es
Feedback

¡No caigas en manos de tramposos! Telemetrio encuentra y marca estos canales 👉 Si quieres ver la etiqueta, suscríbete

Tensorflow(@CVision)

Tensorflow(@CVision)

Ir al canal en Telegram

اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2keras

Mostrar más

📈 Análisis del canal de Telegram Tensorflow(@CVision)

El canal Tensorflow(@CVision) (@cvision) en el segmento lingüístico de Farsi es un actor destacado. Actualmente la comunidad reúne a 15 058 suscriptores, ocupando la posición 8 563 en la categoría Tecnologías y Aplicaciones y el puesto 22 728 en la región Irán.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 15 058 suscriptores.

Según los últimos datos del 16 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -34, y en las últimas 24 horas de 3, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 26.75%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 8.95% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 4 028 visualizaciones. En el primer día suele acumular 1 348 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 16.
  • Intereses temáticos: El contenido se centra en temas clave como مدل, مصنوعی, llm, استدلال, مغز.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨‍💻👩‍💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2kera...”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 17 noviembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.

15 058
Suscriptores
+324 horas
-27 días
-3430 días
Archivo de publicaciones
نسل جدید Scribe با دقت بالاتر معرفی شد! 🎙 شرکت ElevenLabs از دو مدل جدید Speech-to-Text رونمایی کرده است: مدل Scribe v3 برای
نسل جدید Scribe با دقت بالاتر معرفی شد! 🎙 شرکت ElevenLabs از دو مدل جدید Speech-to-Text رونمایی کرده است: مدل Scribe v3 برای فایل‌های صوتی ضبط‌شده و Scribe v3 Live برای پردازش Real-time مکالمات. دقت بالاتر 📊 طبق بنچمارک‌های ElevenLabs، مدل Scribe v3 در ۱۰۲ زبان، ۲۷٪ خطای کمتری نسبت به نسل قبل دارد. نسخه Live نیز خطای معنایی تشخیص گفتار را ۴۳٪ کاهش داده است. قابلیت‌های جدید این نسل 👇 🔹 شناسایی دقیق‌تر گویندگان با Speaker Diarization 🔹 تشخیص هوشمند پایان صحبت با Turn Detection، بدون اتکای صرف به سکوت 🔹 پشتیبانی از تغییر زبان در میانه مکالمه با Multilingual Mode 🔹 امکان تعریف اصطلاحات تخصصی با Keyterm Prompting هر دو مدل از طریق ElevenAPI در دسترس توسعه‌دهندگان قرار گرفته‌اند و می‌توانند دقت Voice Agentها و سیستم‌های Transcription را بهبود دهند. منبع: https://elevenlabs.io/blog/scribe-v3 کانال: 🌀 @cvision 🌀

🎓 یکی از قشنگ‌ترین پیام‌هایی که این مدت گرفتم چند روز پیش یکی از دانشجوهای قدیمی‌م، که سال‌ها پیش در جهاد دانشگاهی شریف باها
🎓 یکی از قشنگ‌ترین پیام‌هایی که این مدت گرفتم چند روز پیش یکی از دانشجوهای قدیمی‌م، که سال‌ها پیش در جهاد دانشگاهی شریف باهام کلاس داشت، بهم پیام داد. ایشون چند ماه پیش در دانشگاه ماینتس آلمان دکترا رو دفاع کرده، با تحقیق در موسسه ماکس پلانک برای پژوهش پلیمر. موضوع پایان‌نامه‌اش استفاده از یادگیری عمیق (CNN، ترنسفورمر و LSTM) برای اندازه‌گیری دقیق حرکت قطره‌های آب روی سطوح از روی ویدیو بوده. 🤯 در بخش تشکر پایان‌نامه‌اش، از کسانی که علاقه‌اش رو به فیزیک و کامپیوتر ساینس شکل دادن یاد کرده، و خوشحالم که تدریس ما هم بخشی از این مسیر بوده. برای من، این بزرگ‌ترین پاداش تدریسه. وقتی کلاس تموم میشه، آدم نمی‌دونه اون جرقه‌ای که زده شد کجا می‌رسه. و حالا می‌بینم یکی از همون جرقه‌ها به این‌جا رسیده. 🙏 یادم می‌مونه که تو تدریس، فقط انتقال مطلب مهم نیست؛ شور و علاقه‌ای که منتقل می‌کنیم گاهی از خود مطلب ماندگارتره. 📄 پایان‌نامه ایشون (برای کسانی که کنجکاوند): https://openscience.ub.uni-mainz.de/items/129c0e44-b142-4156-9401-d554969a5d51

🧬 🧬 AlphaGenome 2 : A New Era in Understanding DNA گوگل دیپ‌مایند از نسل جدید مدل هوش مصنوعی خود با نام AlphaGenome 2 رونمایی کرد؛ مدلی که با هدف درک بهتر ارتباط بین تغییرات ژنتیکی و بیماری‌ها توسعه داده شده است. این مدل می‌تواند پیش‌بینی کند که تغییرات در توالی DNA چگونه بر عملکرد ژن‌ها در انواع مختلف سلول‌های بدن تأثیر می‌گذارند. این موضوع اهمیت زیادی دارد؛ زیرا یک تغییر ژنتیکی ممکن است در یک نوع سلول اثرگذار باشد، اما در سلول‌های دیگر تأثیر متفاوتی داشته باشد. 🔬 چند نکته درباره این مدل: 🔹 آموزش‌دیده با بیش از ۱۰۰ میلیون پروفایل سلولی از ۶۸ بافت مختلف. 🔹 شناسایی تقریباً دو برابر تعداد بیشتری از تغییرات ژنتیکی مؤثر بر بیان ژن، در مقایسه با بهترین مدل قبلی. 🔹 قابلیت تحلیل انواع جدید سلول‌ها و بررسی اثر تغییرات ژنتیکی بدون نیاز به آموزش مجدد مدل. 🚀 هدف اصلی این پروژه، کمک به پژوهشگران برای درک بهتر نقش تغییرات ژنتیکی در بیماری‌ها و شناسایی مسیرهای زیستی مرتبط با آن‌هاست. این مدل در حال حاضر برای تحقیقات غیرتجاری از طریق API در دسترس است و هنوز صرفاً کاربرد پژوهشی دارد. 🔗 معرفی رسمی و جزئیات بیشتر: https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/ @cvision

لینک دانلود ضبط شده این کارگاه این لینک 7 روز فعال سات. لطفا در صورت نمایل در این مدت دانلود کنید
لینک دانلود ضبط شده این کارگاه این لینک 7 روز فعال سات. لطفا در صورت نمایل در این مدت دانلود کنید

دوستان صدا دست من نیست. اما ویدیو را ضبط میکنم تو کانال میگذارم

این کارگاه از آپارات نیز لایو منتشر خواهد شد

🤯 وقتی هوش مصنوعی از صفر یک سیستم‌عامل می‌سازه! یکی از شگفت‌انگیزترین آزمایش‌های آنتروپیک با مدل Claude Fable 5.2، ساخت یک سیستم‌عامل کامل از یک پوشه خالی بوده! 💻 در این آزمایش، مدل با هماهنگ‌کردن بیش از ۱۰۰۰ ایجنت هوش مصنوعی، طی ۸ روز به‌صورت شبانه‌روزی کدنویسی، تست و بازبینی انجام داده. 🔥 نتیجه، یک سیستم‌عامل آزمایشی قابل اجرا روی لپ‌تاپ بوده که امکانات زیر رو داره: 🔹 هسته اختصاصی سیستم‌عامل 🔹 درایورهای دیسک، کیبورد و شبکه 🔹 سیستم ذخیره‌سازی دائمی فایل‌ها 🔹 محیط گرافیکی با پنجره‌های قابل استفاده 🔹 صفحه ورود و نصب‌کننده سیستم‌عامل 🔹 قابلیت‌های داخلی مبتنی بر Claude

🚀 آنتروپیک با معرفی دو مدل جدید، قدرت هوش مصنوعی رو به سطح تازه‌ای رسوند! شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و
🚀 آنتروپیک با معرفی دو مدل جدید، قدرت هوش مصنوعی رو به سطح تازه‌ای رسوند! شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و Claude Mythos 5.2 رونمایی کرده که برای حل مسائل پیچیده برنامه‌نویسی، مهندسی و تحقیقات علمی طراحی شدن. 🔥 چند مورد از قابلیت‌های چشمگیر این مدل‌ها: 🔹 افزایش سرعت تولید پاسخ تا ۳۰ درصد نسبت به نسل قبل 🔹 عملکرد بهتر در کدنویسی، استدلال و تحلیل تصاویر 🔹 حل دو مسئله باز در فیزیک سیاه‌چاله‌ها 🔹 طراحی سه دستگاه الکترونیکی کاربردی از صفر 🔹 پیشرفت قابل‌توجه در امنیت سایبری و شناسایی آسیب‌پذیری‌ها نکته جالب اینکه این دو مدل از یک هسته مشترک استفاده می‌کنن؛ نسخه Fable برای استفاده عمومی با محدودیت‌های ایمنی بیشتر عرضه شده و نسخه Mythos برای سازمان‌های تأییدشده در حوزه‌های تخصصی در دسترسه. 🤯 اما یکی از عجیب‌ترین دستاوردهاش ساخت یک سیستم‌عامل واقعیه که در پست بعدی بهش می‌پردازیم! 🔗 منبع: وبلاگ رسمی آنتروپیک #هوش_مصنوعی #کلود #آنتروپیک

Repost from N/a
🧠 کارگاه آموزشی W2 | مدل‌های بینایی-زبانی (VLM) 🌐 برای ثبت نام در کنفرانس کلیک کنید. @mvip2026 @kashan_ict

💎 با مکتب‌خونه، بورسیه دانشگاه هاروارد شو! 🎉 مکتب‌خونه به مناسبت تولد ۱۵ سالگیش یک قرعه‌کشی ویژه برگزار کرده؛ از بورسیه آمو
💎 با مکتب‌خونه، بورسیه دانشگاه هاروارد شو! 🎉 مکتب‌خونه به مناسبت تولد ۱۵ سالگیش یک قرعه‌کشی ویژه برگزار کرده؛ از بورسیه آموزشی دانشگاه هاروارد به ارزش ۲۰۰۰ دلار گرفته تا اشتراک ChatGPT Plus و اشتراک مکتب‌خونه. 🔥 علاوه بر جوایز قرعه‌کشی، تخفیف‌های ویژه تولد مکتب‌خونه هم فعال شده: ▪️ ۸۰٪ تخفیف اشتراک یک‌ساله ▪️ تا ۷۰٪ تخفیف دوره‌های آموزشی 🧠 اگه به یادگیری ماشین و یادگیری عمیق علاقه داری یا با ابزارهایی مثل TensorFlow مدل‌های هوش مصنوعی توسعه می‌دی، این فرصت خوبیه که دانش و مهارت‌هات رو ارتقا بدی و در کنارش، شانس برنده‌شدن جوایز جذاب رو هم داشته باشی. ⏳ مهلت شرکت: تا ۲۲ آبان 🎁 می‌خوای بدونی چطور می‌تونی توی قرعه‌کشی شرکت کنی؟ 🔗 برای مشاهده جوایز و شرایط شرکت، کلیک کن

photo content
+1

🚀 اوپن‌ای‌آی از مدل جدید تولید تصویر خودش رونمایی کرد! مدل GPT-Image 2.6 با سرعت بیشتر، ویرایش دقیق‌تر و قابلیت جذاب ساخت تص
🚀 اوپن‌ای‌آی از مدل جدید تولید تصویر خودش رونمایی کرد! مدل GPT-Image 2.6 با سرعت بیشتر، ویرایش دقیق‌تر و قابلیت جذاب ساخت تصاویر متحرک GIF معرفی شد. 🔥 مهم‌ترین قابلیت‌های این نسخه: 🔹 سرعت بالاتر: تولید تصاویر تا ۵۰٪ سریع‌تر از نسخه قبلی انجام می‌شه. 🔹 ساخت تصاویر متحرک: حالا می‌تونید فقط با یک پرامپت، تصاویر متحرک با فرمت GIF بسازید. 🔹 ویرایش هوشمندتر: امکان تغییر بخش‌های مشخص تصویر با حفظ جزئیات، ظاهر کاراکترها و هماهنگی تصاویر بهتر شده. 🔹 خروجی وکتور: قابلیت دریافت خروجی SVG برای استفاده در طراحی سایت، اپلیکیشن و کارهای گرافیکی اضافه شده. 🔹 امکانات توسعه‌دهندگان: دو مدل Flare برای سرعت بیشتر و Sunburst برای کیفیت و جزئیات بالاتر از طریق API در دسترس قرار گرفتن. ✅ دسترسی: این مدل از همین حالا برای تمام پلن‌های ChatGPT و Codex فعال شده. به نظر می‌رسه اوپن‌ای‌آی داره ابزار تولید تصویر خودش رو به یک ابزار کامل‌تر برای طراحی و تولید محتوای حرفه‌ای تبدیل می‌کنه. 🔗 منبع: معرفی رسمی و مشاهده نمونه‌ها #هوش_مصنوعی #OpenAI #AI

مستندات فارسی شده opencv : https://learnopencv.ir/docs/ ، همچنین لینک به این مستندات در نوت بوک های کورس مکتب خونه اضافه شد

نسخه فارسی و تحت وب Deep Learning with Python ویرایش 3 https://introtodeeplearning.ir/books/dlwp/
نسخه فارسی و تحت وب Deep Learning with Python ویرایش 3 https://introtodeeplearning.ir/books/dlwp/

کسانی که تازه شروع کردند، میدونند که پیش نیاز اکثر فریم ورکهای مرتبط با هوش مصنوعی پایتونه، دوست داشتید در کانال بالا عضو شده و از سایتش مطالب را مرور کنید

Repost from pydaan.ir
🐍 چالش پایتون ۱ | += روی لیست؛ تغییر یا ساختن؟ خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔 a = [1, 2, 3] b
🐍 چالش پایتون ۱ | += روی لیست؛ تغییر یا ساختن؟ خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔
a = [1, 2, 3]
b = a
b += [4]
b = b + [5]
print(a, b)
👇 جوابت را در کوییز زیر بزن، بعد توضیح کامل را در سایت بخوان. #چالش_پایتون #پایتون #Python 📢 @PyLab

مهلت استفاده تا پایان این هفته است

‏🎯 Jev‏ کجا به درد می‌خورد و کجا نه؟ ‏Jev‏ بیشتر از اینکه جای GPT‏ یا Claude‏ را بگیرد، می‌تواند یک «لایه‌ی تصمیم‌گیری» سریع و ارزان باشد. یعنی برای کارهای کوچک و پرتعداد که الان بی‌خودی برای هرکدام یک مدل بزرگ صدا می‌زنیم. ‏تقسیم کار پیشنهادی (Separation of Concerns‏): ‏• تصمیم‌های کوچک و پرتعداد ← Jev ‏• تحلیل، reasoning‏ و تولید محتوا ← GPT / Claude / Gemini‏ ‏• قوانین قطعی، محاسبات و محدودیت‌های حساس ← Code‏ ‏• تصمیم‌های پرریسک ← انسان ‏نمونه کاربردها: ‏• CRM‏: دسته‌بندی مشتری‌ها بر اساس احتمال ریزش، اهمیت یا نوع درخواست ‏• Support‏ و Lead Scoring‏: تشخیص فوریت، تیم مناسب و ارزش سرنخ‌ها ‏• Agent Routing‏: انتخاب agent‏، tool‏ یا مدل مناسب قبل از شروع کار سنگین ‏• RAG‏: حذف اسناد کم‌ربط و re-rank‏ نتایج ‏• QA‏ و Moderation‏: بررسی کیفیت، ارتباط و ریسک خروجی مدل‌ها، و پرچم‌گذاری محتوای مشکوک ‏• Workflow Automation‏: تعیین شاخه‌ی فرایند برای هر درخواست ‏• باشگاه مشتریان و بازاریابی: انتخاب نوع پیشنهاد، تخفیف یا کمپین مناسب هر گروه ‏⚠️ اما Jev‏ «خیلی باهوش‌تر» نیست؛ برای یک نوع خاص از هوش بهینه شده و روی مسئله‌های مبهم افت می‌کند. دو نمونه: ‏1️⃣ Browser automation‏ ‏تیم WebMCP‏ (Idan Levin‏) با ترکیب Jev‏ و WebMCP‏ همه‌ی 49 task‏ را حل کرد. ولی این ترکیب دو مدل بود: Jev‏ ابزار را انتخاب می‌کرد و یک LLM‏ سریع (Mercury 2.5‏) آرگومان‌ها را می‌نوشت، چون Jev‏ متن تولید نمی‌کند. وقتی Jev‏ مستقیم با کنترل‌های صفحه مرورگر را می‌راند، فقط 25 از 49 task‏ حل شد. خود نویسندگان می‌گویند این نتیجه‌ی harness‏ آن‌هاست و سقف عمومی Jev‏ نیست. ‏2️⃣ تشخیص phishing‏ ‏در یک benchmark‏ مستقل روی 2000 ایمیل (ایمیل‌های synthetic‏)، دقت مستقیم Jev‏ فقط 62.6٪ بود و Claude Haiku 4.5‏ به 81.3٪ رسید. ‏ولی وقتی همان مسئله به 5 سؤال ساده‌تر شکسته شد (مثلاً: لینک به free hosting‏ اشاره دارد؟ فشار و فوریت دارد؟)، یک رگرسیون لجستیک روی جواب‌های Jev‏ به 95.1٪ رسید. حتی یک قانون ثابت روی یکی از این سیگنال‌ها 89.5٪ می‌داد. ‏در همین تست Jev‏ حدود 3 برابر سریع‌تر (239ms‏ در برابر 687ms‏) و حدود 12 برابر ارزان‌تر ($0.038 در برابر $0.462 برای هر هزار ایمیل) از Haiku‏ بود. یعنی در مقایسه با یک مدل سبک، ضریب‌ها خیلی کمتر از «40x‏ تا 200x‏» است. ‏پس جای درست Jev‏ «مغز کل سیستم» نیست، بلکه یک قطعه‌ی سریع برای تصمیم‌های محدود داخل یک معماری بزرگ‌تر است. اگر یک استارتاپ هزاران تصمیم کوچک، تکراری و مشخص دارد، جذاب است. هرچه تصمیم مبهم‌تر، چندمرحله‌ای‌تر یا پرریسک‌تر شود، بهتر است به یک مدل قوی‌تر یا انسان سپرده شود. ‏منابع: ‏https://madewithjev.com/builds/webmcp-benchmark ‏https://github.com/anisselbd/jev-phishing-bench

‏🧠 Jev از TypeSafe AI‏؛ مدلی که متن نمی‌نویسد، تصمیم می‌گیرد ‏TypeSafe AI روز ۱۵ سپتامبر ۲۰۲۶ با ۴۰ میلیون دلار سرمایه معرفی شد و اولین مدلش، Jev‏، را در حالت early access‏ (با waitlist‏) عرضه کرد. بنیان‌گذار و CEO آن، Diogo Almeida‏، سابقه‌ی کار در OpenAI‏ دارد و از نویسندگان مقاله‌ی InstructGPT‏ است. ‏ایده جالب است: به‌جای ساختن یک LLM‏ بهتر برای تولید متن، مدلی بسازیم که مستقیم برای تصمیم‌گیری داخل نرم‌افزار طراحی شده. ‏**مشکل کجاست؟** ‏LLMها برای chat‏ عالی‌اند، ولی در automation‏ هنوز دردسر دارند: خروجی string‏ است و باید parse‏ و validate‏ شود، latency‏ بالاست و confidence‌ای که خودشان می‌دهند همیشه قابل اعتماد نیست. ‏**Jev‏ چه می‌کند؟** ‏Jev از دسته‌ی جدیدی به اسم System One Models**‏ است (نامش از تمایز System 1‏ و System 2‏ دنیل کانمن آمده): ‏• ورودی: متن یا state‏ نامرتب (مثلاً JSON‏) + مجموعه‌ای سؤال تایپ‌شده ‏• خروجی: از قبل type‏ مشخص دارد؛ انتخاب بین گزینه‌ها (`Choice`‏)، امتیاز (`Score`‏) یا بله/خیر با احتمال (`Noul`‏)، همراه با confidence‏ ‏• همه‌ی سؤال‌ها در یک query‏ و به‌صورت موازی جواب داده می‌شوند، نه توکن‌به‌توکن مثل LLMهای autoregressive‏ ‏آموزش هم با روشی به اسم **RLCD**‏ (Reinforcement Learning for Calibrated Decisions‏) انجام شده. هدفش این است که احتمال‌ها واقعاً معنی داشته باشند: وقتی مدل می‌گوید ۹۰٪ مطمئنم، انتظار می‌رود تقریباً در ۹۰٪ موارد مشابه درست باشد. ‏**ادعاهای شرکت: ‏• latency‏ حدود 70 تا 500 میلی‌ثانیه، یعنی 40x‏ تا 200x‏ سریع‌تر از LLMهای frontier‏ در taskهای System One‏ ‏• قیمت `$0.042` برای هر یک میلیون توکن ورودی؛ خروجی رایگان ‏• «no type errors‏»: چون خروجی از قبل schema‏ دارد، مدل نمی‌تواند مقداری خارج از ساختار تعریف‌شده برگرداند ‏⚠️ «no type errors‏» یعنی خروجی type-safe‏ است، نه اینکه «هیچ‌وقت اشتباه نمی‌کند». تصمیم می‌تواند از نظر ساختار کاملاً معتبر باشد و باز هم غلط. بیشتر اعداد بالا هم از benchmarkهای خود شرکت است. ‏منبع: ‏https://typesafe.ai/blog/introducing-system-one-models-and-jev