
«شیر در جنگل شکار می‌کند.»
کلمات اطراف «شیر» مثل:
جنگل ، شکار

به مدل سرنخ میدن که احتمالاً منظور 🦁 است.

اما:
«شیر را داخل لیوان ریخت.»

کلمات:
لیوان ریخت

باعث میشن مدل بفهمه منظور 🥛 است.

💡 حالا بیایم با یه مثال خیلی ساده در پایتون ایده‌ی «شباهت معنایی» رو شبیه‌سازی کنیم:

import numpy as np

lion = np.array([0.9, 0.8, 0.1])
milk = np.array([0.1, 0.2, 0.9])

sentence1 = np.array([0.8, 0.7, 0.2])
sentence2 = np.array([0.2, 0.3, 0.8])

def similarity(a, b):
    return np.dot(a, b) / (
        np.linalg.norm(a) * np.linalg.norm(b)
    )

print("شیر در جمله ۱:")
print("Lion:", similarity(sentence1, lion))
print("Milk:", similarity(sentence1, milk))

print("\nشیر در جمله ۲:")
print("Lion:", similarity(sentence2, lion))
print("Milk:", similarity(sentence2, milk))

اینجا به‌صورت ساده فرض کردیم که مدل، نمایش عددی «شیر» رو با توجه به جمله تغییر میده.
نتیجه‌ی مفهومی چیزی شبیه اینه:

جمله ۱:
Lion: 0.98
Milk: 0.35

جمله ۲:
Lion: 0.40
Milk: 0.97

یعنی:

«شیر در جنگل شکار می‌کند»
→ شیر به مفهوم Lion نزدیک‌تره.

«شیر را داخل لیوان ریخت»
→ شیر به مفهوم Milk نزدیک‌تره.

🤯 اما مدل‌های واقعی چطور این کار رو انجام میدن؟
اینجاست که یکی از مهم‌ترین ایده‌های LLMها وارد میشه:
Attention
مدل می‌تونه هنگام پردازش یک کلمه، به کلمات مهم اطرافش «توجه» بیشتری کنه.

مثلاً در:
«شیر در جنگل شکار می‌کند.»
وقتی مدل به «شیر» می‌رسه، احتمالاً اطلاعات «جنگل» و «شکار» براش مهم‌تره.
ولی در:

«شیر را داخل لیوان ریخت.»
کلماتی مثل «لیوان» و «ریخت» اطلاعات مهم‌تری درباره‌ی معنی «شیر» میدن.

پس نمایش کلمه می‌تونه با توجه به Context تغییر کنه.
و این دقیقاً یکی از تفاوت‌های مهم بین روش‌های قدیمی‌تر مثل Word2Vec و مدل‌های مدرن زبانیه.

در Word2Vec:
🦁 شیر = یک بردار ثابت
اما در مدل‌های مدرن:
«شیر» + جمله
→ یک نمایش وابسته به Context

و این ایده، ما رو مستقیم می‌رسونه به یکی از مهم‌ترین تکنولوژی‌های دنیای AI:
Transformer

همون معماری‌ای که پایه‌ی مدل‌های زبانی مدرن و LLMهاست.

پس دفعه‌ی بعد که ChatGPT معنی
یک کلمه‌ی چندمعنایی رو درست تشخیص داد، بدون که فقط به خود اون کلمه نگاه نکرده...

به Context نگاه کرده! 👀

#Python #AI #NLP #MachineLearning #LLM #Transformer #Attention #NovaCode

#درد_و_دل
هر کی میگه ورزش برای سلامتی مفیده دروغ میگه :)💔

کامپیوتر چطور می‌فهمه یک جمله مثبت است یا منفی؟

این دو جمله رو ببین:

> «این فیلم واقعاً فوق‌العاده بود! »
> «این فیلم واقعاً افتضاح بود! »

برای ما احساس جمله کاملاً مشخصه؛ اما برای کامپیوتر، هر دو فقط مجموعه‌ای از کلمات هستن.

اینجاست که یکی از کاربردهای جذاب NLP به نام Sentiment Analysis وارد میشه.

📌 این Sentiment Analysis یعنی اینکه یک مدل هوش مصنوعی بتونه احساس یا نظر موجود در یک متن رو تشخیص بده؛ مثلاً مثبت یا منفی.

با استفاده از کتابخانه Transformers حتی می‌تونیم با چند خط کد این کار رو انجام بدیم:

from transformers import pipeline

sentiment = pipeline("sentiment-analysis")

texts = [
    "I absolutely loved this movie!",
    "This movie was terrible.",
    "The food was amazing!"
]

for text in texts:
    result = sentiment(text)[0]

    print(text)
    print(result)
    print()

🔹 خروجی:

I absolutely loved this movie!
{'label': 'POSITIVE', 'score': 0.9998}

This movie was terrible.
{'label': 'NEGATIVE', 'score': 0.9997}

The food was amazing!
{'label': 'POSITIVE', 'score': 0.9999}

اما قسمت جالب ماجرا اینجاست:

مدل فقط دنبال کلماتی مثل good یا bad نمی‌گرده.

مثلاً:

I like this movie.

و:

I don't like this movie.

فقط یک کلمه با هم تفاوت دارن، اما معنی‌شون تقریباً کاملاً برعکسه!

مدل‌های مدرن NLP، مخصوصاً مدل‌های مبتنی بر Transformer، با استفاده از مکانیزم Attention می‌تونن ارتباط بین بخش‌های مختلف جمله رو بررسی کنن و از این اطلاعات برای درک بهتر متن استفاده کنن.

📊 از همین تکنولوژی میشه برای کارهایی مثل:

🔹 تحلیل نظرات کاربران
🔹 بررسی کامنت‌های شبکه‌های اجتماعی
🔹 تحلیل بازخورد مشتریان
🔹 بررسی اخبار
🔹 تحلیل حجم زیادی از متن

استفاده کرد.

💡 در واقع، NLP فقط درباره فهمیدن کلمات نیست؛ گاهی هدف اینه که مدل بفهمه انسان پشت اون کلمات چه منظوری یا چه احساسی داشته.

#Python #NLP #AI #MachineLearning #Transformers
#هوش_مصنوعی #پردازش_زبان_طبیعی