💵 ولی ما شوخی نکردیم 🔥🔥

✅ Telegram 📱 Instagram

📣 انجمن علمی دانشکده مهندسی کامپیوتر دانشگاه امیرکبیر با همکاری OMPFinex برگزار می‌کند:

🚩امین دوره‌ی رویداد هوش مصنوعی امیرکبیر

🤩 🔠🔠🔠🔠🔠 🤩

🎙سخنرانی
🖥کارگاه
🏁مسابقه

🪙با بیش از 0️⃣5️⃣3️⃣1️⃣ تتر جایزه🔥

🤖 مخصوص علاقه‌مندان هوش‌مصنوعی!

🗓 از ۲ دی تا ۲۴ بهمن‌ماه

📢 با ارائه های حضوری و مجازی

🖥 ثبت نام از طریق سایت رویداد:

🌐 aaiss.ceit-ssc.ir

✅ اطلاعات و توضیحات بیشتر درمورد رویداد

❓ در صورت وجود هرگونه سوالی، می‌توانید با اکانت پشتیبانی در ارتباط باشید:
🆔 @aaiss_2026

✅ Telegram 📱 Instagram

❄️❄️❄️❄️❄️

اولین مسابقه Prompt Injection در دانشگاه امیرکبیر 🥇

🧠 اگه به هوش مصنوعی، امنیت، یا کل‌کل فکری با مدل‌ها علاقه داری،
این یه تجربه‌ی متفاوته که حداقل یک بار ارزش امتحان کردن رو داره.

📍 امروز | ساعت ۱۳ تا ۱۵
📌 غرفه‌های AAISS، روبه‌روی دانشکده مهندسی کامپیوتر

یه رقابت کوتاه، ساده و سرگرم‌کننده
که بدون پیش‌نیاز خاصی می‌تونی واردش بشی،
چند تا سناریو رو امتحان کنی
و از نزدیک ببینی Prompt Injection واقعاً یعنی چی و چطور کار می‌کنه. 😱

اگه کنجکاوی، 😮
اگه دوست داری یه چیز جدید یاد بگیری و رقابت کنی،
یا حتی فقط می‌خوای یه تجربه متفاوت بین کلاس‌هات داشته باشی،
این فرصت رو از دست نده.
چون اینجا حتما برنده ای! 🏆

❄️❄️❄️❄️❄️

❓ در صورت وجود هرگونه سوالی، می‌توانید با اکانت پشتیبانی در ارتباط باشید:
🆔 @aaiss_2026

✅ Telegram 📱 Instagram

🚀 افتتاحیه ششمین دوره AAISS

با افتخار از شما دعوت می‌کنیم به افتتاحیه AAISS، جایی که هوش مصنوعی فقط یک مفهوم نیست، بلکه یک مسیر واقعی برای آینده‌ست 🤖✨

در این رویداد:
🧠 با مسیر، اهداف و ششمین دوره آشنا می‌شید
🎤 یک سخنرانی تخصصی از مهندس‌نرم‌افزار شرکت OMPFinex خواهیم داشت
🍴‼️همراه با پذیرایی ویژه

اگر به AI، سیستم‌های مقیاس‌پذیر، فین‌تک و دنیای واقعی مهندسی نرم‌افزار علاقه‌مندی، این رویداد رو از دست نده 👀🔥

😮 ورود برای همه آزاد و رایگان است

🗓 سه‌شنبه ساعت ۱۶:۳۰
📌 سالن آمفی تئاتر دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر

❄️❄️❄️❄️❄️

❓ در صورت وجود هرگونه سوالی، می‌توانید با اکانت پشتیبانی در ارتباط باشید:
🆔 @aaiss_2026

✅ Telegram 📱 Instagram 🌐 Website

🔔جلسه افتتاحیه ساعت 16:30 در آمفی‌تئاتر دانشکده مهندسی کامپیوتر دانشگاه امیرکبیر برگزار خواهد شد.

🔥منتظر حضور گرم شما عزیزان هستیم❤️

✅ Telegram  📱 Instagram

🚀 پشت صحنه یک صرافی رمزارزی
چگونه OMPFinex زنده می ماند؟ 👀🔥

🔈 با ارائه مهندس حسن عابدی مهندس نرم افزار OMPFinex

✅ ورود برای همه آزاد و رایگان است

🗓 چهارشنبه ۳ دی ماه ساعت ۱۶:۳۰
📌 سالن آمفی تئاتر دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر

❄️❄️❄️❄️❄️

❓ در صورت وجود هرگونه سوالی، می‌توانید با اکانت پشتیبانی در ارتباط باشید:

😀 @aaiss_2026

✅ Telegram  📱 Instagram 🌐 Website

💡 فرمت برگزاری ششمین دوره رویداد AAISS💡

🔴 در ششمین دوره‌ی رویداد AAISS، تلاش کرده‌ایم ساختاری طراحی کنیم که یادگیری عمیق‌تر، هدفمندتر و متناسب با سطح شرکت‌کنندگان باشد.

☺️ نحوه برگزاری :
ارائه‌ها به‌صورت آنلاین برگزار می‌شوند و محتوای آموزشی در دو سطح مقدماتی و پیشرفته ارائه خواهد شد.

⏰ مدت زمان رویداد
این دوره در بازه‌ای حدود دو ماه برگزار می‌شود تا شرکت‌کنندگان فرصت کافی برای:
درک عمیق‌تر مطالب بین جلسات ,مرور و تمرین مفاهیم و آمادگی بهتر برای ادامه‌ی برنامه‌ها را داشته باشند.

🔥محتوای آموزشی این دوره در دو مرحله در اختیار شرکت‌کنندگان قرار می‌گیرد:

🥶 مرحله اول رویداد (پیش از آغاز مسابقه)
در این مرحله، ارائه‌های مقدماتی منتشر شده و ثبت نام هر ارائه تا یک ساعت قبل از ارائه ادامه دارد.

🥶 مرحله دوم رویداد | پس از آغاز مسابقه بزرگ AAISS
با شروع مسابقه ، علاوه بر ادامه‌ی ارائه‌های مقدماتی،ارائه‌های پیشرفته نیز در دسترس شرکت‌کنندگان قرار می‌گیرد.

✨ به این ترتیب، یادگیری و رقابت به‌صورت هم‌زمان و مکمل یکدیگر پیش می‌روند و شرکت‌کنندگان می‌توانند دانش خود را در بستر حل مسئله و رقابت علمی به کار بگیرند.

❓ در صورت وجود هرگونه سوالی، می‌توانید با اکانت پشتیبانی در ارتباط باشید:
🆔 @aaiss_2026

✅ Telegram  📱 Instagram

❄️❄️❄️❄️❄️

ثبت‌نام دو ارائه نخست از سلسله ارائه‌های AAISS آغاز شده🔥

این دو ارائه مجازی و در سطح ابتدایی برای آشنایی با مفاهیم پایه هوش مصنوعی است.

شرکت در این ارائه‌ها رایگان و ظرفیت محدود است🥳

🗓پنج‌شنبه و جمعه ۱۲ و ۱۳ دی از ساعت ۱۶ تا ۱۸

🔗برای ثبت‌نام و اطلاعات بیشتر به وبسایت ما مراجعه کنید.

✅ Telegram  📱 Instagram

❄️❄️❄️❄️❄️❄️❄️❄️❄️

🤔مدل (Model) در هوش مصنوعی چیست؟

📌در یادگیری ماشین، مدل ساختاری است که داده‌ها را تحلیل کرده و خروجی تولید می‌کند. همان چیزی است که «یاد می‌گیرد» و بعد استفاده می‌شود.

مثال واقعی:
🐈‍⬛😕مدلی برای تشخیص عکس‌ها به دو دسته «گربه» و «سگ»:
ورودی: عکس حیوان
خروجی: دسته‌بندی «گربه» یا «سگ»
مراحل آموزش:
1️⃣ جمع‌آوری داده‌ها (Training Data): هزاران عکس با برچسب (پاسخ درست هر داده)
2️⃣ آموزش مدل (Training): یادگیری الگوها با الگوریتم‌های یادگیری ماشین
3️⃣ تنظیم پارامترها (Hyper Parameters): مشخص کردن اهمیت ویژگی‌ها
4️⃣ آزمون مدل (Testing): بررسی دقت پیش‌بینی‌ها

🏠مثال دیگر: پیش‌بینی قیمت خانه
ورودی: متراژ، تعداد اتاق، منطقه
خروجی: قیمت پیش‌بینی شده
مدل از داده‌ها یاد می‌گیرد چه عواملی روی قیمت یا دسته‌بندی تاثیر دارند.

✅ Telegram  📱 Instagram
🌐 Website
❄️❄️❄️❄️❄️

جلسات اول و دوم از ارائه‌های ششمین دوره رویداد دانشجویی AAISS:
✔️معرفی یادگیری ماشین (Machine Learning)

🤖در این دو نشست مفاهیم پایه یادگیری ماشین (ML) رو معرفی می‌کنیم و با کاربردهای اون تو دنیای واقعی آشنا می‌شیم.

🎙ارائه‌دهنده: محمد زارع
👨‍🏫محمد (آریو برزن) زارع پژوهشگر دکتری فناوری اطلاعات در دانشگاه صنعتی شیراز، متخصص هوش مصنوعی و مدرس دانشگاه است.
او بنیان‌گذار تیم مهندسی آریو برزن بوده و بیش از ۲۰ سال سابقه فعالیت علمی و صنعتی در حوزه‌هایی مانند هوش مصنوعی، رباتیک، پردازش تصویر (Image Processing) و اینترنت اشیاء (IoT) دارد.

⌛این ارائه‌ها به صورت مجازی برگزار می‌شوند.

🆓ثبت‌نام برای حضور در ارائه‌ها الزامی و رایگان و ظرفیت محدود است.

🗓زمان: جمعه و شنبه، ۱۲ و ۱۳ دی ساعت ۱۶ تا ۱۸

🔗برای ثبت‌نام و اطلاعات بیشتر به وبسایت ما مراجعه کنید.

✅ Telegram  📱 Instagram
❄️❄️❄️❄️❄️

🤔 توکن در پردازش متن چیست و چرا اهمیت دارد؟

📌در هوش مصنوعی و پردازش زبان طبیعی (NLP)، مدل‌ها نمی‌توانند متن را به‌ صورت یک تکه‌ی کامل بفهمند. برای این‌که مدل بتواند متن را تحلیل کند، متن به واحدهای کوچک‌تری به نام توکن (Token) تقسیم می‌شود.

1️⃣ توکن چیست؟
توکن کوچک‌ترین واحد متنی است که مدل روی آن کار می‌کند.
معمولاً یک کلمه است: "AI", "is", "amazing"
گاهی علائم نگارشی هم توکن هستند: "!"
در بسیاری از مدل‌ها، حتی بخش‌هایی از کلمات یا کاراکترها هم توکن محسوب می‌شوند.


2️⃣ چرا به توکن نیاز داریم؟
مدل‌های یادگیری ماشین به صورت مستقیم با متن کار نمی‌کنند؛ آن‌ها فقط اعداد را می‌فهمند. متن‌های طولانی باید به بخش‌های کوچک‌تر تقسیم شوند.
هر بخش باید به عدد تبدیل شود تا مدل بتواند آن را پردازش کند. توکن‌سازی ارتباط بین زبان انسان و نمایش عددی مدل را برقرار می‌کند.


3️⃣ انواع توکنیزاسیون (Tokenization Types)

❄️ Word Tokenization
مثال:
["AI", "is", "amazing"]

❄️ Subword Tokenization
مثال:
"unbelievable" → ["un", "believ", "able"]

❄️ Character Tokenization
مثال:
"AI" → ["A", "I"]


4️⃣ فرآیند توکنیزه شدن
مثال:
AI is amazing!

مرحله ۱: توکن‌سازی 🖥
["AI", "is", "amazing", "!"]

مرحله ۲: تبدیل به بردار عددی (Embedding) 1️⃣
"AI" → [0.12, 0.58, …]
"is" → [0.33, 0.11, …]

مرحله ۳: پردازش توسط مدل 💫
مدل با این بردارها، متن را تحلیل یا تولید می‌کند.

✅ Telegram  📱 Instagram
🌐 Website
❄️❄️❄️❄️❄️

🤔 ویژگی (Feature) و مهندسی ویژگی (Feature Engineering) در یادگیری ماشین

1️⃣ ویژگی (Feature)
ویژگی (Feature) یعنی هر اطلاعاتی از داده که مدل برای تصمیم‌گیری و یادگیری به آن نگاه می‌کند.
مدل دادهٔ خام را مثل انسان نمی‌فهمد، پس ویژگی‌ها راهی برای قابل‌فهم شدن داده برای مدل هستند.

💡 مثال ساده:
🚫✉️ می‌خواهیم تشخیص دهیم یک ایمیل اسپم است یا عادی:

❄️ آیا ایمیل لینک دارد یا نه
❄️ تعداد کلمات تبلیغاتی
❄️ طول ایمیل

مدل با بررسی این ویژگی‌ها تصمیم می‌گیرد ایمیل اسپم است یا نه.

2️⃣‌ مهندسی ویژگی (Feature Engineering)
اما همیشه داده‌ها به همین شکل ساده کافی نیستند و ممکن است مدل دقت خوبی نداشته باشد.
اینجاست که مهندسی ویژگی (Feature Engineering) وارد می‌شود:
یعنی انتخاب، اصلاح یا ساخت ویژگی‌های جدید از دادهٔ خام تا مدل بهتر یاد بگیرد.

به عنوان نمونه در مثال ایمیل اسپم:
❄️ویژگی ترکیبی: نسبت کلمات تبلیغاتی به طول ایمیل
❄️ویژگی جدید: وجود چند لینک متوالی

🥳 با این ویژگی‌ها، مدل می‌تواند الگوهای دقیق‌تری برای تشخیص اسپم پیدا کند.


یک نکته مهم درباره شبکه‌های عصبی 🧠
در مدل‌های کلاسیک یادگیری ماشین، مهندسی ویژگی نقش بسیار مهمی دارد.
اما در شبکه‌های عصبی (Neural Networks)، به‌ویژه یادگیری عمیق (Deep Learning)،
مدل‌ها می‌توانند بخشی از ویژگی‌ها را به‌صورت خودکار از دادهٔ خام استخراج کنند.
البته این به معنی بی‌نیاز بودن کامل از مهندسی ویژگی نیست، اما وابستگی به آن کمتر می‌شود.


روند کلی استفاده از ویژگی‌ها:
🥶 داده (مثلاً ایمیل) وارد سیستم می‌شود.
🥶 ویژگی‌های اولیه استخراج می‌شوند.
🥶 در صورت نیاز، مهندسی ویژگی انجام می‌شود.
🥶 مدل با بررسی همه ویژگی‌ها تصمیم نهایی را می‌گیرد.


📌 ویژگی‌ها پایهٔ یادگیری مدل هستند،
و مهندسی ویژگی (به‌خصوص در مدل‌های غیرعمیق) می‌تواند تفاوت بین یک مدل معمولی و یک مدل دقیق را رقم بزند.

✅ Telegram  📱 Instagram
🌐 Website
❄️❄️❄️❄️❄️

‌🔔 نام کاربری، رمز عبور و لینک شرکت در ارائه اول برای شرکت‌کنندگان ایمیل شده است و به مرور تا شروع ارائه‌ به دست همگی خواهد رسید.

💬 در صورت وجود مشکل در دریافت ایمیل یا ناقص بودن آن می‌توانید با اکانت پشتیبانی در ارتباط باشید.
🆔 @aaiss_2026

✅ Telegram  📱 Instagram
🌐 Website
❄️❄️❄️❄️❄️

ارائه دوم آغاز شده است ‌‌🔔

😶 نام کاربری، رمز عبور و لینک شرکت در ارائه برای شرکت‌کنندگان ایمیل شده است.