علی راشدی - یادداشت‌ها

اگه می‌خواید وارد حوزه Data Analysis بشید و نمی‌دونید از کجا شروع کنید، این کتاب O'Reilly رو پیشنهاد می‌کنم. 📚 Advancing into Analytics – George Mount به نظرم برای کسایی که تازه می‌خوان تحلیل داده رو یاد بگیرن، نقطه شروع خوبیه. توی کتاب این مباحث رو یاد می‌گیرید: - مبانی تحلیل داده با Excel - آمار و مفاهیم پایه آماری - Python و کتابخونه Pandas - تمیز کردن و تحلیل داده‌ها - مصورسازی و استخراج اینسایت از دیتا نکته خوبش اینه که از ابزار آشنایی مثل Excel شروع می‌کنه و کم‌کم وارد برنامه‌نویسی و تحلیل داده می‌شه. البته برای ورود به بازار کار، باید SQL رو هم جداگانه یاد بگیرید و حتماً چندتا پروژه واقعی کار کنید. @alirashedi1

یه ویدیوی خیلی جالب از رقابت ابزارهای AI از سال ۲۰۲۲ تا ۲۰۲۶ پیدا کردم. نشون می‌ده کدوم هوش مصنوعی‌ها بیشتر استفاده می‌شدن و چطور توی این چند سال جاشون با هم عوض شده. سرعتی که بعضی‌ها اومدن بالا و بعضی‌ها محو شدن واقعا عجیبه :)) youtu.be/67GrBIaI3zc?si…

ابن ویدیو از 3Blue1Brown توی ۸ دقیقه با انیمیشن خیلی قشنگ توضیح می‌ده پشت LLMها چه خبره. اگه ازشون استفاده می‌کنید ولی نمی‌دونید چطور کار می‌کنن، اینو ببینید. https://youtu.be/LPZh9BOjkQs?si=AmcIksWwG6H1qz7q

این روزا دارم این دو تا کتاب رو برای یاداوری زبان می‌خونم: 📘 English Vocabulary in Use 📙 English Grammar in Use یکی برای لغت، یکی برای گرامر. توضیح و تمرین کنار هم دارن و می‌شه خودخوان جلو رفت. گفتم فایل‌هاشون رو اینجا هم بذارم، اگر شما هم لازم دارید بخونید :) @alirashedi1

این سایت هم اگر کار تولید تصویر می‌کنید قطعااااا بدرد میخوره prompthero.com عکس‌های مختلف با پرامپت تولیدشون رو داره و میتونید استفاده کنید

کلاد مدل جدید Haiku 5.5 رو منتشر کرد و به نظرم مهم‌ترین اتفاقش کاهش شدید هزینه‌هاست. چند تا تغییر جالب داشته: 🔹 ۹۰٪ کاهش قیمت هر توکن نسبت به Haiku 4.5 برای درخواست‌های زیر ۱۰۰ هزار توکن. ورودی فقط ۰.۱ دلار و خروجی ۰.۵ دلار به‌ازای هر یک میلیون توکن! 🔹 کانتکست یک میلیون توکنی که نسبت به نسل قبل ۵ برابر شده. 🔹 قابلیت Thinking قابل تنظیم که می‌شه برای کارهای ساده کمترش کرد یا کلاً خاموشش کرد. البته بالای ۱۰۰ هزار توکن، تعرفه ۵ برابر می‌شه و خود Anthropic می‌گه هزینه واقعی اجرای کارها به‌طور میانگین حدود ۷۵٪ کاهش داشته. به نظرم برای ساخت Agentهایی که قراره هزاران کار کوچیک مثل خلاصه‌سازی، دسته‌بندی و استخراج اطلاعات انجام بدن، خیلی خبر خوبیه. منبع: (https://www.anthropic.com/claude-haiku-5-5) @alirashedi1

این سایت roadmap.sh یکی دو سال پیش خیلی هایپ بود ولی هنوزم به نظرم محتوای خوبی برای کسایی که می‌خوان مسیر جدیدی رو امتحان کنن داره و تکمیل شده... پیشنهاد می‌کنم اگر سردرگم هستید یه سر بهش بزنید

ساعاتی پیش، OpenAI با انتشار پیش‌نویس اثبات ۷۲۲ مساله‌ی بسیار چالش‌برانگیز ریاضی توسط یکی از مدل‌های هوش‌مصنوعی پیشگام داخلی‌اش، جامعه‌ی علمی را در بهت و حیرت فرو برد. مساله‌هایی که بسیاری از آن‌ها برای چند دهه باز بودند و حل آن‌ها توسط ریاضی‌دانان بلافاصله به دریافت جایزه‌ی فیلدز منتهی می‌شد. این لحظه‌ای است که یکی از اصلی‌ترین مزایای تکاملی انسان، یعنی حل مساله‌های انتزاعی پیچیده، به چالش کشیده شد. از این پس کشف و توسعه‌ی علوم یک فرایند صنعتی و محاسباتی خواهد بود؛ پژوهش‌گران به جای تولید اثبات توان خود را معطوف به طرح سوال‌های درست، تلفیق بین‌رشته‌ای و هدایت هوش‌ ماشینی خواهند کرد. اکنون زمان آن رسیده که از خود، جدی‌تر از قبل بپرسیم: آینده‌ی دانشگاه‌ها و مراکز پژوهشی به چه شکل خواهد بود؟ و از آن مهم‌تر، تمدن بشری چگونه خواهد بود؟ https://github.com/openai/math

مهرزاد اینجای ویدیو یه چیزی می‌گه که به نظرم روزی ۳ بار باید دید :) یکی از مهم ترین مهارت‌های زندگی کنار اومدن با ندونستنه...

یه مقاله‌ی جالب درباره‌ی معماری Coding Agentها خوندم که به‌جای بررسی benchmark، رفته سورس ۱۱ تا سیستم واقعی مثل Claude Code، Codex، Gemini CLI، OpenHands، Aider و OpenCode رو بررسی کرده. چند تا نتیجه‌ش واقعا جالبه: • هیچ‌کدوم از این ۱۱ سیستم برای runtime اصلی‌شون از LangChain / LangGraph / AutoGen استفاده نمی‌کنن. • هیچ‌کدوم برای جستجو داخل کد از Vector RAG استفاده نمی‌کنن، بیشتر سراغ چیزهایی مثل ripgrep، tree-sitter و glob رفتن. • استفاده از Skills الان حتی از MCP هم بین این سیستم‌ها رایج‌تر شده. • بخش بزرگی از تفاوت Agentهای واقعی هم نه توی Prompt، بلکه توی Loop، Tooling، Memory، Safety و Orchestrationـه. مقاله در نهایت ۱۸ تا پیشنهاد هم می‌ده برای اینکه اگر بخواید یک Agent واقعی بسازید، چه چیزهایی ارزش ساختن دارن و چه چیزهایی احتمالا فقط complexity اضافه می‌کنن. به نظرم برای کسی که می‌خواد بفهمه Agentهای واقعی پشت صحنه چطور ساخته شدن، مقاله‌ی خیلی ارزشمندیه.

برای ورود به دیتا و AI واقعا چی باید بلد باشیم؟ چند تا از دوستان پیام دادند و از من درباره‌ی اینکه برای شروع باید از کجا و چجوری شروع کنن و ادامه بدن پرسیدن... توی این html که براتون ساختم ۵ پوزیشن اصلی این حوزه رو کنار هم گذاشتم. برای هرکدوم مهارت‌های پایه، ابزارها و کتابخونه‌های پایتونی که برای شروع کار لازمه. سعی کردم واقع‌بینانه باشه، چون بعضی نقشه‌راه‌ها رو که می‌بینی انگار باید قبل از اولین شغلت کل علوم کامپیوتر رو تموم کرده باشی :) یه دید کلی برای اینکه بدونی هر مسیر از کجا شروع می‌شه و روی چی بیشتر وقت بذاری. @alirashedi1 پی.نوشت : اگر فکر می‌کنید مطالب مفید هست دوستانتون رو به کانال دعوت کنید 🙌

اگر دو روز دیگه اشتراک سرویس های AI قیمتش دوبرابر شد بدونید دلیلش چی بوده 😭😂

یه قابلیت جدید و جالب از Databricks: "NEAREST BY JOIN" ایده‌ش اینه که برای خیلی از کارهای Vector Search دیگه لازم نیست حتماً Vector DB یا pipeline جدا داشته باشیم و می‌شه مستقیم داخل SQL نزدیک‌ترین رکوردها رو پیدا کرد. مثلاً برای: - Deduplication - Entity Resolution - Recommendation - Semantic Matching به نظرم نکته‌ی جالب‌تر اینه که Vector Search داره کم‌کم از یه قابلیت خاص AI تبدیل می‌شه به یه بخش عادی از Data Stack. منبع: https://www.databricks.com/blog/nearest-join-scaling-vector-search-databricks-runtime?utm_source=chatgpt.comDatabricks

این ویدیو توضیح خیلی خوبی از Jev می‌ده. همونطور که قبل‌تر هم گفتیم Jev برخلاف مدل‌هایی مثل ChatGPT قرار نیست متن تولید کنه. کارش بیشتر اینه که بین چند گزینه تصمیم بگیره، رتبه‌بندی کنه یا بگه کدوم انتخاب بهتره. ویدیو هم کوتاه و جمع‌وجوره و توضیحات خوبی داره: https://youtu.be/YGgNBcIgI4s?si=TtMQQ2lqcUHHTvM6