آنالیز فعالیت ها توی تلگرام
⚪️ با اجرا کردن این کد روی اکانت تلگرام میتونید با ارسال دستور /status در هر زمان که خواستید یک آمار روزانه از فعالیت خودتون توی تلگرام ببنید با کیا بیشتر صحبت کردید چقدر توی تلگرام وقت گذروندید و ...
آموزش استفاده
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کد مورد نیاز:

from telethon import TelegramClient, events
from datetime import datetime, timedelta
from collections import Counter

api_id = 'Api Aid'
api_hash = 'Api hash'

client = TelegramClient('user_session', api_id, api_hash)

activity_log = []

@client.on(events.NewMessage)
async def track_activity(event):
    activity_log.append({
        'chat_id': event.chat_id,
        'chat_name': (await event.get_chat()).title if event.is_channel else (await event.get_chat()).first_name,
        'time': datetime.now(),
        'type': 'channel' if event.is_channel else 'chat'
    })

@client.on(events.NewMessage(pattern='/status'))
async def send_status(event):

    now = datetime.now()
    today_log = [log for log in activity_log if log['time'].date() == now.date()]


    chat_counter = Counter(log['chat_name'] for log in today_log if log['type'] == 'chat')
    channel_counter = Counter(log['chat_name'] for log in today_log if log['type'] == 'channel')
    total_time_spent = sum((log['time'] - today_log[i - 1]['time']).seconds for i, log in enumerate(today_log[1:], 1) if today_log[i - 1]['chat_id'] == log['chat_id'])


    response = "📊 **گزارش فعالیت امروز:**\n\n"
    response += "👥 **چت‌های برتر:**\n"
    for chat, count in chat_counter.most_common(5):
        response += f"- {chat}: {count} پیام\n"
    
    response += "\n📣 **کانال‌های دنبال‌شده:**\n"
    for channel, count in channel_counter.most_common(5):
        response += f"- {channel}: {count} پیام\n"
    
    response += f"\n🕒 **زمان کل در تلگرام:** {timedelta(seconds=total_time_spent)}\n"

    await event.reply(response)

async def main():
    await client.start()
    print("کلاینت فعال شد!")
    await client.run_until_disconnected()

if __name__ == '__main__':
    import asyncio
    asyncio.run(main())

➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧‌ ▼꯭‌‌ ⃤

@Technical_coding 💻

Python Machine Learning
یادگیری ماشین پایتون
#هوش_مصنوعی #کتاب #یادگیری_ماشین #پایتون
#MachineLearning #DeepLearning #python #AI #book
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

The Transformer Architecture: A Visual Guide
🔗 Link_discretion
#بروشور
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

گیت‌هاب نسخه رایگان هوش مصنوعی کدنویسی کوپایلت را برای برنامه‌نویسان عرضه کرد.
گیت‌هاب اعلام کرد دستیار هوش مصنوعی Github Copilot رایگان در دسترس کاربران قرار گرفته است. کاربران Github.com و Visual Studio Code از همین حالا می‌توانند از این سرویس استفاده کنند.
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

برای یادگیری Machine Learning با پروژه های واقعی، این لینک گیتهاب را از دست ندید:
https://github.com/ml-tooling/best-of-ml-python
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کتابخانه اوپن سورس BetterWhisperX که یک فورک بهبود یافته از WhisperX هست ، برای تشخیص صحبت به همراه دیاریزاسیون
https://github.com/federicotorrielli/BetterWhisperX
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله الگوریتم‌های حفظ حریم خصوصی را برای تحلیل تمرینات توانبخشی زانو از داده‌های ویدئویی معرفی می‌کند. این الگوریتم‌ها از Google MediaPipe برای تخمین وضعیت بدن استفاده کرده و ویدئوها را به داده‌های سری زمانی تشخیصی تبدیل می‌کنند.
الگوریتم‌ها ویدئوها را با استفاده از اسکچ‌های استخوان‌بندی و تخمین زاویه زانو تقویت کرده و به دقت 91.67% تا 100% در شناسایی تمرینات از زوایای مختلف دست یافته‌اند.
این تحقیق به هوش مصنوعی قابل تفسیر کمک کرده و توسعه پلتفرم‌های متن‌باز و غیر انحصاری برای سیستم‌های بهداشتی در آینده را تسهیل می‌کند.
▪️ Towards nation-wide analytical healthcare infrastructures: A privacy-preserving augmented knee rehabilitation case study
#مقاله #ایده_جذاب #علوم_پزشکی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

مایکروسافت مدل زبان Phi-4 را با ۱۴ میلیارد پارامتر منتشر کرده است، که تحت مجوز MIT به صورت کامل متن‌باز در هاب هاجینگ‌فیس قرار دارد
#هوش_مصنوعی #Artificial_Intelligence
https://huggingface.co/microsoft/phi-4
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Top 10 Machine Learning Algorithms
۱۰ تا بهترین الگوریتم های یادگیری ماشین
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله مدل هوش مصنوعی LUNA را معرفی می‌کند که نقشه‌های هوادهی ریه را مستقیماً از داده‌های فرکانس رادیویی (RF) بازسازی می‌کند و نیاز به تفسیر تصاویر سنتی B-mode در سونوگرافی ریه را حذف می‌کند.
با استفاده از یک اپراتور عصبی فوریه (Fourier Neural Operator)، LUNA در اسکن‌های ریه خوک به‌صورت برون‌تنی، پس از آموزش با داده‌های شبیه‌سازی‌شده و واقعی، به خطای تخمین هوادهی 9% دست یافته است.
این روش کمی و مستقل از کاربر با هدف بهبود کاربرد تشخیصی و قابلیت تکرارپذیری #سونوگرافی ریه طراحی شده است.
▪️ Ultrasound Lung Aeration Map via Physics-Aware Neural Operators
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

Python Projects with API
#هوش_مصنوعی #کتاب #پایتون #پروژه_پایتون
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

این مقاله به بررسی پیش‌بینی پیشرفت بیماری #پارکینسون (PD) با استفاده از رگرسیون، شبکه‌های LSTM و شبکه‌های کولموگروف آرنولد (KAN) می‌پردازد.
شبکه KAN با بهره‌گیری از یادگیری دینامیک الگوهای فعال‌سازی، عملکرد بهتری نسبت به مدل‌های دیگر در پیش‌بینی پیشرفت بیماری بر اساس مقیاس MDS-UPDRS و ناهنجاری‌های پروتئین/پپتید نشان می‌دهد.
این مطالعه بر پتانسیل هوش مصنوعی و یادگیری ماشین در بهبود مراقبت و استراتژی‌های درمانی بیماران مبتلا به پارکینسون تأکید می‌کند.
▪️ Advancing Parkinson's Disease Progression Prediction: Comparing Long Short-Term Memory Networks and Kolmogorov-Arnold Networks
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

کاربرد مدل بنیادی در انواع سلول‌های انسانی
معرفی مدل General Expression Transformer (GET): یک مدل بنیادی پیشرفته برای پیش‌بینی بیان ژن در 213 نوع سلول انسانی با استفاده از داده‌های دسترسی کروماتین و توالی ژنتیکی. مدل GET به دقتی در سطح آزمایشگاهی دست یافته است، حتی برای انواع سلول‌هایی که قبلاً دیده نشده‌اند.
کشف تعاملات فاکتورهای رونویسی جهانی و خاص سلول‌ها: مدل GET دیدگاه‌های ارزشمندی درباره مکانیسم‌های تنظیمی ارائه می‌دهد و در شناسایی عناصر تنظیمی (مانند تقویت‌کننده‌های بلندمدت که در روش‌های قبلی نادیده گرفته شده‌اند) عملکرد بهتری نسبت به مدل‌های موجود دارد.
قابلیت‌های پیش‌بینی بدون آموزش اضافی (Zero-shot): مدل GET توانایی پیش‌بینی فعالیت‌های تنظیمی را بدون نیاز به آموزش اضافی دارد. در سلول‌های K562، مدل GET عملکردی برتر نسبت به مدل‌های پیشرفته دیگر نشان داد و دقت بی‌سابقه‌ای در پیش‌بینی بیان ژن داشت.
یادگیری خودنظارتی (Self-supervised learning): مدل GET نحو (syntax) تنظیم رونویسی را ثبت می‌کند و تعاملات میان عناصر تنظیمی و فاکتورهای رونویسی را در انواع سلول‌های متنوع مدل‌سازی می‌کند.
انعطاف‌پذیری برجسته مدل: این مدل قابلیت کارکرد در پلتفرم‌ها و آزمایش‌های مختلف توالی‌یابی را دارد، از جمله کاربرد آن در سلول‌های توموری و موفقیت در پیش‌بینی تعاملات بلندمدت بین تقویت‌کننده و پروموتر.
شناسایی تعامل جدید فاکتور رونویسی خاص لنفوسیت‌ها: این مدل یک تعامل جدید فاکتور رونویسی خاص لنفوسیت را شناسایی کرد که اهمیت عملکردی یک جهش مرتبط با سرطان خون (لوسمی) را توضیح می‌دهد. این دستاورد توانایی مدل را در پیوند دادن تنوع ژنتیکی به تأثیرات تنظیمی نشان می‌دهد.
پیش‌بینی‌های ساختاری با استفاده از AlphaFold2: این مدل دینامیک تا خوردگی تعاملات فاکتورهای رونویسی را نشان داد و امکان ساخت کاتالوگی جامع از شبکه‌های فاکتورهای رونویسی را فراهم کرد که به صورت عمومی برای تحقیقات بیشتر در دسترس است.
مطالعات موردی با استفاده از مدل GET: این مطالعات بینش‌های جدیدی درباره مکانیسم‌های تنظیمی کلیدی در تنظیم هموگلوبین جنینی و پیش‌زمینه‌های لوسمی فراهم کرده‌اند و بر پتانسیل تحول‌آفرین این مدل در تحقیقات ژنتیکی تأکید دارند.
▪️ A foundation model of transcription across human cell types
▪️ Code
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

آیا مدل‌های زبان بزرگ (LLM) می‌توانند تصمیم‌گیری بالینی (CDM) را در سناریوهای دنیای واقعی متحول کنند؟
▪️ Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻

سایت بسیار خوبی برای تمرین در سطح کد، در چهار حوزه یادگیری عمیق (Deep Learning)، یادگیری ماشین (Machine Learning) و جبر خطی و پردازش زبان طبیعی (NLP):
https://www.deep-ml.com/
#هوش_مصنوعی
➖➖➖➖➖➖➖➖➖➖➖
♡⠀        〇⠀         ⎙⠀      ⌲⁣
ʟɪᴋᴇ   ᴄᴏᴍᴍᴇɴᴛ   sᴀᴠᴇ   sʜᴀʀᴇ

▼‌⃫╁‌⃕ ⸦𝙹𝙾𝙸𝙽 𝙸𝙽 ⸧͜ ▼꯭‌̶ ⃤

@Technical_coding 💻