🚀 معرفی ابزار Decktopus AI برای ساخت سریع و حرفه‌ای اسلایدهای ارائه

⏱️ اگر برای ارائه‌های کنفرانس، جلسات دفاع یا کارگاه‌های آموزشی زمان محدودی برای طراحی اسلاید دارید، این ابزار هوش مصنوعی می‌تواند بخش زیادی از کار را خودکار کند. 🪄 ابزار Decktopus AI به جای استفاده از قالب‌های تکراری، با دریافت موضوع یا یادداشت‌های شما، یک فایل ارائه کامل را از صفر می‌سازد.

📌 ویژگی‌های کاربردی برای پژوهشگران و مدرسان:

🔹 تولید محتوا و ساختار: با دادن موضوع یا چکیده مقاله، هوش مصنوعی متن، ساختار و طراحی اسلایدها را به صورت یکپارچه تولید می‌کند. 📝 🔹 مربی هوشمند ارائه (Loop): دارای یک دستیار اختصاصی برای تمرینِ قبل از ارائه است که سرعت بیان، استفاده از کلمات پرکننده و زمان‌بندی شما را تحلیل کرده و بازخورد می‌دهد. 🎤 🔹 ویرایش با پرامپت: اگر نیاز به تغییر در یک اسلاید داشته باشید، می‌توانید تغییرات دلخواه را در قالب متن به هوش مصنوعی بگویید تا اعمال کند. 💬 🔹 خروجی‌های منعطف: امکان دانلود اسلایدها به صورت فایل‌های PDF و PPT برای استفاده آفلاین وجود دارد. 📥 🔹 پشتیبانی از چت‌بات‌ها: به عنوان افزونه در ChatGPT و Claude قابل استفاده است. 🤖

💡 این ابزار برای صرفه‌جویی در زمانِ قالب‌بندی و تمرکز بیشتر روی انسجام علمی و نحوه بیان پژوهش، گزینه بسیار کارآمدی است.

🆔 @artificialintelligenceresearch

بهترین ابزارهای هوش مصنوعی برای پژوهش در سال ۲۰۲۶ 🚀

چالش اصلی پژوهشگران دیگر پیدا کردن اطلاعات نیست، بلکه سازماندهی و انتقال خودکار آن‌ها به فضای کاری است. یک روند پژوهشی کارآمد، به جای تکیه بر یک دستیار عمومی، نیازمند ترکیب ابزارهای تخصصی و استفاده از «ایجنت‌های هوشمند» است که می‌توانند جستجو و ترکیب داده‌ها را بدون نیاز به پرامپت‌های مکرر انجام دهند.

برترین ابزارهای کاربردی بر اساس مراحل پژوهش:

🔹 Perplexity: بهترین گزینه برای جستجوی زنده پروژه‌محور و ترکیب سریع اطلاعات همگام با رفرنس‌های معتبر اینترنتی. 🔹 Elicit: ابزاری کاملاً تخصصی برای مرور سیستماتیک پیشینه تحقیق که متادیتا و داده‌های ساختاریافته را به صورت دسته‌ای از بین ۱۳۸ میلیون مقاله استخراج می‌کند. 🔹 Scite: راهکاری ضروری برای بررسی یکپارچگی ارجاعات. این سرویس با بررسی بافتار سایتیشن‌ها نشان می‌دهد که آیا مقالات جدیدتر، ادعای یک رفرنس را تایید کرده‌اند یا یافته‌های متناقضی داشته‌اند. 🔹 Composio: پلتفرمی برای اتصال ابزارهای هوش مصنوعی به محیط‌های کاری شما. با این ابزار، ایجنت‌ها می‌توانند خروجی و یافته‌های ریسرچ را مستقیماً و بدون نیاز به کپی‌پیست دستی، در ابزارهایی مانند Notion یا Google Docs مستند کنند.

🔗 برای مطالعه مقایسه کامل ابزارها کلیک کنید:Best AI tools for research in 2026: Top picks compared today

🆔 @artificialintelligenceresearch

همراهان عزیز،

اگر در تقاطع هوش مصنوعی، علوم شناختی و فناوری‌های نوین آموزشی پژوهش می‌کنید، دومین کنفرانس ملی یادگیری فناورانه فرصت بسیار مناسبی برای ارائه دستاوردها و شبکه‌سازی است. این رویداد با تمرکز بر فناوری‌های پیشرفته یادگیری و تحول دیجیتال در دانشگاه شهید بهشتی برگزار می‌شود.

📌 اطلاعات کلیدی رویداد:

تاریخ برگزاری کنفرانس: ۲۳ و ۲۴ آبان ۱۴۰۵

آخرین مهلت ارسال چکیده مقالات: ۱۰ آبان ۱۴۰۵ (تمدید شده)

مهلت ثبت‌نام: ۱۲ آبان ۱۴۰۵

اعتبار علمی: دارای نمایه رسمی ISC (کد ۰۶۲۶۰-۸۵۳۴۲)

برنامه‌های جانبی: پنل‌های تخصصی، کارگاه‌های آموزشی و نمایشگاه دستاوردهای فناوری‌های پیشرفته یادگیری

برای دریافت قالب نگارش چکیده و ثبت‌نام می‌توانید مستقیماً به سایت رسمی کنفرانس مراجعه کنید.

@artificialintelligenceresearch

#هوش_مصنوعی #پژوهش #کنفرانس_علمی #یادگیری_فناورانه #مقاله_نویسی #دانشگاه_شهید_بهشتی

🚀 با خوشحالی و افتخار، انتخاب مقاله با عنوان:

"Knowledge Graph Grounding for Explainable Multimodal Drug-Target Interaction Prediction"

برای ارائه شفاهی و پوستر در سمپوزیوم گراف دانش بریتانیا (۱۳ نوامبر، در لندن) را به مهرو صفری و همچنین استاد و منتور تلاشگر و دلسوز، جناب دکتر عبداله چاله چاله از دپارتمان مهندسی کامپیوتر، دانشگاه رازی کرمانشاه، از صمیم قلب تبریک می‌گم! 🎓✨ 🥳🇬🇧

دیدن نتیجه تلاش ها و پشتکارتون در دانشگاه رازی باعث افتخار است.

سایه استاد عزیزمون هم مستدام باشه که بدون راهنمایی‌ها و حمایت‌هاشون این موفقیت شیرین ممکن نبود. 🌹🌹

به امید درخشش‌های هر روزه و موفقیت‌های بزرگ‌تر! 🌟🚀🌹🌹🌹

تسلط قدم‌به‌قدم بر هوش مصنوعی Claude 🚀
اخیراً یک مجموعه راهنمای بسیار کامل و سطح‌بندی شده برای یادگیری و کار با Claude پیدا کردم که برای ابزارهای پژوهشی و نگارش آکادمیک فوق‌العاده کاربردی است. این لیست از مفاهیم پایه تا ترفندهای حرفه‌ای را پوشش می‌دهد:

🟢 سطح ۱: شروع و آشنایی اولیه (Level 1) مفاهیم پایه، راه‌اندازی و مهندسی پرامپت • Claude 101 • One Claude • Be Claude Certified • My mother & Claude • How to set up Claude • The new Claude Opus 5.5 • Prompt Engineering 101

🟡 سطح ۲: مهارت‌ها و ترفندهای کاربردی (Level 2) نکات استفاده بهینه، حفظ حریم خصوصی و مقایسه با ChatGPT • Claude skills • 27 Claude Tips • Claude for Legal • Privacy with Claude • Do not hit Claude limits • Switch Claude <> ChatGPT • Never ask Claude for Taste

🔴 سطح ۳: مباحث پیشرفته (Level 3) تشخیص محتوای تولید شده، داشبوردها و کاربردهای ترکیبی • AI brain rot • Claude Fable 5 • Detect AI Content • Claude + Linkedin • My personal AI Tool list • Deslop Claude in 2 words • Claude Motion & Dashboards

این پست را ذخیره کنید تا هر زمان به راهنمایی نیاز داشتید به آن دسترسی داشته باشید و برای دوستان پژوهشگر خود هم ارسال کنید. 💡

🆔 @artificialintelligenceresearch

📢 فراخوان مقاله (Call for Proposals): شماره ویژه ژورنال معتبر BJMSP
عنوان شماره ویژه:
Interpretable and Explainable AI/ML for Psychological Research
ژورنال معتبر British Journal of Mathematical and Statistical Psychology (BJMSP) فراخوان مقاله‌ای برای شماره ویژه خود با موضوع هوش مصنوعی و یادگیری ماشین تفسیرپذیر و توضیح‌پذیر در پژوهش‌های روان‌شناسی منتشر کرده است. این شماره ویژه به بررسی این پرسش کلیدی می‌پردازد که هوش مصنوعی و مدل‌های یادگیری ماشین چگونه می‌توانند به ارائه‌ی توضیحات معنادار از فرآیندهای روان‌شناختی کمک کنند.

🎯 محورها و موضوعات کلیدی:

* مدل‌های تفسیرپذیر (Interpretable Models)
* چارچوب‌های ترکیبی روان‌سنجی و یادگیری ماشین (Hybrid Psychometric–ML Frameworks)
* روش‌های توضیح‌پذیری و عدم قطعیت آن‌ها (Explanation Methods and Their Uncertainty)
* یادگیری ماشین علّی (Causal Machine Learning)
* تفسیرپذیری مدل‌های زبانی بزرگ (LLMs) و هوش مصنوعی مولد (Generative AI)

👥 ادیتورهای مهمان (Guest Editors):
* Dr. Rudolf Debelak (مؤسسه پلی‌تکنیک فدرال لوزان - EPFL، سوئیس)
* Dr. Qian Zhang (دانشگاه ایالتی فلوریدا - FSU، آمریکا)
🗓 تاریخ‌های مهم (Important Dates):
* ارسال پروپوزال مقاله (تا ۱۰۰۰ کلمه): ۲ آگوست ۲۰۲۷ (۱۱ مرداد ۱۴۰۶)
* اعلام نتایج پذیرش پروپوزال‌ها: ۲۳ آگوست ۲۰۲۷ (۱ شهریور ۱۴۰۶)
* ارسال نسخه کامل مقاله (Full Manuscript): ۱۵ ژوئن ۲۰۲۸ (۲۵ خرداد ۱۴۰۷)
> 📌 پروپوزال‌ها باید ارتباط پژوهش با محورهای این شماره ویژه و نوآوری روش‌شناختی (Methodological Contributions) اثر را شرح دهند.


🔗 مطالعه متن کامل فراخوان و راهنمای ارسال.

کانال هوش مصنوعی و پژوهش:
@artificialintelligencerrsearch

#CallForPapers #ExplainableAI #InterpretableML #XAI #PsychologicalScience #BJMSP #MachineLearning

🚀 انتشار نسخه جدید Kornia (v0.9.0) - جهش بزرگ در بینایی ماشین با PyTorch

کتابخانه محبوب Kornia برای پردازش تصویر در اکوسیستم PyTorch، به‌روزرسانی بزرگ 0.9.0 خود را با تمرکز بر سرعت، دقت و پشتیبانی بهتر از معماری‌های مختلف منتشر کرد.

مهم‌ترین تغییرات این نسخه:
🔹 پشتیبانی کامل از Half-Precision: اجرای بدون مشکل و دقیق fp16 و bf16 در پردازش‌های هندسی (Geometry & Warps).
🔹 افزایش سرعت خیره‌کننده روی پردازنده‌های اپل (MPS): فیلتر Gaussian blur تا ۱۶ برابر سریع‌تر و الگوریتم CLAHE تا ۲۰۰۰ برابر سریع‌تر شده است.
🔹 عملکرد برتر در برابر OpenCV: بنچمارک‌های جدید نشان می‌دهد اجرای پردازش‌ها روی کارت‌های گرافیک (CUDA) تا ۱۰ برابر سریع‌تر از OpenCV است (البته روی CPU همچنان کندتر است).
🔹 بهینه‌سازی برای عامل‌های هوش مصنوعی (Agents): اضافه شدن مستندات و ایندکس اختصاصی برای AI Agentها جهت درک بهتر APIها و تولید کدهای دقیق‌تر.
🔹 پشتیبانی قوی‌تر از کامپایل: هماهنگی بهتر با کامپایلر پای‌تورچ و رفع باگ‌های مربوط به همگام‌سازی‌های اضافی (Host-sync).

اگر در پروژه‌های تحقیقاتی پردازش تصویر و مدل‌های چندوجهی خود از پای‌تورچ استفاده می‌کنید، ارتقا به این نسخه می‌تواند سرعت و کارایی پایپ‌لاین‌های شما را به شکل چشمگیری بهبود ببخشد.

🔗 مشاهده جزئیات کامل و تغییرات در گیت‌هاب

🆔 @artificialintelligenceresearch

📘 معرفی کتاب: Mastering RAG — A Deep Dive into Retrieval-Augmented Generation

با پیشرفت سریع هوش مصنوعی مولد (Generative AI)، معماری RAG به یکی از رویکردهای اساسی و پایه برای ساخت سیستم‌های هوش مصنوعی تبدیل شده است؛ سیستم‌هایی که می‌توانند دانش مرتبط را بازیابی کرده و پاسخ‌های دقیق و مبتنی بر کانتکست (Context-aware) تولید کنند.

طراحی یک سیستم RAG قطعا فراتر از اتصال ساده یک LLM به دیتابیس برداری است و نیاز به یک پایپ‌لاین مهندسی‌شده و دقیق دارد. این کتاب یک منبع جامع و عالی برای درک عمیق مفاهیم، تکنیک‌ها و معماری‌های این حوزه است.

📚 سرفصل‌های کلیدی و مهمی که در این کتاب بررسی می‌شوند:
🔹 مفاهیم پایه و معماری RAG
🔹 ورود، پارس کردن و پیش‌پردازش اسناد (Document Ingestion)
🔹 استراتژی‌های Chunking و حفظ کانتکست
🔹 مدل‌های Embedding و دیتابیس‌های برداری (Vector Databases)
🔹 انواع روش‌های بازیابی: Dense, Sparse و Hybrid
🔹 جستجوی معنایی، Reranking و بهینه‌سازی کوئری
🔹 مهندسی کانتکست و طراحی پرامپت (Prompt Design)
🔹 ارزیابی RAG، معیارهای کیفیت و بنچمارک‌ها
🔹 کاهش توهم (Hallucinations) و بهبود کیفیت پاسخ‌ها
🔹 رویکردهای نوین مانند Agentic RAG

🆔 @artificialintelligenceresearch

📥 فایل PDF این کتاب کاربردی را می‌توانید در پست زیر دانلود کنید. 👇

#RAG #هوش_مصنوعی #یادگیری_ماشین #LLM #AI #مقاله_خوانی #ابزارهای_پژوهشی

۱۲ اصطلاح ضروری هوش مصنوعی که هر پژوهشگر و علاقه‌مندی باید بداند! 🧠

در دنیای پرشتاب هوش مصنوعی، تسلط بر مفاهیم پایه برای درک مقالات، استفاده از ابزارهای جدید و پیاده‌سازی مدل‌ها کاملاً حیاتی است. در این پست ۱۲ اصطلاح کلیدی را به زبان ساده مرور می‌کنیم:

۱. LLM (مدل زبانی بزرگ): مغز متفکر چت‌بات‌هایی مثل ChatGPT و Gemini که با پردازش میلیاردها سند آموزش دیده و کلمات بعدی را در مقیاس وسیع پیش‌بینی می‌کند.

۲. Hallucination (توهم): زمانی که هوش مصنوعی با اعتماد به نفس کامل، اطلاعات غلط و ساختگی ارائه می‌دهد (معمولاً ناشی از نقص در داده‌های آموزشی).

۳. Token (توکن): بلوک‌های سازنده ارتباطات در هوش مصنوعی. توکن لزوماً یک کلمه کامل نیست، بلکه معمولاً بخشی از یک کلمه است.

۴. Training vs. Inference (آموزش در برابر استنتاج): آموزش یعنی یاد دادن به مدل، و استنتاج یعنی مدل در حال انجام کار. دومی بدون اولی ممکن نیست.

۵. Fine-tuning (تنظیم دقیق): تغذیه یک مدل عمومی با داده‌های تخصصی برای مهارت یافتن در یک تسک خاص.

۶. Reinforcement Learning (یادگیری تقویتی): یادگیری مدل از طریق آزمون، خطا و دریافت پاداش؛ روشی که مدل‌های استدلالی را دقیق‌تر می‌کند.

۷. Distillation (تقطیر): آموزش یک مدل کوچک برای تقلید از رفتار یک مدل بزرگ. نتیجه: مدلی سریع‌تر، ارزان‌تر و تقریباً با همان دقت.

۸. RAG (تولید افزوده با بازیابی): ترکیب هوش مصنوعی با اسناد و داده‌های اختصاصی شما که به شدت میزان توهم مدل را کاهش می‌دهد.

۹. Chain of Thought (زنجیره افکار): شکستن یک مسئله پیچیده به مراحل گام‌به‌گام. این کار سرعت را کم می‌کند اما دقت استدلال را بسیار بالا می‌برد.

۱۰. Weights (وزن‌ها): پارامترهای عددی که دانش یاد گرفته شده مدل را ذخیره می‌کنند و در طول آموزش تنظیم می‌شوند.

۱۱. Validation Loss (خطای اعتبارسنجی): معیاری برای ارزیابی کیفیت آموزش مدل. عدد کمتر به معنای عملکرد بهتر است و از بیش‌برازش (Overfitting) جلوگیری می‌کند.

۱۲. Coding Agent (عامل کدنویس): هوش مصنوعی مستقلی که فقط کد پیشنهاد نمی‌دهد، بلکه خودش به صورت خودکار می‌نویسد، تست می‌کند و دیباگ انجام می‌دهد.

🆔 @artificialintelligenceresearch
#هوش_مصنوعی #یادگیری_ماشین #مفاهیم_پایه #پژوهش #AI #MachineLearning #LLM #DeepLearning

📢 فراخوان طرح‌های پژوهشی و فناورانه شرکت «بهارهونی»

فرصتی عالی برای پژوهشگران، دانشگاهیان و شرکت‌های دانش‌بنیان جهت ارائه طرح‌های تحقیق و توسعه (از مقیاس آزمایشگاهی تا صنعتی).

با توجه به حوزه تخصصی کانال، یکی از محورهای ده‌گانه این فراخوان به‌طور ویژه به حوزه کاری ما مرتبط است:

🔹 محور ۹: هوش مصنوعی و هوشمندسازی صنعتی (شامل توسعه راهکارهای هوش مصنوعی، یادگیری و بینایی ماشین، تحلیل داده برای پایش تولید، پیش‌بینی تقاضا، و توسعه دستیارهای مبتنی بر هوش مصنوعی مولد)

علاوه بر هوش مصنوعی، محورهایی مانند «سلامت شغلی و سامانه‌های هوشمند تصمیم‌یار»، «زیست‌فناوری» و «فرآوری گیاهان دارویی و محصولات سلامت‌محور» نیز در اولویت‌های این شرکت قرار دارند.

🗓 مهلت ارسال طرح‌ها: تا ۲۵ دی ۱۴۰۵

📥 برای دانلود فرم پیشنهاد طرح (پروپوزال)، مطالعه دقیق‌تر محورهای تمرکز و ارسال مدارک، می‌توانید به وب‌سایت بهارهونی مراجعه کنید. فایل‌های تکمیل‌شده باید به ایمیل research@baharhooni.com ارسال شوند.

@artificialintelligenceresearch

#فراخوان_پژوهشی #هوش_مصنوعی #یادگیری_ماشین #تحقیق_و_توسعه #پروژه_صنعتی #پژوهش

🚀 معرفی مدل WeVisOne-VL: مدل همه‌کاره ادراک بصری از Tencent

تیم WeChat Vision شرکت تنسنت به تازگی مدل‌های بینایی-زبانی WeVisOne-VL را در ابعاد 2B و 4B به صورت کاملاً متن‌باز (تحت لایسنس Apache-2.0) منتشر کرده است. این مدل که بر پایه Qwen3-VL توسعه یافته، نیاز به استفاده از چندین مدل مجزا برای تسک‌های مختلف بینایی را از بین می‌برد.

ویژگی‌های برجسته WeVisOne-VL:

تجمیع تسک‌ها در یک مدل: انجام همزمان Object Detection، Segmentation، Alpha Matting، شمارش اشیا (Counting) و OCR در سطح پیکسل و شیء.

مقاومت بالا در برابر توهم (Reliable Rejection): اگر شیء درخواست شده در تصویر وجود نداشته باشد، این مدل به جای تشخیص اشتباه، صراحتاً مقدار 'none' را برمی‌گرداند. نرخ موفقیت این قابلیت در بنچمارک WeRef-Bench برای نسخه 4B به ۹۶.۴٪ می‌رسد.

معماری سبک برای خروجی‌های پیکسلی: استفاده از یک Pixel Decoder بسیار بهینه با تنها ۹.۶ میلیون پارامتر برای تولید ماسک‌ها و آلفا متینگ.

کارایی بالا روی سخت‌افزارهای محدود: نسخه 2B به راحتی قابل سلف‌هاست است و در بنچمارک‌هایی نظیر LVIS و Dense200 عملکرد بهتری نسبت به مدل‌های ۳ تا ۹ میلیاردی رقیب ثبت کرده است.

🔗 مخزن گیت‌هاب (Tencent/WeVisOne-VL)
🔗 لینک مقاله در arXiv
🔗 مدل در Hugging Face

@artificialintelligenceresearch

#ComputerVision #VLM #Tencent #WeVisOne #OpenSource #MachineLearning