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/

#موقعیت_کاری برنامه نویس  Backend

شرح موقعیت :
ما در شرکت کاوین پیشرو شریف در یکی از برندهامون ( لایتک ) به دنبال یک توسعه‌دهنده بکند اند پرانگیزه و پرتلاش هستیم که به شرکت ما بپیوندد. اگر به دنبال فرصتی برای همکاری در پروژه‌های جذاب با امکان رشد و یادگیری مداوم هستید، جای شما در تیم ما خالی است!
در شرکت ما، مهارت‌های نرم مانند توانایی همکاری در تیم، مهارت‌های ارتباطی قوی، و حل مسئله خلاقانه به اندازه مهارت‌های فنی اهمیت دارند. ما به دنبال افرادی هستیم که علاوه بر دانش فنی، بتوانند در یک محیط تیمی سازنده و مثبت کار کنند.

مهارت های ضروری :
• آشنایی با مفاهیم clean code
• تسلط به RESTful API
• تسلط بر فریمورک جنگو
• تسلط به Design Pattern ها
• تجربه کار با پایگاه داده های NoSql و RDBMS
• توانایی طراحی مستندات قابل فهم
• آشنایی با Git
• تجربه کار با Docker
• تجربه کار با redis
• تجربه کار با مسیج بروکرو ها (RabbitMQ و ....)

مهارت‌ هایی که امتیاز محسوب می‌ شوند:
• تجربه کار با socket
• آشنایی با  Nestjs  یا fastapi  یا Fastify مزیت محسوب می شود
شرایط همکاری:
• موقعیت به صورت تمام‌ وقت و امکان دورکاری فراهم است .
• محیط کاری پویا و دوستانه
• امکان یادگیری سریع و رشد حرفه ‌ای

ــــــــــ

در صورت تمایل رزومه خودتون رو برامون بفرستید
@omidPak
دو تا سوال هم طراحی شده که تو مدت کوتاه باید انجام بدید ،
در نهایت هم اگه افتخار همکاری باهاتون رو نداشتیم حتما بهتون اطلاع میدم که منتظر نمونید.

دوستان برای این موقعیت امکان ریفر دارم میتونید به خودمم اطلاع بدید حله👌

سلام بچه ها
اگر کسی از شما دنبال #موقعیت_کاری در حوزه Front-End هست، میتونه رزومش رو برای من ارسال کنه.
@AI_ENG_20
مزایا : ریموت + بدون نیاز به سابقه کار + همراه با منتورشیپ

معرفی Hakim – مدل Text Embedding فارسی

تیم MCINEXT با افتخار از توسعه مدل Hakim، یک مدل قدرتمند Text Embedding برای زبان فارسی، رونمایی می‌کند. این مدل با کسب جایگاه اول در بنچمارک FaMTEB (بنچمارک فارسی در MTEB، معتبرترین لیدربورد ارزیابی مدل‌های Text Embedding) از میان تمام مدل‌های Text Embedding فارسی‌زبان و چندزبانه، به عنوان پیشتاز در زمینه پردازش زبان فارسی شناخته شده است.

✨ ویژگی‌های منحصر به فرد Hakim:

✔️ آموزش سه‌مرحله‌ای:

توسعه یک مدل زبانی پایه

آموزش مدل روی داده‌های متنوع برای ایجاد مدل اولیه‌ی Text Embedding

آموزش تخصصی مدل بر اساس مجموعه داده‌های دقیق و تسک‌های مختلف NLP برای دستیابی به مدل نهایی

✔️ داده‌های باکیفیت و متنوع:
استفاده از دیتاست‌های دقیق و جامع در هر مرحله، جهت ارتقا کیفیت و دقت مدل.

✔️ Instruction Tuning:
بهره‌گیری از دستورالعمل‌های متنوع برای افزایش توانایی مدل در انجام تسک‌های مختلف.

✔️ قابلیت Zero-shot:
به لطف آموزش متنوع، Hakim قادر است تسک‌های جدید را بدون نیاز به fine-tuning انجام دهد.

✔️ مدل HakimBERT:
مدل زبانی پایه‌ای که به‌طور مستقل در بسیاری از تسک‌ها به سطح SOTA رسیده است.

✔️ سه نسخه از مدل Hakim:

Hakim (نسخه اصلی و fine-tune شده روی تسک‌های مختلف NLP)

Hakim-small (نسخه کوچک‌تر و بهینه‌شده)

Hakim-unsup (نسخه ابتدایی بدون fine-tuning روی تسک‌های NLP)

💡 اهمیت Hakim:

مدل Hakim در توسعه پروژه‌های NLP، سیستم‌های RAG یا چت‌بات‌ها، می‌تواند:

🔹 عملکرد جستجوی معنایی را متحول کند

🔹کیفیت دسته‌بندی و تحلیل متون را ارتقا دهد

🔹تسک‌هایی مانند NER، Sentiment Analysis و... را بدون fine-tuning تنها با یک دستورالعمل انجام دهد

🔹با توجه به سایز نسبتاً کوچک (124M پارامتر برای Hakim و 38M برای Hakim-small) سرعت بالا و استفاده آسان را فراهم کند

📚 مطالعه مقاله کامل در arXiv:
https://lnkd.in/dD5mrNUU

📈 مشاهده جایگاه Hakim در FaMTEB:
https://lnkd.in/dRJ9s4mz

یه کوئیز بریم چند نفر درست میزنن😅❤️

هفته آینده رویداد هایپر ماندی رشت برگزار میشه✌️

اطلاعات بیشتر و ثبت نام از طریق لینک :
https://hyperlance.school/mondays

سلام بچه ها
اگر کسی از شما دنبال #موقعیت_کاری در حوزه Back-End هست، میتونه رزومش رو برای من ارسال کنه.
@AI_ENG_20
مزایا : ریموت + بدون نیاز به سابقه کار + همراه با منتورشیپ