DLeX: AI Python

آژور کوپایلوت 4 تا Agent در اختیار ادمین های Cloud قرار داده که قراره در تسک های مختلف بهمون کمک کنن. 👉 @ai_python 🦁 ☀️

برای اونایی که خیلی با چت جی پی تی درد و دل می کنن 👉 @ai_python 🦁 ☀️ ChatGPT’ye aşk şarkısı yapılamaz. Balkan-Sänger https://x.com/Mysstikk/status/2090870283984892265

🏉MITracker: Multi-View Track🏉 👉MITracker is a novel Multi-View Integration Tracker to efficiently integrate multi-view object features and provide stable tracking. Code & Dataset announced💙 👉Review https://t.ly/RTNUo 👉Paper arxiv.org/pdf/2502.20111 👉Repo github.com/XuM007/MITracker 👉Project xum007.github.io/MITracker.github.io

پلاگین AntiGravity برای vs code ارائه شد 👉 @ai_python 🦁 ☀️

👉 @ai_python 🦁 ☀️ به نظرم دقیق و درست 👌

مفهوم هارنس در مدل های هوش مصنوعی 👉 @ai_python 🦁 ☀️ https://youtu.be/HVF9I25WyVY?si=0yENtGT22ezc6nUs

استراتژی های کاهش مصرف توکن در مایکروسافت فاندری 👉 @ai_python 🦁 ☀️ https://youtu.be/mB0IyELzjRg?si=W9hgABZ5UX2CagjW

مایکروسافت یک لب جدید تهیه کرده برای نحوه ارتباط اجنت های هوش مصنوعی که از Work IQ استفاده می کنند، از طریق پروتکل پروتکل A2A 👉 @ai_python 🦁 ☀️ https://microsoft.github.io/copilot-camp/pages/work-iq/02-work-iq-a2a/

یک بحث بسیار جالبی در گروه مطرح شد که پیشنهاد می کنم حتمن بخونید. درباره آینده هوش مصنوعی. لینک پیام هارو در این جا قرار می دم از اون قسمتی که بسیار جالب هست و بلاگی که لینک شده : https://t.me/weallarebits/15700

صفر تا صد مدرک AI-103 مایکروسافت 👉 @ai_python 🦁 ☀️ https://youtu.be/WK2BvjOYTCQ?si=PJkNYT-Z4aJl-Izx

Apple or Nvidia: who stays on top? Apple taught the world to pay for an ecosystem. Nvidia unexpectedly for everyone, including itself, became the foundation of the AI era. Today Nvidia's market cap is $5.26T, Apple's is $4.5T. The gap is "just" $760B.

♞ گردش اسب؛ یک مسئلهٔ کلاسیک در ریاضیات و شطرنج آیا اسب می‌تواند روی هر یک از ۶۴ خانهٔ صفحهٔ شطرنج دقیقاً یک‌بار قرار بگیرد و در پایان، تنها یک حرکت تا خانهٔ آغاز فاصله داشته باشد؟ در این ویدیو یک گردش بستهٔ معتبر نمایش داده می‌شود: تمام خانه‌ها بدون تکرار بازدید می‌شوند و همهٔ جابه‌جایی‌ها حرکت قانونی اسب‌اند. در زبان نظریهٔ گراف، هر خانه یک رأس و هر حرکتِ مجاز اسب یک یال است؛ بنابراین چنین گردشی یک دور همیلتونی می‌سازد. برای انتخاب حرکت‌ها از روش ابتکاری وارنزدورف استفاده شده است: به خانه‌ای برو که کمترین تعداد حرکتِ بعدی به خانه‌های بازدیدنشده را دارد. مسئله‌ای زیبا در پیوند میان شطرنج، ترکیبیات و نظریهٔ گراف؛ مسئله‌ای که اویلر نیز آن را بررسی کرده بود. تهیه و تنظیم: گروه ریاضی مزداهیک @mazdaahik

چه قدر از خودش تعریف می کنه. 😅 👉 @ai_python 🦁 ☀️

Normal Distribution (PDF, CDF, PPF) in 3 Minutes 👉 @ai_python 🦁 ☀️ https://youtu.be/3VYupIsbLlY?si=XfHt-1z9gIOlkdnQ

ایده بسیار قشنگی هست برای اینکه Accountability داشته باشیم روی تصمیم های AI و در جایی (گراف) نگهشون داریم. 😍 👉 @ai_python 🦁 ☀️

همه آنجه که نیازه از DeepSeek Harness بدونید اگر بخوایم خیلی ساده بگم، DeepSeek Harness یک framework برای ساخت و اجرای coding agentهاست که DeepSeek همراه با V4 Pro به‌صورت developer preview منتشر کرده. ایده اصلیش اینه که برخلاف coding agentهای معمولی، همه‌چیز رو یک سیستم ثابت نبینیم؛ model، tools، skills، sessions و حتی agent loop می‌تونن به شکل plugin مدیریت و جایگزین بشن. نکته جذابش اینه که DeepSeek Harness فقط برای مدل‌های DeepSeek نیست. می‌تونید providerهای دیگه رو هم بهش وصل کنید و حتی Claude Code و Codex رو به‌عنوان sub-agent وارد workflow کنید. یعنی می‌تونید یک multi-agent system بسازید که DeepSeek Harness وظیفه orchestration رو برعهده داشته باشه و هر task رو به agent مناسب بسپره. از نظر قابلیت‌ها هم دستتون نسبتاً بازه؛ می‌تونید shell، file editing، web search، planning، subagent و workflowهای مختلف رو فعال یا شخصی‌سازی کنید. حتی در Creator Mode، agent می‌تونه در حین اجرای session، plugin و tool جدید بسازه و به محیط خودش اضافه کنه. یکی از بخش‌های مهمش هم session logging هست. تقریباً هر چیزی که به model نمایش داده می‌شه ثبت می‌شه؛ از tool callها و نتیجه‌شون گرفته تا context injection و فعالیت sub-agentها. این موضوع برای debugging و فهمیدن اینکه agent دقیقاً چرا یک تصمیم رو گرفته، خیلی کاربردیه. راه‌اندازیش هم نسبتاً ساده‌ست و برخلاف Claude Code و Codex، رابط اصلیش یک local web app هست که داخل browser اجرا می‌شه. تنظیمات هم عمدتاً از طریق YAML قابل کنترل هست و می‌تونید model، provider، permission و reasoning effort رو تغییر بدید. در مورد مدل‌ها هم V4 Flash و V4 Pro قابل استفاده هستن. برای بیشتر coding taskهای معمولی، Flash احتمالاً انتخاب اقتصادی‌تریه و Pro بیشتر برای taskهای سخت‌تر و reasoning-heavy ارزش پیدا می‌کنه. البته هزینه اصلی مربوط به model API هست و خود harness رایگانه. در نهایت، چیزی که DeepSeek Harness رو مهم می‌کنه فقط این نیست که یک coding agent دیگه ساخته؛ بلکه اینه که خود harness رو هم قابل تغییر و composition کرده. یعنی به‌جای یک agent با workflow ثابت، می‌تونید محیطی بسازید که model، tools، sub-agentها و حتی agent loop رو مطابق نیاز خودتون کنار هم قرار بدید. البته فعلاً developer preview هست و طبیعتاً ممکنه breaking change و rough edge داشته باشه. ولی اگر به coding agentها، multi-agent system یا ساخت agentهای شخصی علاقه دارید، DeepSeek Harness قطعاً پروژه‌ایه که ارزش دنبال کردن داره. 👑 توضیحات در مورد دوره منتورینگ 🏆 نحوه ثبت‌نام در دوره منتورینگ 🤝 تجارب موفق قبلی بچه‌ها از منتورینگ @reza_jafari_ai

Understanding Exponential vs Poisson Distributions 👉 @ai_python 🦁 ☀️ https://youtu.be/n7K8s4vryCQ?si=pcVzHZhnI48iNzhu

Poisson Process : 👉 @ai_python 🦁 ☀️ https://youtu.be/5uLxFmhYnl0?si=3CbXqZbRQoAlDcX7

دوشنبه 17 آکوست، پروفسور هوخ غایتا، یک سخنرانی با موضوع فاز بعدی هوش مصنوعی برگزار خواهند کرد، که ورود به آن به رایگان و طریق زوم نیز امکان پذیر خواهد بود. آقای سپ هوخ غایتا از اساتید دانشگاه JKU لینز هستند که به دلیل همکاری در