DLeX: AI Python
Open in Telegram
هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq
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 21 302 subscribers, ranking 6 188 in the Technologies & Applications category and 16 433 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 21 302 subscribers.
According to the latest data from 05 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -77 over the last 30 days and by -4 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 7.87%. Within the first 24 hours after publication, content typically collects 3.42% reactions from the total number of subscribers.
- Post reach: On average, each post receives 1 677 views. Within the first day, a publication typically gains 729 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 16.
- 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
لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq”
Thanks to the high frequency of updates (latest data received on 06 November, 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.
21 302
Subscribers
-424 hours
-167 days
-7730 days
Posts Archive
21 302
✅ تخفیف ویژه کتاب ترفندهای پایتون به مناسبت 🎓هفته دانشجو
🔶 عزیزانی که قصد خرید کتاب #ترفندهای_پایتون را داشتند و تقاضای کد تخفیف داشتند، به مناسبت هفته دانشجو از الان می‌توانند با ۲۰٪ تخفیف ویژه کتاب ترفندهای پایتون را تهیه کنند.
🔷 اگر هنوز کتاب ترفندهای پایتون رو نخوندید، این فرصت خوب برای سرمایه گذاری رو خودتون رو از دست ندید. 😊✌️
🔥کد تخفیف ویژه ۲۰٪:
🔥 Code: OFF20_AIPython🔥
✅ خرید اینترنتی کتاب ترفندهای پایتون:
👉 Link: https://boby.cloud/python-tricks/
OR
👉 Link: https://devmo.in/python-tricks/
🔴 مهلت استفاده از کد تخفیف ۴۸ ساعت است.
#ترفندهای_پایتون #پایتون #Python
〰️〰️〰️〰️〰️
©️ @AI_Python
21 302
21 302
21 302
راه‌های ارتباطی با دکتر مریم توکل
وبسایت شخصی:
http://maryamtavakol.com
گوگل اسکالر:
https://scholar.google.de/citations?user=2ycXzoIAAAAJ&hl=en
لینکدین:
https://www.linkedin.com/in/maryam-tavakol-5869682b/
21 302
وقتی کمبود اطلاعات را نادیده میگیریم چه اتفاقی می افتد؟
خیلی وقت ها در پیش پردازش داده ،به راحتی از کنار اطلاعات ناقص می گذریم. اما ممکن است در خود این داده های خالی الگویی باشد و آن وقت است که نادیده گرفتن آن ها اثرات جبران ناپذیری برای ما دارد...
در این ویدئو دید کلی ای از این اثرات و انواع missing values بدست می آوریم:
https://youtu.be/FqxllA_HCR8
همچنین شما می توانید نسخه فارسی این ویدئو رو در ویرگول بخوانید.
#deeplearning #data_preprocessing
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
❇️ @AI_Python
21 302
گفتگو با دکتر مریم توکل پیرامون موضوع زیر: 👇👇
🔰 Fairness-aware machine learning
یادگیری سیستم‌های هوشمند با در نظر گرفتن معیارهای عدالت اجتماعی
🔸 در تاریخ یکشنبه ۱۶ آذر ساعت ۲۱ به وقت تهران
در پیج اینستاگرام زیر برگزار میگردد.
https://instagram.com/ai_python_podcast
❇️ @AI_Python
21 302
گفتگو با دکتر مریم توکل پیرامون موضوع زیر: 👇👇
🔰 Fairness-aware machine learning
یادگیری سیستم‌های هوشمند با در نظر گرفتن معیارهای عدالت اجتماعی
🔸 در تاریخ چهارشنبه ۱۲ آذر ساعت ۲۱ به وقت تهران
در پیج اینستاگرام زیر برگزار میگردد.
https://instagram.com/ai_python_podcast
❇️ @AI_Python
21 302
🎓 ۱۶ آذر، روز دانشجو گرامی باد.
🎉🎁 بزرگترین جشنواره تخفیف فرادرس در سال ۹۹، به مناسبت «روز دانشجو» با ۵۰ درصد تخفیف روی همه آموزش‌ها
💎 کد تخفیف: STU99
♨️ شما عزیزان میتوانید علاوه بر تخفیف ویژه ۵۰ درصدی، از ۵۵ آموزش فرادرس که به صورت رایگان ارائه شده است، استفاده کنید.👇
🔗 دسترسی به ۵۵ آموزش رایگان: fdrs.ir/rp68
🔗 ورود به صفحه جشنواره: fdrs.ir/ynix
@FaraDars - فرادرس
21 302
✔️ بهترین استاد برنامه نویسی کیه؟ از کی یاد بگیریم؟
🔶 در این ویدئو در مورد اینکه یک مدرس خوب برنامه نویسی باید چه ویژگی هایی داشته باشه صحبت میکنم.
🔷 البته، بهترین همیشه یک چیز نسبی هست، در این ویدئو معیارهایی رو یاد میگیریم تا بتونیم بهترین استاد خودمون رو پیدا کنیم و سرعتمون رو در یادگیری درست و اصولی افزایش بدیم. چه چیزی مهم تر از "زمان" ما هست که برای یادگیری داره صرف میشه؟ پس بهتره از این زمان به درستی استفاده کنیم.
🖥 مشاهده در یوتوب:
👉 Link: https://www.youtube.com/watch?v=iwAZFZPsIUg
〰️〰️〰️〰️〰️
©️ @DjangoEx | @AI_Python
21 302
گوگل ابزار یافتن اتوماتیک باگ در کدهای پایتون رو بصورت opensource در github قرار داده
Github Link
اما اگه خواستید بدونید این ابزار چقدر مهمه توجه شمارو به این خبر سال ۲۰۱۸ جلب میکنم
Google Automatic Bug Finder Already Found More Than 9.000 Vulnerabilities
ازین به بعد توی پروژه‌های پایتون سعی کنید ازین ابزار استفاده کنید، مخصوصاً دوستانی که
Django/Flask/FastApi
کار می‌کنند، یادتون باشه این ابزار در از حالا در اختیار هکرها هم هست.
اگر فکر می‌کنید سایت و پروژه شما مگه چیه که برای هکرها اهمیت داشته باشه، یادتون باشه کسی کل رزومه رو بررسی نمی‌کنه 😉😬
21 302
دوره #پردازش_زبان_طبیعی دانشگاه میشیگان- دکتر قاسمی
YouTube:
https://m.youtube.com/channel/UCYGBs23woNtXUSl6AugHNXw
Github: https://github.com/deskool/nlp-class
#منابع #فیلم #کلاس_آموزشی
❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
21 302
Probabilistic Graphical Models
10-708 • Spring 2019 • Carnegie Mellon University
https://sailinglab.github.io/pgm-spring-2019/lectures/
ماژول 3 به همراه اسلاید - کورس نوت و ویدیو در مورد مباحث یادگیری عمیق است
Module 3: Deep Learning & Generative Models
برای مثال مطالب جالبی برای GAN ها میتوانید بخوانید
Deep generative models (part 1):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-17/
Deep Generative Models (Part 2):
https://sailinglab.github.io/pgm-spring-2019/notes/lecture-18/
#منابع #فیلم #کلاس_آموزشی
❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
21 302
یکی از بیشترین سوالاتی که پرسیده میشه اینه که از کجا و چطور باید شروع کنم (یادگیری عمیق) توی این پست می‌خوام به این سوال پاسخ بدم (تاریخ : ۱۴ آذر ۱۳۹۹)
افرادی که این سوال رو می‌کنند معمولاً دو دسته هستند اونهایی که آکادمیک بصورت خیلی جدی دنبال کردند و تئوری قضیه رو بلدند و اونهایی که هیچ دیدی از تئوری ندارند و بخاطر ترند بودن وارد میشوند.
چندتا فرض : ۱- لینوکس و پایتون رو بلد هستید (پایتون سطح متوسط و لینوکس همون LPIC 1 هم کفایت می‌کنه)
۲- با خوندن کتاب مشکلی ندارید
۳- قرار هست کلا بیخیال یادگیری به زبان فارسی بشید
این لیست کتابهایی هست که پیشنهاد میکنم :
1- The hundred-page machine learning (Andriy Burkov)
این کتاب برای کسایی هست که یادگیری ماشین رو خیلی خیلی کم میشناسند، قبل از این که بخواید وارد بشید لازمه اول مطمئن بشید همون چیزی هست که فکرشو می‌کردید.
2- Hands on ML with scikit-learn, keras, tensorflow (2nd edition) (Aurelien Geron)
نیازی به تعریف نداره بهترین کتاب برای شروع کد زدن بدون ریاضیات پیچیده، بهمراه تئوری کافی.
اینجا مرحله‌ای هست که دانشگاهی و آموزشگاهی و ... و خیلی از افرادی که دارند کار می‌کنند (حدود ۹۵٪) میزنن جاده خاکی یا درحال پیاده‌سازی ایده‌ها و روش‌های مختلف هستند یا درحال خوندن مقالات روز دنیا، اینکه شما چقدر تسلط دارید و چقدر عالی مدل‌هارو ایجاد می‌کنید ی بحث هست اما اینکه آیا واقعاً این مدل می‌تونه به تمام مشتریان شما در زمان مناسب پاسخ بده و .... بحث مهمتری هست.
3- Build Machine Learning Powered Application : Going from idea to product (Emmanuel Ameisen)
برای شروع کتاب خوبی هست، البته مطالبی که توی کتابهای قبلی خوندید رو می‌تونید فقط نگاهی بندازید.
4- Machine Learning Engineering (Andriy Burkov)
مباحث مربوط به سرویس دهی و ... از یک جایی به بعد نیاز به ML engineer داره اما لازمه شما با این مباحث آشنایی کامل داشته باشید مخصوصاً اگر قراره پروژه خودتون رو راه بندازید.
5- Building Machine Learning Pipelines : Automating Model Life Cycle with Tensorflow (Hannes Hapke)
این بخش خیلی خیلی مهمه، قرار نیست تا ابد هر چندوقت یکبار بشینید و بصورت دستی دیتا جدید رو ترین کنید و همه مراحل رو پیش بگیرید باید از data pipeline ها استفاده کنید (چیزی که خیلی خیلی کم دیده میشه)
6- TinyML : Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers (Pete Warden)
شاید هیچ وقت لازم نشه روی این سخت‌افزارها سرویس دهنده باشید، اما چیزهایی که توی این کتاب قرار هست یاد بگیرید واقعاً واجب هست.
7- Practical Deep Learning for Cloud, Mobile, and Edge : .... (Anirudh Koul)
تا اینجا بصورتی بود که خسته کننده نباشه و کدینگ و ... هم پیش بره اما کم کم باید وارد مباحث تئوری و ریاضیات هم شد.
8- d2l.ai
بخش تئوری این کتاب شامل کلی tips and tricks میشه که جالب هستند.
9- deeplearningbook.org
همه‌ی تئوری‌ها و ریاضیاتی که پیچوندید رو باید بالاخره یاد بگیرید :)
امیدوارم این لیست مفید باشه، سعی کردم کتابهایی که خوب هستند یا خودم خوندم و نتیجه گرفتم رو فقط معرفی کنم وگرنه این لیست ادامه دار بود.
امیدوارم مفید باشه 🌹
#چطور_شروع_کنیم
21 302
Siamese networks with Keras, TensorFlow, and Deep Learning
https://www.pyimagesearch.com/2020/11/30/siamese-networks-with-keras-tensorflow-and-deep-learning/
21 302
Learning to Summarize from Human Feedback
Github:
https://github.com/openai/summarize-from-feedback
Dataset:
https://openaipublic.blob.core.windows.net/summarize-from-feedback/website/index.html#/
Paper:
https://proceedings.neurips.cc//paper/2020/file/1f89885d556929e98d3ef9b86448f951-Paper.pdf
#فیلم #مقاله #کلاس_آموزشی #هوش_مصنوعی #الگوریتمها #پایتون #پردازش_زبان_طبیعی
❇️ @AI_Python
🗣 @AI_Python_arXiv
✴️ @AI_Python_EN
21 302
#خبر
#آتنا ، راهکارِ شناسا برای احراز هویت آنلاین
https://ecomotive.ir/1399/09/12/authena-online-authentication/
مرتبط با معرفی سرویس هوشمند احراز هویت آنلاین آتنا (Authena)
#Authena
