PyTorch Howsam
前往频道在 Telegram
3 422
订阅者
+324 小时
+257 天
+5830 天
数据加载中...
吸引订阅者
七月 '26
七月 '26
+44
在1个频道中
六月 '26
+74
在3个频道中
Get PRO
五月 '26
+58
在1个频道中
Get PRO
四月 '26
+21
在1个频道中
Get PRO
三月 '26
+9
在0个频道中
Get PRO
二月 '26
+78
在1个频道中
Get PRO
一月 '26
+41
在1个频道中
Get PRO
十二月 '25
+52
在2个频道中
Get PRO
十一月 '25
+79
在2个频道中
Get PRO
十月 '25
+168
在12个频道中
Get PRO
九月 '25
+108
在1个频道中
Get PRO
八月 '25
+51
在2个频道中
Get PRO
七月 '25
+80
在0个频道中
Get PRO
六月 '25
+57
在0个频道中
Get PRO
五月 '25
+152
在2个频道中
Get PRO
四月 '25
+69
在0个频道中
Get PRO
三月 '25
+125
在0个频道中
Get PRO
二月 '25
+94
在0个频道中
Get PRO
一月 '25
+133
在0个频道中
Get PRO
十二月 '24
+137
在2个频道中
Get PRO
十一月 '24
+125
在3个频道中
Get PRO
十月 '24
+119
在0个频道中
Get PRO
九月 '24
+119
在1个频道中
Get PRO
八月 '24
+118
在1个频道中
Get PRO
七月 '24
+88
在2个频道中
Get PRO
六月 '24
+139
在1个频道中
Get PRO
五月 '24
+162
在2个频道中
Get PRO
四月 '24
+71
在1个频道中
Get PRO
三月 '24
+58
在0个频道中
Get PRO
二月 '24
+62
在0个频道中
Get PRO
一月 '24
+72
在1个频道中
Get PRO
十二月 '23
+103
在1个频道中
Get PRO
十一月 '23
+21
在0个频道中
Get PRO
十月 '23
+45
在0个频道中
Get PRO
九月 '23
+26
在0个频道中
Get PRO
八月 '23
+32
在0个频道中
Get PRO
七月 '23
+48
在0个频道中
Get PRO
六月 '23
+68
在0个频道中
Get PRO
五月 '23
+29
在0个频道中
Get PRO
四月 '23
+35
在0个频道中
Get PRO
三月 '23
+35
在0个频道中
Get PRO
二月 '23
+42
在0个频道中
Get PRO
一月 '23
+29
在0个频道中
Get PRO
十二月 '22
+33
在0个频道中
Get PRO
十一月 '22
+31
在0个频道中
Get PRO
十月 '22
+32
在0个频道中
Get PRO
九月 '22
+34
在0个频道中
Get PRO
八月 '22
+34
在0个频道中
Get PRO
七月 '22
+35
在0个频道中
Get PRO
六月 '22
+30
在0个频道中
Get PRO
五月 '22
+23
在0个频道中
Get PRO
四月 '22
+38
在0个频道中
Get PRO
三月 '22
+34
在0个频道中
Get PRO
二月 '22
+30
在0个频道中
Get PRO
一月 '22
+39
在0个频道中
Get PRO
十二月 '21
+34
在0个频道中
Get PRO
十一月 '21
+36
在0个频道中
Get PRO
十月 '21
+42
在0个频道中
Get PRO
九月 '21
+81
在0个频道中
Get PRO
八月 '21
+38
在0个频道中
Get PRO
七月 '21
+31
在0个频道中
Get PRO
六月 '21
+22
在0个频道中
Get PRO
五月 '21
+22
在0个频道中
Get PRO
四月 '21
+32
在0个频道中
Get PRO
三月 '21
+39
在0个频道中
Get PRO
二月 '21
+82
在0个频道中
Get PRO
一月 '21
+28
在0个频道中
Get PRO
十二月 '20
+461
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 10 七月 | +2 | |||
| 09 七月 | +3 | |||
| 08 七月 | +4 | |||
| 07 七月 | +4 | |||
| 06 七月 | +2 | |||
| 05 七月 | +6 | |||
| 04 七月 | +5 | |||
| 03 七月 | +8 | |||
| 02 七月 | +2 | |||
| 01 七月 | +8 |
频道帖子
مدل GPT-5.6 Sol (max) با کسب ۸۰ امتیاز، پیشتاز شاخص عامل کدنویسی تحلیل مصنوعی است.
در حالت حداکثر تلاش استدلالی (max reasoning effort)، مدل GPT-5.6 Sol در شاخص هوش تحلیل مصنوعی هزینهای معادل ۱.۰۴ دلار به ازای هر تسک دارد؛
یعنی سطحی از هوش مشابه با Claude Fable 5 را با تقریباً یکسوم هزینه ارائه میدهد.
سطوح استدلال در مدلهای GPT-5.6 Sol و Luna مجموعهای از گزینهها را در مرز پارتو (Pareto frontier) «هوش در برابر هزینه هر تسک» فراهم میکنند.
به عنوان مثال، مدل GPT-5.6 Luna (max) با هزینهای کمتر، با هوش مدلهای GLM-5.2 (max) و Gemini 3.5 Flash برابری کرده یا حتی از آنها فراتر میرود. هزینهی مدلهای GPT-5.6 Terra (max) و Luna (max) به ازای هر تسک در شاخص هوش به ترتیب ۰.۵۵ و ۰.۲۱ دلار است که حدود ۵۰٪ و ۸۰٪ کمتر از Sol است.
GPT-5.6: Frontier intelligence that scales with your ambition
| 2 | .
هوش مصنوعی تو رو جایگزین نمیکنه، بلکه تو رو ارتقا میده!
راستش، دیروز که در گروه گفتم کل پروژه لایک مکتبخونه رو کلاد انجام داده، غوغایی بهپا شد و یکسریها ناامید از ادامه یادگیری کدنویسی و هوش مصنوعی شدن و به آرایشگری و سایر شغلها فکر میکردن.
امروز که مشغول کارهام بودم، نوتیفی از یوتوب اومد و ویدئوی تازه IBM Technology رو بهم پیشنهاد داد. عنوان ویدئو این هست:
AI Gave You A Promotion: Why AI Isn’t Replacing Jobs
من هم به این دیدگاه باور دارم. در ادامه، خلاصهای از مطالب گفتهشده در ویدئو رو بخونید.
در گذشته ساختار مشاغل شبیه به یک هرم بود. در قاعده هرم، تعداد زیادی از نیروهای تازهکار (Entry-level) کارهای اجرایی و تکراری (Grunt work) را انجام میدادند. با بالا رفتن در هرم، به افراد باتجربه، مدیران و در نهایت مدیران ارشد (C-suite) میرسیدیم که وظیفه هدایت افراد را بر عهده داشتند.
هوش مصنوعی بخش زیادی از کارهای تکراری و ابتدایی قاعده هرم را بر عهده میگیرد. اما این به معنای حذف افراد نیست؛ بلکه سازمانهای هوشمند این هرم را به یک لوزی تبدیل میکنند. نیروهای تازهکار ارتقا پیدا کرده و با مدیریت ابزارهای هوش مصنوعی، کارهایی در سطح افراد باتجربه انجام میدهند. این همان "ارتقای شغلی" (Promotion) است که هوش مصنوعی به انسانها هدیه میدهد.
با استناد به نظریه ویلیام جوونز در سال ۱۸۶۵ درباره موتورهای بخار و مصرف زغالسنگ، افزایش کارایی لزوماً به کاهش تقاضا ختم نمیشود. وقتی هوش مصنوعی کارایی ما را بالا میبرد، هزینه انجام کارها کاهش یافته و در نتیجه تقاضا و استفاده از آن خدمات بهشدت افزایش مییابد. سازمانهای هوشمند به جای تعدیل نیرو، از این فرصت برای نوآوری بیشتر، جذب مشتریان جدید و اجرای پروژههای بزرگتر استفاده میکنند. برای نمونه، شرکت IBM در سال ۲۰۲۶ برنامه دارد ۲ تا ۳ برابر بیشتر از سال گذشته نیروی تازهکار استخدام کند.
برای اینکه بتوان این ارتقای شغلی را تجربه کرد، تغییر و ارتقای مهارتها (Upskilling) ضروری است:
* انعطافپذیری و یادگیری مستمر (Flexibility): توانایی تطبیق با محیط جدید و یادگیری مداوم.
* کنجکاوی (Curiosity): محرکی که انسان را به سمت پرسیدن سوالهای درست و کشف مسیرهای جدید هدایت میکند.
* خلاقیت (Creativity): تبدیل کنجکاوی به ایدهها و محصولات نوآورانه.
* تفکر انتقادی (Critical Thinking): مهمترین مهارت در عصر AI؛ سنجش این موضوع که صرفاً چون هوش مصنوعی میتواند کاری را انجام دهد، آیا انجام آن درست و منطقی است یا خیر.
بالای این پیام، بخشی از پیام قبلیم رو کوت کردم؛ اینکه گفتم، از وضعیت امروز خوش میاد، چون میتونم ایدهها و کنجکاویهام رو سریع پیاده کنم. این نظر منه، ممکنه واقعا خیلیها موافق نباشن. من فکر میکنم، الان وقت ناامیدی و رهاکردن نیست، بلکه اتفاقا زمان تلاش بیشتر هست.
دیگه صحبت درباره این موضوع رو میبندم.
. | 762 |
| 3 | در همین راستا، امیررضا یکسری ویدئوی آموزشی معرفی کرد که درادامه گذاشتم.
این آقا هم شغل اصلیش گرافیک دیزاین هست ولی تحصیلاتش کامپیوتر ، با Claude اومده بک اند و فرانت یک سایت رو کامل ساخته و توضیح کاملی داده. برای من یکی که جالب بود رویکردش
https://youtu.be/isYdaz7NbZE?si=GW1gfRO8QQ9665wR
این یکی ویدئو هم خیلی جالب بود
رفت سایت اپل رو باز کرد و
نحوه نمایش air pod های اپل ( وقتی اسکرول می کنی) و چیدمان ایرپاد ها عوض می شه رو رفت برای یه محصول دیگه انجام داد.
یک عکس از اینترنت برداشت
اونو داد به یه ai ، بهش گفت تمام قطعات باز شده این محصول رو برام تولید کن.
بعدش هم به کمک FFMPEG اومد و دیزاین رو توی فرانت به کمک Claude پیاده کرد و فرانت قشنگی ساخت.
البته خب گرافیک دیزاینر هست و این چیزا رو به خوبی بلده
https://youtu.be/vxaluqBxsRs?si=zTEUXwGJXTs6luP6
منم برای یک کتابفروشی اینترنتی یه پلاگین وردپرس نوشتم با همین Claude و خوب کار کرده تا الان.
یک سایتی هم هست به اسم
https://www.skills.sh/
مجموعه ای از دستورالعمل های حرفه ای برای شغل ها یا تسک های مشخصه.
مثلا برای فرانت می شه skill مربوطه رو اضافه کرد و اون وقت دیگه فرانت رو خیلی خفن تر می سازه نسبت به حالت عادی خودش.
مثلا برای React که برای فرانت هست هم skill داره ، فقط کافیه نصب بشه.
همین هژی هم از skill های فرانت استفاده می کنه و از سایت Dribble هم نمونه هاشو اسکرین شات می گیره و به Claude میگه سایت رو این طوری برام بساز
این هم آموزش خوبیه برای Claude code
https://youtu.be/0EaP6guAy30?is=8xSCzw4HGd8HNTAU
کلاد حتی از طریق MCP هم به فیگما وصل می شه و دیزاین رو مستقیما به کدهای فرانت تبدیل می کنه.
این هم آموزش Claude Design هست.
میشه باهاش دیزاین هم انجام داد.
https://youtu.be/f_qwnlYa6DM?is=NavKCkfG2D5vyKv_
یک ویدئو از یک فرد که اصلا آدم فنی ای هم نیست و رفته سراغ Claude code میذارم تا کامل مطلب جا بیفته
https://youtu.be/YVaEfiQIBT8?is=c7C0xXsxYNeBq26W
این هم برای این هست که از Claude code استفاده کنیم بدون مدل های خود Claude، در واقع از مدل های رایگان در Claude code
https://youtu.be/Gc0V6KNOKDQ?is=CopWpRBhfuPYowJO
از هر کسی یا هر جایی خواستید اکانت Claude بگیرید بهشون بگید از طریق gift براتون فعال کنن.
https://support.claude.com/en/articles/12938627-how-to-gift-a-claude-subscription
این طوری با یه کردیت کارت می شه کلی اکانت فعال کرد و نسبتا safe تر هست. | 950 |
| 4 | کل این پروژه رو کلاد رایگان زده. من حتی یک فایل پایتونی هم نساختم. خودش کد زد، اجرا کرد، خروجی گرفت و ... نهایتا کد و خروجیها رو برگردوند. من فقط ایده رو دادم، پترن استخراج اطلاعات رو گفتم و کار رو بخشبندی کردم که در چند مرحله انجام بده. شاید اصلا نیازی نبود که همین اندازه هم کاری کنم.
راستش من خوش میاد که میتونم ایدهها و کنجکاویهام رو سریع پیاده کنم. قطعا قبلا اگه این ایده به ذهنم میرسید، کنار میذاشتم؛ چون فرصتش رو نداشتم که یک عالمه براش وقت بذارم. | 811 |
| 5 |  لایک/دیسلایک ویدئوهای یک دوره مکتبخونه رو استخراج و تحلیل کردم. این دورهای که انتخاب کردم، ۷۳ ویدئو داشت که در هر ویدئو یکسری افراد لایک/دیس زده بودن.
نمودار بالا نشون میده تعداد لایکها با شیب قابلتوجهی (و از نظر آماری معنادار، p<0.0001) در طول دوره افت میکنه. به نظرم بیش از اینکه این مسئله به کیفیت دوره مربوط باشه، به رها کردن دوره توسط درصد بالایی از افراد ارتباط داره؛ قبلا هم در اینباره نکتهای گفته بودم: لینک
دو ویدئوی اول تعداد لایک بسیار بیشتری نسبت به سایر ویدئوها دارن، در حد اوتلایر! فکر میکنم این میتونه چند دلیل داشته باشه؛ یکیش میتونه هیجان مخاطب در شروع دوره باشه.
سه ویدئو تعداد دیسلایک بالاتری نسبت به بقیه دریافت کردن؛ با فاصله آماری قابلتوجهی از بقیه، میتونیم بگیم اوتلایرن. طبق بررسی خودم، این ویدئوها رضایت مخاطب رو کمتر جلب کردن. به نظر من، دقیقا در دو ویدئوی متوالی، مدرس اگرچه کار عملی رو بهدرستی انجام داده بود، اما اجرای نسبتا بینظم و مبهمی داشت؛ البته این صرفا برداشت شخصی من هست. | 981 |
| 6 |  +1سایت Made With ML
این سایت، یکی از منابع آموزشی خوب برای یادگیری توسعه محصول مبتنی بر یادگیری ماشین هست.
تصاویر (معرفی سایت و فهرست مطالب دوره) به اندازه کافی واضح هست. اما خود سایت میگه:
Learn how to combine machine learning with software engineering to design, develop, deploy and iterate on production ML applications.
توی کتاب خانم Chip Huyen هم به عنوان منبع ذکر شده. من کورس توی این سایت رو ندیدم. اما خوب بررسی کردم. گذاشتم توی صف مطالعه. بعد از کتاب خانم Huyen میخوام این رو مطالعه کنم. | 1 044 |
| 7 | گپ دوستانه مهرزاد صمدی با امیر حرمتی
یکی از نویسندههای استاندارد جدید گوگل OKF
برای مرتب کردن داده برای LLMها
https://youtu.be/3JyKypJsFCc | 1 318 |
| 8 |  کتاب جبر خطی به شیوه درست
Linear Algebra Done Right
Sheldon Axler
نسخه اصلی : (June 18 , 2026)
https://linear.axler.net/LADR4e.pdf
نسخه فارسی : (June 20 , 2026)
https://linear.axler.net/LADR4eFarsi.pdf | 1 918 |
| 9 | +1 در راستای پست بالا، مهدی این دو تا فایل رو همراه با توضیح زیر در گروه فرستاد. من فایل بلوپرینت رو خوندم. خیلی خوب بود. دومی رو فرصت نکردم بخونم.
استک جالبی در این زمینه هست (DVC , MLflow , Evidently ai) که تا حدودی زیر رشته mlops محسوب میشه ولی برای مهندسی هوش مصنوعی در محیط پروداکشن ضروری هست
در بازار مالی این مصیبت به طریق اولا وجود داره
علاوه بر تغییر توزیع داده ها دچار تغییر کانسپت (تغییر معنایی ) هم هستیم یعنی خود فیچرها تغییر میکنند اونهم در مدت زمان های کوتاه مدت در حد چند روز | 1 277 |
| 10 | The_MLOps_Control_Room.pdf | 478 |
| 11 | .
فصل هشتم کتاب Designing Machine Learning Systems از خانم Chip Huyen درباره Data Distribution Shifts and Monitoring:
بیا این فصل را با داستانی شروع کنیم که یکی از مدیران اجرایی برای من تعریف کرد؛ داستانی که شاید بسیاری از خوانندگان بتوانند با آن همذاتپنداری کنند. حدود دو سال پیش، شرکت او یک شرکت مشاوره را استخدام کرد تا یک مدل یادگیری ماشین توسعه دهد که به آنها در پیشبینی میزان نیاز هفتهی آینده به هر یک از اقلام خواربار کمک کند، تا بتوانند بر همان اساس اقلام را مجدداً موجود کنند. آن شرکت مشاوره شش ماه زمان صرف کرد تا مدل را توسعه دهد. وقتی شرکت مشاوره مدل را تحویل داد، شرکتِ این مدیر آن را مستقر (عملیاتی) کرد و از عملکردش بسیار راضی بود. آنها در نهایت میتوانستند نزد سرمایهگذاران خود پز بدهند که شرکتی مبتنی بر هوش مصنوعی هستند.
با این حال، یک سال بعد، ارقام آنها افت کرد. تقاضا برای برخی اقلام بهطور مداوم بیش از حد واقعی برآورد میشد که این امر باعث فاسد شدن اقلام اضافه میشد. همزمان، تقاضا برای برخی اقلام نیز بهطور مستمر کمتر از حد واقعی برآورد میشد که به از دست رفتن فروش منجر میشد. در ابتدا، تیم انبارداری آنها پیشبینیهای مدل را بهصورت دستی تغییر میدادند تا الگوهایی را که متوجه شده بودند اصلاح کنند، اما در نهایت، پیشبینیهای مدل آنقدر بد شد که دیگر نتوانستند از آن استفاده کنند. آنها سه راه پیش رو داشتند: - پرداخت مبلغی گزاف به همان شرکت مشاوره برای بهروزرسانی مدل
- پرداخت پولی حتی بیشتر به یک شرکت مشاورهی دیگر (چون این شرکت جدید برای مسلط شدن به کار نیاز به زمان داشت)
- یا استخدام یک تیم داخلی برای نگهداری از مدل از آن زمان به بعد
شرکت او این درس مهم را با سختی فراوان آموخت؛ درسی که بقیهی فعالان این صنعت نیز در حال کشف آن هستند: استقرار یک مدل، پایان فرآیند نیست. عملکرد یک مدل بهمرور زمان در محیط عملیاتی افت میکند. هنگامی که یک مدل مستقر شد، ما همچنان باید بهطور مداوم بر عملکرد آن نظارت کنیم تا مشکلات را شناسایی کرده و برای رفع این مشکلات، بهروزرسانیهایی را مستقر کنیم.
تغییر توزیع دادهها (Data Distribution Shifts) پدیدهای است که رخ میدهد که توزیع دادهها در محیط عملیاتی، با توزیع دادههایی که مدل در طول آموزش با آنها مواجه شده، متفاوت بوده و از آن فاصله بگیرد. | 1 684 |
| 12 |  برای رفع خطای Antigravity
اول به آدرس زیر برید :
https://policies.google.com/country-association-form
احتمالا در این بخش نوشته شده Iran
As shown in Google’s Terms of Service, your account is associated with:
Iran
کمی پایین تر باید کشور رو تغییر بدید
Which region should your account be associated with instead?
طبیعتا با VPN باید این مراحل رو انجام بدید
و اینکه قبل از انتخاب کشور. باید بدونید VPN شما روی چه سروری هست
بهتره از این سایت لوکیشن رو چک کنید
https://www.iplocation.net/
به این خاطر هست که مثلا شما از سرور آلمان دارید استفاده میکنید
ولی شاید لوکیشن واقعی آلمان نباشه!
وقتی لوکیشن روچک میکنید . میزنه فنلاند یا هلند یا ترکیه یا ...
بعد از چک کردن لوکیشن
در این بخش کشور رو انتخاب کنید
Which region should your account be associated with instead?
و در قسمت پایین تر گزینه I travel often رو انتخاب کنید و بعد سابمیت.
معمولا بین ۲-۳ ساعت جواب میاد.
جواب ایمیل به این صورت هست :
You recently sent us a request to
...
to Netherlands.
Previous country: Iran
Current country: Netherlands | 1 613 |
| 13 | دوستان این گفتوگوی کیانوش مختاریان رو هم توصیه کردن:
https://www.youtube.com/watch?v=a4lriEKyTjc | 1 395 |
| 14 | نکته سوم: اجبار ایجاد کن!
خیلی از ماها، دوست داریم برای پیشرفتمون و بهبود ضعفهامون، کتابی بخونیم، دورهای ببینیم، تحقیقی انجام بدیم، فریمورکی یاد بگیریم و... اما مشکل اینجاست که مشغلهها نمیذارن ما این کارهای اختیاری رو اجرایی کنیم؛ یا اینکه شروع میکنیم، ولی به اتمام نمیرسونیم.
در چنین شرایطی، من هر وقت که تونستم برنامه اختیاری رو به شکلی به حالت اجبار دربیارم، نتیجه خوبی گرفتم. یک مثال میزنم.
یکسری کار عقبافتاده در خونه داشتم که باید رسیدگی میکردم. تصمیم گرفته بودم، جمعه صبح (امروز) انجام بدم. امروز قبل شروع کار، با خودم گفتم چطوره که حین کار یه پادکستی هم گوش بدم. توی یوتوب گشتم و ویدئوی بالا رو اتفاقی دیدم و گفتم همین رو گوش میدم.
من خیلی وقت پادکست ندارم. اهلش هم نیستم. اما، وقتی این دو تا رو به هم گره زدم، هم دو ساعت کار کردم و هم پادکست رو تا آخر گوش کردم. آخرای کارم اینطوری بود که میگفتم، خب هنوز پادکست تموم نشده، این دو تا کارم انجام بدم.
حالا، یکی ممکنه وظیفهش این باشه که خواهر/برادر/بچهش رو ببره کلاس و دو ساعت بعد هم بره دنبالش. شاید بتونه این دو ساعت رو همون اطراف، پارکی، فضای مطالعهای،کافهای پیدا کنه و اون کار اختیاری رو انجام بده. | 1 343 |
| 15 | امروز، گفتوگوی دوساعته کیانوش مختاریان (مدیر سابق گوگل) رو گوش کردم. بسیار بسیار برای من آموزنده بود. کاش میتونستم نکات مثبتش رو بنویسم.
ایشون، دو سالی هست به ایران برگشته و در شرکت یکتانت مشغول بود.
https://youtu.be/eIX97y3dT9c?si=DeqHss6NeKXbPY3x | 1 567 |
| 16 |  3️⃣ ویدئوی تازه منتشرشده درباره یادگیری ماشین در یوتوب 👇
1️⃣ یادگیری ماشین چیست؟ کلیک کنید!
2️⃣ پیشنیازهای یادگیری ماشین (بررسی واقعبینانه و دقیق) کلیک کنید!
3️⃣ یادگیری ماشین بدون ریاضی و کدنویسی؟! کلیک کنید!
✅ ویدئوهای بیشتری با عنوان "یادگیری ماشین به زبان ساده" در راه است... | 1 273 |
| 17 |  مدل Unlimited-OCR توسط baidu منتشر شد.
مدلی که برای شبیهسازی حافظه فعال انسان در پردازش اطلاعات طراحی شده است. با در نظر گرفتن DeepSeek OCR به عنوان مدل پایه، ما تمامی لایههای توجه (Attention Layers) در بخش رمزگشا را با مکانیسم پیشنهادی خود، یعنی «توجه پنجره لغزان مرجع» (Reference Sliding Window Attention یا به اختصار R-SWA) جایگزین کردهایم.
این روش ضمن ثابت نگهداشتن حجم حافظه پنهان در تمام طول فرآیند رمزگشایی، هزینههای محاسباتی را به شکل چشمگیری کاهش میدهد.
با ترکیب نرخ فشردهسازی بالای رمزگذار (Encoder) در DeepSeek OCR و طراحی حافظه پنهان ثابت در مدل جدید، Unlimited OCR میتواند دهها صفحه سند را تنها در یک مرحله پردازش مستقیم (Single Forward Pass) و تحت حداکثر طول استاندارد ۳۲ هزار توکن (32K) به طور کامل رونویسی کند.
مهمتر از همه، R-SWA یک مکانیسم توجهِ همهمنظوره است؛ به این معنی که فراتر از کاربرد OCR، میتوان از آن به طور یکسان در حوزههای دیگری مانند تشخیص خودکار گفتار (ASR)، ترجمه ماشین و سایر موارد مشابه نیز استفاده کرد.
https://huggingface.co/baidu/Unlimited-OCR | 1 689 |
| 18 | .
فصل هفتم کتاب Designing Machine Learning Systems از خانم Chip Huyen درباره کوانتیزیشن مدل:
برخی نمایش ۱ بیتی (بجای فلوت 32 بیتی پیشفرض) را برای هر وزن امتحان کردهاند (شبکههای عصبی با وزن باینری). به عنوان مثال BinaryConnect و XNOR-Net.
نویسندگان مقاله XNOR-Net شرکت نوپای Xnor.ai را تاسیس کردند، استارتاپی که بر فشردهسازی مدل تمرکز داشت. در اوایل سال ۲۰۲۰، این شرکت توسط اپل با قیمتی گزارششده در حدود ۲۰۰ میلیون دلار تصاحب شد.
شاید بدونید؛ کوفاندر شرکت xnor.ai آقای علی فرهادی بود. یولو 1، 2 و 3 هم یکی دیگه از کارهای درخشان در رزومه ایشون هست.
لینکدین آقای فرهادی:
https://www.linkedin.com/in/ali-farhadi-098430b1 | 1 798 |
| 19 | معرفی شده از طرف یکی از دوستان:
https://aiengineeringfromscratch.com/prereqs.html
از محتوای این سایت خیلی خوشم اومد
چند روزه دارم باهاش پیش میرم
سبک جالبی از یاد دادن مفاهیم و کدنویسی مربوط به ai engineer داره | 2 291 |
| 20 |  توی این بیش از یک دههای که مشغول تدریس بودم، خدا رو شکر کامنتهای مثبت بسیار بسیار زیادی دریافت کردم. بعد از اینهمه سال، هنوز برام عادی نشده و از دیدنشون خوشحال میشم. اما، بعضی کامنتها در ذهنم موندگار میشه. مدالی که بهم داد رو خیلی دوست دارم. من برای آماده کردن محتواهام مثل اسلایدها، بیش از زمان نرمال وقت میذارم و خوشحالم که برای مخاطبم انقدر ارزش داره. | 1 800 |
