PyTorch Howsam

اگر به صورت زنده میخواید پردازش تصویر ( ترک . سگمنت و ... ) انجام بدید استریم های این وبسایت رایگان هست با کیفیت 1080

Live: FIFA World Cup 2026 https://streamcorner.fyi/fifa-world-cup

Mahdi: قبلا ایده‌ها برای اجرایی شدن یه پروتکل رو سپری میکردن که آیا بهره‌وری یا ارزش افروده‌ای دارن یا نه. چون هزینه فرصت توسعه بالا بود. از زمانی که برادر ai هزینه فرصت پایین آورده‌، اکوسیستمی که قبلا ارزش‌سنجی می‌کرد، کمرنگ‌تر شده و ایدها راحت‌تر عملی میشن. تو ردیت، یکی یه بازی ساخته که می‌تونی روی نمودار سهام هر شرکتی با موتور مسابقه بدی.

خبر ریپلای‌شده رو بخونید! شکایت دیجی‌کالا از اسنپ به‌خاطر انحصارطلبی در بخش سوپرمارکت برای سایت هوسم، درگاه پرداخت 4 قسطی اسنپ رو فعال کرده بودیم. یک ایرادهایی می‌گرفتن که آخرش ترجیح دادیم کنار بذاریمش. درادامه، چند مورد از داستان ما با اسنپ رو نوشتم. 15 درصد از ما سود میگرفتن. به نظرم زیاد بود. ولی خب قبول کردیم. یک بار پیامک زدن که طبق قراردادمون درگاه پرداخت ما باید بالاتر از درگاه پرداخت بقیه توی سایت باشه. یعنی، فکر کن یک سایتی دو تا درگاه پرداخت داره. کاربر خودش انتخاب میکنه که مثلا از زرین‌پال (نقدی) بخره یا اسنپ‌پی (اقساطی) بخره. پیام دادن که ما باید بالاتر باشیم وگرنه تخلف کردی! بعدش، مدت‌ها پرداخت اقساطیشون به مشکل خورده بود و به هیچ کسی اقساط نمی‌داد. کاربر هی تماس می‌گرفت و اقساط میخواست. تماس گرفتم با پشتیبانی، گفتن مشکل از سمت ماست و فنی هست. ولی داشت میگفت یجورایی به کاربر راستشو نگم. توی همون زمان که اقساط قطع بود، به فرد پیشنهاد میدادن که بیا با 13 درصد تخفیف این دوره رو نقدی بخر. فکر کن از ما 15 درصد میگرفتن و بعد 13 درصدش رو به کاربر میبخشیدن. 😁 حالا اشکال نداره. مشکل این بود ما که برای این پلن درخواست نداده بودیم. ما برای پلن پرداخت 4 قسطی درخواست داده بودیم. آخه ما درگاه پرداخت برای حالت نقدی داشتیم و خیلی سریع هم با ما تسویه میکرد. نیازی نبود که اسنپ بیاد پیشنهاد نقدی بده و بعد تسویه رو اول ماه بعد انجام بده. بعد مدتی ایمیل زدن که قیمت اقساط و نقد توی سایتت فرق داره و این تخلف هست. همین. اصلا هم نگفت اصلاحش کن. ما ایمیل زدیم که اختلافی ندارن. هر دو یک قیمتن. ما صرفا برای مخاطبی که نقدی خرید میکنه، 10 درصد تخفیف نقدی به صورت اتوماتیک اعمال می‌کنیم. همه جای دنیا همین هست. اصلا شما هم خودتون دارید همین کار رو می‌کنید. جواب ندادن و روز بعدش یکیشون پیام داد که درگاه غیرفعال شد. 😐 باز هم ایمیل زدیم و توضیح دادیم و جواب ندادن. روز بعد از قطع درگاه، پیامک زدن و گفتن که قیمت نقدی و اقساطی فرق داره و لطفا طی 24 ساعت اصلاح کن. درحالی‌که روز قبلش غیرفعال کرده بودن. هماهنگی رو ببین! داشبوردشون افتضاح بود و ماه به ماه به ما دو تا اکسل میدادن و میگفتن برای اینکه ببینی چه کسایی پرداخت انجام دادن، اکسل اول رو تو اکسل دوم کپی کن! درحالی‌که شما درگاه پرداخت زرین‌پال رو نگاه کنی، بسیار شیک و تمیز با جزئیات همه تراکنش‌ها رو نشون میده. اونقدر وضع خراب بود که توی آپارات یک ویدئوی بدتر از داشبورد گذاشته بودن که این روال رو آموزش میده. می‌تونیم با برداشتن تخفیف نقدی مشکل رو حل کنیم. ولی فعلا تصمیم گرفتیم به این نوع رفتار انحصارطلبانه تن ندیم. داستان دیجی‌کالا رو هم که الان دیدم، برام جالب بود.

. نکته دوم: تمام کن! بذارید با یک آمار تکان‌دهنده شروع کنم؛ آمار و ارقام متنوعی گزارش شده که کمتر از 15% افراد، یک دوره آموزشی رو تمام می‌کنن! یعنی چی؟ یعنی، به طور میانگین از هر ۱۰۰ نفری که در یک دوره ثبت‌نام می‌کنن، بیش از 85 نفر هیچ‌وقت ویدئوی آخر رو نمی‌بینن. تازه این برای دوره پولی هست. برای دوره رایگان که زیر 5% هست! 😁 صبر کن، هنوز مونده! لازمه بدونی که حدود 50% از کسانی که در یک دوره ثبت‌نام می‌کنن، بعد از هفته اول دیگه به پنل کاربری یا دوره‌شون سر نمی‌زنن! طبیعتا من هم همینطورم. یک عالمه دوره و کتاب ناتمام دارم. اما تلاش کردم که یکسری اصول برای خودم تعریف کنم و باعث شده پای‌بند به کاری/راهی باشم که شروع کردم.

امروز هوسم ۱۰ ساله شد. خدا رو شکر و ممنون از شما ❤️

. فصل چهارم کتاب Designing Machine Learning Systems از خانم Chip Huyen:

ما از اصطلاح «داده‌های آموزشی» (Training data) به جای «مجموعه داده‌های آموزشی» (Training dataset) استفاده می‌کنیم، زیرا «مجموعه داده» (Dataset) به مجموعه‌ای دلالت دارد که محدود و ایستا است. داده‌ها در محیط عملیاتی (Production) نه محدود هستند و نه ایستا؛

توضیحات بیشتر برای واضح‌تر شدن مطلب بالا: * داده ایستا (Dataset): مثل یک «عکس» است. شما یک بار داده‌ها را جمع‌آوری می‌کنید، آن‌ها را تمیز می‌کنید، در یک فایل (مثل CSV یا دیتابیس) می‌بندید و مدل را روی آن آموزش می‌دهید. فرض ضمنی این است که توزیع آماریِ این داده‌ها در آینده هم همین‌طور باقی می‌ماند. این دقیقا همان روشی است که در دانشگاه‌ها یا مسابقات کگل (Kaggle) تجربه می‌کنیم. * داده پویا (Data/Stream): مثل یک «فیلم» یا «جریانِ آب» است. در محیط Production، داده‌ها مدام در حال تغییرند (پدیده Data Drift یا تغییر توزیع). رفتار کاربر، شرایط بازار و حتی نحوه تولید داده‌ها هر لحظه تغییر می‌کند.

بنابراین، در این مسیر یادگیری تفکر آبشاری نداشته باش، بلکه تفکر چابک داشته باش. تصویر بالا رو ببین. در حالت آبشاری، تو باید مرحله به مرحله نقشه راه رو جلو بری و برای هر مرحله باید یک عالمه وقت بذاری تا به تسلط بالایی برسی. طوری که می‌بینی فقط یک سال هست که داری یادگیری ماشین هوسم می‌خونی! 😁 اما تفکر چابک بهت میگه، یادگیری رو جلو ببر اما حتما شانست در پیدا کردن شغل رو تست کن. شاید در مرحله‌ای که درحال یادگیری پایتون بودی، دوستی پیدا کردی و بهت گفت که کار با الگوریتم یولو رو یاد بگیر و بیا توی شرکت ما کار کن! ممکن هست بگید که آخه یولو هم شد کار؟! این شروع هست. حتی حین کار هم یادگیری و نقشه راه رو قطع نکن و ادامه بده. اما تو خیلی زودی وارد محیط کاری شدی که پر از یادگیری و کسب تجربه هست.

. خب، این نقشه راه چیز جدید و خاصی نیست. واقعا اینطور نیست که در اینترنت وجود نداشته باشه. در واقع شاید در جزئیات کمی تفاوت وجود داشته باشه، اما در کلیات با بقیه یکی هست. اما نکاتی وجود داره که کمتر بهشون اشاره میشه و من در وبینار گفتم و اینجا هم می‌خوام بنویسم. بعد از سال‌ها یادگرفتن و یاددادن به این نکات رسیدم. اولین نکته اینکه، به نظرم ماها بیش از حد به نقشه راه فکر می‌کنیم. بدون شک داشتن نقشه راه خوب هست. اما، بیش از حد فکر کردن به نقشه راه باعث میشه کمالگرا بشی، اهمال‌کاریت زیاد بشه، شروع نکنی، به هر بهانه‌ای از مسیر یادگیری منحرف بشی و بعد دیگه برنگردی، مسیر طولانی 1 الی 2 ساله ناامیدت کنه و ... یک نمونه از چالش‌هاش رو واضح توضیح میدم؛ تصور کن این نقشه راه 1 ساله رو برای خودت ترسیم کرده باشی. چون تو مسیری طولانی رو جلوی خودت می‌بینی، بسیار بعید هست که به خودت فرصت پیدا کردن شغل رو بدی. یعنی، فکر کن دو ماه اول مسیرت رو درگیر پایتون بودی و دیدی که پایتون چقدر جذابه و خیلی در یادگیری کدنویسی مستعد هستی. اما، وقتی نقشه راه روی دوشت سنگینی کنه، به این فکر نمیکنی که بذار برای یک شرکتی (که شاید آشنامون هم هست)، رزومه‌ای بدم، شاید بهم فرصتی بدن. همش میگی، نه من هیچی بلد نیستم، تازه اول راه هستم، اصلا جرات نمی‌کنم که حتی درخواست بدم، اگه درخواست بدم بهم میخندن و ... درحالی‌که می‌خوام بگم، واقعا اینطور نیست که ابتدا نقشه راه رو به انتها و میوه‌دهی برسونی و تازه بعدش دنبال فرصت شغلی بگردی. میدونم شرایط کشور مساعد نیست، طبیعتا شرایط کاری هم مساعد نیست. اما واقعا می‌بینم که آدم‌هایی هستن بدشون نمیاد دستیار یا کارآموزی با ویژگی‌های خوبی مثل گیرایی سریع، دقیق بودن و اخلاق خوب رو در کنار خودشون داشته باشن.

توی وبینار اخیر که درباره نقشه راه هوش مصنوعی بود، یک نقشه راه برای "متخصص هوش مصنوعی" ارائه کردم. نقشه راه "متخصص هوش مصنوعی" رو به یک درخت تشبیه کردم و شامل مراحل زیر بود: 1- پیش‌نیازها (ریشه): - ریاضی - پایتون - مهارت کامپیوتری - علاقه 2- پایه (تنه): - یادگیری ماشین - یادگیری عمیق 3- تخصص (شاخه): - بینایی کامپیوتر - پردازش زبان طبیعی - پردازش صوت - و ... اما وبینار فقط شامل همین مطلب نبود. مطالب دیگه‌ای هم داشت که من به صورت سریالی در همین کانال کم‌کم درموردشون می‌نویسم.

نسخه Claude Opus 4.8 منتشر شد. - سه تغییر مشخص نسبت به نسخه 4.7: قضاوت دقیق‌تر درباره وضعیت، صداقت بیشتر در بیان محدودیت‌های خود و حفظ طولانی‌تر زمینه هنگام کار مستقل بدون راهنمایی. - در بنچمارک‌ها: کدنویسی عاملی (SWE-Bench Pro) 69.2٪ در مقابل 64.3٪ در نسخه 4.7 و 58.6٪ در GPT-5.5. استفاده از کامپیوتر (OSWorld) 83.4٪. کار دانش (GDPval-AA) 1890 در مقابل 1753 نسخه قبلی. در کدنویسی ترمینالی GPT-5.5 فعلاً با 78.2٪ در مقابل 74.6٪ جلوتر است، اما فاصله کم است. - قیمت تغییر نکرده است.

ویدئوی بالا، برای من جالب و آموزنده هست. مربوط به مقاله "هوش مصنوعی در شمشیربازی" میشه که پستش رو از کانال هوسم ریپلای کردم. برای اینکه کار تحقیق و توسعه، با دردسر کم و سرعت خوب جلو بره، یک ماکت ساختن و ستاپ دوربین‌ها رو اطراف ماکت بالا آوردن. فضای یک پروژه جدی (چه آکادمیک چه تجاری)، متفاوت از یک پروژه کوچک خانگی هست. بنابراین، برای اینکه رشد کنیم، مهم هست که درگیر پروژه‌های جدی بشیم. هنوزم وقتی می‌بینم یک مسیر یا پروژه‌ای برای من دستاوردهای غیرمالی پررنگی داره، سعی می‌کنم اونقدر به بعد مالی فکر نکنم. اتفاقا برای پایان‌نامه ارشدم، ماکت ساخته بودم. پروژه من درگیر سر و چشم بود. به کمک داداشم، با چند تکه چوب و توپ‌های پینگ‌پنگ یک سیستم سر و دو چشم ساخته بودم. وقتی خواستم به استادم نشون بدم، خجالت می‌کشیدم! 😁 ولی خب، واقعا کمک‌کننده بود. بعدش، استادم گفت که این سیستم رو در متلب شبیه‌سازی کن. اما، بعد که پروژه رو خوب متوجه شد، گفت "نمیخواد، دیگه با روابط ریاضی که اثبات کردی، نیازی به شبیه‌سازی ماکتی نیست". یکی از دلایلی که دانشگاه و ارشد رو دوست دارم.

5-Day AI Agents: Intensive Vibe Coding Course With Google link

برام جالبه که کگل علاوه‌بر سهمیه رایگان GPU، یک اعتبار (کردیت) دلاری روزانه و ماهانه هم برای استفاده از مدل‌های AI (مثل LLM-ها) میده. تعداد مسابقات با محوریت LLM-ها با جایزه‌های بزرگ در کگل بسیار زیاد شده.

لینک آرشیو نسخه‌های مختلف پایتورچ: https://download.pytorch.org/whl/ احتمالا تا آخر هفته، ویدئوی آموزش نصب آفلاین پایتورچ کودا رو ضبط می‌کنم.

دو فصل اول این کتاب رو خوندم؛ برای من بسیار آموزنده و پرنکته بود. چقدر خانم Chip Huyen کتاب‌های خوبی نوشته. کتاب AI Engineering رو هم خیلی دوست داشتم. مباحثی که در این کتاب مطرح میشه، معمولا در دوره‌های یادگیری ماشین گفته نمیشه. تمرکز کتاب روی مباحث توسعه محصول هست. دائما به تجربه‌هایی عملی اشاره میکنه و موقع خوندن کتاب حس میکنی وقت مشاوره از مدرس کتاب گرفتی. یکسری از دانشجوهام از من میپرسن که بعد دوره یادگیری ماشین هوسم چی بخونیم؟ باید چنین کتابی بخونی یا دوره‌ای با این موضوع بگذرونی.

توی سایت، دوستان زیاد میپرسن که افزونه‌های VS Code رو چطوری می‌تونیم نصب کنیم؛ سایت devneeds.ir بخش ابزارها رو چک کنید. بازهم سایت هست، "افزونه‌های VS Code" رو گوگل کنید.

Andrej Karpathy: I've joined Anthropic. I think the next few years at the frontier of LLMs will be especially formative. I am very excited to join the team here and get back to R&D. I remain deeply passionate about education and plan to resume my work on it in time. Dmitrii Kovanikov: For my non-tech friends, this is like Ronaldo joining Manchester City

دوستان دوستان، امیدوارم خبر نداشته باشید و من با این خبر خوشحالتون کنم... سایت papers with code با امکانات جالبش رو که یادتون میاد؟ مقالات ترند، دسته‌بندی متدها و تسک‌ها رو ارائه میداد. اما متا این پروژه رو متوقف کرد. خوشبختانه در X سایت زیر رو دیدم و تقریبا همون بخش‌ها رو داره. 😍 paperswithcode.co

🏛️* چهار ستون یک سیستم یادگیری ماشین قدرتمند * وقتی یک سیستم یادگیری ماشین می‌سازیم، موفقیت فقط در دقت بالای مدل خلاصه نمی‌شود. یک سیستم حرفه‌ای و قابل اعتماد باید چهار ویژگی کلیدی داشته باشد تا در دنیای واقعی دوام بیاورد. بیایید با این چهار ستون اساسی آشنا شویم: *۱. قابلیت اطمینان (Reliability) *💎 سیستم باید حتی در شرایط نامساعد (مثل خطای سخت‌افزاری یا انسانی) هم به درستی کار کند. مهم‌تر اینکه، سیستم‌های ML می‌توانند «بی‌صدا» شکست بخورند؛ یعنی بدون هیچ ارور یا کرشی، خروجی غلط تولید کنند. مثال: فرض کنید از یک سرویس ترجمه برای زبانی که بلد نیستید استفاده می‌کنید. ممکن است ترجمه کاملاً اشتباه باشد، اما شما متوجه نمی‌شوید. سیستم از نظر فنی کار می‌کند، اما در عمل شکست خورده است. *۲. مقیاس‌پذیری (Scalability) *📈 سیستم باید بتواند با رشد ترافیک (تعداد کاربران)، پیچیدگی (مدل‌های سنگین‌تر) یا افزایش تعداد مدل‌ها کنار بیاید و منابع خود را به صورت بهینه کم و زیاد کند. مثال: سیستمی که در ساعات اوج مصرف به ۱۰۰ سرور نیاز دارد، باید بتواند در ساعات عادی به ۱۰ سرور کاهش یابد تا هزینه‌ها را کنترل کند، نه اینکه همیشه با ظرفیت حداکثری و پرهزینه کار کند. *۳. قابلیت نگهداری (Maintainability) *🛠️ تیم‌های مختلف (مهندسان ML، مهندسان DevOps و…) باید بتوانند به راحتی روی سیستم کار کنند. این یعنی کدها، داده‌ها و مدل‌ها باید به خوبی مستندسازی، نسخه‌بندی و قابل بازتولید باشند. مثال: اگر مهندس اصلی پروژه شرکت را ترک کند، نفر بعدی باید بتواند به لطف مستندات و نسخه‌بندی کامل، کار را به راحتی ادامه دهد، نه اینکه همه چیز از نو ساخته شود. *۴. انطباق‌پذیری (Adaptability) 🔄* دنیا و داده‌ها دائماً در حال تغییرند. سیستم باید بتواند به سرعت با این تغییرات (مثلاً تغییر رفتار کاربران یا نیازهای کسب‌وکار) وفق پیدا کند و بدون اختلال در سرویس، به‌روزرسانی شود. مثال: یک مدل تشخیص کلاه‌برداری که قبل از یک بحران اقتصادی آموزش دیده، ممکن است با الگوهای خرید جدید کاربران پس از آن دچار خطا شود. یک سیستم انطباق‌پذیر، به طور مداوم با داده‌های جدید به‌روز می‌شود تا دقت خود را حفظ کند. برگرفته از فصل دوم کتاب ارزشمند «Designing Machine Learning Systems» نوشته Chip Huyen. #MachineLearning #MLOps #SystemDesign #DataScience #یادگیری_ماشین #طراحی_سیستم