Machine learning application (Kartal)

فارسی: دختران ما هم مایه افتخار ماست. مواظب تحصیل دخترانمان باشیم. تۆرکجه: بیزیمده قیزلاریمیز فخرلریمیزدیر. قیزلاریمیزین تحصیل ائدمگین قوریاق #ijcb2026

فارسی: گوشه ای از هنرنمایی رومیان عزیز در کنفرانس بیومتریک ijcb 2026 . پ.ن: ijcb 26 هم خلق اثر از بنده بود اون گوشه 😁 چطوره؟ تۆرکجه: عزیز روملیلارین ال ایشلرینین بیر تیکه سی ijcb 2026 بیومتریک کنفرانسیندا. آ.ی: ijcb 26 دا منیم اوز اثریم 😁نئجه دی؟

فارسی : تیم ما هم در این مسابقه جز نویسندگان مقاله شد. کلی ایده کسب کرده ام برای سال دیگه. اگر هموطنان گل و عزیز و البته هاردورکا(از لیسانس تا دکترا) دوست دارید در مسابقات سال آینده باشید حتما برایم بنویسید. چون حتما مسابقه بعدی هم شرکت خواهیم کرد اما نیاز به کار داریم و تحقیق بیشتر . تۆرکجه: تیمیمیز ده بو مۆسابیقه‌ده مقاله‌نین یازارلاری آراسیندا یئر آلماقا موفق اولدو. گله‌ن ایل اوچون چوخ ایده قازانمیشام. اگر گۆل و عزیز هموطنلر، البته ایشدن قاچمیان و چالیشقان اؤیرنجی‌لر و آراشدیرماچی‌لار — لیسانس‌دان دوکتورایا قدر — گله‌ن ایلین مۆسابیقه‌لرینده اولماق ایسته‌ییرسینیزسه، حتماً منه یازین. چونکی بیز حتماً نؤوبتی مۆسابیقه‌ده ده شرکت ائده‌جه‌ییک، آمما داها چوخ ایش، داها چوخ تحقیق و داها گوجلۆ حاضیرلیق لازیم‌دیر.

فارسی: افتخار نسیب شد در کنفرانس ijcb 2026 باشم و آلان در ارائه مقاله لمون در مسابقه گوش رکوگنیشن هستم بیش از ۱۰۰ تیم و تیم های زیادی شرکت کرده اند که تیم ما (از طرف موسسه کارتال اول Kartal ol NGO) هم جز هشت تیم شد. تۆرکجه: ۲۰۲۶-جؽ ایل ijcb کوْنفرانسیندا ایشتیراک ائتمکدن شرف دۇیدوم و آلان قۇلاق تانیما یاریشماسینین مقاله‌سینی تقدیم ائتدی. یۆزدن چوخ تیملر ایشتیراک ائتدی و بیزیم ده تیم دا داخیل اوْلماقلا بیر چوخ تیملر سککیز تیم آراسیندا ایدی.

Breaking Through Safety Performance Stagnation in Autonomous Vehicles #معرفی_مقاله_روز فارسی:یکی از چالش‌های مهم خودروهای خودران، یادگیری از موقعیت‌های نادر و خطرناک است؛ همان لحظاتی که می‌توانند باعث تصادف شوند. مقاله‌ای در Nature Communications روشی به نام Dense Learning معرفی می‌کند که به جای تمرکز فقط بر شکست‌ها، از نمونه‌های موفق و ناموفقِ اطلاعات‌دار استفاده می‌کند تا ایمنی خودروهای خودران بهتر آموزش داده شود. اهمیت این کار در این است که آینده خودروهای خودران فقط با مدل‌های بزرگ‌تر ساخته نمی‌شود؛ بلکه به داده‌ی هوشمندتر، سناریوهای دقیق‌تر و یادگیری ایمن‌تر نیاز دارد. 🔗 https://www.nature.com/articles/s41467-026-69761-x #AutonomousDriving #AI #MachineLearning #NatureCommunications @Machinelearning_Kartal تۆرکجه: سوروجوسوز ماشین‌لارین بؤیوک چالیشماسی نادر و خطرلی حالت‌لری اؤیرنمه‌کدیر؛ او آنلاردا کی تصادفا سبب اولا بیلر. Nature Communications‌دا یایینلانان مقاله Dense Learning آدلی بیر روش معرفی ائدیر کی، فقط شکست‌لره یوخ، آنجاق معلوماتلی اوغورلو و اوغورسوز نمونه‌لره باخاراق امنیتی داها یاخشی اؤیرنمه‌یه کمک ائدیر. بو ایش گؤستریر کی، سوروجوسوز ماشین‌لارین گله‌جه‌یی فقط بؤیوک مودل‌لرله یوخ؛ داها آغیلی وئری، دقیق سناریو و امن اؤیرنمه ایله قورولاجاق. 🔗 https://www.nature.com/articles/s41467-026-69761-x#سوروجوسوز_ماشین #AI #MachineLearning #DenseLearning📡 @Machinelearning_Kartal

فارسی: توضیحات مقاله به صورت ویدیویی، مقاله ای مفید برای موضوع پایان نامه ارشد و دکترا : تۆرکجه: مقاله نی ویدیو حالیتنده آراشدیرمیشیق، ارشد و دکترا موضوعسو آختاران اؤیرنجی لره دگرلی؛: Enhancing Language Learning through Technology: Introducing a New English-Azerbaijani (Arabic Script) Parallel Corpus در ویدیو: انگلیسی: https://youtu.be/FkuH_cqNtLM?si=rGwslAOqADB77nC5 تورکی: https://youtu.be/TKQTs22NNqI?si=QgpeEG-nMUFqLBCs نظرتان را برایمان بنویسید... اشتراک با دوستان | کانالیمیزی دا جانلی یایین: کارتال اول تحصیل موسسه سی https://t.me/Ai_KartalOl https://kartalol.com/en/projects

فارسی: مهندسین کامپیوتر باید بدانند: تۆرکجه: کامپیوتر مهندیسلری گرک بیلسینلر: https://lnkd.in/p/dR2u9RTJ اشتراک با دوستان | کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

فارسی: یک خلاصه مقاله در مورد شرکتم در کنفرانس بیومتریک با مشارکت UNCHR نوشتم وقت داشتید مطالعه کنید. تۆرکجه: قاتیلدیقیم بیومتریک UNCHR ایله باغلی کنفرانسیندا بیر خلاصه مقاله یازدیم. باشینیز آزاد اولدو اوخویون. https://www.linkedin.com/pulse/beyond-algorithm-what-unhcr-eab-workshop-reinforced-jalil-srvzf اشتراک با دوستان | کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

#خبر افتخار برای ایران و ایرانی همه برای ایران، ایران برای همه با افتخار اعلام می‌کنم که تیم ما در مسابقه IJCB 2026 با عنوان: 10th Sclera Segmentation and Benchmarking Competition (SSBC 2026): Theme: Foundation and Multimodal Vision Models and Weakly Labelled Data برای انتشار پذیرفته شده است. این یک دستاورد علمی معنادار برای تیم ماست و من افتخار می‌کنم که اعضای تیم ما اهل ایران هستند. همکاری با دانشجویان و محققان بااستعداد ایرانی همیشه برای من لذت‌بخش و مایه افتخار بوده است. این مسابقه روی یکی از موضوعات مهم و به‌روز در بیومتریک و بینایی ماشین تمرکز دارد: استفاده از مدل‌های بنیادین، مدل‌های چندوجهی بینایی، و داده‌های با برچسب ضعیف برای سگمنتیشن اسکلرا. من معتقدم استعداد در همه جا وجود دارد و وقتی به محققان جوان اعتماد، فرصت و همکاری بین‌المللی داده می‌شود، می‌توانند در کارهای علمی در سطح جهانی مشارکت کنند. به همه اعضای تیم تبریک می‌گویم و از زحمات، فداکاری و همکاری شما متشکرم. 🎉 بیایید با هم کار کنیم و فردا را قدرتمندتر و روشن‌تر بسازیم. 👏🌹 تۆرکجه: #خبر ایران و ایرانی اوچون غۆرور ایران اوچون، ایران هامی اوچون غۆرورلا اعلان ائدیرم کی، تیمیمیز IJCB 2026 مۆسابیقه‌سینده بو باشلیقلا: 10th Sclera Segmentation and Benchmarking Competition (SSBC 2026): Theme: Foundation and Multimodal Vision Models and Weakly Labelled Data نشره قبول ائدیلیب. بو، تیمیمیز اوچون معنالی بیر علمی نایلیتدیر و من خۆسوسیله تیم عۆضولریمیزین ایراندان اولماسی ایله فخر ائدیرم. ایستعدادلی ایرانی اؤیرنجی‌لر و آراشدیرماچی‌لارلا ایشله‌مک منیم اوچون همیشه بؤیوک ذؤق و غۆرور منبعی اولوب. بو مۆسابیقه بیومتریکا و ماشین گؤرونتوسونده چوخ مهم و گونجهل بیر موضوعا یؤنلیب: فونداسیون مودل‌لر، چوخ‌وجهلی گؤرونتو مودل‌لری و ضعیف برچسب‌لنمیش داده‌لر ایله اسکلرا سگمنتیشن. بو موضوع گؤستریر کی، بیومتریکانین گله‌جه‌یی فقط بؤیوک و تام برچسب‌لنمیش داده‌لره باغلی دئییل؛ بلکه داها هوشمند، داها کم‌هزینه و داها قابل‌دسترسی یاناشمالار دا دۆنیا سوییه‌لی آراشدیرمالاردا مهم رول اوینایا بیلر. اینانیرام کی، ایستعداد هر یئرده وار و گنج آراشدیرماچی‌لارا اعتماد، فۆرصت و بئین‌الخالق امکداشلیق وئریلنده، اونلار دۆنیا سوییه‌لی علمی ایشلره دَیرلی تؤحفه وئره بیلرلر. بۆتون تیم عۆضولرینی تبریک ائدیرم و زحمتینیزه، فداکارلیغینیزا و امکداشلیغینیزا گؤره تشککور ائدیرم. 🎉 گلین بیرلیکده چالیشاق و صاباحی داها گۆجلو و داها آیدین قۇراق. اشتراک با دوستان | کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

#خبر افتخار برای ایران و ایرانی برای ایران، ایران برای همه با افتخار اعلام می‌کنم که تیم ما در مسابقه IJCB 2026 با عنوان «The Unconstrained Ear Recognition Challenge 2026 — Size Matters: Ear Biometrics on Edge» برای انتشار پذیرفته شده است. این یک دستاورد معنادار برای تیم ماست و من افتخار می‌کنم که تمام اعضای تیم ما اهل ایران هستند. همکاری با دانشجویان و محققان با استعداد ایرانی همیشه برای من لذت‌بخش و مایه افتخار بوده است. من معتقدم که استعداد در همه جا وجود دارد و وقتی به محققان جوان اعتماد، فرصت و همکاری بین‌المللی داده می‌شود، می‌توانند در کارهای علمی در سطح جهانی مشارکت کنند. به همه اعضای تیم تبریک می‌گویم و از زحمات، فداکاری و همکاری شما متشکرم. 🎉 بیایید با هم کار کنیم و فردا را قدرتمندتر و قوی‌تر بسازیم. 👏🌹 تۆرکجه: غۆرورلا اعلان ائدیرم کی، ijcb ۲۰۲۶ مۆسابیقه‌سی‌نین اوْلان «The Unconstrained Ear Recognition Challenge 2026 — Size Matters: Ear Biometrics on Edge» و آدلی کوْماندامیزین نشره قبول ائدیلدیگینی اعلان ائدیرم. بو، تمیمیزه اۆچون معنالی بیر نایلیتدیر و خۆسوسیله تمیمیزین عۆضولریمیزین هامیسی ایراندان اوْلماسی ایله فخر ائدیرم. ایستعدادلی ایران طلبه‌لری و تدقیقاتچیلاری ایله ایشله‌مک منیم اۆچون همیشه بؤیوک ذؤق و غۆرور منبعیی اوْلوب. اینانیرام کی، ایستعداد هر یئرده مؤوجوددور و گنج تدقیقاتچیلارا اعتیبار، فۆرصت و بئین‌الخالق امکداشلیق وئریلدیکده، اوْنلار دۆنیا سوییه‌لی علمی ایشه تؤحفه وئره بیلرلر. بۆتون تیمین عۆضولرینی تبریک ائدیر و زحمتینیزه، فداکارلیغینیزا و امکداشلیغینیزا گؤره تشککور ائدیرم. 🎉 گلین بیرلیکده چالیشاق و صاباحی داها گۆجلو و گۆجلو شکیلده قۇراق. اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

فارسی: سخنرانی در مورد فیس رکوگنیشن در کنفرانس cvpr 2026 تۆرکجه: کنفرانس cvpr 2026 دا کئچیلن اوز تانیما دانیشیقی https://lnkd.in/p/d3ysxfyq اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

فارسی: دلیل این عدم اعتمادها از کجاست؟ چه اتفاقی باعث شده اساتید اعتمادشان به اساتید دیگر کم رنگ شود؟ پ.ن: من فکر می کنم اساتید دانشگاه جزء انسان های شریف معدود روی زمین هستند. تۆرکجه: بو اینانماماقلارین سببی هاردان گلیر؟ نه اولوب استادلار بیر بیرینه اینانمیلار؟ ‌آ.ی: من فیکر ائدیرم بیلیم یورد اوستادلاری و معلیم لر دونیانین ان ویجدانلی و شرافتلی انسانلاری دیلار.

فارسی: بررسی و بحث در مورد آپدیت استانداردهای موجود برای بیومتریک در کنفرانس هفته بعد تۆرکجه: بیومتریک ده اولان استانداردلارا گورا دارتیشماق و دانیشما کنفرانسی گلن هفته https://lnkd.in/p/d5D4E6mw اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

اپلای: دکترا امیج پروسسینگ https://lnkd.in/p/dndD6yTx

But if it forgets something that you told it, that is much more frustrating, since you end up having to tell it again: more golden tokens down the drain. Coding agents have become less forgetful in the last few months because of model advances, but they still occasionally forget. When I spot something in a prototype that I'm unsatisfied with, often I tell the agent not only to fix it but also to update the spec (and perhaps the test plan), so the agent’s stopping criteria in the future require checking that this problem does not occur again.  This is one way to make sure it treats the human tokens as gold.   Keep building! Andrew      A MESSAGE FROM DEEPLEARNING.AI  Meet Ambient, from Kian Katanforoosh and Workera, designed to measure your skills in the flow of work. You already measure everything that matters: sleep, steps, screen time. Why not your skills? Join Waitlist   News  Fable’s Return and Fallout   Claude Fable 5 and the more powerful Claude Mythos 5 are back, three weeks after Anthropic suspended the models due to an export control directive from the U.S. Department of Commerce. What’s new: Anthropic restored customer access to Claude Fable 5 via the Claude API, Claude Code, and other Anthropic-controlled platforms on July 1. As part of its agreement with the U.S. government, Anthropic added additional guardrails to the model blocking some cybersecurity queries and routing them to the less capable Claude Opus 4.8.   What happened: The redeployment of Claude Fable 5 and Mythos 5 brings a resolution to the most high-profile conflict between the U.S. government and an AI company so far this year. However, the dispute didn’t only involve Anthropic, but also Amazon, Google, Microsoft, and OpenAI. (Disclosure: Andrew serves on Amazon’s board.) Here’s a timeline of when the models were released and why they were suspended and reinstated. Anthropic debuted Claude Mythos Preview for select government and tech partners in April. The model was released only to companies that maintain critical infrastructure to allow them to identify security vulnerabilities and patch them. Two months later, on June 9, Anthropic released Claude Fable 5 to customers worldwide. Its guardrails prevented certain queries related to cybersecurity and biological research; the model also controversially degraded its responses about how to build powerful AI models. Amazon researchers used Claude Fable 5 to obtain information about how to conduct a cyberattack, which led to the directive. Anthropic contends that any sufficiently capable model, including its own Claude Opus 4.8 and those from other providers, could identify the same vulnerability and produce an exploit. اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

New خبر View in browser  Subscribe   Submit a tip     Dear friends, The key idea of agentic coding loops is to have an agent keep working until it satisfies a condition, such as achieving a product specification. Coming up with the spec, the evals, or test set is one of the hardest tasks for many AI systems, and a key place to inject human knowledge. Once you have a clear spec, the paths to fulfilling it (such as having a coding agent iterate) become clearer. I'd like to share useful practices for building product specs that drive coding loops when quickly building 0-to-1 applications. As I'll explain below, one organizing principle I use is: AI tokens are cheap; human tokens are gold. (Yes, I know humans don't literally tokenize, but I work so much with tokens that I now think of myself as providing tokens to my computers!) When building a large, complex system, it is worthwhile to spend time architecting it well. This involves deciding, for example, what database do you want to use? How do you break down the workload across different services? What third-party dependencies are you locking yourself into? What are the API boundaries between frontend and backend? Thinking through such questions in advance helps to avoid being stuck with a bad decision that is hard to change. But when building quick 0-to-1 prototypes or applications in domains I'm unfamiliar with, I often move faster and with less deliberation. I find it convenient to jump quickly into directing a coding agent to start building, so I can examine what it has built in order to make the next set of decisions. No need to spend an hour of human time mulling over a design spec when an AI agent will spend 20 minutes building a simple prototype; I'd rather spend 10 minutes writing an inferior spec, see what the agent has built, examine its assumptions, and then refine the spec and repeat the process. Instead of "spec drive development" becoming a new waterfall process where writing a spec is a gate to further progress, this allows me to more iteratively refine the spec. For example, the first version of many apps I’ve prototyped had confusing UI designs that I modified the spec to fix, and no amount of my time spent tweaking the initial spec would have led me to realize in advance that these changes would be needed. Coming up with those human tokens on my own would have been too expensive. It was easier (and cheaper) to see what went wrong in order to explain how to do it right. As a software project matures, coding agents will work longer (maybe hours) to build to more complex specs, But at this early stage, it is fine to throw away the entire codebase and restart from scratch, so nothing is hard to change. All that code was cheap, in human time and token costs. What we learned from testing it was more valuable. Further, having one implementation to react to (or sometimes I'll ask the agent for a few different designs) gives you an efficient way to get feedback (human tokens) to refine the spec to help drive later iterations. If you're building a 0-to-1 product, I encourage you to put the coding agent to work, maybe even earlier than might feel comfortable, see what it comes up with, and use that as a starting point. Then document your reactions and keep iterating.      Here, too, you can make the agent do most of the work. One common source of frustration among developers is when we tell a coding agent something and later (maybe after memory compaction) it forgets what had said. I hope future coding harness improvements will ameliorate this, but for now, when I make key decisions, I often steer the agent to remember that decision somewhere, say in a SPEC.md file. In the course of building a project, a coding agent may generate millions of tokens — far more than the human developer would type. So if an agent discovers something and later forgets it, there is a cost, since it might burn more tokens to rediscover it — but this is not too bad.

Everything has its own life and shining 🌟 time... Meta stopped its video generator on Meta AI. Oh, it seems AI is going to fail just as it reaches its highest possible benefits... Or was there a specific reason? اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

Hallucinated citations are polluting the scientific literature. What can be done? Hallucinated citations generated by AI are rapidly contaminating scientific literature, with analyses showing a rise from 0.3% to 2.6% of papers containing at least one fabricated reference in 2025, potentially affecting over 110,000 publications. Publishers and startups are developing detection tools, but false positives and varied reference formats pose challenges. Experts recommend stronger screening, manual verification, and clear policies on AI use, while acknowledging that many fake citations remain undetected and can undermine research integrity. مقاله ای از نعیچر: نعیچر دن بیر مقاله: https://www.nature.com/articles/d41586-026-00969-z اشتراک با دوستان| کانالیمیزی دا جانلی یایین: https://t.me/Machinelearning_Kartal

فارسی: جدیدا اکثر شغل ها الخصوص شرکت های معتبر دنباله فردی هستند که در کنفرانس های معتبر مثله ACL, neurIPS ... مقاله داشته باشد. اگر دانشجویی دکترا ویا استاد دانشگاه هستید و دانشگاهتان ساپورتیو هزینه ای چنین کنفرانس ها است ما دو تا کار در زمینه Low resources language NLP داریم و با ما تماس بگیرید. تۆرکجه: سون زامانلار چوخلو ایش یئرلری، خۆصوصاً ده بویوک شیرکتلر، ACL, ICML, ، neurIPS و س. کیمی نۆفوذلو کوْنفرانسلاردا مقاله‌لر درج ائتمیش بیرینی آختاریر. اگر سیز دوْکتورا اؤیرنجیسی و یا بیلیم یورد پروفسوروسونوزسا و بیلیم یوردونوز بو جۆر کوْنفرانسلارین خرجلرینی دستکله‌ییرسه، Low resources language NLP ساحه‌سینده ایکی ایش واریمیز و بیزیمله علاقه ساخلایین.