Eng-Pack
رفتن به کانال در Telegram
2 662
مشترکین
+224 ساعت
+157 روز
+4130 روز
در حال بارگیری داده...
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+25
در 0 کانال‌ها
سپتامبر '26
+71
در 0 کانال‌ها
Get PRO
اوت '26
+49
در 0 کانال‌ها
Get PRO
ژوئیه '26
+109
در 1 کانال‌ها
Get PRO
ژوئن '26
+46
در 0 کانال‌ها
Get PRO
مه '26
+23
در 0 کانال‌ها
Get PRO
آوریل '26
+13
در 0 کانال‌ها
Get PRO
مارس '26
+3
در 0 کانال‌ها
Get PRO
فوریه '26
+34
در 0 کانال‌ها
Get PRO
ژانویه '26
+19
در 0 کانال‌ها
Get PRO
دسامبر '25
+31
در 0 کانال‌ها
Get PRO
نوامبر '25
+73
در 1 کانال‌ها
Get PRO
اکتبر '25
+88
در 1 کانال‌ها
Get PRO
سپتامبر '25
+33
در 0 کانال‌ها
Get PRO
اوت '25
+45
در 0 کانال‌ها
Get PRO
ژوئیه '25
+41
در 0 کانال‌ها
Get PRO
ژوئن '25
+42
در 1 کانال‌ها
Get PRO
مه '25
+38
در 0 کانال‌ها
Get PRO
آوریل '25
+115
در 1 کانال‌ها
Get PRO
مارس '25
+329
در 2 کانال‌ها
Get PRO
فوریه '25
+88
در 3 کانال‌ها
Get PRO
ژانویه '25
+216
در 2 کانال‌ها
Get PRO
دسامبر '24
+161
در 2 کانال‌ها
Get PRO
نوامبر '24
+130
در 1 کانال‌ها
Get PRO
اکتبر '24
+183
در 1 کانال‌ها
Get PRO
سپتامبر '24
+140
در 0 کانال‌ها
Get PRO
اوت '24
+125
در 0 کانال‌ها
Get PRO
ژوئیه '24
+113
در 2 کانال‌ها
Get PRO
ژوئن '24
+82
در 0 کانال‌ها
Get PRO
مه '24
+142
در 0 کانال‌ها
Get PRO
آوریل '24
+141
در 1 کانال‌ها
Get PRO
مارس '24
+167
در 0 کانال‌ها
Get PRO
فوریه '24
+237
در 2 کانال‌ها
Get PRO
ژانویه '24
+268
در 1 کانال‌ها
Get PRO
دسامبر '23
+303
در 0 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 08 اکتبر | +3 | |||
| 07 اکتبر | 0 | |||
| 06 اکتبر | +2 | |||
| 05 اکتبر | +5 | |||
| 04 اکتبر | +5 | |||
| 03 اکتبر | +2 | |||
| 02 اکتبر | +4 | |||
| 01 اکتبر | +4 |
پست‌های کانال
تمرین های درس شبکه های عصبی مصنوعی(یادگیری عمیق)
دکتر مسعودنیا
دانشکده سامانه‌های هوشمند
دانشگاه تهران
| 2 | +9 download.pdf | 517 |
| 3 |  زبان انگلیسی رو فقط حفظ نکن؛ بلد باش ازش استفاده کنی.
🎯 یک دوره برای تقویت گرامر و ساختن جمله‌های حرفه‌ای‌تر.
📚 سرفصل‌ها:
• tenses • phrases and causes
• passive • pluralization
• indefinite pronouns • inversion
• adjectives • comparisons
• common proverbs • review
👨🏫 مدرس: محمد امین رفیعیان
💻 بستر برگزاری : Google Meet
📅 ۱۱ مهر، ساعت ۱۵:۳۰
📌مدت دوره : ۱۰ جلسه
💰 زودهنگام: ۲۹۹ هزار تومان
👥 گروهی ۳ نفر به بالا: ۲۰۰ هزار تومان
📲 ثبت‌نام و مشاوره:
@MohammadAmin_Rafieiyan
Telegram | Instagram | Bale | 443 |
| 4 | +9 download.pdf | 7 |
| 5 |  🐍ثبت‌نام دوره پایتون Python از پایه تا پروژه
🗒سرفصل‌های دوره پایتون :
1.مبانی پایتون و ساخت اولین برنامه
2.شرط‌ها و حلقه‌ها و حل مسئله
3.ساختار داده
4.توابع و کدنویسی تمیز
5.فایل‌ها و مدیریت خطا
6.ارث‌بری و ژنراتور
7.برنامه‌نویسی شی‌گرا
8.ماژول‌ها و کتابخانه‌ها
9.کار با داده و CSV
10.پروژه پایانی
👨🏫 مدرس: محمد امین رفیعیان
💻 بستر برگزاری: گوگل میت
⏰ مدت دوره: ۱۰ جلسه
📅 تاریخ شروع: ۱۱ مهر ماه ۱۴۰۵
💰 هزینه ثبت‌نام:
👤 تک‌نفره: ۳۹۹ هزار تومان
⏰ ثبت‌نام زودهنگام: ۲۹۹ هزار تومان
👥 گروهی (۳ نفر به بالا): ۲۰۰ هزار تومان
📌 مشاوره و ثبت‌نام:
@MECHATEK1
@MohammadAmin_Rafieiyan
Telegram | Instagram | Bale | 422 |
| 6 | سلام دوستان وقتتون بخیر باشه
من کلاس های آنلاین آموزش طراحی چهره رو شروع کردم دارم برگزار می‌کنم خوشحال میشم عضو کانالم بشید و همراهم باشین
هزینه کل دورم ( ۶ ترم ) که هنرجوها می تونن ۰ تا ۱۰۰ طراحی چهره رو یاد بگیرن برای ظرفیت محدود فقط ۲۹۰ هزار تومانه
نصف بیشتر هزینه کلاسا هم صرف حمایت از بچه های کار
میشه
برای اطلاعات بیشتر:
@artnazanin_2 | 559 |
| 7 | ترجمه با Self-Attention (چطور زبان جدید را بفهمیم؟)
بیایید با یک سؤال کلیدی شروع کنیم:
اگر در ترجمه، مدل فقط از Self-Attention استفاده کند، فقط به کلماتِ خودش توجه می‌کند. پس چطور یک جمله انگلیسی را به فارسی تبدیل کند؟
جواب این سؤال، به ۲ معماری متفاوت برمی‌گردد. بیایید قدم‌به‌قدم بررسیشان کنیم:
معماری الف) مدل‌های Encoder-Decoder (مثل Transformer اصلی و T5)
در این معماری، ماجرا در دو مرحله اتفاق می‌افتد و ترجمه با Self-Attention شروع می‌شود، اما تمام نمی‌شود:
Encoder (کدگذار) – درک زبان مبدأ
این بخش، جمله انگلیسی را می‌خواند و با کمک Self-Attention، روابط بین کلمات را متوجه می‌شود (مثلاً تشخیص می‌دهد که "bank" به "money" مربوط است یا به "river").
خروجی این مرحله، یک حافظه‌ی غنی از مفهوم جمله انگلیسی است.
Decoder (کدگشا) – تولید زبان مقصد
این بخش برای تولید فارسی، از دو نوع توجه کمک می‌گیرد:
• Masked Self-Attention: به کلمات فارسی‌ای که تا الان تولید کرده توجه می‌کند تا گرامر فارسی را رعایت کند.
• Cross-Attention (توجه متقاطع): اینجا دیگر Self-Attention نیست؛ بلکه همان Attention عمومی است. یعنی Query از Decoder (فارسی) می‌آید، اما Key و Value از حافظه‌ی Encoder (انگلیسی) می‌آیند.
دقیقاً همین نقطه است که مدل "زبان جدید را می‌فهمد"؛ یعنی می‌پرسد: "برای تولید کلمه فارسی بعدی، به کدام بخش از جمله‌ی انگلیسی باید نگاه کنم؟"
معماری ب) مدل‌های Decoder-Only (مثل GPT)
مدل‌های بزرگ امروزی مثل GPT، اصلاً Encoder جداگانه‌ای ندارند و تنها با Self-Attention کار می‌کنند.
برای ترجمه، کل جمله (انگلیسی + فارسی) را پشت سر هم به عنوان یک دنباله‌ی واحد به مدل می‌دهیم. مثلاً:
[انگلیسی: "I am a student"] [جداساز] [فارسی: "من"]
حالا مدل با Self-Attention، کلمه‌ی "من" را به تمام توکن‌های قبلی (از جمله کلمات انگلیسی) متصل می‌کند.
چون مدل در مرحله‌ی پیش‌آموزش، میلیون‌ها مثال از این جفت‌زبان‌ها دیده، می‌داند که برای تولید کلمه بعدی (مثلاً "دانشجو") باید به کلمه‌ی "student" در بخش انگلیسی توجه کند.
نتیجه‌ی نهایی:
Self-Attention به تنهایی برای ترجمه کافی نیست؛ یا به Cross-Attention نیاز دارد (معماری کلاسیک Encoder-Decoder)، یا به این نیاز دارد که کل دنباله (ورودی و خروجی) را در یک پنجره‌ی Self-Attention قرار دهیم (معماری GPT). | 1 262 |
| 8 | ترجمه با Self-Attention (چطور زبان جدید را بفهمیم؟)
بیایید با یک سؤال کلیدی شروع کنیم:
اگر در ترجمه، مدل فقط از Self-Attention استفاده کند، فقط به کلماتِ خودش توجه می‌کند. پس چطور یک جمله انگلیسی را به فارسی تبدیل کند؟
جواب این سؤال، به ۲ معماری متفاوت برمی‌گردد. بیایید قدم‌به‌قدم بررسیشان کنیم:
معماری الف) مدل‌های Encoder-Decoder (مثل Transformer اصلی و T5)
در این معماری، ماجرا در دو مرحله اتفاق می‌افتد و ترجمه با Self-Attention شروع می‌شود، اما تمام نمی‌شود:
Encoder (کدگذار) – درک زبان مبدأ
این بخش، جمله انگلیسی را می‌خواند و با کمک Self-Attention، روابط بین کلمات را متوجه می‌شود (مثلاً تشخیص می‌دهد که "bank" به "money" مربوط است یا به "river").
خروجی این مرحله، یک حافظه‌ی غنی از مفهوم جمله انگلیسی است.
Decoder (کدگشا) – تولید زبان مقصد
این بخش برای تولید فارسی، از دو نوع توجه کمک می‌گیرد:
• Masked Self-Attention: به کلمات فارسی‌ای که تا الان تولید کرده توجه می‌کند تا گرامر فارسی را رعایت کند.
• Cross-Attention (توجه متقاطع): اینجا دیگر Self-Attention نیست؛ بلکه همان Attention عمومی است. یعنی Query از Decoder (فارسی) می‌آید، اما Key و Value از حافظه‌ی Encoder (انگلیسی) می‌آیند.
دقیقاً همین نقطه است که مدل "زبان جدید را می‌فهمد"؛ یعنی می‌پرسد: "برای تولید کلمه فارسی بعدی، به کدام بخش از جمله‌ی انگلیسی باید نگاه کنم؟"
معماری ب) مدل‌های Decoder-Only (مثل GPT)
مدل‌های بزرگ امروزی مثل GPT، اصلاً Encoder جداگانه‌ای ندارند و تنها با Self-Attention کار می‌کنند.
برای ترجمه، کل جمله (انگلیسی + فارسی) را پشت سر هم به عنوان یک دنباله‌ی واحد به مدل می‌دهیم. مثلاً:
[انگلیسی: "I am a student"] [جداساز] [فارسی: "من"]
حالا مدل با Self-Attention، کلمه‌ی "من" را به تمام توکن‌های قبلی (از جمله کلمات انگلیسی) متصل می‌کند.
چون مدل در مرحله‌ی پیش‌آموزش، میلیون‌ها مثال از این جفت‌زبان‌ها دیده، می‌داند که برای تولید کلمه بعدی (مثلاً "دانشجو") باید به کلمه‌ی "student" در بخش انگلیسی توجه کند.
نتیجه‌ی نهایی:
Self-Attention به تنهایی برای ترجمه کافی نیست؛ یا به Cross-Attention نیاز دارد (معماری کلاسیک Encoder-Decoder)، یا به این نیاز دارد که کل دنباله (ورودی و خروجی) را در یک پنجره‌ی Self-Attention قرار دهیم (معماری GPT). | 2 |
| 9 |  📊📢 اطلاعیه رسمی | ثبت‌نام دوره آموزشی MATLAB مقدماتی در مکاتک
📚 از آشنایی با محیط متلب تا حل معادلات دیفرانسیل و تبدیلات لاپلاس
📌مناسب برای همه رشته ها
📚 سرفصل‌ها:
▫️ مقدمه‌ای بر متلب
▫️ دستورات پرکاربرد و مهم
▫️ مشتق‌گیری و انتگرال‌گیری نمادین
▫️ معادلات مرتبه اول و دوم
▫️ دستگاه‌های معادلات دیفرانسیل
▫️ توابع خاص در متلب
▫️ تبدیلات لاپلاس
▫️ جمع‌بندی و نکات تکمیلی
👨🏫 مدرس: محمد امین رفیعیان
💻 بستر برگزاری: Google Meet
📅 تاریخ برگزاری: ۱۷ شهریور
💰 هزینه ثبت‌نام:
👤 تک‌نفره: ۳۹۹ هزار تومان
⏰ ثبت‌نام زودهنگام: ۲۹۹ هزار تومان
👥 گروهی (۳ نفر به بالا): ۲۰۰ هزار تومان
📌 ظرفیت محدود: فقط ۳۰ نفر
📲 مشاوره و ثبت‌نام:
@MohammadAmin_Rafieiyan
Telegram|Instagram|Bale | 1 043 |
| 10 |  فراخوان دهمین کنفرانس بین‌المللی کامپوزیت‌ها
🌿 دهمین کنفرانس بین‌المللی کامپوزیت‌ها، مشخصه یابی، ساخت و کاربرد
The 10th International Conference on Composites, Characterization, Fabrication and Application (CCFA-10)
با شعار «مواد کامپوزیتی پیشرفته برای آینده‌ای پایدار» (Advanced Composite Materials for a Sustainable Future).
🗓 تاریخ‌های مهم:
🔸 مهلت ارسال چکیده:
(۱۵ شهریور ۱۴۰۵) 5 September 2026
🔸 اعلام پذیرش چکیده:
(۱ مهر ۱۴۰۵) 23 September 2026
🔸 مهلت ثبت‌نام زودهنگام:
(۱۴ آبان ۱۴۰۵) 5 November 2026
🔸 مهلت ارسال مقاله کامل:
(۳۰ آبان ۱۴۰۵) 21 November 2026
🔸 تاریخ برگزاری کنفرانس:
(۹-۱۰ دی ۱۴۰۵) 30–31 December 2026
🌐 نحوه برگزاری: آنلاین
🗣 زبان کنفرانس: انگلیسی
🏛 برگزار کنندگان:
دانشگاه کاشان
دانشگاه علم و صنعت ایران (IUST)
🔗 وب‌سایت رسمی کنفرانس:
https://ccfa.iust.ac.ir/
📧 ایمیل دبیرخانه:
ccfa@iust.ac.ir
📱 تلفن تماس:
+98-9963885807
📣 آدرس کانال:
تلگرام|بله
👨💻ارتباط با پشتیبانی:
تلگرام|بله | 1 028 |
| 11 | صبح بود، اینترنت یه دفعه رفت. مثل همیشه گوشی رو برداشتم تا با پشتیبانی پارس آنلاین تماس بگیرم و مشکل رو همون لحظه حل کنم. اما نه خبری از اپراتور بود نه چیزی در عوض، هزار بار داشت یه چتبات رو تعریف میکرد که ازش بپرسم
هرچی گفتم نت نیست، گفت مودم رو ریست کن. گفتم کردم، گفت کابل رو چک کن. گفتم چک کردم، گفت صبر کن به کارشناس وصلت کنم… و کارشناس، سه ساعت بعد جواب داد!
یعنی پیشرفت کردیم تا جایی که به جای اپراتور زنده، رباتی گذاشتیم که فقط بلده بگه: «نت داری؟ نه؟ پس صبور باش!» 😂
همیشه توی پروژه های خودم یک سؤال کلیدی از خودم میپرسم:
«این پروژه واقعاً به هوش مصنوعی نیاز دارد یا فقط چون همه دارن میرن سمت AIماهم میخوایم بریم؟»
برای ۸۰ درصد مشکلات اینترنت، یه سیستم درختی ساده (همان Decision Tree قدیمی) با دسترسی به اطلاعات شبکه، خیلی سریعتر و دقیقتر از یه مدل زبانی تشخیص میده که مشکل از مودمه، فیبره یا قطعی منطقه ای.
اینجا ما به یک ربات فیلسوف نیاز نداریم که از روحیات ما بپرسه؛ به یک ابزار تشخیص لحظه ای نیاز داریم نه اینکه کاربر رو چند دقیقه درگیر سؤال های بیمورد بکنه و در نهایت هم اونو به صف تیکت بفرسته.
طنز ماجرا اینجاست که:
فرض کنین آمبولانس خبر بکنید، به شما پیامک بدن:
«پزشک در دسترس نیست، لطفاً مشکل رو برای ربات اورژانس توضیح بدین تا بعداً به کارشناس ارجاع داده شود!»
چقدر زنده میمونید؟
هوش مصنوعی خوبه ولی؛ مهم اینه که کجا و چگونه ازش استفاده کنیم.
چتبات باید مکمل پشتیبان تلفنی باشه، نه جایگزینش.
اگر ربات نتونست مشکل رو در کمتر از ۲ دقیقه حل کنه، باید فوری به کارشناس متصل بکنه، نه اینکه کاربر رو به تیکت هایی با پاسخ دهی
چندساعته بسپره.
پس هوش مصنوعی رو برای کارهای هوشمندانه به کار بگیرید، نه برای اینکه بهانه بشه تا نیروی انسانی رو در بحرانی ترین لحظات حذف کنین.
مشتری وقتی اینترنت نداره، حوصله حرف زدن با رباتی رو نداره که فقط تکرار میکنه؛ اون میخواد با یه کارشناس صحبت کنه و سریع جواب بگیره.
هوش مصنوعی خوب، اونیه که در بکگراند بمونه و فقط وقتی واقعاً نیاز هست، خودش رو نشون بده.
حالا شاید واقعا همین چت باتشون همین مباحث رو رعایت کرده باشه ها
نمیدونم چک نکردم
ولی حذف مطلق نیروی انسانی به هیچ عنوان تجربه کاربری خوبی ارائه
نمیده | 1 211 |
| 12 | کتابخونه پایتونی که ۴۱۳ برابر از Plotly سریع‌تره!
ترکیب پایتون و Rust بازم یه شاهکار داده بیرون. xy یه جایگزین اوپن‌سورس و فوق‌سریع برای تمام ابزارهای مصورسازی پایتونه که با زبان Rust نوشته شده و قراره یه جایگزین فوق العاده برای Matplotlib ،Plotly و Bokeh باشه.
پرفورمنس این کتابخونه وحشناک بالاست؛ جوری که می‌تونه دیتاسِت‌های سنگینی مثل ۱۰ میلیون نقطه رو ۴۱۳ برابر سریعتر از Plotly و ۱۲۰ برابر سریعتر از Matplotlib، اونم تو کمتر از ۲ ثانیه رندر کنه!
تنوع خروجی‌هاش هم عالیه؛ می‌تونی نتیجه کار رو همون لحظه تو ژوپیتر نوت‌بوک و وب‌اپلیکیشن‌ها ببینی، یا به صورت PNG ،HTML و PDF ذخیره‌ش کنی.
pip install xy | 919 |
| 13 | ۷ لایه LLM | 1 048 |
| 14 |  بدون متن... | 1 049 |
| 15 | جزوه عالی دینامیک ماشین
دانشگاه تهران | 1 004 |
| 16 | Dynamics of Machinary.pdf | 982 |
| 17 | جزوه کنترل خطی
دکتر توسلی
دانشگاه تهران | 969 |
| 18 | control.pdf | 972 |
| 19 | نسخه اصلاح شده جزوه ها | 985 |
| 20 | +1 دینامیک دانشگاه تهران.pdf | 957 |
