هوش مصنوعی - رضا شکرزاد
Ir al canal en Telegram
👈 کانال علم داده و هوش مصنوعی رضا شکرزاد 🔘 نقشه‌راه یادگیری 🔘 معرفی و دانلود منابع 🔘 مقاله وبسایت دپارتمان: cafetadris.com/datascience ارتباط با ادمین، درخواست منتورشیپ و پروژه: https://t.me/dslanders_admin یوتیوب: Youtube.com/@RezaShokrzad
Mostrar más📈 Análisis del canal de Telegram هوش مصنوعی - رضا شکرزاد
El canal هوش مصنوعی - رضا شکرزاد (@dslanders) en el segmento lingüístico de Farsi es un actor destacado. Actualmente la comunidad reúne a 12 716 suscriptores, ocupando la posición 15 604 en la categoría Educación y el puesto 25 310 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 12 716 suscriptores.
Según los últimos datos del 06 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 172, y en las últimas 24 horas de 6, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.29%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.43% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 436 visualizaciones. En el primer día suele acumular 690 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 10.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“👈 کانال علم داده و هوش مصنوعی رضا شکرزاد
🔘 نقشه‌راه یادگیری
🔘 معرفی و دانلود منابع
🔘 مقاله
وبسایت دپارتمان:
cafetadris.com/datascience
ارتباط با ادمین، درخواست منتورشیپ و پروژه:
https://t.me/dslanders_admin
یوتیوب:
Youtube.com/@RezaShokrzad”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 07 octubre, 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 Educación.
12 716
Suscriptores
+624 horas
+287 días
+17230 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
octubre '26oct '26
octubre '26
+26
en 0 canales
septiembre '26
+230
en 0 canales
Get PRO
agosto '26
+15
en 0 canales
Get PRO
julio '26
+11
en 1 canales
Get PRO
junio '26
+49
en 1 canales
Get PRO
mayo '26
+66
en 1 canales
Get PRO
abril '26
+13
en 0 canales
Get PRO
marzo '26
+4
en 0 canales
Get PRO
febrero '26
+16
en 0 canales
Get PRO
enero '26
+7
en 0 canales
Get PRO
diciembre '25
+29
en 0 canales
Get PRO
noviembre '25
+25
en 0 canales
Get PRO
octubre '25
+41
en 0 canales
Get PRO
septiembre '25
+23
en 0 canales
Get PRO
agosto '25
+37
en 1 canales
Get PRO
julio '25
+36
en 0 canales
Get PRO
junio '25
+33
en 0 canales
Get PRO
mayo '25
+48
en 0 canales
Get PRO
abril '25
+21
en 1 canales
Get PRO
marzo '25
+22
en 2 canales
Get PRO
febrero '25
+8
en 0 canales
Get PRO
enero '25
+40
en 0 canales
Get PRO
diciembre '24
+26
en 1 canales
Get PRO
noviembre '24
+35
en 0 canales
Get PRO
octubre '24
+42
en 0 canales
Get PRO
septiembre '24
+68
en 0 canales
Get PRO
agosto '24
+486
en 91 canales
Get PRO
julio '24
+285
en 201 canales
Get PRO
junio '24
+430
en 164 canales
Get PRO
mayo '24
+394
en 230 canales
Get PRO
abril '24
+485
en 211 canales
Get PRO
marzo '24
+282
en 204 canales
Get PRO
febrero '24
+147
en 6 canales
Get PRO
enero '24
+613
en 223 canales
Get PRO
diciembre '23
+552
en 282 canales
Get PRO
noviembre '23
+712
en 143 canales
Get PRO
octubre '23
+503
en 89 canales
Get PRO
septiembre '23
+633
en 0 canales
Get PRO
agosto '23
+374
en 0 canales
Get PRO
julio '23
+633
en 0 canales
Get PRO
junio '23
+657
en 0 canales
Get PRO
mayo '23
+234
en 0 canales
Get PRO
abril '23
+224
en 0 canales
Get PRO
marzo '23
+421
en 0 canales
Get PRO
febrero '23
+982
en 0 canales
Get PRO
enero '23
+307
en 0 canales
Get PRO
diciembre '22
+88
en 0 canales
Get PRO
noviembre '22
+59
en 0 canales
Get PRO
octubre '22
+48
en 0 canales
Get PRO
septiembre '22
+92
en 0 canales
Get PRO
agosto '22
+611
en 0 canales
Get PRO
julio '22
+962
en 0 canales
Get PRO
junio '22
+730
en 0 canales
Get PRO
mayo '22
+159
en 0 canales
Get PRO
abril '22
+76
en 0 canales
Get PRO
marzo '22
+5 862
en 0 canales
Get PRO
febrero '22
+2 899
en 0 canales
Get PRO
enero '22
+2 888
en 0 canales
Get PRO
diciembre '21
+798
en 0 canales
Get PRO
noviembre '21
+869
en 0 canales
Get PRO
octubre '21
+2 170
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 07 octubre | 0 | |||
| 06 octubre | +6 | |||
| 05 octubre | +3 | |||
| 04 octubre | +5 | |||
| 03 octubre | +3 | |||
| 02 octubre | +4 | |||
| 01 octubre | +5 |
Publicaciones del Canal
🏢 کارمندی ایمیلی از واحد فناوری شرکت می‌گیرد: «passkey (ورود بدون رمز) شما باید دوباره ثبت شود، وگرنه دسترسی‌تان قطع می‌شود.» او با اثر انگشت تأیید می‌کند و چند روز بعد حساب شرکتش در دست غریبه‌هاست. اشتباه اصلی چه بود؟
| 2 | 🪞 تیپ #15
حلقه خوداصلاحی: اصلاح مسیر در میانه اجرا
به‌جای اینکه بازبینی را به پایان اجرا بسپارید، بگذارید عامل همان‌جا خروجی میانی خودش را نقد کند و پیش از ادامه اصلاحش کند 🪞. این بازخورد درون‌اجرا خطاهای فراخوانی ابزار، نقشه‌های خراب و واقعیت‌های ساختگی را وقتی هنوز وقت جبران هست می‌گیرد. حلقه را کراندار نگه دارید، مثلاً یک نقد و یک بازنگری در هر گام، تا کار از کنترل خارج نشود. هر نقد را ثبت کنید تا بفهمید کدام اصلاح واقعاً نتیجه نهایی را بهتر می‌کند.
Self-correction loops: fix the agent mid-run
Instead of waiting for a final review, have your agent critique its own intermediate output and revise it before continuing. This mid-run feedback loop catches wrong tool calls, broken plans, and hallucinated facts while there is still time to recover 🪞. Keep the loop bounded, for example one critique plus one revision per step, so the agent does not spiral. Log every critique so you can see which corrections actually improve the final result.
@dslanders | 521 |
| 3 |  پلتفرم بوت کمپ Agentic AI
جزییات:
https://cafetadris.com/agenticai | 703 |
| 4 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🎙️ خبر ۱: مدل رایگان Whistle با حجم فقط ۱۶.۹ مگابایت صدا را به متن تبدیل می‌کند و روی سی‌پی‌یوهای معمولی، بدون کارت گرافیک، انگلیسی و آلمانی و فرانسه و اسپانیایی را می‌نویسد.
🛠️ خبر ۲: Meta کد عامل هوش مصنوعی Muse را متن‌باز کرد تا هر کسی بتواند آن را داخل گجت‌های سفارشی خودش بگذارد و سخت‌افزار هوش مصنوعی شخصی بسازد.
🎓 خبر ۳: یک آزمایش دو ساله در کلاس‌های درس نشان می‌دهد معلم هوش مصنوعی Khanmigo کجا واقعاً به یادگیری بچه‌ها کمک کرد و کجا بی‌اثر ماند.
🧪 خبر ۴: روش Dust مدل‌های زبانی ترنسفورمر را بدون الگوریتم پس‌انتشار آموزش می‌دهد؛ یک مسیر جایگزین که توسعه‌دهنده‌ها همین حالا می‌توانند آزمایشش کنند.
🏛️ خبر ۵: مدل GPT-6 Astra از OpenAI رمزی ۲۱۷ ساله از دوران ناپلئون را در شش ساعت شکست و سفارش‌های گم‌شده نظامی را از دل یک عکس بیرون کشید.
@dslanders | 805 |
| 5 | 🛠️ فرض کن چند تیم برنامه‌نویسی برای انتخاب ابزار کارشان از یک دستیار هوش مصنوعی می‌پرسند. دستیار هم همیشه یک فهرست کوتاه و تقریباً ثابت پیشنهاد می‌دهد. اگر این روند ادامه پیدا کند، محتمل‌ترین نتیجه چیست؟ | 797 |
| 6 | 🧭 تیپ #14
هماهنگ‌سازی چندعاملی: یک عامل رهبر، چند عامل کارگر
به‌جای اینکه یک عامل تن‌ها کل مسئله را در ذهنش نگه دارد، کار را تقسیم کنید: یک عامل رهبر هدف را به زیرکارهای مستقل می‌شکند و هر زیرکار را به یک کارگر تازه می‌سپارد که فقط زمینه‌ی مرتبط را در اختیار دارد. کارگرها موازی اجرا می‌شوند و نتیجه‌ی ساخت‌یافته برمی‌گردانند، و در پایان رهبر همه را در یک پاسخ واحد ادغام می‌کند. وظیفه‌ی رهبر را محدود به برنامه‌ریزی و مسیریابی نگه دارید 🧭 و برای هر کارگر قرارداد خروجی صریح تعریف کنید تا مرحله‌ی تجمیع به حدس و گمان تبدیل نشود.
Orchestration: One Lead Agent, Several Workers
Instead of one agent trying to hold an entire task in its head, split the work: a lead agent plans, decomposes the goal, and hands each subtask to a fresh worker with only the context it actually needs. Workers then run in parallel and return structured results that the lead merges into a single answer. Keep the lead's job to planning and routing 🧭, and give every worker an explicit output contract so the merge step never turns into guesswork.
@dslanders | 833 |
| 7 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🛰️ خبر ۱: یک توسعه‌دهنده با Claude یک ایستگاه فضایی چرخان و قابل قدم‌زدن ساخته که فیزیک واقعی دارد و ایده‌های پیچیده سه‌بعدی را به نمایشی تعاملی تبدیل می‌کند.
🔎 خبر ۲: راهنمایی گام‌به‌گام که نشان می‌دهد چطور جست‌وجوی کد را طوری بسازیم که به‌جای کلیدواژه، معنی و مفهوم کد را پیدا کند.
🖼️ خبر ۳: اپلیکیشنی برای مک با هوش مصنوعی همه عکس‌ها و حتی تک‌تک فریم‌های ویدیو را جست‌وجو می‌کند تا هر لحظه از آرشیو شخصی فوری پیدا شود.
🎬 خبر ۴: ویدیویی آموزشی که نشان می‌دهد تیم‌های خلاق چطور با هوش مصنوعی سرعت، کیفیت و ظرافت کار تولید محتوا را بالا ببرند.
⚖️ خبر ۵: تجربه برگزاری یک دوره فشرده ایمنی هوش مصنوعی برای حقوقدانان و متولیان حکمرانی، با درس‌هایی از اجرای قوانین AI در سازمان‌های واقعی.
@dslanders | 886 |
| 8 | 📞 فرض کن کارمند یک شرکت هستی. تماس‌گیری با صدایی کاملاً شبیه مدیر مالی، فوری درخواست انتقال پول می‌کند و می‌گوید الان وقت جواب دادن به ایمیل را ندارد. امن‌ترین کار چیست؟ | 893 |
| 9 |  🤖 دورهمی حضوری علاقه‌مندان هوش مصنوعی کافه‌تدریس
بخشی از حال‌وهوای دورهمی حضوری هوش مصنوعی کافه‌تدریس با حضور فعالان و علاقه‌مندان حوزه AI رو توی این ویدیو ببینید 🧡
فرصتی برای دیدن همدیگه، آشنایی، گپ‌وگفت و به اشتراک گذاشتن تجربه‌ها با آدم‌هایی که هرکدوم به شکلی دارن مسیر خودشون رو توی دنیای هوش مصنوعی می‌سازن.
گاهی یک گفت‌وگوی کوتاه، یک آشنایی تازه یا شنیدن تجربه یک نفر، می‌تونه شروع یک مسیر جدید باشه؛ و دقیقا ارزش این دورهمی‌ها همین‌جاست. 🌱
🎞 تماشای ویدیو در یوتیوب:
🔗https://youtu.be/DturyD5O-no
🔴 تماشای ویدیوی در آپارات:
🔗https://aparat.com/v/qfm0p66
@Cafetadris | کافه‌تدریس | 820 |
| 10 | 🚦 تیپ #13
جلوگیری از اقدام‌های برگشت‌ناپذیر با الگوی پیشنهاد و تأیید
مؤثرترین محافظ در برابر اقدام‌های برگشت‌ناپذیر، پرامپت بهتر نیست؛ حذف کردن دسترسی است. ابزارهای حساس مثل حذف، پرداخت، ارسال پیام و دیپلوی را از جعبه‌ابزار پیش‌فرض ایجنت بیرون بگذارید و فقط از مسیر «پیشنهاد بده، بعد تأیید بگیر» در اختیارش قرار دهید. ایجنت یک طرح ساخت‌یافته می‌سازد، یک لایه قطعی آن را اعتبارسنجی می‌کند و تا وقتی انسان یا موتور سیاست تأیید نکند هیچ چیز اجرا نمی‌شود 🚦. کنارش dry-run و کلید idempotency هم بگذارید تا تلاش دوباره به حذف یا پرداخت تکراری منتهی نشود.
Stop Irreversible Actions With a Confirm Gate
The strongest guardrail against irreversible actions is not a better prompt, it is a missing capability: keep delete, pay, send, and deploy tools out of the agent's default toolset and expose them only through a propose-then-confirm flow. The agent emits a structured plan, a deterministic layer validates it, and nothing executes until a human or a policy engine approves 🚦. Pair that with a dry-run and an idempotency key so a retry can never double-charge or double-delete. If the model can call the destructive tool directly, assume some bad token will eventually call it.
@dslanders | 893 |
| 11 | https://youtu.be/zz-J-tSCCL4 | 884 |
| 12 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
💸 خبر ۱: گوگل دسترسی رایگان به مدل‌های Flash و Pro جمینای را قطع کرده و کاربران باید به پلن‌های پولی بروند یا سراغ گزینه‌های دیگر.
🐧 خبر ۲: توزیع لینوکسی Pop!_OS استفاده از کدهای ساخته‌شده با هوش مصنوعی را در بخش بزرگی از پروژه‌اش ممنوع کرد؛ الگویی تازه برای پروژه‌های متن‌باز.
🇩🇪 خبر ۳: شرکت Aleph Alpha مدل زبانی آلمانی «Kolibri» را با وزن باز عرضه کرد تا سازمان‌های اروپایی بدون وابستگی به ابرهای آمریکایی هوش مصنوعی اجرا کنند.
🤖 خبر ۴: یک عامل هوش مصنوعی خودش به صدها پژوهشگر ایمیل زد و درخواست کمک کرد، بعد دلیل کارهایش را توضیح داد؛ نشان می‌دهد این عامل‌ها در کارهای واقعی چطور شکست می‌خورند.
⚖️ خبر ۵: حکم یک پرونده قتل در آمریکا پس از نمایش ویدیوی قربانی که با هوش مصنوعی ساخته شده بود نقض شد و نگرانی درباره اعتبار شواهد بالا گرفت.
@dslanders | 940 |
| 13 | 🧪 فرض کن به بچه‌ای می‌گویی فقط در حیاط بازی کن، ولی درِ حیاط باز مانده. برای ایجنت هم همین‌طور است: به او می‌گویند فقط در محیط آزمایشی بماند، اما آن محیط به اینترنت واقعی وصل است. چه چیزی واقعاً این مرز را حفظ می‌کند؟ | 935 |
| 14 | 🎯 تیپ #12
چرا معیارهای چت‌بات برای سنجش ایجنت کافی نیستند
سنجیدن کیفیت یک پاسخ تک‌نوبتی با ارزیابی یک ایجنت زمین تا آسمان فرق دارد. ایجنت در چند مرحله ابزار صدا می‌زند، وضعیت محیط را تغییر می‌دهد و مسیرش پر از دور زدن و تلاش دوباره است؛ پس یک پاسخ نهایی شیک و مرتب می‌تواند روی مسیری خراب نشسته باشد. معیار درست این است که ببینید کار واقعاً تمام شد یا نه 🎯 و اگر همان سناریو را چند بار پشت سر هم اجرا کنید، نتیجه پایدار می‌ماند یا نه.
Agent evals: why chatbot metrics fall short
Chatbot metrics score one reply at a time: fluency, helpfulness, win rate against another model. An agent is a multi-step policy that calls tools and mutates state, so a polished final answer can sit on top of a broken trajectory, a retried API call, or a silently corrupted record. Score the outcome instead: did the task actually complete 🎯 and does that result hold when you rerun the same scenario five times in a row?
@dslanders | 1 006 |
| 15 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🔬 خبر ۱: فیزیکدانی از دانشگاه Harvard با کمک Claude ۳۶ مقالهٔ علمی نوشته و نشان داده هوش مصنوعی حالا در پژوهش واقعی سهم دارد.
💻 خبر ۲: سازندهٔ Redis ابزاری به نام ds4 ساخته که هر کسی می‌تواند مدل‌های زبانی بزرگ را روی کامپیوتر خودش اجرا کند، بدون نیاز به سرور.
🧱 خبر ۳: یک برنامه‌نویس سازندهٔ لگوی هوش مصنوعی ساخته که رایگان و متن‌باز است و متن شما را به طرح قابل ساخت با آجرهای لگو تبدیل می‌کند.
🎙️ خبر ۴: مدل جدید Microsoft به نام MAI در جدول Artificial Analysis اول شد و تبدیل گفتار به متن را سریع، دقیق و ارزان می‌کند.
🎲 خبر ۵: بر اساس مقاله‌ای در Nature، هوش مصنوعی بالاخره بازی فکری Stratego را حل کرد؛ بازی‌ای که بیشتر مهره‌های حریف پنهان می‌مانند.
@dslanders | 1 069 |
| 16 | 📊 پژوهشگران یک مرکز معتبر، نظرسنجی‌های واقعی را با نظرسنجی‌هایی مقایسه کردند که در آن‌ها یک مدل هوش مصنوعی نقش پاسخ‌دهندگان را بازی می‌کرد. نتیجه‌ی این مقایسه چه بود؟ | 1 024 |
| 17 | 🔍 تیپ #11
چطور ایجنت دانش بیرونی را بازیابی می‌کند
در بازیابی افزوده به تولید (RAG)، پرسش کاربر اول به بردار تبدیل می‌شود، نزدیک‌ترین تکه‌های متنی از پایگاه برداری بیرون کشیده می‌شوند و پیش از پاسخ‌دهی داخل پرامپت مدل می‌نشینند. نکته مهم این است که کیفیت پاسخ بیش از آنکه به خود مدل وابسته باشد، به نحوه تکه‌تکه کردن اسناد و بازنویسی پرسش بستگی دارد 🔍. ضمناً متن بازیابی‌شده را باید داده‌ی غیرقابل‌اعتماد در نظر گرفت، نه دستور؛ چون یک سند آلوده می‌تواند کنترل ایجنت را به دست بگیرد.
RAG: How Agents Retrieve Outside Knowledge
RAG works by embedding the query, pulling the nearest chunks out of a vector store, and pasting them into the prompt before the model answers. The model only knows what the retriever hands it, so chunking and query wording often decide the answer more than the model itself does 🔍. And treat retrieved text as untrusted data, never as instructions: one poisoned document can hijack your agent.
@dslanders | 1 017 |
| 18 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🧠 خبر ۱: گوگل مدل تازه‌ای به نام Gemini 4 Argon معرفی کرد؛ مدلی که برای فکر کردن طولانی و پیوسته روی کدنویسی، کارهای سازمانی و امنیت سایبری ساخته شده.
🎨 خبر ۲: Ideogram 4.5 ویرایشگر تصویر جدیدی است که می‌توانی فقط یک بخش مشخص عکس را دقیق تغییر بدهی و بقیه تصویر کاملاً دست‌نخورده بماند.
🛡️ خبر ۳: انویدیا ابزار رایگان OpenShell را منتشر کرد؛ این برنامه تعیین می‌کند عوامل هوش مصنوعی خودکار به چه چیزهایی دسترسی داشته باشند: فایل‌ها، شبکه، رمزها و دستورهای سیستمی.
🏭 خبر ۴: پژوهش تازه Anthropic می‌گوید ربات‌ها امروز می‌توانند ۷۴ درصد کارهای فیزیکی آمریکا را انجام دهند، اما گرانی باعث می‌شود فقط ۰.۳ درصدشان الان ارزش خودکارسازی داشته باشد.
🕵️ خبر ۵: OpenAI توضیح داد چطور کمپینی را کشف و متوقف کرد که می‌خواست با مدل‌های این شرکت، توانایی‌های یک هوش مصنوعی رقیب را کپی کند.
@dslanders | 1 110 |
| 19 | 🤖 یک شرکت به دستیار هوش مصنوعی خود اجازه داده چند نوع متن را بخواند و بر اساس آن‌ها کار انجام دهد. از نگاه امنیتی، کدام دسترسی از همه پرخطرتر است؟ | 1 075 |
| 20 | 🍎 تیپ #10
خطای ابزار را طوری برگردان که مدل از آن یاد بگیرد
وقتی ابزار فقط یک خطای مبهم مثل «500» برمی‌گرداند، مدل چاره‌ای جز تکرار همان فراخوانی ندارد و در حلقه می‌افتد. خطا را ساخت‌یافته برگردان: کد خطا، فیلد مشکل‌دار، دلیل شکست و مقادیر مجاز. مثلاً به‌جای پیام خالی، فیلدی مثل expected با قالب درست تاریخ و یک پرچم retryable بفرست 🍎 تا مدل آن را مثل یک دستور بخواند و در نوبت بعد خودش اصلاح کند. خطاهای پایدار را هم صریح غیرقابل‌تکرار علامت بزن تا ایجنت بی‌دلیل تلاش مجدد نکند.
Return tool errors that teach the model
A raw stack trace or a bare `500` tells an agent nothing, so it blindly retries the same call until it burns its step budget. Return errors as structured, actionable messages instead: the error code, the offending field, why it failed, and the valid options. A `400` becomes `{"error":"invalid_date","received":"next friday","expected":"ISO 8601, e.g. 2025-03-04","retryable":true}` 🍎, which the model reads as an instruction and fixes on the next turn. Mark terminal errors as non-retryable so the agent stops instead of looping.
@dslanders | 1 031 |
