کانال عصر اینترنت اشیا و ماشین لرنینگ ایران IRAN IoT & machine learning Era channel

🚀 دسترسی رایگان به ۶ مدل هوش مصنوعی قدرتمند! 🪙بدون نیاز به اشتراک پولی، به مجموعه‌ای از مدل‌های هوش مصنوعی از طریق API دسترسی داشته باشید! ✨استارتاپ BeatAPI امکان استفاده رایگان از ۶ مدل هوش مصنوعی را فراهم کرده است؛ فرصتی جذاب برای توسعه‌دهندگان و افرادی که می‌خواهند مدل‌های مختلف را در ابزارها و دستیارهای هوش مصنوعی خود به کار بگیرند. 🤖مدل‌های در دسترس: 🤖 GPT-6.1 Sol 🐋 DeepSeek V4.1 Flash 🐋 DeepSeek V4 Flash ▫️ GLM 5.3  ▫️ GLM 5.3 Flash 🤖 Gemini 3.8 Flash — از گوگل ▫️چطور از این مدل‌ها استفاده کنیم؟ 1️⃣وارد وب‌سایت BeatAPI شوید و ثبت‌نام کنید. 2️⃣یک کلید API بسازید. 3️⃣مدل موردنظرتان را با پسوند free انتخاب کنید. 4️⃣سپس API را به ابزار یا دستیار هوش مصنوعی خود متصل و استفاده کنید. 🔍 https://beatapi.io/

⭐ ۲۰ ابزار برای ساخت ارائه، پوستر و اینفوگرافیک علمی ✅Canva ✅Gamma ✅Beautiful.ai ✅BioRender ✅Piktochart ✅Visme ✅Infogram ✅Genially ✅Prezi ✅Adobe Express ✅PowerPoint ✅Google Slides ✅Pitch ✅Slidesgo ✅SlidesCarnival ✅Venngage ✅Mind the Graph ✅Figdraw ✅Lucidchart ✅Figma 🔹 تلگرام . یوتیوب . توییتر . لینکدین هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده خدمات هوش‌مصنوعی

📢 دوره آموزش هوش مصنوعی دانشگاه صنعتی شریف ویژه معلمان سراسر کشور فرصتی برای یادگیری کاربردهای هوش مصنوعی در تدریس و تولید محتوای آموزشی، با تدریس ۶ استاد دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف و همکاری وزارت آموزش‌وپرورش و معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری. 📚 محورهای آموزشی: 🔹 مفاهیم پایه هوش مصنوعی و یادگیری ماشین 🔹 آشنایی با هوش مصنوعی مولد 🔹 ابزارهای مولد متن و مهندسی پرامپت 🔹 برنامه‌سازی و تحلیل داده با هوش مصنوعی 🔹 ابزارهای مولد تصویر، صوت و ویدئو 🔹 تولید محتوای آموزشی 🔹 اخلاق و حریم خصوصی در هوش مصنوعی ✅ آموزش رایگان و مجازی، قابل استفاده با موبایل و رایانه ✅ محتوای ضبط‌شده، تمرین‌های آنلاین و آزمون پایانی ✅ بدون پیش‌نیاز تخصصی؛ با آشنایی اولیه با رایانه ✅ گواهی رسمی دانشگاه صنعتی شریف پس از گذراندن موفق دوره 🗓️ آغاز دوره: ۱۶ مهر ۱۴۰۵ اطلاعات دوره http://ais.sharif.ir لینک ثبت نام https://ais.sharif.ir/register #هوش_مصنوعی #دانشگاه_صنعتی_شریف #معلمان #آموزش_و_پرورش

در ماشین ویژن، مالتی مودال (Multimodal) به توانایی سیستم‌های هوش مصنوعی در درک و پردازش همزمان چندین نوع داده (Modality) گفته می‌شود؛ مانند ترکیب تصویر با متن، صدا یا سایر سنسورها . هدف اصلی، شبیه‌سازی درک انسان از محیط است که به‌طور طبیعی چندحسی است. 🧠 چرا مالتی مودال مهم است؟ اطلاعات هر مودال (مثلاً فقط تصویر) ممکن است ناقص یا مبهم باشد. ترکیب مودال‌ها باعث می‌شود مدل دید کامل‌تری داشته باشد : · تکمیل اطلاعات: فرض کنید تصویری از یک فنجان دارید؛ متن همراه آن می‌تواند بگوید «فنجان داغ است»، اطلاعاتی که از تصویر قابل استخراج نیست . · افزایش دقت: در تشخیص چهره، ترکیب تصویر با صدا می‌تواند دقت را در شرایط نوری ضعیف بالا ببرد . · انعطاف‌پذیری: اگر یک مودال در دسترس نباشد (مثلاً صدای قطع شود)، سیستم می‌تواند با مودال دیگر به کار خود ادامه دهد . 🛠️ تکنیک‌های اصلی در ماشین ویژن فرایند مالتی مودال معمولاً شامل استخراج ویژگی از هر مودال و سپس فیوژن (Fusion) است. سه سطح اصلی فیوژن وجود دارد: · Early Fusion (فیوژن اولیه): ترکیب داده‌ها در سطح ورودی خام یا ویژگی‌های سطح پایین (مثل پیکسل‌ها و کلمات) . · Late Fusion (فیوژن تاخیری): هر مودال مستقل پردازش شده و نتایج (مثل پیش‌بینی نهایی) با هم ترکیب می‌شوند . · Intermediate Fusion (فیوژن میانی): رایج‌ترین روش؛ ویژگی‌های استخراج‌شده از لایه‌های میانی مدل‌ها (مثلاً خروجی CNN و Transformer) با هم ترکیب می‌شوند تا نمایشی مشترک ساخته شود . 🚀 مدل‌های پیشرفته · Vision Transformers (ViT): تصویر را به قطعات (Patch) تقسیم کرده و روابط بصری را با مکانیزم Attention درک می‌کند . · مدل‌های Vision-Language (مانند CLIP): با آموزش روی جفت‌های تصویر-متن، فضایی مشترک می‌سازند که مثلاً بتواند تصویر را با توضیح متنی آن مطابقت دهد یا به سؤالات بصری پاسخ دهد . · Multimodal LLMs: مدل‌هایی مثل GPT-4V یا GPT-5 که می‌توانند همزمان متن و تصویر را به عنوان ورودی دریافت کرده و درباره‌شان استدلال کنند . 📌 کاربردهای کلیدی · تولید توضیح تصویر (Image Captioning): نوشتن متن توصیفی برای یک عکس . · پاسخ به سؤالات بصری (VQA): پاسخ دادن به سؤالاتی درباره محتوای یک تصویر . · تشخیص احساسات: ترکیب حالت چهره با لحن صدا برای درک دقیق‌تر احساسات . · ادغام سنسورها: ترکیب دوربین، لیدار و رادار در خودران‌ها برای درک بهتر محیط .

قسمت های تشکیل دهنده jwt Header Payload Signature بین سه قسمت . وجود دارد. قسمت header مشخص می‌کند که token از چه الگوریتمی استفاده می‌کند { "alg": "HS256", "typ": "jwt" } قسمت payload اطلاعاتی است که میخواهیم داخل token قرار دهیم { "Sub":"Ali", "Role":"user" }

مفهوم jwt یا json web token یک توکن (رشته متنی) است که بعد از login به کاربر داده میشود تا در درخواست های بعدی ثابت کند که قبلا احراز هویت شده است مثلا کاربر User : Ali Password : 1234 وارد میشود ، سرور میگوید user و password درست است و این توکن برای تو eyjhgfdtgbbjg از این به بعد به جای اینکه در هر درخواست user , password ارسال کنه ، token را می‌فرستد

سیر تکاملی بینایی ماشین از ابتدا تاکنون به مواردی که در سال ۲۰۲۴ تا ۲۰۲۶ بیان شده دقت کنید کلا مدل های پایه بینایی ماشین را از «ساخت مدل برای هر کار» به سمت «یک مدل برای همه کارها » سوق داده اند

انتشار کتاب تولید محتوای الکترونیک پایه یازدهم هنرستان فنی رشته رایانه

فوری

فوری

با حقوق عالی

نیاز مبرم به مدرس دوره سی پلاس پلاس

اگر بخواهیم یک ربات بسازیم که مثل یک انسان زندگی کند ، چه توانایی هایی باید داشته باشد ؟

اجزای مهم AGI Vision Audio Language Memory Reasoning Planning Learning Action ....

مسیر هوش مصنوعی در دنیای امروز یادگیری ماشین شبکه عصبی یادگیری عمیق ترانسفورمر مدل های زبانی بزرگ و در نهایت AGI

https://aparat.com/v/aalqy1y کار عملی یکی از افراد کلاس پیاده سازی یک پروژه crud با دیتابیس redis در docker desktop این پروژه هفته گذشته در کلاس پایتون پیشرفته برای دانشپذیران انجام شد و شروع خوبی هست برای کار با دیتابیس های no-sql

*🎥 ۳۰ دلار در ساعت برای یک ربات انسان‌نما که خانه‌تان را تمیز کند، حالا دیگر واقعیت دارد* 🔹️شرکت Tau Robotics در سان‌فرانسیسکو سرویس تمیزکاری خونه با ربات انسان‌نما رو راه‌اندازی کرده. 🔹️ربات جاروبرقی می‌کشه، سطل زباله رو خالی می‌کنه و سطوح رو تمیز می‌کنه (البته هنوز با کمک اپراتور انسانی + هوش مصنوعی). @Akharinkhabar | akharinkhabar.ir