PhiloLearn | فیلولرن
Ir al canal en Telegram
🔵 فیلو یعنی مشتاق و لرن یعنی یادگیری 📘 در نتیجه فیلولرن یعنی مشتاق یادگیری 📘 https://www.youtube.com/@PhiloLearn
Mostrar más1 460
Suscriptores
-124 horas
-47 días
-730 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
agosto '26
agosto '260
en 0 canales
julio '26
+30
en 1 canales
Get PRO
junio '26
+30
en 1 canales
Get PRO
mayo '26
+29
en 1 canales
Get PRO
abril '26
+11
en 0 canales
Get PRO
marzo '26
+2
en 1 canales
Get PRO
febrero '26
+19
en 1 canales
Get PRO
enero '26
+20
en 0 canales
Get PRO
diciembre '25
+37
en 1 canales
Get PRO
noviembre '25
+26
en 0 canales
Get PRO
octubre '25
+22
en 0 canales
Get PRO
septiembre '25
+14
en 2 canales
Get PRO
agosto '25
+7
en 0 canales
Get PRO
julio '25
+18
en 1 canales
Get PRO
junio '25
+22
en 1 canales
Get PRO
mayo '25
+30
en 0 canales
Get PRO
abril '25
+13
en 0 canales
Get PRO
marzo '25
+30
en 2 canales
Get PRO
febrero '25
+47
en 1 canales
Get PRO
enero '25
+104
en 5 canales
Get PRO
diciembre '24
+50
en 0 canales
Get PRO
noviembre '24
+35
en 0 canales
Get PRO
octubre '24
+40
en 0 canales
Get PRO
septiembre '24
+42
en 3 canales
Get PRO
agosto '24
+50
en 1 canales
Get PRO
julio '24
+100
en 1 canales
Get PRO
junio '24
+65
en 0 canales
Get PRO
mayo '24
+84
en 0 canales
Get PRO
abril '24
+99
en 0 canales
Get PRO
marzo '24
+104
en 1 canales
Get PRO
febrero '24
+136
en 1 canales
Get PRO
enero '24
+91
en 2 canales
Get PRO
diciembre '23
+168
en 2 canales
Get PRO
noviembre '23
+153
en 11 canales
Get PRO
octubre '23
+92
en 1 canales
Get PRO
septiembre '23
+324
en 0 canales
Get PRO
agosto '23
+376
en 0 canales
Get PRO
julio '23
+60
en 0 canales
Get PRO
junio '23
+241
en 0 canales
Get PRO
mayo '23
+100
en 0 canales
Get PRO
abril '23
+726
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 02 agosto | 0 | |||
| 01 agosto | 0 |
Publicaciones del Canal
داشتم میگشتم که رسیدم به این شبیه ساز سیاهچاله
https://blackhole.plav.in/
و خب این ریپازیتوری که باهاش شبیه ساز رو ساختن که توسعه پیدا کرده برای شبیه سازی رفتار نور اگر اشتباه نکنم:
https://github.com/aplavin/Synchray.jl
@PhiloLearn
| 2 | این شبکه عصبی دو تا ویژگی داره:
1-شبکههای بازگشتی از اطلاعات گذشته استفاده میکنند.
2-در شبکههای بازگشتی، پارامترها یا وزنها بین زمانها به اشتراک گذاشته میشوند. به این معنا که همان وزنها برای هر مرحله زمانی استفاده میشوند.
به صورت کلی این شکبه میاد ورودی رو از ما دریافت میکنه با وزن حافظه قبلی که آموزش دیده ترکیب میکنه و میره مرحله بعدی یعنی مثلا من یک گربه مشکی دارم میاد پنج لایه درست میکنه:
من + یک + گربه + مشکی+ دارم
هر لایه میاد بررسی میکنه "من" رو وارد لایه اول میکنه با حافظه قدیمی که داره میاد محاسبات ریاضی انجام بعد یه خروجی میده برای لایه بعدی که "یک" هستش بعد میاد پردازی که سر من + اطلاعات گذشته انجام داده رو بعلاوه یک رو میده لایه اول و الی اخر تا برسه لایه اخر تا بتونه در آخر برای ما یک پاسخ یا خروجی تولید بکنه علت اینکه بهش میگن بازگشتی اینه که به حافظه خودش بر میگرده جهت گرفتن اطلاعات، این شبکه عصبی برای پیش بینی کلمه بعدی میاد از کلمه قبلی + حافظه قبلی وزنی که درست کرده میاد بین پارامتر های میگرده و کلمه بعدی رو پیش بینی میکنه
ساختار عکس بالا چیه حالا؟ برای اینکه بهتر توضیح بدم این قسمت رو از هوش مصنوعی کمک گرفتم
بیایید شکل را تجزیه کنم:
شکل یک RNN را نشان میدهد که در سه مرحله زمانی کار میکند (t=1, t=2, t=3).
هر مرحله دارای:
- ورودی (مثل "d", "o", "g" در پایین)
- مغز/حالت نهان (h0, h1, h2, h3 - بوکس های سبز بزرگ)
- خروجی (مثل "o", "g", "e" در بالا)
- وزنهای مختلف:
- Wx: وزن ورودی
- Wh: وزن حالت نهان (بازگشتی)
- Wy: وزن خروجی
داخل هر بوکس سبز، درونافزایی (مثل a11، a12، a1j) وجود دارد که نشاندهنده ضرب و جمعهای داخلی است.
بیایید این را به شکل بسیار ساده برای مبتدی توضیح دهم:
1. شکل یک جمله را پردازش میکند
2. هر بوکس سبز = مغز شبکه در یک مرحله
3. فلشهای بالا = خروجی (پیشبینی)
4. فلشهای چپ = ورودی (کلمات)
5. فلشهای افقی = حافظه که از مرحله قبل میآید# توضیح شکل RNN
## کلی نگاه کن
این شکل نشان میده که **RNN چطوری یک جمله رو کلمهکلمه پردازش میکنه** در **3 مرحله متوالی**:
t=1 → t=2 → t=3
(لحظهی اول) (دوم) (سوم)
---
## هر مرحله چیکار میکنه؟
| عنصر | معنی |
|------|------|
| **بوکس سبز بزرگ (h)** | 🧠 **مغز شبکه** — جایی که حافظه نگاه داشته میشه |
| **Wx** | وزن **ورودی** (کلمه الان) |
| **Wh** | وزن **حافظه** (کلمات قبلی) — **همین بازگشتی است!** |
| **Wy** | وزن **خروجی** (پیشبینی) |
| **"d", "o", "g"** | کلمات **ورودی** (پایین) |
| **"o", "g", "e"** | کلمات **خروجی** (بالا) |
---
## مرحله به مرحله چیارتش؟
### 🟢 مرحله اول (t=1)
ورودی: "d"
↓
h0 (حافظه اول، خالی) + Wh
+
"d" (ورودی) + Wx
↓
h1 (حافظه جدید)
↓
خروجی: "o"
### 🟢 مرحله دوم (t=2)
ورودی: "o"
↓
h1 (حافظه قبلی) + Wh ← **یادش آمد "d" رو دید!**
+
"o" (ورودی جدید) + Wx
↓
h2 (حافظه جدید)
↓
خروجی: "g"
### 🟢 مرحله سوم (t=3)
ورودی: "g"
↓
h2 (حافظه قبلی) + Wh ← **یادش آمد "d" و "o" رو دید!**
+
"g" (ورودی جدید) + Wx
↓
h3 (حافظه جدید)
↓
خروجی: "e"
## داخل بوکس سبز چیه؟
دروننویسیها مثل **a₁₁، a₁₂، a₁ⱼ** نشان میدهند:
- **حساب و کتاب** (ضرب و جمع)
- **اعدادی که شبکه بهکار میبرد**
تو نیاز نداری اینها رو یاد بگیری. فقط بدون که **داخل این بوکس ریاضیات پیچیدهای انجام میشه!**
---
## خلاصه ساده
**این شکل میگه:**
> "ما کلمه "dog" را تشخیص میدهیم. شبکه هر بار یک کلمه میبیند، خروجی میده، و **یادش را برای دفعه بعد نگاه میدارد**. این همان **بازگشتی** است!"
🎯 **بازگشتی** = حافظه (h) **به خودش برمیگردد** و دوباره استفاده میشه!
و در نهایت این شبکه به دلیل بررسی توالی و داشتن حافظه از داده های قبل بهتر میتونه جملات رو درک کنه و پاسخ مناسب بده ولی اگر به یاد داشته باشید تو شبکه عصبی ترنسفورمر گفته بودم آموزشش بسیار کنده به محدودیت حافظه میخوریم و اینکه کلمات و جمله های طولانی رو ممکنه فراموش کنه به همین دلیل بود که بعد ها متخصیص با مکانیزم توجه به سمت شبکه های عصبی ترنسفورمر و سپس به ال ال ام های امروزی رسیدن با این اوصاف ان شبکه عصبی رو میشه بابابزرگ ال ال ام های امروزی دانست و در نهایت لینک های مفید جهت مطالعه:
لینک1
لینک2
@PhiloLearn | @NyxHrafn | 115 |
| 3 |  شبکه عصبی بازگشتی یا Recurrent neural network پدربزرگ LLM ها!
@PhiloLearn | @NyxHrafn | 115 |
| 4 |  یه چیز بشدت باحال و بامزه و شاید کاربردی پیدا کردم.
اومدن نحوه عملکرد دیتابیس پستگرس رو به صورت ۳ بعدی و قابل گشتن در آوردن و تمام بخش هاش رو خیلی جذاب توضیح دادن.
لینک شهر پستگرس:
https://nikolays.github.io/PGSimCity/
لینک ریپازیتوری:
https://github.com/NikolayS/PGSimCity
@PhiloLearn | 224 |
| 5 | این شبکه عصبی وقتی معرفی شد اومد نواقصات و مشکلات شبکه عصبی بازگشتی(RNN) رو پوشش داد و تونست تحول بزرگی در حوزه هوش مصنوعی بده و مدل های زبانی بزرگی مثل GPT کمک کنه توسعه پیدا بکنن
این مدل به جای اینکه مثل RNN بیاد کلمات رو یکی یکی پشت سر هم بررسی کنه تا بتونه کلمات رو درک کنه که در این مسیر ممکنه اطلاعات رو گم یا فراموش بکنه یا نتونه ارتباط درستی بین کلمات پیدا کنه میاد تمامی داده هارو هم زمان بررسی میکنه به شکل موازی میاد با یک ترفند ریاضی به نام مکانیزم توجه یا Attemtion Mechanism متوجه میشه که در جمله بلند ما باید به چه کلماتی توجه کنه و ارتباط بین اون کلمات رو پیدا کنه شبکه یاد میگیره که کلمهها رو بر اساس اهمیت، به یکدیگر متصل کنه
ساختار کلی این شبکه چجوریه؟
بخش اول از یک انکودر ساخته شده که میاد همزمان کل توکن مارو به شکل موازی وارد میکنه و پردازش انجام میده و وزن کلمات و رابطه اون هارو رو برای چندین بار بررسی میکنه که قدرت پردازشی زیادی میخواد برای این کار(علت گرونی رم و کارت گرافیک رو فهمیدین🗿)
بخش دوم هم دیکودر هست که میاد برای ما جواب رو تولید میکنه
ولی خب این شبکه عصبی به کمک واحد های پردازشی سرعت آموزش بالایی داره و اینکه در متون بلند به راحتی میتونه رابطه کلمات اول و اخر جمله رو پیدا کنه ولی معایبی هم داره مثل هزینه بالا پردازش هست مثلا برای پردازش هزار کلمه باید یک میلیون پردازش انجام بده! و همچنين برای تمرین همچین شبکه شما نیازمند یه حجم عظیمی اطلاعات هستین تا بتونید مدل رو آموزش بدین تا بتونید خروجی دقیق و خوبی ازش بگیرید بخاطر همینه که شرکت های بزرگ از مدل ها یک بیلیون پارامتری به یک تريليون پارامتری رسیدن
و در نهایت لینک های مفید:
لینک۱
لینک۲
@PhiloLearn | @NyxHrafn | 194 |
| 6 |  شبکه عصبی ترنسفورمر یا transformer neural network این شبکه عصبی یک انقلاب تو عرصه هوش مصنوعی هست!
@PhiloLearn | @NyxHrafn | 179 |
| 7 |  به به، AGI تایید شد....
#fun
@PhiloLearn | 227 |
| 8 | حقیقتا علاقه ی خیلی زیادی دارم به اتفاقاتی که باعث سنجیده شدن حد و حدود حریم خصوصی و نفوذ قانون میشن (با توجه به اینکه قانون خارج از ایران محدودیت داره).
مثلا خبری که دیروز دیده بودم این بود که یه فردی رو تو فرودگاه آتلانتا آمریکا میبرن برای بازجویی. گفته میشه که بدون این که حقوقش بهش اعلام بشه و بدون اینکه وکیل فرد حضور داشته باشه شروع میکنن به بازجویی فرد به بهانه محتوای سوءاستفاده جنسی از کودکان. ازش میخوان که رمز گوشیش رو بگه تا بتونن چکش کنن وگرنه گوشی رو توقیف میشه و خب طرف در نهایت رمزی رو به پلیس میده که باعث پاک شدن اطلاعات گوشیش میشه.
دادستان هم میگه این حرکت برای از بین بردن مدرک جرم بوده و از طرفی هم انگار قانونی وجود داره که میگه اگر به هدف جلوگیری از توقیف اموال اون رو تخریب کنی مرتکب جرم شدی.
سیستم عامل گوشی اون فرد GrapheneOS بوده و خب نسبت بهش یه موج بدگمانی ای شکل گرفته. حتی میگن قبل از این ماجرا ها تو یه سری کشور های اروپایی، وجود گرفین او اس رو ثبت میکنن و حتی فرد ممکنه تحت نظر یا بازجویی قرار بگیره چون احتمالا قاچاقچی یا عضو یک باند باشه.
خلاصه که تمام این ماجرا ها باعث شده یه نگرانی ای نسبت به ابزار حفظ حریم خصوصی شکل بگیره.
جذابیتش برای من کجاست؟
اونجا که به نظر من حفظ حریم خصوصی مهمه؛ اتهام محتوای سوءاستفاده جنسی از کودکان هم اتهامیه که باید خیلی جدی باهاش برخورد بشه.
خب ما دوتا چیزی داریم که از اهمیت بشدت بالایی برخوردارن. اینکه چقدر از کدوم صرفه نظر کنیم. چقدر حاضر باشیم چیزی رو فدا کنیم. چقدر حاضر بشیم کنترل رو بدیم به کسی که نمیتونیم در آینده بهش اعتماد کنیم. چقدر میتونن اجازه داشته باشن که دخالت کنن.
به قولی یه تیغه بشدت حساسیه که رد شدن از روش حساسیت بشدت زیادی داره...
یه بحث فلسفی، حقوقی، اجتماعیه
چیزیه که رو زندگی آدم های زیادی تاثیر میذاره
لینک خبر
@PhiloLearn | 228 |
| 9 | . | 1 |
| 10 | غولهای تکنولوژی نامه نوشتن که هوش مصنوعی متنباز رو ممنوع نکنید
شرکت Nvidia یه نامه سرگشاده منتشر کرده و از سیاستگذارها خواسته جلوی مدلهای هوش مصنوعی متنباز رو نگیرن.
این نامه بعد از یه گزارش اومده که میگفت بعضی مقامهای دولت Trump دنبال محدود کردن این جور مدلها بودن. طبق گزارش Axios، وزارت بازرگانی آمریکا سال پیش داشت به فکر مسدود کردن دسترسی به نرمافزار شرکتهای چینی میافتاد، چون خیلی از محبوبترین مدلهای متنباز دنیا رو همین شرکتهای چینی ساختن.
این نامه روی سایت Nvidia منتشر شده و بیش از یک دوجین شرکت دیگه از جمله Microsoft، IBM و Meta هم پاش امضا زدن. چند تا نهاد غیرانتفاعی مثل بنیاد Linux Foundation هم بهش پیوستن.
توی متن نامه اومده: «رهبری آمریکا در هوش مصنوعی رو نه یه مدل پیشرفته، بلکه اینکه یه اکوسیستم باز و قوی بسازیم که توی همه بخشها نفوذ کنه، تعیین میکنه.»
جالب اینجاست که بزرگترین شرکتهای خصوصی این حوزه دارن از چیزی دفاع میکنن که رقیبهای چینیشون توش پیشتازن.
@PhiloLearn | 210 |
| 11 | وزن هر یک از کلمات ما در مدل این مقدار هستش:
King: 10 man:3 woman:2 queen:9
حالا اگه بیاییم :
King - man + woman = queen
و اینجاست که ما میاییم سه تا ورودی میدیم:
یک شاه که مرد نیست ولی زن هستش چیست؟
مدل میاد با وزن کلمات میفهمه که اون ملکه هست و برای ما خروجی ملکه رو نشون.
البته این مثال خیلی ساده شده هستش تا صرفا کارکرد این شبکه عصبی رو بفهمیم تو واقعیت خیلی پیچیده تر از این حرفاست برای مطالعه بیشتر هم میتونید برید لینک این مطلب و بخونید ببینید چخبره:
لینک
@PhiloLearn | @NyxHrafn | 223 |
| 12 |  اگه علاقه مند به هوش منصوعی و LLM ها باشید احتمالا خیلی این عکس و دیاگرام رو دیدین
این دیاگرام شبکه عصبی عمیق یا همون Deep Neural Network هستش که به اختصار میشه DNN
حالا ساختار این شبکه عصبی چجوریه؟
ساختار این شبکه عصبی لایه لایه هستش و با طی کردن این لایه ها میاییم خروجی میگیریم این شبکه عصبی از یک لایه ورودی یک یا چند لایه پنهان و یک لایه خروجی تشکیل شده هر چی تعداد لایه ها بیشتر بشه پیچیدگی مدل بیشتر میشه از اون طرف باعث میشه: یک پردازش روی ورودی ها بهتر انجام بشه و دو روی خروجی ایده آل که تولید میشه هم موثر هستش
حالا این ساختار عصبی چجوری کار میکنه؟
ما در مرحله اول میاییم شکبه عصبی رو تمرین میدیم و شبکه عصبی ما شروع میکنه بین لایه ها بر اساس تمرینی که دادیم به شکل وزن دار با هم ارتباط میگیرن بعد میاییم داده های ورودی رو جمع آوری میکنیم و به صورت عددی وارد شبکه میکنیم شبکه بر اساس میزان عددی ورودی و وزن های لایه شروع میکنه به پردازش کردن و در نهایت خروجی رو تحویل ما میده مثلا:
@PhiloLearn | @NyxHrafn | 218 |
| 13 |  ✨ Soon... | 217 |
| 14 | 418 I'm a teapot
The server identifies as a teapot now and is on a tea break, brb... | 288 |
| 15 | Sin texto... | 0 |
| 16 | هوش مصنوعی رو میشه مثل یه بانک درنظر گرفت که بهتون وام فنی میده (وام فنی یعنی وامی که پول نیست بجای پول دانشه) حالا این وام فنی از دید شما یه بدهی فنی هستش و باید یه روزی پسش بدید، بدهی فنی ده ها ساله توی مهندسی نرم افزار استفاده میشه و میتونه خیلی کمک کنه پیشرفت کنید و یا بر عکس اولش بهتون شتاب بده بعدش دهنتون رو سرویس کنه.
خیلیارو دیدم دیگه شل کردن و چیز جدیدی یاد نمیگیرن، این کار اشتباهه چون علم و دانش شما قدرت بازپرداخت این وام هست اگر علم و دانشتون رو بالا نبرید روزی خواهد رسید که توی انبوهی از پروداکت های نیمه کاره قفل شدید و دست روی هرچی میزارید نمیتونید کاملش کنید.
@Linuxor | 252 |
| 17 |  گرفتید جوک رو؟؟
#fun@philolearn | 659 |
| 18 | طی صحبت جدیدی که با برنامه نویسا داشتم متوجه شدم که بیشتر افراد در حال حاضر به چالش های مالی برخوردند
و متاسفانه یا تعدیل شدند و یا نمیتونند پروژه بگیرند 🤷♂️
همین شد که تصمیم گرفتم یه وبینار برگزار کنم و راجب تجربیات شخصی خودم از پروژه گرفتن توی شرایط جنگ صحبت کنم، این وبینار تجربه محوره و کاملا رایگانه
هدفم اینه که کمکی کرده باشم در این شرایط ❤️
🔗 ثبت نام در وبینار
http://eseminar.tv/wb178333 | 118 |
| 19 |  گروه کامنت دوباره برگشت | 517 |
| 20 | Sin texto... | 1 |
