علی شریفی زارچی - Ali Sharifi Zarchi
الذهاب إلى القناة على Telegram
عضو هیات‌علمی گروه هوش مصنوعی و بیوانفورماتیک، دانشکده‌ی مهندسی کامپیوتر، دانشگاه صنعتی آریامهر (شریف). عضو کمیته‌ی علمی المپیاد جهانی کامپیوتر.
إظهار المزيدلم يتم تحديد البلدالفئة غير محددة
📈 نظرة تحليلية على قناة تيليجرام علی شریفی زارچی - Ali Sharifi Zarchi
تُعد قناة علی شریفی زارچی - Ali Sharifi Zarchi (@sharifizarchi) لاعباً نشطاً. يضم المجتمع حالياً 30 425 مشتركاً، محتلاً المرتبة في فئة اخرى.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 30 425 مشتركاً.
بحسب آخر البيانات بتاريخ 28 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 2 288، وفي آخر 24 ساعة بمقدار 17، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 90.88%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً N/A% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 27 648 مشاهدة. وخلال اليوم الأول يجمع عادةً 0 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 758.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“عضو هیات‌علمی گروه هوش مصنوعی و بیوانفورماتیک، دانشکده‌ی مهندسی کامپیوتر، دانشگاه صنعتی آریامهر (شریف).
عضو کمیته‌ی علمی المپیاد جهانی کامپیوتر.”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 29 أكتوبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة اخرى.
30 425
المشتركون
+1724 ساعات
+2047 أيام
+2 28830 أيام
أرشيف المشاركات
قول دادم برای دانش‌آموزان متوسطه یک دوره‌ی رایگان تفکر الگوریتمی و برنامه‌نویسی پایتون برگزار کنم.
✅ با همراهی مرکز ژرف‌داده دانشگاه استنفورد، ۱۰۰۰ دانش‌آموز برتر این دوره، فرصت حضور رایگان در دوره‌ی پیشرفته‌ی هوش‌مصنوعی و کسب گواهینامه‌ی دانشگاه استنفورد را به دست خواهند آورد.
✅ از امروز ثبت‌نام در این دوره از طریق وب‌سایت PyTeach.me آغاز می‌شود.
✅ شروع دوره از شنبه ۳۱ مردادماه خواهد بود.
✅ اطلاع‌رسانی دوره صرفاً از کانال تلگرام PyTeachMe@ خواهد بود.
هفته‌ی پیش المپیاد جهانی هوش‌مصنوعی IOAI-2026 به پایان رسید و این هفته المپیاد جهانی کامپیوتر IOI-2026 در حال برگزاری است.
سوال‌های این دو المپیاد را می‌توانید در لینک‌های زیر ببینید:
✅ سوال‌های المپیاد جهانی هوش‌مصنوعی IOAI-2026
✅ سوال‌های المپیاد جهانی کامپیوتر IOI-2026
دوره‌ی رایگان «ورود به دنیای هوش‌مصنوعی» که برای آشنایی عموم علاقمندان تهیه کردم، به پایان رسید. لینک همه‌ی ویدئوها، اسلایدها و ژوپیترها را تقدیم می‌کنم. از پیام‌های سراسر مهری که ارسال کردید بی‌اندازه سپاس‌گزارم ❤️
۱. مسافر نمانیم، خلبان شویم
۲. ماشین چگونه می‌آموزد
۳. داده، ویژگی، برچسب: چرا حفظ‌کردن یادگیری نیست
۴. گرادیان کاهشی، قلب یادگیری ماشین
۵. درخت تصمیم و معمای تایتانیک
۶. دقت کافی نیست: سنجش صادقانه‌ی یک مدل
۷. شبکه‌های عصبی: از یک نورون تا یادگیری عمیق
۸. کانولوشن: ماشین چگونه یاد می‌گیرد ببیند
۹. وقتی ماشین سخن ما را می‌فهمد: آشنایی با ترنسفورمر
۱۰. از صفر شروع کنیم و یک چت‌بات و عامل هوشمند (Agent) بسازیم
اسلایدها و نوت‌بوک‌ها
لینک پخش زنده‌ی دهمین و آخرین جلسه از دوره‌ی «ورود به دنیای هوش‌مصنوعی»
در این جلسه یاد می‌گیریم که چطور از صفر، یک مدل زبانی بزرگ بسازیم و آن را آموزش دهیم!
درس‌هایی که محتوای آن با تلاش صدها نفر از بهترین دانشجویان ایران تهیه شده بود و ده‌ها هزار نفر از دانشجویان از آن بهره بردند را با فشار بیرونی از درس‌افزار دانشگاه و مکتب‌خونه حذف کردند. فدای یک تار موی مردم ایران.
بعد از برگزاری دو المپیاد جهانی، دوباره ضبط و تقدیم می‌کنم.
ویدئوی جلسه‌ی نهم دوره‌ی ورود به دنیای هوش‌مصنوعی
در این جلسه با کلیدی‌ترین مفاهیم پردازش زبان طبیعی آشنا می‌شویم:
✅ تعبیه (Embedding) واژگان
✅ الگوریتم Word2Vec
✅ شباهت کسینوسی (Cosine Similarity)
✅ ساختار Transformer
✅ مکانیزم توجه (Attention)
✅ پیاده‌سازی مکانیزم توجه و ترنسفورمر با استفاده از PyTorch
ویدئوی کامل جلسه‌ی هشتم دوره‌ی ورود به دنیای هوش‌مصنوعی
در این جلسه با کلیدی‌ترین مفاهیم بینایی ماشین، از جمله Convolutional Neural Networks آشنا می‌شویم.
✅ لایه‌ی کانولوشن Convolution
✅ انواع مجموعه داده‌های پردازش تصویر نظیر ImageNet، CIFAR-10 و MNIST
✅ مفاهیم Stride, Padding
✅ عمق و تعداد کانال در شبکه‌های کانولوشن
✅ افزون‌سازی داده Data Augmentation و کتاب‌خانه‌ی Albumentaions
✅ پیاده‌سازی لایه‌ی کانولوشن در پایتون
✅ استفاده از کتاب‌خانه‌ی Pytorch برای پیاده‌سازی شبکه‌ی کانولوشن
ویدئوی کامل جلسه‌ی هفتم دوره‌ی ورود به دنیای هوش‌مصنوعی
در این جلسه با شبکه‌های عصبی مصنوعی، قدرت‌مندترین مدل هوش‌مصنوعی آشنا می‌شویم.
✅ نورون مصنوعی
✅ توابع فعال‌سازی پله، ReLU، Softmax و سیگموئید
✅ تابع هزینه‌ی Cross-Entropy برای دسته‌بندی
✅ روش One-hot برای کلاس‌ها
✅ انواع معماری شبکه‌ی عصبی مصنوعی
✅ پیاده‌سازی عملی شبکه‌های عصبی در پایتون
✅ دسته‌بندی مجموعه‌داده‌ی MNIST ارقام دست‌نویس
ویدئوی کامل جلسه‌ی ششم دوره‌ی ورود به دنیای هوش مصنوعی
در این جلسه با معیارهای ارزیابی الگوریتم‌های دسته‌بندی از جمله دقت، حساسیت و صحت آشنا می‌شویم.
سپس به صورت عملی و با استفاده از کتاب‌خانه‌ی Scikit-Learn، مهم‌ترین کتاب‌خانه‌ی مدل‌های کلاسیک یادگیری ماشین، برای مساله‌ی کشتی تایتانیک یک مدل درخت تصمیم توسعه می‌دهیم.
در نهایت، دقت درخت تصمیم را ارزیابی می‌کنیم.
ویدئوی کامل جلسه‌ی پنجم دوره‌ی ورود به دنیای هوش‌مصنوعی
در این جلسه با الگوریتم «درخت تصمیم» به عنوان یک روش پرکاربرد دسته‌بندی آشنا می‌شویم و با مصورسازی و تحلیل داده‌های مسأله‌ی کشتی تایتانیک، کدنویسی حل این مسأله را در پایتون آغاز می‌کنیم:
✅ تفاوت رگرسیون با کلاسیفیکیشن و معرفی مسأله تایتانیک
✅ منطق الگوریتم درخت تصمیم (Decision Tree) در تفکیک داده‌ها
✅ فرمول شاخص جینی (Gini Index) برای محاسبه خلوص گره‌ها
✅ چالش بیش‌برازش (Overfitting) در صورت افزایش بیش از حد عمق درخت
✅ پایتون عملی: نصب کتابخانه‌ها و کار با دستورات پایه‌ای Pandas
✅ رسم نمودارهای میله‌ای و نقطه‌ای برای تحلیل نرخ بقای مسافران
✅ مهندسی ویژگی‌ها: پر کردن داده‌های گم‌شده و عددی کردن جنسیت و بندرها
از این پس می‌توانید اسلایدها، یادداشت‌های روی تخته، کدها، داده‌ها و Jupyter Notebook هر جلسه از دوره‌ی «ورود به دنیای هوش‌مصنوعی» را در لینک زیر ببینید:
https://github.com/SharifiZarchi/IntroAI
پیشنهاد می‌کنم قبل از هر جلسه، تلاش کنید Jupyter Notebook مربوط به آن جلسه را اجرا کنید، تغییر دهید، و به آن مسلط شوید.
ویدئوی کامل ضبط‌شده‌ی جلسه‌ی چهارم دوره‌ی ورود به دنیای
هوش‌مصنوعی
⭕ این جلسه به دلیل فنی ساده، به صورت زنده پخش نشد که صمیمانه از همه‌ی عزیزانی که منتظر بودند پوزش می‌خواهم.
در این جلسه مقدمات برنامه‌نویسی پایتون را به صورت عملی مرور کردیم:
✅ دریافت کد از Github
✅ شروع کارکردن با Google Colab
✅ انواع متغیرها، حلقه‌ی for، شرط if، محاسبات ریاضیات
✅ تعریف تابع
✅ لیست، اندیس، کارکردن با لیست‌ها
علاوه بر آن، مفاهیم زیر از یادگیری ماشین را مرور کردیم:
✅ گرادیان و گرادیان کاهشی (Gradient Descent)
✅ نرخ یادگیری (Learning Rate)
✅ کم‌برازش (Underfitting) و بیش‌برازش (Overfitting)
ویدئوی کامل ضبط‌شده‌ی جلسه‌ی چهارم دوره‌ی ورود به دنیای
هوش‌مصنوعی
⭕ این جلسه به دلیل فنی ساده، به صورت زنده پخش نشد که صمیمانه از همه‌ی عزیزانی که منتظر بودند پوزش می‌خواهم.
در این جلسه مقدمات برنامه‌نویسی پایتون را به صورت عملی مرور کردیم:
✅ دریافت کد از Github
✅ شروع کارکردن با Google Colab
✅ انواع متغیرها، حلقه‌ی for، شرط if، محاسبات ریاضیات
✅ تعریف تابع
✅ لیست، اندیس، کارکردن با لیست‌ها
علاوه بر آن، مفاهیم زیر از یادگیری ماشین را مرور کردیم:
✅ گرادیان و گرادیان کاهشی (Gradient Descent)
✅ نرخ یادگیری (Learning Rate)
✅ کم‌برازش (Underfitting) و بیش‌برازش (Overfitting)
ویدئوی کامل ضبط‌شده‌ی جلسه‌ی سوم دوره‌ی ورود به دنیای هوش‌مصنوعی
در این جلسه مفاهیم پایه‌ای «یادگیری ماشین» را مرور کرده‌ایم:
✅ مجموعه داده، ویژگی، برچسب
✅ حفظ‌کردن یا تعمیم‌پذیری
✅ تفاوت پارامتر و ابرپارامتر
✅ داده‌های آموزش (train)، اعتبارسنجی (validation) و آزمون (test)
✅ بیش‌برازش (overfitting)
✅ مدل‌های خطی و غیرخطی
