یه کوئیز دیگه برای اونایی که سوال اول رو اشتباه حل کردن💚

روز مهندس مبارک💚

فردا، روز بزرگداشت خلاقیت، نوآوری و تلاش مهندسانی است که با دانش و تخصص خود جهان را به جای بهتری تبدیل می‌کنند. مهندسی تنها یک حرفه نیست، بلکه هنری است برای حل مشکلات، ساختن آینده و خلق ایده‌هایی که زندگی را آسان‌تر و بهتر می‌کنند.

به همه مهندسان پرتلاش، خلاق و متعهد، به‌ویژه مهندسان کامپیوتر و هوش مصنوعی، تبریک میگم.

اپلیکیشن هلال هلپ 🌙🤍
برای تسهیل دسترسی به خدمات جمعیت هلال احمر توسعه یافته است

آموزش کمک‌های اولیه، درخواست امانی تجهیزات پزشکی(ویلچر، تخت بیمارستانی، اعصا و...)، اطلاع رسانی های دارویی و هدایت به اسکان اضطراری در مواقع بحرانی از مهمترین امکانات اپلیکیشن هلال هلپ می باشد

‏«هلال هلپ» را در بازار اندروید ببین:
http://cafebazaar.ir/app/?id=co.helal.help&ref=share

Number 1🥇✌️

🎙 Subject: Exploration in Reinforcement Learning

📅 Date: Thursday (May 1, 2025)
🕗 Time: 3:00 PM Iran Time
💡 Sign Up Here: https://forms.gle/TWqkmomDAKDdioxu5

آقای دکتر Christof Henkel پژوهشگر ارشد در شرکت NVIDIA و یکی از معدود افرادی در دنیاست که موفق به کسب عنوان Triple Grandmaster در پلتفرم Kaggle شده؛ یعنی، او هم در بخش رقابت‌ها، هم نوت‌بوک‌ها و هم بحث‌های فنی، جزو برترین‌هاست. او هم‌اکنون رتبه یک Kaggle هست.

او در توییتی، بخشی از تجربه شخصیش از مسیر سخت و طولانی تبدیل شدن به یکی از برترین‌های Kaggle رو به اشتراک گذاشته؛ متنی الهام‌بخش برای هر کسی که در مسیر رشد و یادگیری هست. در ادامه، این نوشته رو براتون نقل می‌کنم:

چرا فقط ۳۶۲ نفر در دنیا عنوان Grandmaster رقابت‌های Kaggle رو دارن؟
دلیلش ساده هست: چون رسیدن به این سطح، نیاز به تجربه‌ای دیوانه‌وار و تلاشی بی‌پایان داره. حتی با داشتن دکترای ریاضی، من بیش از ۴۰۰۰ ساعت وقت صرف کردم تا Grandmaster بشم. برای بردن اولین رقابت، ۲۰۰۰ ساعت دیگه لازم بود؛ و برای رسیدن به رتبه اول کلی در Kaggle، باید بیش از 10000 ساعت تلاش می‌کردم.

وقتی اولین بار در Kaggle شروع کردم، فکر می‌کردم مدرک دکترایم یک مزیت بزرگ هست. اما واقعیت رو خیلی زود فهمیدم: تجربه بر تئوری برتری داره. فقط برای رسیدن به سطح گرندمستر، ۴۰۰۰ ساعت وقت گذاشتم.

اولین برد در یک رقابت؟
باید ۲۰۰۰ ساعت دیگه تلاش می‌کردم. موفقیت از دل کتاب‌ها بیرون نمیاد، از دل تمرین مستمر، آزمون و خطا و یاد گرفتن از ریزترین اشتباهات به دست میاد.

رسیدن به رتبه اول جدول کلی Kaggle؟
بیش از 10000 ساعت زمان برد. سال‌ها رقابت، شب‌های بی‌خوابی، ایده‌هایی که شکست می‌خوردند و تکرار و تکرار. نه میان‌بری بود، نه راز خاصی. فقط زمان و استمرار (Consistency).

اگه آرزو داری در هر زمینه‌ای پیشرفت کنی (چه علم داده، چه Kaggle یا حتی زندگی) این رو فراموش نکن:
🧠 استعداد خوبه.
📚 دانش خوبه.
⏳ اما هیچ چیز جای تجربه و استمرار بی‌وقفه رو نمی‌گیرد.

اگر تازه وارد دنیای Kaggle شدی:
🔍 تمرکزت رو روی یادگیری بگذار، نه صرفا بردن.
🧠 راه‌حل‌های برتر رو عمیق بررسی کن.
🤝 با دیگران همکاری کن.

نتایج خواهند اومد، به شرطی که اونقدر بمونی که شاهدشون باشی.

ثبت نام بن نمایشگاه بین المللی کتاب ویژه اعضای هیات علمی و دانشجویان
https://bon.tibf.ir/

سلام دوستان

#موقعیت_کاری تحلیل داده در گیلان 📊

◽️آشنایی و تسلط به پایتون و کتابخونه‌های
Numpy، Pandas، Matplotlib، Seaborn
◽️ آشنایی با پلتفرم‌های تحلیل داده مانند Knime
◽️ روحیه همکاری تیمی و توانایی مستندسازی و ارائه پروژه

شرایط :
- بیمه تامین اجتماعی (و بیمه تکمیلی هم شامل میشه)
- پایات خدمت یا معافیت غیرپزشکی

جهت کسب اطلاعات بیشتر به خودم پیام بفرستید

🔻اشتراک رایگان Google AI Pro برای دانشجویان فعال شد

🔹گوگل در طرحی ویژه، اشتراک AI Pro را به‌صورت رایگان برای دانشجویان ارائه می‌دهد. این طرح شامل دسترسی به:

▪️مدل Deep Search with Gemini 2.5 Pro (جست‌وجوی پیشرفته با هوش مصنوعی)

▪️مدل Veo 2 (تبدیل پرامپت به ویدیو)

▪️فضای ذخیره‌سازی ۲ ترابایتی در Google One

▪️و نسخه پیشرفته ابزار NotebookLM (تبدیل سند به پادکست) است.

📌مدت اعتبار تا پایان سال تحصیلی ۲۰۲۶ است، اما از ماه آگوست ارائه مدرک تحصیلی برای ادامه اشتراک الزامی خواهد بود.
🔗 one.google.com/join/ai-student

آداب نامه استفاده از هوش مصنوعی مولد

سلام دوستان
بچه هایی که به حوزه شبکه (و امنیت) علاقمند هستید یه دوره خوب با هزینه خیلی پایین به زودی برگزار میشه (مناسب با نیاز های بازار کار هست)
برای ثبت نام و اطلاعات بیشتر اطلاع دهید.

@Fereshteh_KP

سلام دوباره
دوستانی که آشنایی با Python و الگوریتم های Machine Learning دارند برای تدریس یه دوره آموزشی هیبریدی (حضوری و آنلاین) در رشت به خودم اطلاع دهند.

معرفی میزان (MIZAN)؛ جامع‌ترین لیدربورد ارزیابی مدل‌های زبانی بزرگ (LLM) در زبان فارسی

پس از عرضهٔ بنچمارک FaMTEB برای ارزیابی مدل‌های Text Embedding، این‌بار تیم MCINEXT با دستاورد تازه‌ای در پردازش زبان طبیعی فارسی گامی بلندتر برداشته است.

🔍 چرا میزان؟

✅ مقایسه جامع مدل‌های برتر دنیا — ارزیابی دقیق طیف گسترده‌ای از مدل‌های متن‌باز و بسته به‌روز، با هدف ایجاد یک مرجع معتبر برای فارسی‌زبانان.
✅ پوشش ۶ بنچمارک تخصصی — طراحی‌شده توسط تیم MCINEXT برای سنجش عملکرد مدل‌ها در چت، پیروی از دستورالعمل، NLU، NLG، استدلال منطقی و دانش عمومی.
✅ دسترسی به تحلیل دقیق عملکرد — هر بنچمارک در یک تب مجزا ارائه شده و شامل بررسی مدل‌ها در تسک‌ها، دیتاست‌ها و متریک‌های متنوع است (مثل تحلیل احساسات، طبقه‌بندی موضوعی، NLI، STS و... در بخش Persian NLU).
✅ تنوع کاربردی بالا — میزان مدل‌ها را در سناریوهای واقعی فارسی مانند گفت‌وگوی چندمرحله‌ای، سیستم‌های RAG، تولید محتوا و پاسخ‌گویی منطقی ارزیابی می‌کند و به پژوهشگران کمک می‌کند بهترین مدل را برای نیاز خود انتخاب کنند.


🏆 بنچمارک‌های کلیدی میزان:

Persian MT-Bench: ارزیابی چت چندمرحله‌ای و کاربرد در سیستم‌های RAG

Persian IFEval: بررسی توانایی مدل‌ها در پیروی از دستورالعمل‌ها

PerCoR: اولین بنچمارک استدلال منطقی در زبان فارسی

PerMMLU: سنجش دانش عمومی و تخصصی مدل‌ها در موضوعات متنوع در زبان فارسی

Persian NLU: ارزیابی درک زبان طبیعی فارسی

Persian NLG: ارزیابی تولید زبان طبیعی فارسی

🔗 لیدربورد میزان را مشاهده کنید:
👉 https://lnkd.in/gPWdYyYG

📖 مقاله معرفی میزان در ویرگول:
👉 https://lnkd.in/gfE9R63Q

🔗 بنچمارک FaMTEB را مشاهده کنید:
👉 https://lnkd.in/guH8e8RS

«نوش‌دارو قبل مرگ سهراب!»

💻 یک مزیت بزرگ شرکت در دوره‌های آنلاین مثل کورسرا و edX، آزادی در زمان و مکان یادگیری است؛ اما همین آزادی می‌تواند منجر به یک مشکل بزرگ شود: درصد بالای دانشجویانی که دوره‌ها را نصفه نیمه رها (dropout) می‌کنند. آمارها می‌گویند که کمتر از ۱۳٪ از شرکت‌کنندگان یک MOOC را تا پایان می‌گذرانند! اما آیا می‌توان قبل از این‌که این «بیماری آموزشی» شدت بگیرد، از آن پیشگیری کرد؟

⛔️ پژوهشگران نشان داده‌اند که با تحلیل دقیق رفتار دانشجوها، مثل شیوه تماشای ویدیوها و مشارکت در آزمون‌ها، می‌توان با کمک مدل‌های یادگیری ماشین، خطر dropout را پیش‌بینی کرد. به طور خاص، مقاله‌ای از Swamy و همکاران نشان می‌دهد که چگونه می‌توان از یک مدل یادگیری ماشین که روی درس‌های قبلی آموزش دیده، به کمک transfer learning، برای پیش‌بینی روی درس‌های جدید نیز استفاده کرد. در نهایت، چنین پیش‌بینی‌هایی می‌توانند به مدرسین دروس کمک کرده تا با برگزاری کلاس‌های رفع اشکال یا ارسال پیام‌های انگیزشی، دانشجویان را به ادامه دادن درس ترغیب کنند.

📁 متن «پیشگیری از «بیرون افتادن» دانشجویان در دوره‌های آنلاین: چگونه به کمک هوش مصنوعی، نوش‌دارو را قبل از مرگ سهراب برسانیم؟» به قلم سیدپارسا نشایی در شمارۀ دوم نشریۀ بایت از اینجا مطالعه کنید.

هر چند دقیقه آپدیت میشه
https://itsyebekhe.github.io/tpro/