Уже доступно! Исследование Telegram 2025 — ключевые инсайты года 
DLeX: AI Python
Открыть в Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Больше📈 Аналитический обзор Telegram-канала DLeX: AI Python
Канал DLeX: AI Python (@ai_python) языкового сегмента Фарси является активным участником. Сейчас сообщество объединяет 21 449 подписчиков, занимая 6 349 место в категории Технологии и приложения и 15 603 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 21 449 подписчиков.
Согласно последним данным от 04 июня, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -69, а за последние 24 часа — -8, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.86%. В первые 24 часа после публикации контент обычно набирает 3.93% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 2 114 просмотров. В течение первых суток публикация набирает 842 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 15.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Благодаря высокой частоте обновлений (последние данные получены 05 июня, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
21 449
Подписчики
-824 часа
-187 дней
-6930 день
Архив постов
21 446
Repost from AIHealthHub
🟢 مدل تخصصی پزشکی برای تحلیل متن بالینی
🔹 Bio_ClinicalBERT
این مدل در Hugging Face منتشر شده و برای درک متن بالینی واقعی (مثل پروندهها، شرح حال و یادداشتها) آموزش دیده است.
📌 لینک مدل: https://huggingface.co/emilyalsentzer/Bio_ClinicalBERT
مزایا برای پزشکان:
✔ طراحی شده برای «متن بالینی واقعی»
✔ بهتر از مدلهای عمومی مفهومهای پزشکی را درک میکند
✔ مناسب برای خلاصهسازی و تحلیل متنهای بالینی
اما هنوز:
⚠ جایگزین تصمیم درمانی نیست
⚠ مسئولیت نهایی با #پزشک است
🆔 @AI_HealthHub
21 446
ابزاری برای بررسی میزان جمعیت در مکان های متفاوت (این ابزار OpenSource است)
👉 @ai_python ✍️|
https://www.mapchecking.com/
21 446
برای این که بدونید سرویس جدید MixBoard گوگل که بر پایه هوش مصنوعی هست به چه دردی می خوره، این ویدیو رو ببینید.
👉 @ai_python ✍️
البته هنوز در تمام ریجن ها فعال نیست. برای مثال من سعی کردم از اتریش امتحان کنم و فعلن برای من قابل استفاده نبود. (تا تاریخ اولین انتشار این پست در کانال : 9 ژانویه 2026 )
21 446
وزارت بهداشت و خدمات انسانی آمریکا (HHS) بهتازگی بزرگترین دیتاست Medicaid را در تاریخ این نهاد بهصورت متنباز منتشر کرده است. این مجموعه داده شامل اطلاعات تجمیعشده و سطحارائهدهنده از درخواستهای پرداخت (claims) برای یک کد مشخص صورتحساب در طول زمان است. چنین دادهای امکان مشاهده الگوهای رفتاری ارائهدهندگان خدمات درمانی را با دقتی بیسابقه فراهم میکند.
👉 @ai_python ✍️
اهمیت این دیتاست در آن است که میتواند بهعنوان ابزاری قدرتمند برای شناسایی الگوهای غیرعادی و کشف تقلب در سیستم سلامت مورد استفاده قرار گیرد. خود تیم HHS DOGE اشاره کرده که با همین دادهها میشد تقلب گسترده در تشخیص اوتیسم در ایالت مینهسوتا را خیلی زودتر شناسایی کرد. انتشار عمومی این دادهها به پژوهشگران، روزنامهنگاران و تحلیلگران مستقل اجازه میدهد رفتار سیستم سلامت را شفافتر و دقیقتر بررسی کنند.
👉 @ai_python ✍️
این دیتاست توسط تیم HHS DOGE منتشر شده؛ گروهی در وزارت بهداشت آمریکا که مأموریتش افزایش شفافیت، تحلیل دادههای سلامت و مبارزه دادهمحور با تقلب است. انتشار این مجموعه داده از طریق پورتال رسمی دادههای باز دولت آمریکا، opendata.hhs.gov، گامی مهم در جهت پاسخگویی عمومی و تقویت اعتماد به سیستم سلامت محسوب میشود.
👉 @ai_python ✍️
دانلود در این لینک :
https://opendata.hhs.gov/
21 446
این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) میپردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستمهای هوش مصنوعی غیرقابلپیشبینی به ابزارهای تجاری قابلاطمینان معرفی میکند. نویسنده با تأکید بر چرخهی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح میدهد که برخلاف نرمافزارهای سنتی، عاملهای هوشمند به دلیل ماهیت تطبیقپذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.
👉 @navidcasts 🎓
این نوشتار با ترکیب مهارتهای تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه میدهد تا تیمها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالشهایی نظیر ورودیهای پیشبینینشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمالگرایی پیش از عرضه، بلکه در توسعهی سیستماتیک و سریع بر اساس دادههای واقعی نهفته است.
21 446
رودمپ DevOps برای سال 2026 :
👉 @ai_python ✍️
https://youtu.be/h-xaWRGBxC4?si=xL0QeDUIVGua_Jf2
21 446
مدل GPT-5.3-Codex :
👉 @ai_python ✍️
https://openai.com/de-DE/index/introducing-gpt-5-3-codex/
21 446
استانداردی که شاید به زودی جایگزین ابزارهایی مثل PortKey بشه (قبلن بارها درباره Portkey و کاربرد آن در چانال صحبت کردیم)
👉 @ai_python ✍️
https://youtu.be/b-BzeHF6WLA?si=VWVgI22OF3yT-Fyk
21 446
این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) میپردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستمهای هوش مصنوعی غیرقابلپیشبینی به ابزارهای تجاری قابلاطمینان معرفی میکند. نویسنده با تأکید بر چرخهی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح میدهد که برخلاف نرمافزارهای سنتی، عاملهای هوشمند به دلیل ماهیت تطبیقپذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.
👉 @navidcasts 🎓
این نوشتار با ترکیب مهارتهای تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه میدهد تا تیمها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالشهایی نظیر ورودیهای پیشبینینشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمالگرایی پیش از عرضه، بلکه در توسعهی سیستماتیک و سریع بر اساس دادههای واقعی نهفته است.
21 446
Repost from N/a
+1
اسپیس اکس داره برای دیتاسنترهای مداری هوش مصنوعی استخدام انجام می ده (آستین + سیاتل).
تمرکز روی مهندسان Solar, Automation, Manufacturing, Optics, Software و HW مقاوم به تشعشع. هدف اصلی: انتقال محاسبات سنگین AI (آموزش + استنتاج) به مدار LEO
استفاده از انرژی خورشیدی ۲۴/۷ + خنکسازی طبیعی خلأ
🖥 @elonfact 🙄
هدف بلندمدت: ۱۰۰ گیگاوات ظرفیت محاسباتی AI جدید هر سال
برنامه درخواست مجوز: تا ۱ میلیون ماهواره محاسباتی
طبق پیشبینی ماسک:
احتمالاً از ۲۰۲۸–۲۰۲۹ محاسبات AI در فضا از نظر هزینه از زمین سبقت میگیره.پروژه بعد از ادغام SpaceX × xAI سرعت گرفته و الان در فاز استخدام و طراحی اولیه است.
21 446
👉 @ai_python ✍️
اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026
کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربارش داریم.
21 446
این ویدیو برای افرادی که قصد دارن در آینده در اکوسیستم مایکروسافت، سرویس های هوش مصنوعی ارائه بدن، بسیار مهم هست. ( یا در حال حاضر ارائه می دن)
👉 @ai_python ✍️
مواردی که پوشش داده شده :
💬 Agent Factory
💭 Model Router
💬 Microsof Defender for AI Services
https://youtu.be/a0byEIaDi8U?si=7f91KCQJucqzVUuj
21 446
Repost from DLeX: AI Python
👉 @ai_python ✍️
انواع منابع پردازشی موجود در Azure Machine Learning :
👉 @ai_python ✍️
1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.
2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script.
3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.
4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.
5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.
21 446
اهمیت مهندسی اجنت ها در دنیایی که مهندسی اجنت ها از اجزای اصلی مهندسی نرم افزار است :
👉 @ai_python ✍️
این پست در تاریخ 2 ژانویه 2026 برای اولین بار توسط LangChain منتشر شد.
https://www.linkedin.com/pulse/agent-engineering-new-discipline-langchain-27pzc/
21 446
Repost from We all are BiTs
این مقاله با تکیه بر دادههای جمعآوریشده از کاربران موبایل در آمریکا، نخستین ارزیابی تجربی از شبکهٔ «ارتباط مستقیم ماهواره به موبایل» استارلینک را ارائه میدهد و نشان میدهد که این فناوری، که از ۲۰۲۴ با همکاری T‑Mobile و در قالب سرویس پیامکی آغاز شده، در عمل قابل اتکا است اما هنوز محدودیتهای مهمی دارد. پژوهش نشان میدهد که با افزایش تعداد ماهوارهها، تعداد سلولهای قابل مشاهده و حجم اندازهگیریها نیز بیشتر شده و استفاده عمدتاً در مناطق فاقد پوشش زمینی رخ میدهد.
@WearebiTs 🐤
کیفیت سیگنال نسبت به شبکههای زمینی بسیار ضعیفتر است (میانگین RSRP حدود ۲۴ دسیبل پایینتر)، هرچند RSRQ کمی بهتر است که با ماهیت پیامکی سرویس فعلی سازگار است. تحلیل SINR نشان میدهد که سرویس دادهٔ آینده احتمالاً حدود ۳ مگابیتبرثانیه برای هر beam در فضای باز ارائه خواهد داد و با تصمیمات مقرراتی و توسعهٔ بیشتر منظومهٔ ماهوارهای میتواند تا حدود ۱۸ مگابیتبرثانیه افزایش یابد. این مطالعه تصویری واقعگرایانه از توان فعلی و مسیر تکامل DS2D ارائه میکند و نشان میدهد که این فناوری در وضعیت کنونی بیشتر برای پوشش پایه و اضطراری مناسب است، نه جایگزینی کامل برای شبکههای زمینی.
https://arxiv.org/abs/2506.00283
21 446
👗3D Dynamic Garments👗
👉UCLA introduces Dress-1-to-3, a novel pipeline that reconstructs physics-plausible, simulation-ready separated garments with sewing patterns and humans from an in-the-wild image.
👉Review https://t.ly/qciHV
👉Paper arxiv.org/pdf/2502.03449
👉Project dress-1-to-3.github.io
