💥دوره جامع بینایی کامپیوتر و پردازش تصویر:

بیش از ۶۰ ساعت دوره پیشرفته از مبانی و مفاهیم مقدماتی تا موضوعات تخصصی دنیای بینایی کامپیوتر و پردازش تصویر

ویژگی های دوره بینایی

✅ توجه به مفاهیم و پروژه در کنارهم
✅ کدنویسی همزمان با استاد، بدون استفاده از کد آماده
✅ پشتیبانی کامل ازطریق گروه خصوصی تلگرام
✅ آپدیت‌های رایگان همیشگی برای همه دانشجویان
✅ دسترسی دائمی به ویدیوها، بدون محدودیت زمانی

قراره چی یاد بگیریم:

✅درک تصویر و ساختار انواع تصویر
✅پردازش تصویر با OpenCV
✅تحلیل ویدیو
✅یادگیری عمیق در بینایی کامپیوتر
✅تشخیص اشیا با یادگیری عمیق
✅ردیابی اشیا و بررسی انواع الگوریتم ردیابی اشیا
✅تشخیص چهره
✅تحلیل تصاویر پزشکی و ماهواره ای
✅KalmanFilter, DeepSort, SIFT
✅Generative adversarial network (GAN)
✅single-shot detector (SSD)
✅Few-Shot Object Detection
✅SegNet
✅YuNet
✅ViT(vision Transformers)
و ......

🔥اینها یه بخشی از مباحث آموزشی این دوره ست

🌐 ویدیو معرفی دوره در سایت رو از دست نده

📞 نیاز به مشاوره رایگان داری؟
مشاوره رایگان

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

مدل های هوش مصنوعی فقط شامل LLM میشه؟ نه!!!🧠

توی این ویدیو، به‌صورت بصری توضیح داده شده که LLM‌ فقط یکی از انواع مدل‌های هوش مصنوعیه. از مدل‌های متنی گرفته تا چند‌حالته، ۸ معماری مهم رو می‌بینی که چطور فهم و تولید محتوا رو تو حوزه‌های مختلف ممکن کردن.🎭

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

معماری ترنسفورمرها قسمت اول؛ نگاهی به معماری ترنسفورمر 🚀

مدل‌های معروفی مثل GPT، Gemini و Claude همشون یه ریشه‌ی مشترک دارن: معماری ترنسفورمر!🤖
یه معماری انقلابی که باعث پیشرفت عجیب مدل‌های زبانی شده.💡
ولی این ترنسفورمر دقیقاً چیه و چطوری کار می‌کنه؟ تو این سری پست‌ها قراره با هم موشکافیش کنیم! 🧠

ترنسفورمر چطوری دنیا رو تغییر داد؟ ⚡️

سال ۲۰۱۷ مقاله‌ای منتشر شد با یه تیتر ساده ولی عمیق:
Attention is All You Need
همین مقاله باعث شد معماری ترنسفورمر متولد بشه و روش‌های قدیمی مثل RNN و LSTM کنار برن.

مهم‌ترین ایده؟
استفاده از مکانیزم توجه (Attention) برای درک رابطه بین تمام کلمات جمله — حتی کلماتی که فاصله زیادی از هم دارن.
این یعنی سرعت بیشتر، دقت بیشتر، و یادگیری بهتر!

ساختار کلی ترنسفورمرها 🧩

ترنسفورمر از دو بخش اصلی ساخته شده:
۱. رمزگذار (Encoder): ورودی‌ها رو پردازش و فشرده می‌کنه
۲. رمزگشا (Decoder): بر اساس خروجی Encoder، کلمه به کلمه جواب می‌سازه

هر بخش از چندین لایه تشکیل شده که شامل این‌هاست:
– Multi-Head Attention
– Add & Normalize
– Feed Forward Network

مدل‌هایی مثل GPT فقط بخش Decoder رو دارن، ولی مدل‌های دیگه مثل BERT فقط Encoder. تو قسمت های آینده مقایسه‌شون می‌کنیم!

تو قسمت بعدی می‌ریم سراغ ورودی‌ها و راز Positional Encoding — همون چیزی که به مدل می‌گه ترتیب کلمات چقدر مهمه!
منتظر باش که قراره وارد قلب ماجرا بشیم… 🔥

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

آموزش جامع MCP سرورها! 📽️

قبلا درباره MCP سرور ها داخل این پست توضیح دادیم : 👇
«سرور های MCP: کلید اتصال هوش مصنوعی به دنیا!»
حالا یه پلی‌لیست عالی پیدا کردم که ساخت MCP سرور، اپ RAG، و کلاینت محلی با Ollama و ... رو به همراه کد، آموزش می‌ده. اگه دنبال یادگیری MCP سرور هستی، این مجموعه رو از دست نده! ✨

🔗 لینک پلی لیست در یوتیوب

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

💥دوره آموزش ریاضیات برای علم داده و یادگیری ماشین:

🤖بنیان علم داده، یادگیری ماشین و هوش مصنوعی بر اساس ریاضیات بنا شده. اگه میخوای وارد این مسیر بشی ریاضیات خشت اوله.

🍀ترسم نداره چون قرار نیست مسئله ریاضی حل کنی فقط باید مفاهیم رو درک کنی پس نگران نباش اگه ریاضیت خوب نیست.

خیلی ها با ترس از ریاضی وارد شدن و دیدن چقدر ریاضی شیرینه.👌

ویژگی های دوره ریاضیات

✅ آموزش ریاضی، آمار و احتمال
✅تدریس مفاهیم پله پله و از پایه
✅ همراه با پیاده سازی در پایتون
✅ پیشنیاز ورود به علم داده و یادگیری ماشین

قراره چی یاد بگیریم:

✅ نصب ابزار های اولیه
✅ کتابخونه های پایه ای پایتون برای علم داده و یادگیری ماشین
✅ آمار و احتمال کاربردی
✅ آزمون فرض آماری
✅ جبر خطی و ریاضیات پایه
✅ تحلیل ابعادی داده
✅ حساب دیفرانسل و انتگرال
✅ بهینه سازی

‏
🔥هیچ پیشنیاز ریاضی لازم نداری فقط ضرب و تقسیم بلد باشی کافیه

🌐 لینک دوره در سایت دیتایاد

📞 مشاوره رایگان

✨هایلایت ریاضیات رو تو اینستاگرام دیتایاد ببین. مفصل درباره نقش ریاضیات در علم داده و یادگیری ماشین صحبت کردیم‌

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

معماری ترنسفورمرها قسمت دوم؛ ورودی‌ها و جادوی Positional Encoding 🧠✨

حالا که داخل قسمت اول یه دید کلی از ترنسفورمرها گرفتیم، وقتشه وارد جزئیات بشیم.
مدل از کجا شروع می‌کنه؟ جوابش واضحه: از ورودی‌ها!
ولی دقیقاً چه چیزی به مدل داده می‌شه؟ فقط کلمات؟ نه دقیقاً… 🔍

هر کلمه تبدیل به بردار میشه! 🧩➡️🔢

قبل از اینکه مدل بتونه روی یه جمله فکر کنه، باید اون جمله به زبان خودش ترجمه بشه:
فرایند Input Embedding همون فرایندیه که هر کلمه (مثل "سلام") رو به یه بردار عددی تبدیل می‌کنه — مثلاً یه بردار 768‌بعدی 📏.

این بردارها یادگرفتنی‌ان، یعنی توی آموزش مدل تنظیم می‌شن تا معنای کلمات رو بفهمن 🧠.
ولی یه مشکل اینجا هست...

مدل ترتیب کلمات رو نمی‌فهمه! راه‌حل؟ Positional Encoding 🧭🌀

بر خلاف RNNها، ترنسفورمر هیچ ایده‌ای از ترتیب کلمات نداره ❌📚
برای مدل، «من تو رو دوست دارم» و «تو من رو دوست دارم» یه چیزه — اگه ترتیب رو براش مشخص نکنیم.

اینجاست که Positional Encoding وارد میشه! ⚡
این تکنیک به هر بردار ورودی یه مؤلفه اضافه می‌کنه که جایگاه اون کلمه توی جمله رو مشخص می‌کنه.
یعنی «سلام» اول جمله با «سلام» آخر جمله، دوتا بردار متفاوت می‌شن! ⏳

روش‌های مختلفی برای این کار هست:
– استفاده از توابع سینوس و کسینوس ➕➖
– یا یادگیری مستقیم جایگاه‌ها (مثل BERT) 🧠

تو قسمت بعدی می‌ریم سراغ قلب تپنده‌ی ترنسفورمر: مکانیزم Attention — همون چیزی که باعث شد این مدل‌ها این‌قدر موفق بشن! 🚀

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

از چت‌بات تا عامل خودکار! ۵ سطح Agentic AI 🚀

هوش مصنوعی عامل‌گرا (Agentic AI) فقط جواب نمی‌ده، بلکه تصمیم می‌گیره، ابزار فراخوانی می‌کنه و حتی کل یه فرآیند رو خودش اجرا می‌کنه.
توی این پست، می‌خوایم ۵ سطح بلوغ این سیستم‌ها رو مرور کنیم؛ از مدل‌های پایه تا عامل‌های کاملاً مستقل.🧠

1️⃣ پاسخ‌دهنده پایه (Basic Responder)

مدل زبانی فقط به‌عنوان یه تولیدکننده متن ساده عمل می‌کنه.✍️
جریان کار کامل دست انسانه و مدل فقط یه خروجی به ازای یه ورودی تولید می‌کنه.
هیچ حافظه، تصمیم‌گیری یا تعامل با سیستم بیرونی در کار نیست.
مثل یه چت‌بات سنتی، کاملاً واکنشی.🤖

2️⃣ الگوی مسیریابی (Router Pattern)

مدل می‌تونه بین مسیرها یا توابع از پیش تعریف‌شده انتخاب کنه.🧭
تو ساختار کلی رو می‌سازی و مدل فقط تصمیم‌های منطقی کوچیکی می‌گیره.
نوعی تصمیم‌گیری محدود داخل یه چارچوب بسته.⚙️

3️⃣ فراخوانی ابزار (Tool Calling)

مدل توانایی استفاده از ابزارهای خارجی مثل API، پایگاه‌داده یا مرورگر رو داره.🛠️
خودش تصمیم می‌گیره که چه ابزاری، کی و با چه آرگومان‌هایی اجرا بشه.
این یعنی تعامل واقعی با جهان بیرون و اجرای وظایف کاربردی‌تر.🌐

4️⃣ الگوی چندعاملی (Multi-Agent Pattern)

مدل می‌تونه چندین زیرعامل با نقش‌های متفاوت رو هماهنگ کنه.🤝
یه عامل اصلی (Manager Agent) تصمیم‌گیری کلی رو به‌عهده می‌گیره و از بقیه عامل‌ها استفاده می‌کنه.
برای اجرای پروژه‌های پیچیده با چند مرحله و وظیفه، این الگو ایده‌آله.📊

5️⃣ الگوی خودکار (Autonomous Pattern)

مدل خودش کل جریان کار رو طراحی، کد نویسی و اجرا می‌کنه.🧑‍💻
از تولید ایده تا اعتبارسنجی خروجی، همه‌چیز رو مستقل انجام می‌ده.
معمولاً شامل Agentهای تخصصی مثل Generator و Validator هست که با هم تعامل می‌کنن.
یه سیستم واقعاً خودمختار و عامل‌محور.⚡

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

🎯 دنبال یادگیری اصول و تکنیک‌های مصورسازی داده‌ها هستی؟

📘 کتاب Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures از انتشارات O'Reilly، بهترین گزینه برای شروعه!
این کتاب بهت می‌گه که چطور داده‌ها رو به صورت بصری و قابل فهم ارائه کنی. نکات کاربردی و مثال‌های ساده این کتاب بهت کمک می‌کنه که مهارت‌های بصری‌سازی داده‌هات رو تقویت کنی و از اونا برای انتقال بهتر اطلاعات استفاده کنی.

اگه به علم داده و تحلیل داده علاقه داری و می‌خوای درک بهتری از نحوه طراحی گرافیک‌های جذاب داده ها داشته باشی، این کتاب راهنمای فوق‌العاده‌ایه.

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

📌 فایل پی دی اف کتاب Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

💥دوره آموزش بینایی کامپیوتر با YOLO:

الگوریتم YOLO (You Only Look Once) یک الگوریتم پیشرفته و قدرتمند در بینایی کامپیوتره که به طور گسترده در کاربردهای مختلفی مانند خودروهای خودران، سیستم‌های نظارتی و رباتیک استفاده می‌شه.
📚سرفصل های دوره:

✅ آشنایی با مفاهیم اولیه: تصویر و ویدیو
✅ کار با OpenCV در بینایی کامپیوتر
✅ تشخیص و شناسایی اشیا با YOLO
(Object Detection)
✅ رديابي اشياء با YOLO
(Object Tracking)
✅ شمارش اشياء با YOLO
(Object Counting)
✅ بخش بندی تصویر با YOLO
(Image Segmentation)
✅ دسته بندی تصاویر با YOLO
(Image Classificaiton)
✅ pose estimation/keypoint detection
✅ آموزش مدل برای دیتای شخصی
✅ ارزیابی مدل آموزش دیده
و .....

ویژگی های YOLO

✅ خیلی سریع کار می‌کنه
✅ با یه نگاه همه‌چی رو می‌فهمه
✅ چندتا شی رو همزمان می‌تونه تشخیص بده
✅ کاربرد بسیار گسترده و بزرگی داره

👁 بعد از یادگیری YOLO شما میتونید در حوزه بینایی ماشین و سیستم های نظارتی فعالیت کنید.

🌐 صفحه دوره تو سایت دیتایاد

📞  درخواست مشاوره رایگان

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

معماری ترنسفورمرها قسمت سوم؛ قلب تپنده‌ی مدل: Self-Attention چیه؟ 🧠🔄

تو قسمت دوم درباره ورودی‌های مدل و جادوی Positional Encoding صحبت کردیم, اما حالا وقتشه بریم سراغ بخش هیجان‌انگیز ماجرا:
مکانیزم Self-Attention — همون چیزی که باعث شده ترنسفورمرها انقدر دقیق و قدرتمند باشن!
این مکانیزم دلیل اصلی درک عمیق زبان توسط مدل‌های امروزیه — ولی دقیقاً چطور کار می‌کنه؟ بیا قدم‌به‌قدم بررسی کنیم.🔍

مکانیزم Self-Attention یعنی کلمات همدیگه رو می‌فهمن! 🧩🔁

فرض کن مدل جمله‌ی «من کتاب رو دوست دارم» رو می‌خونه.
مکانیزم Self-Attention به هر کلمه اجازه می‌ده به کل جمله نگاه کنه و تصمیم بگیره به کدوم کلمه بیشتر توجه کنه.

مثلاً وقتی مدل به «دوست» نگاه می‌کنه، باید بیشتر به «کتاب» توجه کنه تا «من» یا «رو».
این دقیقاً کاریه که Attention انجام می‌ده: وزن‌دادن به بقیه‌ی کلمات نسبت به یک کلمه خاص.

فرمول پشت صحنه: Query، Key، Value 🧮📐

هر کلمه در مدل به سه بردار تبدیل می‌شه:

Query: دنبال چی می‌گردم؟

Key: چه اطلاعاتی دارم؟

Value: اطلاعات نهایی برای استفاده

مدل برای هر کلمه، مشابه یک جست‌وجو انجام می‌ده:
میزان شباهت Query هر کلمه با Key بقیه‌ی کلمات اندازه‌گیری می‌شه (با ضرب داخلی)، بعد با Softmax نرمال می‌شه، و در نهایت روی Valueها اعمال می‌شه.

نتیجه؟ یه بردار جدید برای هر کلمه که هم معنی خودش رو داره، هم رابطه‌ش با بقیه رو! 🧠✨

مکانیزم Multi-Head Attention یعنی چند زاویه دید مختلف 🔍🔍🔍

به جای اینکه فقط با یه زاویه نگاه کنیم، چند Head مختلف داریم که هرکدوم یه نوع ارتباط بین کلمات رو بررسی می‌کنن (مثلاً گرامری، معنایی و...)
در آخر، این Headها با هم ترکیب می‌شن و یه درک جامع از جمله به مدل می‌دن.

در قسمت بعدی می‌ریم سراغ لایه‌های Encoder و می‌بینیم چطور این Attentionها با اجزای دیگه ترکیب می‌شن تا معنا استخراج شه.🚀

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

قابلیت جدید Google Meet برای ترجمه گفتار، اونم به‌صورت زنده! 🧠

از ۲۰ می این فیچر برای کاربرای پلن AI Premium فعال شده و فعلاً با زبان های انگلیسی و اسپانیایی کار می‌کنه.
قراره تو هفته‌های آینده زبان‌های آلمانی، ایتالیایی و پرتغالی هم اضافه بشن. ترجمه با صدای اصلی گوینده انجام می‌شه و حتی لحن و حس حرف‌زدن رو هم حفظ می‌کنه.

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

تفاوت GPU و‌ CPU تو پردازش شبکه عصبی 🧠

تا حالا فکر کردی چرا GPU توی یادگیری ماشین اینقدر مهمه؟ فرق اصلیش با CPU فقط توی تعداد هسته‌ها نیست، توی موازی‌سازی واقعی عملیات‌هاست!🤖
توی این تصویر، روند فیدفوروارد و بک‌پراپگیشن یه شبکه ساده رو توی GPU و CPU مقایسه کرده. نتیجه؟ سرعت خیلی بیشتر به کمک پردازش موازی!🚀

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

💥دوره جامع نخبگان پایتون:

این یه دوره جامع و یک جعبه ابزار کامل برای علاقه مندان به برنامه نویسی پایتونه.
دوره جامع نخبگان پایتون هیچ پیش نیازی نداره. از مفاهیم پایه شروع شده و تا مهارت‌های پیشرفته برنامه‌نویسی و توسعه نرم افزار رو پوشش میده.

📚در واقع ۵ تا دوره در کنار هم این دوره جامع رو تشکیل دادن:

✅ دوره صفرتاصد پایتون
✅ آموزش رابط گرافیکی PyQt6
✅ آموزش دیتابیس SQL
✅ مقدمات پایتون در علم داده
✅ آموزش Git

1️⃣ تو بخش اول از ابتدایی ترین مفاهیم پایتون مثل ساختارهای کنترلی، توابع، لیست‌ها، دیکشنری‌ها و ... شروع میکنیم تا مفاهیم پیشرفته مثل شی گرایی.
2️⃣ تو بخش دوم با استفاده از PyQt6 یادمیگیریم چطور برای دسکتاپ رابط گرافیکی حرفه ای بسازیم.
3️⃣ تو بخش سوم یادمیگیریم چطور از پایگاه داده استفاده کنیم و چطور داده هارو مدیریت و استخراج کنیم.
4️⃣ تو بخش چهارم کتابخونه های اولیه برای ورود به علم داده و یادگیری ماشین مثل numpy , pandas قرار داره.
5️⃣ بخش پنجم هم اصول اولیه و پیشرفته Git رو یادمیگیریم.

🌐 صفحه دوره تو سایت دیتایاد

📞  درخواست مشاوره رایگان

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

معماری ترنسفورمرها پارت ۴؛ زیر‌لایه Encoder، همه چیز از اینجا شروع میشه! ⚙️🔍

توی قسمت سوم یاد گرفتیم Self-Attention چیه و چطور کلمات یک جمله رو به هم مرتبط می‌کنه.
حالا وقتشه ببینیم این ماژول دقیقاً کجای معماری قرار داره — یعنی بریم سراغ Encoder! 🚪🧠
هر ترنسفورمر چند تا Encoder پشت‌سر‌هم داره که با هم کار می‌کنن تا از یه جمله، معنا استخراج کنن.

هر Encoder یه بلاک تکراریه! 🧱🔄

معماری Encoder از چند لایه یکسان ساخته شده (مثلاً تو BERT، دوازده‌تا).
هر لایه شامل دو بخش اصلیه:
- بخش Multi-Head Self-Attention: همون چیزی که تو قسمت قبل گفتیم — مغز مدل برای فهمیدن ارتباط بین کلمات. 🔍🔁

- بخش Feed Forward Network: یه شبکه‌ی ساده اما قدرتمند که بعد از Attention میاد و اطلاعات رو بیشتر تحلیل می‌کنه. ⚡️🧮

و البته! هر مرحله با این دو چاشنی همراهه:
نرمالسازی لایه (Layer Normalization) قبل از هر بلاک برای پایداری آموزش. ⚖️

یا Residual Connection برای حفظ اطلاعات قبلی و جلوگیری از فراموشی. ♻️
این ساختار تکراری باعث می‌شه مدل بتونه مفاهیم پیچیده رو لایه‌به‌لایه یاد بگیره. 🎯🧠

خروجی Encoder چیه؟ بردارهایی با درک عمیق! 🧠📤

هر کلمه که اولش فقط یه embedding ساده بود، بعد از عبور از چند لایه Encoder تبدیل می‌شه به یه بردار حرفه‌ای و باهوش!
یه بردار که می‌دونه خودش چی هست و چه رابطه‌ای با بقیه کلمات داره. 🔗📚
این خروجی می‌تونه بره به:

- رمزگشا (Decoder) برای تولید متن. ✍️
- یا یه Head برای کارهایی مثل دسته‌بندی، تشخیص احساس، یا پاسخ‌گویی. 🧾🔍

تو پارت بعدی می‌ریم سراغ Decoder — بخش دوم معماری که مخصوص تولید جمله‌هاست!
اون‌جاست که Masking و Causal Attention وارد بازی می‌شن. 🕶️⏳

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

🎬 این ویدیو با یه پرامپت ساده ساخته شده!

🧠 گوگل تو مراسم Google I/O 2025 از مدل Veo 3 رونمایی کرد؛ مدلی که فقط با یه متن، ویدیوهایی می‌سازه که صدا، بازیگر، افکت و حتی حس دارن!

🎭 وقتی کاراکترهای توی ویدیو می‌فهمن واقعی نیستن… مرز بین تخیل و واقعیت می‌شکنه!

🔗 منبع X

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

🚀 انتروپیک برگشته به بازی!

🧠 تو اولین کنفرانس dev day، انتروپیک از مدل‌های جدید خانواده Claude 4 رونمایی کرد؛ جایی که Claude 4 Opus با قدرت تحلیل بالا، حافظه بلندمدت و reasoning حرفه‌ای، خودش رو به‌عنوان یه رقیب جدی برای GPT-4.5 مطرح کرده!

⚡️ در کنارش، مدل‌های سبک‌تر مثل Claude 4 Sonnet و Claude 4 Haiku هم معرفی شدن؛ سریع‌تر، ارزون‌تر و مناسب برای استفاده روزمره با دقت خیلی خوب.

🧩 همه‌ی مدل‌ها حالا multi-step reasoning، عملکرد پایدار در مکالمات طولانی و کنترل‌پذیری بیشتری دارن. مخصوصاً Opus که حتی تو تست‌ها، عملکردش توی کدنویسی و نوشتار پیچیده غوغا کرده!🤖

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

هوش مصنوعی عامل‌محور (Agentic Ai) یا عامل هوش مصنوعی (Ai Agent)؟ 🧠

تو سمت چپ یه AI Agent رو داریم که فقط دما رو تنظیم می‌کنه، اونم طبق یه دستور مشخص.🤖
اما سمت راست، یه هوش عاملی (Agentic AI) داریم که خودش شرایط مختلف مثل هوا، قیمت انرژی، برنامه‌ی کاربر و دستگاه‌ها رو بررسی می‌کنه، تصمیم می‌گیره و بعد اجرا می‌کنه.💡🤖
یعنی از یه ابزار واکنشی رسیدیم به یه سیستم تصمیم‌گیر و هماهنگ! و این میشه تفاوت اصلی Agentic Ai و Ai Agent‌.✨👨‍💻

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

معماری ترنسفورمرها پارت ۵؛ Decoder چطور متن تولید می‌کنه؟ ✍️🧠

تا اینجا در قسمت قبل با Encoder آشنا شدیم؛ بخشی که ورودی رو تحلیل می‌کنه و به بردارهای معنی‌دار تبدیلش می‌کنه.
حالا نوبت Decoder شد — بخشی که این بردارها رو می‌گیره و ازشون خروجی (مثل جمله یا ترجمه) می‌سازه.

رمزگشا (Decoder) از چی ساخته شده؟ 🧩⚙️

هر Decoder هم مثل Encoder از چند لایه‌ی مشابه تشکیل شده. اما توی هر لایه، سه بخش اصلی وجود داره:

- Masked Self-Attention
این بخش فقط اجازه می‌ده مدل به کلماتی که قبلاً تولید کرده نگاه کنه، نه کلمات آینده.
چرا؟ چون موقع تولید متن، ما نمی‌دونیم کلمه بعدی چی قراره باشه.
پس با این ماسک‌گذاری، مدل فقط به اطلاعات گذشته خودش دسترسی داره. ⛔️⏳

- Encoder-Decoder Attention
در این مرحله، Decoder به خروجی‌های Encoder نگاه می‌کنه.
یعنی همزمان با اینکه در حال تولید متن جدیده، از اطلاعاتی که Encoder از ورودی استخراج کرده هم کمک می‌گیره.
مثلاً در ترجمه، مدل بررسی می‌کنه کلمه "book" تو جمله اصلی چی بوده تا بتونه معنی درست رو تولید کنه. 📘🔄

- Feed Forward Network
یه شبکه‌ی ساده‌ی دو لایه‌ست که روی هر کلمه جداگانه اعمال می‌شه و کمک می‌کنه اطلاعات ترکیبی Attention بهتر تحلیل بشن. ⚡️🧮

هر مرحله هم همراه با Residual Connection و Layer Normalization اجرا می‌شه. ♻️⚖️

چطور متن ساخته می‌شه؟ ⏳✍️

مدل به‌صورت مرحله‌به‌مرحله و کلمه‌به‌کلمه خروجی رو تولید می‌کنه.
مثلاً اول یه کلمه رو پیش‌بینی می‌کنه، بعد اون رو به ورودی مرحله‌ی بعد اضافه می‌کنه تا بتونه کلمه‌ی بعدی رو حدس بزنه.
این فرایند ادامه پیدا می‌کنه تا جمله کامل بشه.

تو قسمت بعدی می‌ریم سراغ فرآیند Training — اینکه چطور این همه چیزو یاد می‌گیره!
و یه سر به مفهوم Loss، Teacher Forcing و آموزش بدون برچسب می‌زنیم. 📚🛠️

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

🎯 دوره جامع متخصص علم داده، یادگیری ماشین و یادگیری عمیق (متخصص هوش مصنوعی)

✨از پایه تا پیشرفته، قدم‌به‌قدم و پروژه محور

📌 ویژگی‌های دوره متخصص علم داده دیتایاد:

✅ آموزش کامل علم داده، یادگیری ماشین و یادگیری عمیق

✅ تدریس مفهومی با مثال‌های واقعی و پروژه‌محور

✅ آموزش مباحث ریاضی از صفر و با زبان ساده

✅ کدنویسی همزمان با استاد، بدون استفاده از کد آماده

✅ پشتیبانی کامل ازطریق گروه خصوصی تلگرام

✅ آپدیت‌های رایگان همیشگی برای همه دانشجویان

✅ دسترسی دائمی به ویدیوها، بدون محدودیت زمانی

💼 پروژه‌هایی که توی دوره با هم کار می‌کنیم:

📊 تحلیل داده‌ها
(Data Analysis)
🧹 پاکسازی داده‌ها
(Data Cleaning)
🧠 دسته‌بندی مشتریان
(Customer Segmentation)
🔍 تشخیص تقلب و ناهنجاری
(Fraud Detection)
🖼 دسته‌بندی تصاویر
(Image Classification)
🧬 بخش‌بندی تصاویر
(Image Segmentation)
🗣 پردازش زبان طبیعی
(NLP)
📝 دسته‌بندی متن
(Text Classification)
❤️ تحلیل احساسات
(Sentiment Analysis)

🎁 آموزش بدون پیش‌نیاز و از پایه

📞 دریافت مشاوره رایگان

🌐 لینک دوره جامع متخصص علم داده

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@

✨ مهندسی پرامپت از نگاه سازندگان Claude

توی این ویدیو، چند نفر از اعضای تیم Anthropic که پشت مدل‌های زبانی مثل Claude هستن، درباره «مهندسی پرامپت» صحبت می‌کنن.
از طراحی پرامپت‌های مؤثر می‌گن، تا تجربه‌های واقعی تو تعامل با مدل‌های هوش مصنوعی و چالش‌هایی که سر راهشونه.🛠️

اگه دنبال یه دید تخصصی و قابل‌فهم درباره نحوه درست برقراری ارتباط با مدل‌های زبانی هستی، این ویدیو ارزش دیدن داره.🎯

🔗 لینک ویدیو

📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@