🧠 شبکه عصبی از کجا می‌فهمه کدوم وزن رو باید تغییر بده؟

فرض کن مدل یه عکس رو اشتباه تشخیص داده.

حالا باید بفهمه کدوم وزن‌ها باعث این اشتباه شدن و هر کدوم چقدر باید تغییر کنن.

اینجاست که Backpropagation وارد میشه.

#آموزشی

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

در Backpropagation، خطای مدل از خروجی به سمت لایه‌های قبلی برمی‌گرده.

مدل با استفاده از Gradient بررسی می‌کنه هر وزن چه تأثیری روی خطای نهایی داشته.

بعد مشخص میشه کدوم وزن‌ها باید بیشتر و کدوم کمتر تغییر کنن.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

پس خیلی ساده:

با Forward Pass → مدل پیش‌بینی می‌کنه

با Loss → میزان خطا محاسبه میشه

با Backpropagation → سهم هر وزن در خطا مشخص میشه

با Optimizer → وزن‌ها رو اصلاح می‌کنه

🔄 این چرخه بارها تکرار میشه تا مدل بهتر یاد بگیره.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

فکت چک اومده با بررسی یه تیتر گمراه کننده از رسانه های داخلی

🔎 آیا گوگل قیمت Gemini 3.7 Flash را نصف کرد؟

🟡 نیمه‌درست

قیمت معرفی Gemini 3.7 Flash برابر با ۰.۷۵ دلار برای ورودی و ۳.۷۵ دلار برای خروجی به‌ازای هر یک میلیون توکنه.

اما این قیمت، قیمت دائمی مدل نیست و فقط تا پایان سال ۲۰۲۶ اعتبار داره.

از ژانویه ۲۰۲۷ قیمت به ۱.۵ و ۷.۵ دلار افزایش پیدا می‌کنه.

پس عبارت «قیمت را نصف کرد» بدون توضیح، کمی گمراه‌کنندست.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔵 مدل Gemini 3.7 Flash؛ فلش جدید گوگل برای کدنویسی و Agentها

گوگل Gemini 3.7 Flash رو معرفی کرده؛ مدلی که تمرکزش فقط روی جواب‌دادن نیست، بلکه روی انجام کارهای چندمرحله‌ای و Agentic طراحی شده.

چند فکت جالب درباره‌ش:

🔹در این مدل Context Window: تا ۱ میلیون توکن
🔹 ورودی‌های متن، تصویر، صدا و ویدئو رو می‌پذیره.
🔹 در FrontierCode امتیازش از ۳۴.۴٪ به ۴۳.۶٪ رسیده.
🔹 در DeepSWE از ۴۹٪ به ۶۵.۳٪ رسیده.
🔹 در WebDev Arena هم امتیاز 1588 Elo گرفته؛ در برابر 1538 برای نسل قبلی.

🔥 نکته جذاب‌تر: گوگل میگه مدل در کارهای چندمرحله‌ای بهتر برنامه‌ریزی می‌کنه، ابزارها رو بهتر فراخوانی می‌کنه و با خطاها بهتر کنار میاد؛ یعنی نیاز به نظارت انسانی و تکرار کمتر میشه.

و البته قیمت معرفی تا پایان ۲۰۲۶:

💰 $0.75 / 1M input tokens
💰 $3.75 / 1M output tokens

یعنی گوگل داره یک مدل قوی‌تر برای Coding و Agentها رو با هزینه نسبتاً پایین وارد رقابت می‌کنه.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

از این به بعد سعی میکنیم پست های #آموزشی مون با یه اینفوگرافی باشه که پر بار تر بشه

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

👁️ کامپیوتر با تصویر دقیقاً چه کارهایی می‌تونه بکنه؟

بینایی کامپیوتر فقط «تشخیص عکس» نیست!

تسک‌های مختلفی داریم که هرکدوم برای یک هدف خاص طراحی شدن.

#آموزشی

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔹 Image Classification
کل تصویر رو بررسی می‌کنه و میگه تصویر متعلق به چه کلاسیه.

مثلاً:
🐱 گربه یا 🐶 سگ؟

🔹 Object Detection
هم شیء رو پیدا می‌کنه، هم محلش رو با Bounding Box مشخص می‌کنه.

مثلاً پیدا کردن تمام ماشین‌های داخل یک خیابون.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔹 Semantic Segmentation
هر پیکسل رو به یک کلاس اختصاص میده.

مثلاً مشخص کردن تمام پیکسل‌های مربوط به «جاده» در تصویر.

🔹 Instance Segmentation
علاوه بر کلاس، اشیای مختلف یک کلاس رو هم از هم جدا می‌کنه.

مثلاً اگر ۵ ماشین داشته باشیم، هر ۵ ماشین رو جداگانه مشخص می‌کنه.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔹 Pose Estimation → پیدا کردن نقاط کلیدی بدن
🔹 OCR → استخراج متن از تصویر
🔹 Image Generation → تولید تصویر از متن یا ورودی دیگر
🔹 Image Captioning → تولید توضیح متنی برای تصویر

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

بینایی کامپیوتر خیلی جذابه اگه این تخصص رو میخوای از آموزش جامع بینایی کامپیوتر و پردازش تصویر دیتایاد جا نمونی!

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🤯 خیلی از افراد علاقه مند هستن به یادگیری هوش مصنوعی و علم داده اما بین کلی اصطلاح و تخصص جدید گیج شدن؟
مثلا علم داده، هوش مصنوعی، بینایی کامپیوتر، پایتون، یادگیری ماشین و ...

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

یک مسیر منطقی می‌تونه این شکلی باشه:

🐍 پایتون
📐 ریاضی و آمار کاربردی
📊 کار با داده‌ها
🤖 یادگیری ماشین
🧠 یادگیری عمیق
🎯 انتخاب یک تخصص مثل NLP، LLM یا Computer Vision

اما یک نکته مهم‌تر: فقط آموزش دیدن کافی نیست!
از همون مراحل اولیه باید تمرین کنی، پروژه بسازی و کم‌کم پورتفولیو تشکیل بدی.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

اگر دنبال یک نقشه راه کامل‌تر، زمان‌بندی پیشنهادی، مهارت‌های لازم برای بازار کار رو بشناسی این مقاله نقشه راه رو از دست نده
🔗 اطلاعات تکمیلی:
نقشه راه هوش مصنوعی؛ یادگیری از صفر تا تخصص

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔹«رشته من به هوش مصنوعی ربطی نداره!»

اتفاقاً لازم نیست حتماً مهندسی کامپیوتر یا ریاضی خونده باشید تا وارد دنیای هوش مصنوعی بشید.

حدود ۵۰٪ افرادی که به‌صورت حرفه‌ای در این حوزه فعالیت می‌کنن، تحصیلات کاملاً بی ربط دارن.

در بین دانشجویان دیتایاد هم از مهندسی کامپیوتر و برق گرفته تا مهندسی شیمی، پزشکی و رشته‌های دیگه کنار هم داریم یاد می‌گیریم و کار می‌کنیم.

پس رشته دانشگاهی قرار نیست جلوی شما رو بگیره. 👌

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

سن و مقطع تحصیلی هم مهم نیست

توی دیتایاد هم نوجوان ۱۳-۱۴ ساله داریم، هم افرادی که در ۴۰ یا ۴۵ سالگی تصمیم گرفتن وارد این حوزه بشن.

نه سن تعیین‌کننده‌ست، نه اینکه دقیقاً چه رشته‌ای خوندی، نه حتی اینکه چه مقطعی داری.

چیزی که مهمه اینه که از کجا شروع کنی و چطور ادامه بدی.

هر چیزی که برای ساختن این مسیر لازم داشته باشی، می‌تونی توی دیتایاد یاد بگیری. 🚀

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

به سایت ما سر بزن اگه راهنمایی خواستی یا گیج شدی هم مشاوره رایگان ثبت کن، باهات تماس میگیریم!

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🖥️ فرق CPU، GPU، TPU و NPU چیه؟

همه‌شون پردازنده‌ان، ولی برای یک کار ساخته نشدن.

🔹 CPU
همه‌کاره و مناسب کارهای عمومی
🔹 GPU
پردازش موازی و مناسب محاسبات سنگین AI
🔹 TPU
پردازنده تخصصی گوگل برای عملیات یادگیری ماشین
🔹 NPU
پردازنده مخصوص اجرای قابلیت‌های AI روی دستگاه‌ها

حالا ببینیم هرکدوم دقیقاً کجا به کار میان. 👇

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

⚙️ همه‌کاره‌ی کامپیوتر CPU

برای انجام طیف خیلی گسترده‌ای از کارها ساخته شده؛ از اجرای سیستم‌عامل و نرم‌افزارها گرفته تا محاسبات مختلف.

اما در AI، وقتی حجم محاسبات موازی خیلی زیاد میشه، CPU معمولاً به اندازه GPU بهینه نیست.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🎮 سلطان پردازش موازی GPU

تعداد زیادی هسته پردازشی داره و می‌تونه عملیات مشابه رو به‌صورت موازی انجام بده.

این دقیقاً همون چیزیه که بخش بزرگی از محاسبات شبکه‌های عصبی بهش نیاز داره.

برای همین آموزش مدل‌های Deep Learning معمولاً روی GPU خیلی سریع‌تر از CPU انجام میشه.

📌 کمپانی NVIDIA هم به همین دلیل نقش بزرگی در زیرساخت AI پیدا کرده.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🤖 پردازنده‌های تخصصی‌تر TPU و NPU

🔹 TPU:
تراشه‌های اختصاصی Google برای شتاب‌دهی محاسبات یادگیری ماشین؛ بیشتر در دیتاسنترها و زیرساخت AI استفاده میشن.

🔹 NPU:
یک پردازنده مخصوص اجرای هوش مصنوعی روی خودِ دستگاه (مثل موبایل و لپ‌تاپ) است، بدون اینکه نیاز به اینترنت یا سرور داشته باشد.

مثلاً وقتی با موبایل عکس می‌گیری و گوشی به‌صورت خودکار چهره‌ها را تشخیص می‌دهد، یا پس‌زمینه را محو می‌کند، این کارها معمولاً با NPU انجام می‌شود.

در لپ‌تاپ‌های جدید هم NPU کمک می‌کند قابلیت‌هایی مثل ترجمه زنده، خلاصه‌سازی متن یا تولید تصویر سریع‌تر و کم‌مصرف‌تر اجرا شوند.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام