en
Feedback
DLeX: AI Python

DLeX: AI Python

Open in Telegram

هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.

Show more

📈 Analytical overview of Telegram channel DLeX: AI Python

Channel DLeX: AI Python (@ai_python) in the Farsi language segment is an active participant. Currently, the community unites 21 449 subscribers, ranking 6 349 in the Technologies & Applications category and 15 603 in the Iran region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 21 449 subscribers.

According to the latest data from 04 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -69 over the last 30 days and by -8 over the last 24 hours, overall reach remains high.

  • Verification status: Not verified
  • Engagement rate (ER): The average audience engagement rate is 9.86%. Within the first 24 hours after publication, content typically collects 3.93% reactions from the total number of subscribers.
  • Post reach: On average, each post receives 2 114 views. Within the first day, a publication typically gains 842 views.
  • Reactions and interaction: The audience actively supports content: the average number of reactions per post is 15.
  • Thematic interests: Content is focused on key topics such as مصنوعی, توییتر, ماهواره, داده, فناوری.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.

Thanks to the high frequency of updates (latest data received on 05 June, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.

21 449
Subscribers
-824 hours
-187 days
-6930 days
Posts Archive
Repost from AIHealthHub
🟢 مدل تخصصی پزشکی برای تحلیل متن بالینی 🔹 Bio_ClinicalBERT این مدل در Hugging Face منتشر شده و برای درک متن بالینی واقعی (مثل پرونده‌ها، شرح حال و یادداشت‌ها) آموزش دیده است. 📌 لینک مدل: https://huggingface.co/emilyalsentzer/Bio_ClinicalBERT مزایا برای پزشکان: ✔ طراحی شده برای «متن بالینی واقعی» ✔ بهتر از مدل‌های عمومی مفهوم‌های پزشکی را درک می‌کند ✔ مناسب برای خلاصه‌سازی و تحلیل متن‌های بالینی اما هنوز: ⚠ جایگزین تصمیم درمانی نیست ⚠ مسئولیت نهایی با #پزشک است 🆔 @AI_HealthHub

ابزاری برای بررسی میزان جمعیت در مکان های متفاوت (این ابزار OpenSource است) 👉 @ai_python ✍️| https://www.mapchecking.com/
ابزاری برای بررسی میزان جمعیت در مکان های متفاوت (این ابزار OpenSource است) 👉 @ai_python ✍️| https://www.mapchecking.com/

برای این که بدونید سرویس جدید MixBoard گوگل که بر پایه هوش مصنوعی هست به چه دردی می خوره، این ویدیو رو ببینید. 👉 @ai_python ✍️ البته هنوز در تمام ریجن ها فعال نیست. برای مثال من سعی کردم از اتریش امتحان کنم و فعلن برای من قابل استفاده نبود. (تا تاریخ اولین انتشار این پست در کانال : 9 ژانویه 2026 )

وزارت بهداشت و خدمات انسانی آمریکا (HHS) به‌تازگی بزرگ‌ترین دیتاست Medicaid را در تاریخ این نهاد به‌صورت متن‌باز منتشر کرده است. این مجموعه داده شامل اطلاعات تجمیع‌شده و سطح‌ارائه‌دهنده از درخواست‌های پرداخت (claims) برای یک کد مشخص صورتحساب در طول زمان است. چنین داده‌ای امکان مشاهده الگوهای رفتاری ارائه‌دهندگان خدمات درمانی را با دقتی بی‌سابقه فراهم می‌کند. 👉 @ai_python ✍️ اهمیت این دیتاست در آن است که می‌تواند به‌عنوان ابزاری قدرتمند برای شناسایی الگوهای غیرعادی و کشف تقلب در سیستم سلامت مورد استفاده قرار گیرد. خود تیم HHS DOGE اشاره کرده که با همین داده‌ها می‌شد تقلب گسترده در تشخیص اوتیسم در ایالت مینه‌سوتا را خیلی زودتر شناسایی کرد. انتشار عمومی این داده‌ها به پژوهشگران، روزنامه‌نگاران و تحلیلگران مستقل اجازه می‌دهد رفتار سیستم سلامت را شفاف‌تر و دقیق‌تر بررسی کنند. 👉 @ai_python ✍️ این دیتاست توسط تیم HHS DOGE منتشر شده؛ گروهی در وزارت بهداشت آمریکا که مأموریتش افزایش شفافیت، تحلیل داده‌های سلامت و مبارزه داده‌محور با تقلب است. انتشار این مجموعه داده از طریق پورتال رسمی داده‌های باز دولت آمریکا، opendata.hhs.gov، گامی مهم در جهت پاسخ‌گویی عمومی و تقویت اعتماد به سیستم سلامت محسوب می‌شود. 👉 @ai_python ✍️ دانلود در این لینک : https://opendata.hhs.gov/

این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) می‌پردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستم‌های هوش مصنوعی غیرقابل‌پیش‌بینی به ابزارهای تجاری قابل‌اطمینان معرفی می‌کند. نویسنده با تأکید بر چرخه‌ی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح می‌دهد که برخلاف نرم‌افزارهای سنتی، عامل‌های هوشمند به دلیل ماهیت تطبیق‌پذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند. 👉 @navidcasts 🎓 این نوشتار با ترکیب مهارت‌های تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه می‌دهد تا تیم‌ها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالش‌هایی نظیر ورودی‌های پیش‌بینی‌نشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمال‌گرایی پیش از عرضه، بلکه در توسعه‌ی سیستماتیک و سریع بر اساس داده‌های واقعی نهفته است.

مهندسی اجنت ها، شاخه ای بسیار مهم در مهندسی نرم افزار 👉 @ai_python ✍️

رودمپ DevOps برای سال 2026 : 👉 @ai_python ✍️ https://youtu.be/h-xaWRGBxC4?si=xL0QeDUIVGua_Jf2

استانداردی که شاید به زودی جایگزین ابزارهایی مثل PortKey بشه (قبلن بارها درباره Portkey و کاربرد آن در چانال صحبت کردیم) 👉 @ai_python ✍️ https://youtu.be/b-BzeHF6WLA?si=VWVgI22OF3yT-Fyk

این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) می‌پردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستم‌های هوش مصنوعی غیرقابل‌پیش‌بینی به ابزارهای تجاری قابل‌اطمینان معرفی می‌کند. نویسنده با تأکید بر چرخه‌ی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح می‌دهد که برخلاف نرم‌افزارهای سنتی، عامل‌های هوشمند به دلیل ماهیت تطبیق‌پذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند. 👉 @navidcasts 🎓 این نوشتار با ترکیب مهارت‌های تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه می‌دهد تا تیم‌ها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالش‌هایی نظیر ورودی‌های پیش‌بینی‌نشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمال‌گرایی پیش از عرضه، بلکه در توسعه‌ی سیستماتیک و سریع بر اساس داده‌های واقعی نهفته است.

Repost from N/a
اسپیس اکس داره برای دیتاسنترهای مداری هوش مصنوعی استخدام انجام می ده (آستین + سیاتل). تمرکز روی مهندسان Solar, Automation, Ma
+1
اسپیس اکس داره برای دیتاسنترهای مداری هوش مصنوعی استخدام انجام می ده (آستین + سیاتل). تمرکز روی مهندسان Solar, Automation, Manufacturing, Optics, Software و HW مقاوم به تشعشع. هدف اصلی: انتقال محاسبات سنگین AI (آموزش + استنتاج) به مدار LEO استفاده از انرژی خورشیدی ۲۴/۷ + خنک‌سازی طبیعی خلأ 🖥 @elonfact 🙄 هدف بلندمدت: ۱۰۰ گیگاوات ظرفیت محاسباتی AI جدید هر سال برنامه درخواست مجوز: تا ۱ میلیون ماهواره محاسباتی طبق پیش‌بینی ماسک: احتمالاً از ۲۰۲۸–۲۰۲۹ محاسبات AI در فضا از نظر هزینه از زمین سبقت می‌گیره.پروژه بعد از ادغام SpaceX × xAI سرعت گرفته و الان در فاز استخدام و طراحی اولیه است.

👉 @ai_python ✍️ اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026 کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربار
👉 @ai_python ✍️ اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026 کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربارش داریم.

این ویدیو برای افرادی که قصد دارن در آینده در اکوسیستم مایکروسافت، سرویس های هوش مصنوعی ارائه بدن، بسیار مهم هست. ( یا در حال حاضر ارائه می دن) 👉 @ai_python ✍️ مواردی که پوشش داده شده : 💬 Agent Factory 💭 Model Router 💬 Microsof Defender for AI Services https://youtu.be/a0byEIaDi8U?si=7f91KCQJucqzVUuj

Repost from DLeX: AI Python
👉 @ai_python ✍️ انواع منابع پردازشی موجود در Azure Machine Learning : 👉 @ai_python ✍️ 1️⃣ Compute instance: Behaves similar
👉 @ai_python ✍️ انواع منابع پردازشی موجود در Azure Machine Learning : 👉 @ai_python ✍️ 1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation. 2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script. 3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads. 4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace. 5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.

اهمیت مهندسی اجنت ها در دنیایی که مهندسی اجنت ها از اجزای اصلی مهندسی نرم افزار است : 👉 @ai_python ✍️ این پست در تاریخ 2 ژان
اهمیت مهندسی اجنت ها در دنیایی که مهندسی اجنت ها از اجزای اصلی مهندسی نرم افزار است : 👉 @ai_python ✍️ این پست در تاریخ 2 ژانویه 2026 برای اولین بار توسط LangChain منتشر شد. https://www.linkedin.com/pulse/agent-engineering-new-discipline-langchain-27pzc/

Repost from We all are BiTs
این مقاله با تکیه بر داده‌های جمع‌آوری‌شده از کاربران موبایل در آمریکا، نخستین ارزیابی تجربی از شبکهٔ «ارتباط مستقیم ماهواره به موبایل» استارلینک را ارائه می‌دهد و نشان می‌دهد که این فناوری، که از ۲۰۲۴ با همکاری T‑Mobile و در قالب سرویس پیامکی آغاز شده، در عمل قابل اتکا است اما هنوز محدودیت‌های مهمی دارد. پژوهش نشان می‌دهد که با افزایش تعداد ماهواره‌ها، تعداد سلول‌های قابل مشاهده و حجم اندازه‌گیری‌ها نیز بیشتر شده و استفاده عمدتاً در مناطق فاقد پوشش زمینی رخ می‌دهد. @WearebiTs 🐤 کیفیت سیگنال نسبت به شبکه‌های زمینی بسیار ضعیف‌تر است (میانگین RSRP حدود ۲۴ دسی‌بل پایین‌تر)، هرچند RSRQ کمی بهتر است که با ماهیت پیامکی سرویس فعلی سازگار است. تحلیل SINR نشان می‌دهد که سرویس دادهٔ آینده احتمالاً حدود ۳ مگابیت‌برثانیه برای هر beam در فضای باز ارائه خواهد داد و با تصمیمات مقرراتی و توسعهٔ بیشتر منظومهٔ ماهواره‌ای می‌تواند تا حدود ۱۸ مگابیت‌برثانیه افزایش یابد. این مطالعه تصویری واقع‌گرایانه از توان فعلی و مسیر تکامل DS2D ارائه می‌کند و نشان می‌دهد که این فناوری در وضعیت کنونی بیشتر برای پوشش پایه و اضطراری مناسب است، نه جایگزینی کامل برای شبکه‌های زمینی. https://arxiv.org/abs/2506.00283

👗3D Dynamic Garments👗 👉UCLA introduces Dress-1-to-3, a novel pipeline that reconstructs physics-plausible, simulation-ready separated garments with sewing patterns and humans from an in-the-wild image. 👉Review https://t.ly/qciHV 👉Paper arxiv.org/pdf/2502.03449 👉Project dress-1-to-3.github.io