محور برنامه نویسی جشنواره نوجوان خوارزمی

لیست مدل‌های در دسترس در پلتفرم هوش مصنوعی ژرف میتونین مدل‌های متنی و تصویری شرکت‌های مختلف رو فیلتر و مقایسه کنین chat.zharph.com

یه تحقیق جدید روی بیشتر از ۲۰۰۰ training run انجام شده تا بفهمن راز ساخت Mixture of Experts (MoE) بهتر چیه مدل‌های MoE اینجوری کار می‌کنن که همه بخش‌های مدل هم‌زمان فعال نیستن. یعنی بیشتر model «خوابه» و فقط یه بخش کوچیک (expert) برای هر input فعال می‌شه.

مثل بیمارستانی که به‌جای اینکه همه دکترها همه مریض‌ها رو ببینن، هر مریض می‌ره پیش متخصص خودش. نتیجه؟ سریع‌تر، ارزون‌تر و بهینه‌تر.

مشکل این بود که کسی دقیق نمی‌دونست توی طراحی MoE چه چیزهایی واقعاً مهمن. برای همین تیم تحقیقاتی بیش از ۲۰۰۰ مدل مختلف آموزش داده تا جوابشو پیدا کنه.

نتایج

🔹هرچی تعداد expertها بیشتر باشه، عملکرد بهتر می‌شه؛ حتی وقتی تعداد parameterهای غیرفعال خیلی بیشتر از activeها باشه 🔹اندازه expertها باید بر اساس active parameter budget تنظیم بشه، بعدش می‌تونی expert بیشتری اضافه کنی 🔹چیزهایی مثل shared experts یا اندازه‌های ترکیبی فقط complexity اضافه می‌کنن و سود خاصی ندارن 🔹مهم‌ترین نکته اینه که موقع routing، token dropping اتفاق نیفته؛ بقیه موارد تاثیر خیلی کمی دارن خلاصه تحقیق:

برای ساخت MoE لازم نیست بیش‌ازحد معمای رو پیچیده کنی؛ فقط تعداد expertها و اندازه‌شون رو درست تنظیم کن، بقیه چیزها اهمیت زیادی ندارن

لینک مقاله @silicon_brain I از هوش مصنوعی عقب نمانید

۹ سال پیش Karpathy گفته بود Gradient Descent بهتر از انسان کد میزنه

توهم GPT-Image-2 یه نفر یه تصویر ساده از نقطه‌های نارنجی رو داده به GPT-Image-2 و مدل با اطمینان کامل گفته داخلش متن مخفی وجود داره در حالی که واقعاً هیچ متنی توی تصویر نبوده و مدل دچار توهم شده و از خودش متن درآورده قسمت عجیب‌تر ماجرا اینه که مدل هر بار یه متن متفاوت می‌خونه! یعنی دچار یه جور visual hallucination شده؛ مثل وقتی مغز آدم توی ابرها شکل‌های عجیب می‌بینه و از noise الگو می‌سازه. از اون طرف، مدل‌های Gemini تقریباً هر بار همون تصویر رو به‌صورت ثابت به شکل عبارت "SEND NUDES" تفسیر کردن (: از دل این داستان یه پروژه به اسم GraphGlyph هم بیرون اومده؛ یه ابزار Python که می‌تونه متن رو داخل این graphهای نقطه‌ای encode کنه. یعنی: هر string رو تبدیل به تصویر graph آبی و نارنجی می‌کنه دوباره می‌تونه متن اصلی رو decode کنه با graph_cipher.py encode/decode اجرا می‌شه گیتهاب

این هم یه باگ جالبه، هم یه جور آرت عجیب برای AIها.

@silicon_brain I از هوش مصنوعی عقب نمانید

یه اتفاق جالب توی دنیای AI داره می‌افته: محقق‌ها دارن دوباره می‌رن سراغ یه ایده قدیمی به اسم recursion تا مشکل complex reasoning توی LLMها رو حل کنن. تا الان تمرکز اصلی روی بزرگ‌تر کردن مدل‌ها و افزایش parameter count بود، ولی این روش به یه سقف خورده؛ چون وقتی مدل‌ها با autoregressive Transformer کار می‌کنن، برای reasoningهای طولانی، هزینه chain-of-thought (CoT) و latency خیلی بالا می‌ره و دیگه برای production به‌صرفه نیست.

راه‌حل جدید

اینه که به‌جای بزرگ‌تر کردن مدل، بیان سراغ latent-space reasoning و معماری‌های recursive. یعنی مدل به‌جای اینکه فکرش رو به شکل متن (token) بنویسه، داخل یه فضای داخلی و فشرده (internal state) چند بار loop می‌زنه و فکر می‌کنه. این ایده باعث شده مدل‌های خیلی کوچیک‌تر، حتی در حد چند میلیون parameters، بتونن روی بعضی taskهای منطقی از LLMهای خیلی بزرگ بهتر عمل کنن. چون دیگه وابسته به تولید متن مرحله‌به‌مرحله نیستن و خیلی سریع‌تر و کم‌هزینه‌تر reasoning انجام می‌دن.

معماری‌ها

یکی از معماری‌های جدید به اسم Hierarchical Reasoning Model (HRM) از دو بخش استفاده می‌کنه: یه بخش high-level برای planning و یه بخش low-level برای computation جزئی. این دو تا با هم recursive کار می‌کنن و مسئله رو مرحله‌به‌مرحله توی فضای latent حل می‌کنن. بعدش حتی یه نسخه ساده‌تر به اسم Tiny Recursive Model (TRM) ساخته شده که فقط حدود 5M تا 7M parameters داره، ولی با استفاده از recursive loop تونسته روی benchmarkهایی مثل Sudoku-Extreme و ARC-AGI عملکرد خیلی قوی نشون بده، حتی بهتر از بعضی frontier models. نکته مهم اینه که این مدل‌ها جای LLMها رو نمی‌گیرن؛ بیشتر مثل specialized reasoning engines هستن. یعنی برای کارهای زبانی و خلاقانه، LLMها هنوز بهترن، ولی برای کارهای دقیق، منطقی و deterministic، این مدل‌های recursive خیلی بهینه‌تر و سریع‌ترن. در نهایت حتی توی multi-agent systems هم دارن از همین ایده استفاده می‌کنن. به‌جای اینکه agentها با text با هم حرف بزنن (token-space communication)، از latent representations استفاده می‌کنن که هم سریع‌تره هم ارزون‌تر، و فقط آخر کار خروجی متن تولید می‌شه. جمع‌بندی:

دنیای AI داره کم‌کم از «بزرگ‌تر کردن مدل‌ها» می‌ره سمت «هوشمندتر کردن نحوه فکر کردن» با recursion و latent reasoning

@silicon_brain | از هوش مصنوعی عقب نمانید

بخش هفتم #آموزش چرا اوبونتو؟ چرا گوگل کولب نه؟ 🤖قدم هفتم: چرا مسیر اوبونتو را انتخاب کردیم؟ شاید برای بسیاری از شما این سؤال پیش آمده باشد که چرا از همان ابتدا به سراغ گوگل کولب (Google Colab) نرفتیم؟ کولب ابزاری آنلاین است که بدون نیاز به نصب هیچ برنامه‌ای، محیطی آماده برای پایتون را در مرورگر اینترنت در اختیارتان می‌گذارد. اما چرا ما اوبونتو و لینوکس محلی را انتخاب کردیم؟ دلایل اصلی این انتخاب به موضوع قیدهای فنی، قدرت پردازش و هزینه‌ها برمی‌گردد: محدودیت‌های شدید نسخه رایگان کولب: نسخه رایگان گوگل کولب محدودیت زمانی دارد. اگر شبیه‌سازی طولانی شود، اتصال سرور قطع می‌شود و تمام داده‌های پردازش‌شده از دست می‌روند. هزینه بسیار زیاد نسخه‌های تجاری: برای اینکه به پردازنده‌های مرکزی (CPU) و گرافیکی (GPU) قدرتمند در کولب دسترسی داشته باشید که از سیستم خودتان قوی‌تر باشند، باید اشتراک‌های ماهانه دلاری (Colab Pro) بخرید. پرداخت این هزینه‌ها بسیار سنگین است؛ در حالی که سخت‌افزار خودتان می‌تواند همان کار را انجام دهد. استفاده حداکثری از سخت‌افزار محلی: با راه‌اندازی اوبونتو روی ویندوز، کنترل کاملی روی توان پردازشی سیستم خود پیدا می‌کنید. بدون دغدغه قطع شدن اینترنت یا نیاز به پرداخت هزینه، می‌توانید شبیه‌سازی‌های سنگین را ساعت‌ها روی کامپیوتر شخصی اجرا کنید. یادگیری مهارتی حیاتی در زیست‌شناسی محاسباتی: در کارهای پیشرفته‌تر (مانند شبیه‌سازی‌های دینامیک مولکولی یا مدل‌سازی‌های پیچیده شیمی سیستم‌های پیش‌زیستی که در آینده به آن‌ها می‌رسیم)، ابزارهای اصلی تخصصی همگی بر بستر لینوکس توسعه یافته‌اند. تسلط بر ترمینال اوبونتو، مهارتی پایه‌ای است که هر پژوهشگر این حوزه باید به آن مسلط باشد. بنابراین، عبور از مسیر لینوکس، سرمایه‌گذاری بزرگی برای یادگیری ابزارهای واقعی پژوهشی است تا بدون وابستگی به سرورهای ابری، ابزارهای مدل‌سازی را روی سخت‌افزار خودتان رام کنید. لینک ربات هدایا @the_maze2022

بخش ششم #آموزش اجرا و تحلیل خروجی شبیه‌سازی منشاء حیات 🚀 قدم ششم: شبیه‌سازی را اجرا کنید و نتیجه را ببینید فایل کد در پست قبل ذخیره شد و اکنون آماده اجرا است. در این پست، محاسبات پایتون را استارت می‌زنیم و نمودار خروجی را مستقیماً در پنجره ویندوز تماشا می‌کنیم. گام اول: اجرای کد در ترمینال دستور زیر را در ترمینال اوبونتو وارد کنید و اینتر بزنید تا محاسبات پایتون شروع شود: Bash

python3 simulation.py

پس از چند ثانیه، پیامی مبنی بر پایان شبیه‌سازی و ذخیره شدن عکس خروجی با نام autocatalytic_network.png نمایش داده می‌شود. گام دوم: تماشای عکس خروجی در پنجره ویندوز! چون محیط ترمینال متنی است، نمی‌توانید عکس را مستقیماً در آن باز کنید. اما راهکار بسیار ساده‌ای وجود دارد. دستور زیر را دقیقاً بنویسید (توجه کنید که بعد از کلمه اکسپلورر، حتماً یک فاصله و سپس نقطه بگذارید) و اینتر بزنید: Bash

explorer.exe .

با این دستور، پوشه لینوکسی به صورت خودکار در پنجره File Explorer ویندوز باز می‌شود! حالا می‌توانید روی فایل تصویری autocatalytic_network.png دو بار کلیک کنید و شبکه خودکاتالیزگر پیش‌زیستی را تماشا کنید. 📈 تحلیل علمی خروجی: نظم چگونه پدید آمد؟ ساختارهای به‌هم‌پیوسته‌ای که در نمودار خروجی مشاهده می‌کنید، تصویر دقیقی از مفهوم بستار (closure) کاتالیزوری است. این شبیه‌سازی به خوبی نشان می‌دهد که چطور از دل برهم‌کنش‌های تصادفی میان مولکول‌ها اولیه (ابژه‌ها)، ناگهان نظمی پایدار پدید می‌آید. این ساختار شبکه‌ای، نمونه ملموسی از پدیده برآیش (Emergence) و خودسازماندهی (Self-organizing) در شیمی پیش‌زیستی است. کل سیستم اکنون کارکردی را نشان می‌دهد که هیچ‌کدام از مولکول‌ها به تنهایی واجد آن نبوده‌اند. این پویاییِ شبکه‌ای، اولین و مهم‌ترین قدم برای شکل‌گیری متابولیسم اولیه در مسیر پیدایش حیات است. لینک ربات هدایا @the_maze2022

بخش پنجم #آموزش ساخت فایل کد شبیه‌سازی در ترمینال اوبونتو 🚀 قدم پنجم: فایل کد را در لینوکس بسازید تا اینجای کار با منطق علمی آشنا شدیم و محیط اوبونتو را هم آماده کردیم. حالا می‌خواهیم یاد بگیریم که چطور بدون نیاز به نرم‌افزارهای پیچیده، فایل کد را در محیط ترمینال بسازیم و کد را درون آن قرار دهیم. مراحل را گام‌به‌گام با هم انجام می‌دهیم: گام اول: ورود به پوشه پروژه و فعال‌سازی محیط ابتدا ترمینال اوبونتو را باز کنید. برای اینکه مطمئن شویم در مسیر درست قرار داریم و محیط مجازی فعال است، این دو دستور را وارد کنید و اینتر بزنید: Bash

cd ~/origin_of_life
source env/bin/activate

(نشانه موفقیت: عبارت (env) در ابتدای خط فرمان ترمینال دیده می‌شود). گام دوم: ساخت فایل با ویرایشگر ترمینال (Nano) لینوکس ابزاری متنی به نام Nano دارد که اجازه می‌دهد مستقیماً در ترمینال، فایلی متنی بسازید و ویرایش کنید. دستور زیر را تایپ کنید و اینتر بزنید: Bash

nano simulation.py

با این کار، صفحه ترمینال تغییر می‌کند و محیط خالی ویرایشگر نانو باز می‌شود. گام سوم: کپی و پیست کردن کد کد زیر را کاملاً کپی کنید. سپس به ترمینال اوبونتو بروید و کلیک راست کنید. در ترمینال اوبونتو، کلیک راست عمل پیست (Paste) را انجام می‌دهد و کدهای زیر خط به خط درج می‌شوند: Python

import random
import networkx as nx
import matplotlib.pyplot as plt

# 1. Generate all binary strings up to a maximum length
def generate_molecules(max_length):
    molecules = []
    for length in range(1, max_length + 1):
        for i in range(2**length):
            binary_string = bin(i)[2:].zfill(length)
            molecules.append(binary_string)
    return molecules

# 2. Define reactions: Ligation and Cleavage
def generate_reactions(molecules, max_length):
    reactions = {}
    for m1 in molecules:
        for m2 in molecules:
            product = m1 + m2
            if len(product) <= max_length:
                reactions[(m1, m2)] = product
    return reactions

# 3. Assign random catalytic functions to molecules
def assign_catalysis(molecules, reactions, probability):
    catalysis = {}
    for reaction, product in reactions.items():
        catalysis[reaction] = []
        for m in molecules:
            if random.random() < probability:
                catalysis[reaction].append(m)
    return catalysis

# Main Simulation Setup
MAX_LEN = 4
PROBABILITY = 0.15  # Probability of a molecule being a catalyst

all_mols = generate_molecules(MAX_LEN)
food_set = [m for m in all_mols if len(m) <= 2]
all_reactions = generate_reactions(all_mols, MAX_LEN)
catalysis_map = assign_catalysis(all_mols, all_reactions, PROBABILITY)

# 4. Analyze the network using NetworkX
G = nx.DiGraph()
for (m1, m2), prod in all_reactions.items():
    if catalysis_map[(m1, m2)]:  # Only graph reactions that are catalyzed
        G.add_edge(m1, prod, type='ligation')
        G.add_edge(m2, prod, type='ligation')
        for cat in catalysis_map[(m1, m2)]:
            G.add_edge(cat, prod, type='catalysis')

# Visualization
plt.figure(figsize=(10, 8))
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True, node_color='lightblue', node_size=800, font_size=8)
plt.title("Prebiotic Autocatalytic Network Simulation")
plt.savefig("autocatalytic_network.png")
print(f"Simulation finished. Total molecules: {len(all_mols)}, Reactions: {len(all_reactions)}")
print("Network graph saved as 'autocatalytic_network.png'")

گام چهارم: ذخیره فایل و خروج برای ذخیره کردن متن در ویرایشگر نانو، این مراحل را با کیبورد انجام دهید: ۱. کلیدهای ترکیبی Ctrl + O را فشار دهید. ۲. کلید Enter را بزنید تا ذخیره قطعی شود. ۳. کلیدهای ترکیبی Ctrl + X را فشار دهید تا از محیط متنی خارج شوید و به ترمینال برگردید. فایل کد آماده است! در پست بعدی شبیه‌سازی را اجرا می‌کنیم و خروجی تصویری آن را در پنجره ویندوز می‌بینیم. لینک ربات هدایا @the_maze2022

بخش چهارم #آموزش تبدیل شیمی به الگوریتم دیجیتال 🧪 قدم چهارم: مولکول‌ها در رایانه چگونه رفتار می‌کنند؟ قبل از اینکه به سراغ کدهای پایتون برویم، باید مشخص کنیم چه چیزی را در محیط اوبونتو مدل‌سازی می‌کنیم. در مدل بسپارهای دودویی (Binary Polymer Model) کافمن، همه‌چیز ساده‌سازی می‌شود تا هسته اصلی پدیده نمایان شود: ۱. مولکول‌ها به شکل رشته‌های صفر و یک: در این مدل، مولکول‌ها را زنجیره‌هایی از اعداد دودویی فرض می‌کنیم. مثلاً رشته 0 و رشته 1 مولکول‌های پایه محسوب می‌شوند. از اتصال آن‌ها، مولکول‌های بلندتر مثل 01`، `110 یا 1011 ساخته می‌شوند. ۲. مجموعه غذا (Food Set): به مولکول‌های کوچک و ساده‌ای که در محیط اولیه زمین به وفور وجود داشته‌اند، مجموعه غذا می‌گوییم. سیستم همیشه به این منابع اولیه دسترسی رایگان دارد. ۳. واکنش‌های شیمیایی: دو نوع واکنش اصلی در شبکه تعریف می‌کنیم: * پیوند (Ligation): دو رشته کوچک‌تر به هم می‌چسبند و رشته‌ای بلندتر می‌سازند (0 + 1 =>> 01). * برش (Cleavage): رشته‌ای بلند از وسط نصف می‌شود و دو رشته کوچک‌تر ایجاد می‌کند. ۴. کارکرد کاتالیزوری (Catalysis Function): بخش کلیدی مدل اینجاست: به صورت تصادفی، به برخی از مولکول‌های موجود در سیستم این کارکرد (function) داده می‌شود که سرعت واکنش خاصی را بالا ببرند. وقتی تعداد و تنوع این رشته‌ها زیاد شود، شبکه‌ای متقاطع شکل می‌گیرد. اگر در نهایت زیرشبکه‌ای باقی بماند که تمام واکنش‌هایش توسط اعضای خودش کاتالیز شوند، بستار کاتالیزوری محقق شده است؛ یعنی ساختاری خودپایدار پدید آمده است که اولین قدم به سوی خلق حیات است. در پست بعدی کد کامل پایتون را اجرا می‌کنیم. لینک ربات هدایا @the_maze2022

بخش سوم #آموزش حیات چگونه از بی‌جانی آغاز شد؟ (منطق نظری) 🧬 قدم سوم: مبانی علمی مدل استوارت کافمن شاید تصور کنید برای پیدایش حیات، ساختارهای پیچیده‌ای مثل DNA یا آنزیم‌های بزرگ باید از همان ابتدا وجود می‌داشتند. اما شیمی سیستم‌های پیش‌زیستی نگاه متفاوتی دارد. استوارت کافمن، زیست‌شناس نظری مطرح، مدلی به نام بستار (closure) کاتالیزوری یا مجموعه‌های خودکاتالیزگر ارائه داد. او نشان داد که اگر تنوع مولکول‌ها (ابژه‌ها) در محیط اولیه زمین از حد مشخصی فراتر رود، پدیده‌ای شگفت‌انگیز رخ می‌دهد: مولکول‌ها شروع به کاتالیز کردن و سرعت بخشیدن به واکنش‌های یکدیگر می‌کنند. 💡 نکته کلیدی فلسفی-علمی: در این دیدگاه، پیدایش متابولیسم اولیه نیازمند تعیّن‌گرایی علّی صلب نیست، بلکه حاصل ناگزیری آماری و احتمال تجربی بالا در سیستم‌های پیچیده شیمیایی است. این فرآیند نمونه بارزی از برآیش (Emergence) و خودسازماندهی (Self-organizing) است؛ یعنی کل سیستم رفتاری را نشان می‌دهد که در تک‌تک اجزا به تنهایی وجود ندارد. ما با رویکردی کل‌نگر به جای فروکاست‌گرایی، پویایی این شبکه‌ها را بررسی خواهیم کرد. در پست بعدی، یاد می‌گیریم که چگونه این فرآیند شیمیایی را به منطق و الگوریتم قابل فهم برای رایانه تبدیل کنیم. همراه باشید! لینک ربات هدایا @the_maze2022

بخش دوم #آموزش آماده‌سازی محیط پایتون در اوبونتو 📦 قدم دوم: نصب کتابخانه‌های محاسباتی حالا که اوبونتو آماده است، باید محیط پایتون و کتابخانه‌های گرافیکی و ریاضی مورد نیاز برای شبیه‌سازی را درون آن نصب کنیم. برنامه‌ پسیو اوبونتو (همان صفحه مشکی) را باز کنید و دستورهای زیر را به ترتیب وارد کنید: ۱. به‌روزرسانی هسته لینوکس: ابتدا مخازن سیستم را به‌روز کنید تا ابزارها بدون خطا نصب شوند:

sudo apt update && sudo apt upgrade -y

(در اینجا سیستم از شما همان رمز عبوری را که در پست قبل ساختید می‌خواهد). ۲. نصب پایتون و ابزار مدیریت محیط مجازی: برای اینکه پکیج‌های شبیه‌سازی با دیگر ابزارهای سیستم تداخل پیدا نکنند، ابزارهای پایه را نصب کنید:

sudo apt install python3 python3-pip python3-venv -y

۳. ساخت پوشه پروژه و فعال‌سازی محیط اختصاصی: پوشه‌ای برای شبیه‌سازی بسازید، وارد آن شوید و محیط مجازی را فعال کنید:

mkdir origin_of_life && cd origin_of_life
python3 -m venv env
source env/bin/activate

(با اجرای دستور آخر، عبارت (env) قبل از خط فرمان ترمینال ظاهر می‌شود که نشان‌دهنده فعال بودن محیط ایزوله است). ۴. نصب کتابخانه‌های علمی: کتابخانه‌های اصلی را با دستور زیر نصب کنید:

pip install numpy matplotlib networkx jupyter

NetworkX: برای ساخت و تحلیل شبکه‌های واکنش (گراف‌ها). NumPy: برای محاسبات سریع ریاضی و ماتریسی. Matplotlib: برای رسم نمودارها و خروجی‌های بصری. محیط فنی ما کاملاً آماده است. در پست بعدی، منطق علمی و تئوریک کار را بررسی می‌کنیم. لینک ربات هدایا @the_maze2022

بخش اول #آموزش نصب اوبونتو روی ویندوز 💻 قدم اول: آزمایشگاه لینوکس را روی ویندوز بسازید برای اجرای شبیه‌سازی‌های علمی منشاء حیات، به سیستم‌عامل اوبونتو (Ubuntu) نیاز داریم. اما اصلاً نیازی نیست ویندوز خود را پاک کنید یا کامپیوتر را به صورت دوتا سیستم‌عامله (Dual Boot) راه‌اندازی کنید. ویندوز قابلیتی به نام WSL (Windows Subsystem for Linux) دارد که اجازه می‌دهد اوبونتو را مثل نرم‌افزاری ساده، مستقیماً درون خود ویندوز اجرا کنید. مراحل نصب قدم‌به‌قدم: ۱. منوی استارت ویندوز را باز کنید، عبارت PowerShell را جستجو کنید، روی آن راست‌کلیک کرده و گزینه Run as administrator را بزنید تا محیط خط فرمان ویندوز با دسترسی مدیریت باز شود. ۲. دستور زیر را دقیقاً تایپ کنید و کلید اینتر (Enter) را بزنید:

wsl --install

(این دستور به صورت خودکار آخرین نسخه پایدار لینوکس اوبونتو را دانلود و روی سیستم شما بارگذاری می‌کند). ۳. پس از پایان فرآیند دانلود و نصب، کامپیوتر خود را یک بار ری‌استارت (Restart) کنید. ۴. بعد از روشن شدن کامپیوتر، برنامه‌ای به نام Ubuntu به منوی استارت ویندوز شما اضافه شده است. آن را باز کنید. ۵. در اولین اجرا، ترمینال اوبونتو از شما نام کاربری (Username) و رمز عبور (Password) می‌خواهد. نام و رمزی دلخواه وارد کنید. (نکته مهم: هنگام تایپ کردن رمز عبور، هیچ کاراکتر یا ستاره‌ای در صفحه نمایش داده نمی‌شود؛ این قید امنیتی لینوکس است، پس رمز را نابینا تایپ کنید و اینتر بزنید). اکنون خط فرمان اوبونتو پیش روی شما است! در پست بعدی، ابزارهای پایتون را درون این محیط فعال می‌کنیم. لینک ربات هدایا @the_maze2022

ﮔﺮوه آزﻣﺎﯾﺸﮕﺎه ﻋﻠﻮم ﺗﺠﺮﺑﯽ و ﮔﺮوه ﻋﻠﻮم ﭘﺎﯾﻪ ﺷﻬﺮ ﺗﻬﺮان ﺑﺎ ﻫﻤﮑﺎري ﮔﺮوه آزﻣﺎﯾﺸﮕﺎه ﻣﻨﻄﻘﻪ2 ﺑﺮﮔﺰار ﻣﯽ ﻧﻤﺎﯾﺪ: موضوع وبینار: کاربرد هوش مصنوعی در تدریس درس آزمایشگاه علوم تجربی با رویکرد سفر یادگیری مدرس: سرکار خانم آسو شجاعی دکتری علوم اعصاب شناختی، تخصص طراحی آموزشی مبتنی بر شبکه های مغزی تاریخ برگزاری: چهارشنبه ۲۹ بهمن ۱۴۰۴ ساعت ۱۸ إلی ۱۹:۳۰ لینک شرکت در وبینار: https://akbari.tehranserver.net/rbxf14ksobh4/

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش یازدهم 🔺مدرس: قربانعلی عربی استان محل خدمت: خراسان رضوی @Computerfilms

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت ۳-۱۳ کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش نهم 🔺مدرس: مهدی راستی استان محل خدمت: فارس @ComputerKhorasanRazavi

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت ۳-۱۱ کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش هفتم 🔺مدرس: حسن قنبری استان محل خدمت: خراسان رضوی @Computerfilms

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت ۳-۱۰ کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش ششم 🔺مدرس: حسن قنبری استان محل خدمت: خراسان رضوی @Computerfilms

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت ۳-۸ کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش چهارم 🔺مدرس: اعظم داودی استان محل خدمت: اصفهان @Computerfilms

#دانش_فنی_پایه #شبکه_و_نرم‌افزار_رایانه #حل_مساله #الگوریتم #فلوچارت ۳-۷ کتاب دانش فنی پایه - پودمان سوم واحد یادگیری 2 - بخش سوم 🔺مدرس: اعظم داودی استان محل خدمت: اصفهان @Computerfilms