آمارکده | علم داده | هوش مصنوعی| پژوهش
✾ ـ﷽ـ ✾ 📊 مرجع تخصصی تحلیل داده و پژوهش 📖 کتابها و جزوات 💻 آموزش SPSS، R، Python و... 📈 تحلیل آماری پایاننامه، مقاله و پژوهش 🤖 آموزش کاربرد هوش مصنوعی در پژوهش 👤 ادمین: @Amar_kadeh_admin 📱 اینستاگرام: https://instagram.com/amar__kade
Show more📈 Analytical overview of Telegram channel آمارکده | علم داده | هوش مصنوعی| پژوهش
Channel آمارکده | علم داده | هوش مصنوعی| پژوهش (@amar_kadeh) in the Farsi language segment is an active participant. Currently, the community unites 14 588 subscribers, ranking 13 765 in the Education category and 22 529 in the Iran region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 14 588 subscribers.
According to the latest data from 01 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 1 620 over the last 30 days and by 63 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 4.35%. Within the first 24 hours after publication, content typically collects 3.94% reactions from the total number of subscribers.
- Post reach: On average, each post receives 635 views. Within the first day, a publication typically gains 575 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 6.
- Thematic interests: Content is focused on key topics such as آموزشی, تست, کامپیوتر, سؤال, مرور.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“✾ ـ﷽ـ ✾
📊 مرجع تخصصی تحلیل داده و پژوهش
📖 کتابها و جزوات
💻 آموزش SPSS، R، Python و...
📈 تحلیل آماری پایاننامه، مقاله و پژوهش
🤖 آموزش کاربرد هوش مصنوعی در پژوهش
👤 ادمین:
@Amar_kadeh_admin
📱 اینستاگرام:
https://instagram.com/amar__kade”
Thanks to the high frequency of updates (latest data received on 02 August, 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 Education category.
Data loading in progress...
| Date | Subscriber Growth | Mentions | Channels | |
| 02 August | 0 | |||
| 01 August | +63 |
| 2 | پست جدید مون:
https://www.instagram.com/p/DbgnEtxjz04/?igsh=MWd2d2l2bmM1NHFsNg== | 77 |
| 3 | 💡به تعدادی برنامه نویس و شبکه و دانشجو خیلی فوری نیازمندیم.
👉 https://t.me/addlist/cXyYQ5B6LsRmYjM0
‼️ رایگان ظرفیت محدود➡️ | 175 |
| 4 | ✔️ دوستان برای دسترسی راحت تر شما کانالها و گروههایی که لازمتون میشه رو تو یه فولدر گذاشتیم.
⭐️ این فولدر رو به تلگرامتون اضافه کنید، اینجوری دیگه بین انبوه آموزشها و گروهها سردرگم نمیشید و هر سوالی که واسه کامپیوتر و طراحی سایت و برنامه نویسی و شبکه نیاز دارید میتونید بپرسید.
🔹 حتی میتونید جزوهها دانشگاهیتو هم از اینجا بردارید.
📥 با زدن دکمه Add این فولدر به تلگرام شما اضافه میشود. 👇👇
➡️🔗 https://t.me/addlist/cXyYQ5B6LsRmYjM0 | 234 |
| 5 | دادگاه سالی کلارک.m4a | 405 |
| 6 | ⚖️ وقتی آمار بد، بیگناه رو محکوم میکنه
سال ۱۹۹۹، انگلستان.
سالی کلارک، وکیل ۳۵ ساله، به قتل دو فرزندش محکوم شد.
هر دو نوزاد در فاصله چند ماه مرده بودن.
دلیل اصلی محکومیت؟
نه اثر انگشت. نه شاهد. نه مدرک فیزیکی.
یه عدد.
━━━━━━━━━━━━━━
عدد چی بود؟
پزشک متخصص در دادگاه گفت:
«احتمال مرگ ناگهانی دو نوزاد در یه خانواده، ۱ در ۷۳ میلیونه.»
هیئت منصفه شوکه شد.
سالی کلارک محکوم شد.
سه سال زندان رفت.
ولی اون عدد از یه اشتباه آماری فاحش اومده بود.
━━━━━━━━━━━━━━
اشتباه اول: فرض استقلال
پزشک احتمال یه مرگ ناگهانی نوزاد در اون خانواده رو ۱/۸۵۰۰ تخمین زده بود.
بعد حساب کرد:
P(دو مرگ) = ۱/۸۵۰۰ × ۱/۸۵۰۰ = ۱/۷۲,۲۵۰,۰۰۰
مشکل اینجاست: این فرمول فقط وقتی درسته که دو رویداد کاملاً مستقل از هم باشن.
ولی مرگ ناگهانی نوزاد میتونه عوامل ژنتیکی و محیطی مشترک داشته باشه.
اگه یه خانواده یه بار این تجربه رو داشت، احتمال بار دوم بالاتره — نه همون ۱/۸۵۰۰.
دو رویداد وابسته رو با فرمول رویدادهای مستقل حساب کرد.
━━━━━━━━━━━━━━
اشتباه دوم: مغالطه دادستان
حتی اگه اون ۱ در ۷۳ میلیون درست بود، یه اشتباه بزرگتر رخ داد.
این احتمال یعنی:
P(دو مرگ تصادفی | بیگناه بودن مادر) = 1/73,000,000
ولی دادگاه این رو تفسیر کرد به عنوان:
P(بیگناه بودن مادر | دو مرگ) = 1/73,000,000
این دو کاملاً فرق دارن.
به زبان بیز:
P(A|B) ≠ P(B|A)
مثال ساده: احتمال اینکه یه نفر تب داشته باشه و سرطان داشته باشه خیلی کمه ولی احتمال اینکه یه نفر سرطان داشته باشه و تب داشته باشه خیلی بالاست.
در دادگاه: احتمال پایین یه رویداد تصادفی، دلیل گناهکار بودن نیست مگه اینکه احتمال گناهکار بودن رو هم در نظر بگیری.
این رو Prosecutor's Fallacy میگن (مغالطه دادستان)
━━━━━━━━━━━━━━
قضیه بیز چی میگه؟
برای قضاوت درست، باید بپرسیم:
P(مادر مقصره | دو مرگ) =
P(دو مرگ | مادر مقصره) × P(مادر مقصره) / P(دو مرگ)
یعنی باید هر دو سناریو رو در نظر بگیری:
چقدر احتمال داره دو مرگ تصادفی اتفاق بیفته؟
چقدر احتمال داره یه مادر دو فرزندش رو بکشه؟
آمار واقعی قتل نوزاد توسط مادر در انگلستان خیلی کمتر از چیزیه که دادگاه فرض کرد.
وقتی این رو وارد فرمول میکنی، تصویر کاملاً عوض میشه.
━━━━━━━━━━━━━━
پایان داستان
بعد از سه سال، Royal Statistical Society بهطور رسمی اعلام کرد که استدلال آماری در پرونده سالی کلارک معیوب بوده.
محکومیت لغو شد.
سالی کلارک آزاد شد.
ولی داستان غمانگیزتر اینجاست: چند سال بعد بر اثر افسردگی شدید ناشی از این تجربه درگذشت.
━━━━━━━━━━━━━━
این فقط یه پرونده نیست
مغالطه دادستان در پروندههای متعددی تکرار شده:
🔸 پرونده DNA — احتمال تطابق تصادفی DNA رو با احتمال بیگناهی اشتباه میگیرن
🔸 پروندههای آتشسوزی — آمار آتشسوزی عمدی بدون در نظر گرفتن prior probability
🔸 پروندههای پزشکی — الگوهای آماری مرگ در بیمارستانها به عنوان مدرک قتل
━━━━━━━━━━━━━━
جمعبندی
آمار در دادگاه میتونه قویترین سلاح باشه یا خطرناکترین.
سه درس از پرونده سالی کلارک:
🔹 رویدادهای وابسته رو مستقل فرض نکن
🔹 P(A|B) با P(B|A) فرق داره — همیشه
🔹 بدون prior probability، هیچ احتمالی معنا نداره
━━━━━━━━━━━━━━
منابع:
📖 Schneps, L., Colmez, C. (2013). Math on Trial. Basic Books.
📖 Hill, R. (2004). Multiple Sudden Infant Deaths — Coincidence or Beyond Coincidence? Paediatric and Perinatal Epidemiology.
📖 Royal Statistical Society (2002). Statement on the Case of Sally Clark.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━ | 423 |
| 7 | قیمت 64000,000,000,000,000تومان | 108 |
| 8 | هزینه ورود به اینکانال ها 1میلیون میباشد
فقط دو دقیقه میزارم تا لینک باطل نشه 👇
https://t.me/+8IVSJ2MfKjxiNWQ0 | 112 |
| 9 | امشب باز جنگ میشه فرصت ظرفیت فقط برای ده نفر دیگه ♾🔔 | 224 |
| 10 | به مناسبت آتش بس چند روزه ایران و امریکا یه سری چنل پیدا کردم باقلوا 😍
یعنی فول ویژه هستن به مدت ۱ ساعت با ظرفیت ۱۰۰ نفر براتون رایگان میزارم حالشو ببرید 😘⏬⏬
https://t.me/addlist/RVZysDWuVmcyZGI0 | 215 |
| 11 | زمان نامنویسی در آزمون کارشناسی ارشد علوم پزشکی حداکثر یک هفته به تعویق افتاد
زمان نامنویسی در آزمون کارشناسی ارشد رشتههای علوم پزشکی سال ۱۴۰۵ که مقرر بود امروز ۱۰ مردادماه آغاز شود به دلایل فنی یک هفته به تعویق افتاد.
تاریخ دقیق آن متعاقباً از کانال آمارکده اعلام خواهد شد.
⁉️جزییات:
https://www.sanjeshp.ir/Content.aspx?click=1
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━ | 766 |
| 12 | ⏰ دوره جامع علم داده (Data Science)
🧠 از مفاهیم پایه تا پروژههای واقعی
🐍 به همراه آموزش Python و SQL Server
👥 دوره آنلاین #علم_داده مناسب برای:
✅ دانشجوها ✅تحلیلگران داده ✅کارکنان واحدهای تخصصی
و
⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن
📌 مشاوره رایگان + مشاهده جزئیات دوره:
👉 https://httb.ir/4ZOiS
👆 (بدون VPN وارد شو)
🎓 گواهینامه معتبر مؤسسه توسعه
---
📈 جمعبندی سریع:
🌐 دوره آنلاین
🟢 شروع با مفاهیم پایه
🟢 یادگیری ماشین Python، (ML) و شبکههای عصبی
🔥 آموزش با Case Study ها و تحلیلها از صنایع و حوزههای متعدد | 484 |
| 13 | ⭕️ فقط زود جوین بشید چون تا 2 ساعت دیگه حذف میشه لینکش. | 244 |
| 14 | 🎙به دلیل جنگ شدید ایران و امریکا و احتمال بسته شدن اینترنت ها یکسری کانال VIP پیدا کردم لینک هاشون VIP پولی هست 🔵
💎همه شونو به مدت 30 دقیقه رایگان براتون پابلیک میکنم
✔️ https://t.me/addlist/nVVkrfxvInczNzc0
. | 351 |
| 15 | 🌍 دوستان عزیز، امشب تصمیم گرفتیم یه لیست از بهترین و ویژه ترین کانال های VIPمون رو براتون بصورت رایگان داخل یه دسته بندی شیک و منظم قرار بدیم ☺️👇
✅ @Armisstab
〰️〰️〰️〰️〰️〰️〰️
🔮پکیج و دورهای رایگان
🎁@wolfofwsfile
🎁@wolfofws
🎁@PackPlus
🎁@VipPackages66
〰️〰️〰️〰️〰️〰️〰️
🔮مهندسی مکانیک و برق
🎁@ProductionLine
🎁@mech_engineering
🎁@CAD_3D
🎁@bargheeha
🎁@electronicghodrat
🎁@M_E_TUTORIAL
🎁@electricalnew
🎁@engineersbargh
🎁@automatsin
🎁@proje_bargh
🎁@engineersbargh
🎁@electrical_new
🎁@doorbingram
🎁@electric_ir
🎁@clipbargh
🎁@barghtamasha
🎁@smartelectric
🎁@fazmetr
〰️〰️〰️〰️〰️〰️〰️
🔮پروکسی و فیلترشکن
🎁@Proxysarver
〰️〰️〰️〰️〰️〰️〰️
🔮آموزش فتوشاپ
🎁@limostudy
〰️〰️〰️〰️〰️〰️〰️
🔮کامپیوتر و موبایل
🎁@Pc_IT_Mob
🎁@PC_Laptop_Hardwares
🎁@Narmafzarpc
🎁@android_best
🎁@repairms
🎁@VIP30T
🎁@pcmabani
🎁@spcware
〰️〰️〰️〰️〰️〰️〰️
🔮آموزش عکاسی
🎁@farhadiacademy
〰️〰️〰️〰️〰️〰️〰️
🔮عمومی
🎁@Beatt98
🎁@SeriallRoom
🎁@telefoodgram
🎁@Interesting_stories9
🎁@romanceword
〰️〰️〰️〰️〰️〰️〰️
🔮پزشکی
🎁@medipoints
〰️〰️〰️〰️〰️〰️〰️
🔮کاریابی و استخدام
🎁@JOB_FREELANCER
🎁@UNII_KAR
🎁@prozhebegir_ir
🎁@VIPESTEKHDAMI
🎁@proghe_eda
🎁@estekhdami_fouri
🎁@Nab_project
🎁@nahal_proje
〰️〰️〰️〰️〰️〰️〰️
🔮زبان خارجه و مهاجرت
🎁@WritingandGrammar
🎁@usuk1
🎁@Eng_Online
🎁@class_englysh
🎁@English_ili
🎁@Ellipsis50
🎁@english_uniquee
🎁@EnglishAndBookLovers
🎁@ESL4You
🎁@howimetyourmotherrr
🎁@En_tour
🎁@anime4english
🎁@EnglishListeningPractice1
🎁@tactics4listening123
🎁@en_quizztour
🎁@bestidioms4you
🎁@learningenglishidiom
🎁@collocationsin10m
〰️〰️〰️〰️〰️〰️〰️
🔮شبکه
🎁@modirshabake
〰️〰️〰️〰️〰️〰️〰️
🔮هوش مصنوعی
🎁@zehnafzars
🎁@ailearncamp
🎁@DailyTechai
🎁@project_hq
〰️〰️〰️〰️〰️〰️〰️
🔮هک و امنیت
🎁@Black_Security
🎁@Mahdiihack
🎁@EngineeringReverse
🎁@Hack4Man
🎁@Bia2Termux
〰️〰️〰️〰️〰️〰️〰️
🔮برنامه نویسی و طراحی سایت
🎁@Computer_IT_Engineering
🎁@PythonForever
🎁@AmoozeshWebsite
🎁@Android0to100
🎁@Python4all_pro
🎁@htmlcss_channels
🎁@amozesh_co
🎁@devloper98
🎁@programmer_best
〰️〰️〰️〰️〰️〰️〰️
🔮فناوری و تکنولوژی
🎁@Power4u
🎁@aircraft_ir
🎁@ScienticNews
〰️〰️〰️〰️〰️〰️〰️
🔮دانشجوی و دانشگاهی
🎁@Donyayejozveh
🎁@UNIVERSITY_BOOKSS
🎁@journalacademic
🎁@tarjjommee
🎁@med_article
🎁@akhtar_electronic_group
🎁@powerpointyar
🎁@payan_name9606
🎁@Shimi95_ir
🎁@Amar_kadeh
🎁@hamyarjozve
🎁@teachriaziplus
🎁@daneshgram
🎁@Innova_Lab
🎁@BookUp
〰️〰️〰️〰️〰️〰️〰️
🔮فایل های گرافیکی
🎁@bmaxdesign
🎁@bmaxarchive
〰️〰️〰️〰️〰️〰️〰️
🔮معماری و عمران
🎁@CHAHAR_SOOGH_archi_gp
🎁@Voxel3DVray
🎁@Design_groooup
🎁@Voxel3DDVray
🎁@VoxelObjectRevit
🎁@tarrahimemari
🎁@Arch_referece
〰️〰️〰️〰️〰️〰️〰️
🚀دیگه هزینه نجومی برای اشتراکای هوش مصنوعی نکن!! @GptPLuserBot
〰️〰️〰️〰️〰️〰️〰️
. | 309 |
| 16 | ┄┄┅┅┅🌷⃟🇮🇷 ┅┅┅┄┄
📌انجمن علمی دانشجویی آمار معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س) با همکاری گروه آمار دانشگاه و انجمن علمی دانشجویی آمار دانشگاه بینالمللی امام خمینی برگزار میکند:
🎓سلسله وبینارهای معرفی گرایشهای کارشناسی ارشد رشته آمار
🧬وبینار چهارم | آشنایی با گرایش آمار زیستی
👤سخنران: سرکار خانم زهرا ناصری اکبر
دانشآموخته کارشناسی ارشد آمار زیستی
دانشگاه علوم پزشکی شهید بهشتی
📅زمان برگزاری: چهارشنبه ۱۴ مرداد ۱۴۰۵
⏰ساعت: ۱۸:۰۰ الی ۲۰:۰۰
💻مجازی - در بستر Adobe Connect
📚 محورهای وبینار:
🔹معرفی گرایش آمار زیستی و کاربردهای آن
🔹آشنایی با شاخههای مختلف آمار زیستی
🔹فرصتهای تحصیلی، پژوهشی و شغلی
🔹مهارتها و مسیر ورود به این گرایش
🔹مسیر یادگیری، مهارتهای موردنیاز و تجربههای تحصیلی
🎟شرکت در این وبینار برای عموم علاقهمندان رایگان است.
📲جهت ثبتنام به آیدی زیر مراجعه کنید:
@Stat_Alzahra
❅ انجمن علمی آمار دانشگاه الزهرا (س) ❅
https://alzahrastatisticsassociation.github.io/statistics-links/
❅ معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س) ❅
https://eitaa.com/farhangialzahraplans | 409 |
| 17 | داستان درباره ، مدیر یک تیم بیسبال است که با یک مشکل بزرگ روبهرو میشود:
تیمهای ثروتمند بازیکنان ستاره را با پول زیاد جذب میکنند، اما تیم او بودجه کافی ندارد.
راهحل او چیست؟
به جای تکیه بر نظر کارشناسان و شهرت بازیکنان، از دادهها و تحلیل آماری استفاده میکند تا بازیکنانی را پیدا کند که ارزش واقعی آنها بیشتر از چیزی است که بازار نشان میدهد.
اینجا یک ایده مهم متولد میشود:
📊 دادهها گاهی چیزهایی را میبینند که چشم انسان نمیبیند.
یک بازیکن ممکن است ظاهر جذابی نداشته باشد یا محبوب نباشد، اما آمار نشان دهد که میتواند نقش مهمی در موفقیت تیم داشته باشد.
از نگاه علم داده، Moneyball درباره این مفاهیم است:
🔹 تصمیمگیری مبتنی بر داده (Data-Driven Decision Making)
🔹 پیدا کردن معیارهای درست برای اندازهگیری موفقیت
🔹 غلبه مدلهای آماری بر قضاوتهای سنتی
🔹 تبدیل دادههای خام به بینش قابل استفاده
اما پیام عمیقتر فیلم این است:
«مشکل همیشه کمبود اطلاعات نیست؛ گاهی مشکل این است که نمیدانیم کدام اطلاعات واقعاً مهم هستند.»
دنیای امروز هوش مصنوعی و تحلیل داده دقیقاً همین مسیر را ادامه میدهد؛ پیدا کردن الگوهایی در حجم عظیمی از اطلاعات که ذهن انسان به تنهایی قادر به دیدن آنها نیست.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━ | 516 |
| 18 | 🎬 معرفی فیلم: Moneyball (مانیبال)
آیا میشود با استفاده از آمار و دادهها در برابر تجربه و شهود انسانها پیروز شد؟
فیلم Moneyball یکی از جذابترین فیلمها برای علاقهمندان به آمار، علم داده و تصمیمگیری است. | 468 |
| 19 | 🧠 Attention Is All You Need
؛ مقالهای که هوش مصنوعی را تغییر داد
گاهی یک انقلاب بزرگ با یک سؤال ساده شروع میشود:
آیا ماشین برای فهمیدن زبان، باید جمله را کلمهبهکلمه بخواند؟
در سال ۲۰۱۷، چند پژوهشگر گوگل مقالهای منتشر کردند با نام:
Attention Is All You Need
مقالهای که معماری Transformer را معرفی کرد؛ همان ایدهای که امروز پشت مدلهایی مثل GPT قرار دارد.
قبل از Transformer، مدلهای زبانی مثل RNN و LSTM متن را شبیه خواندن یک کتاب دنبال میکردند:
کلمه اول → کلمه دوم → کلمه سوم...
اما مشکل این بود که وقتی فاصلهی بین دو کلمه زیاد میشد، پیدا کردن ارتباطشان سختتر میشد.
مثلاً:
«علی کتاب را روی میز گذاشت چون او دیگر به آن نیاز نداشت.»
"او" به چه کسی اشاره میکند؟
انسان سریع متوجه میشود، چون ذهن ما فقط کلمات را نمیبیند؛ ارتباط بین آنها را میبیند.
Transformer یعنی «تبدیلکننده».
چون مدل، زبان خام انسان را به یک فضای عددی تبدیل میکند؛ جایی که ارتباط بین کلمات و مفهومها بهتر دیده میشود.
مثل مترجمی که فقط کلمهها را عوض نمیکند، بلکه معنی پشت آنها را به زبان دیگری منتقل میکند.
اینجا ایدهی Attention شکل گرفت.
مدل به جای اینکه فقط مسیر جمله را دنبال کند، یاد میگیرد:
کدام کلمات برای فهمیدن یکدیگر مهمتر هستند؟
مثل وقتی که یک مقاله علمی میخوانیم؛ همهی کلمات ارزش یکسان ندارند، بعضی مفاهیم کلیدیترند و بیشتر توجه ما را میگیرند.
در Self-Attention هر کلمه تبدیل به یک بردار عددی میشود و مدل سه سؤال از خودش میپرسد:
🔹 Query: دنبال چه اطلاعاتی هستم؟
🔹 Key: این کلمه چه چیزی دارد؟
🔹 Value: چه چیزی باید منتقل شود؟
بعد وزن ارتباط بین کلمات را محاسبه میکند.
یعنی مدل یاد میگیرد:
«برای فهمیدن این کلمه، باید بیشتر به کدام کلمه توجه کنم؟»
قلب Transformer خیلی به آمار نزدیک است.
ChatGPT در ظاهر یک گفتوگو انجام میدهد، اما در عمق، یک سیستم بسیار پیچیدهی احتمالاتی است که مدام پیشبینی میکند:
کدام کلمه احتمال بیشتری دارد بعد از کلمهی قبلی بیاید؟
اما این احتمال از یک حدس ساده نمیآید؛ از یادگیری میلیاردها رابطه بین دادهها ساخته شده است.
چرا Transformer اینقدر مهم شد؟
چون یک تغییر دیدگاه ایجاد کرد:
قبل از آن: ❌ متن را مرحلهبهمرحله میخواندیم
بعد از آن: ✅ ارتباط بین تمام کلمات را همزمان بررسی کردیم
مثل تفاوت بین این است که یک شهر را فقط از خیابانها عبور کنیم، یا یکبار نقشهی کامل شهر را ببینیم.
البته Transformer کامل نیست:
❌ به دادههای عظیم نیاز دارد
❌ هزینه محاسباتی بالایی دارد
❌ مثل انسان واقعاً «فهم» ندارد؛ بیشتر الگوها را یاد میگیرد
اما یک درس بزرگ به ما داد:
برای حل بعضی مسائل پیچیده، همیشه لازم نیست مسیر را قدمبهقدم دنبال کنیم؛
گاهی باید بفهمیم چه چیزهایی به هم مرتبط هستند و به چه چیزی باید توجه کنیم.
و شاید همین سؤال ساده، یکی از بزرگترین تغییرات تاریخ هوش مصنوعی را ساخت.
📚 Attention Is All You Need (2017)
https://arxiv.org/pdf/1706.03762 | 539 |
| 20 | کاربرد رشته آمار در زندگی :
https://www.instagram.com/reel/Dbcpd52SyY5/?igsh=bWp2ZjN3YzNkeGQx | 650 |
