Tensorflow(@CVision)
اخبار حوزه یادگیری عمیق و هوش مصنوعی مقالات و یافته های جدید یادگیری عمیق بینایی ماشین و پردازش تصویر TensorFlow, Keras, Deep Learning, Computer Vision سایت: http://class.vision 👨💻👩💻پشتیبان دوره ها: @classvision_support لینک گروه: @tf2keras
Показати більше📈 Аналітичний огляд Telegram-каналу Tensorflow(@CVision)
Канал Tensorflow(@CVision) (@cvision) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 15 058 підписників, посідаючи 8 563 місце в категорії Технології та додатки та 22 728 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 15 058 підписників.
За останніми даними від 16 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -34, а за останні 24 години на 3, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 26.75%. Протягом перших 24 годин після публікації контент зазвичай збирає 8.95% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 4 028 переглядів. Протягом першої доби публікація в середньому набирає 1 348 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 16.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مدل, مصنوعی, llm, استدلال, مغز.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“اخبار حوزه یادگیری عمیق و هوش مصنوعی
مقالات و یافته های جدید یادگیری عمیق
بینایی ماشین و پردازش تصویر
TensorFlow, Keras, Deep Learning, Computer Vision
سایت:
http://class.vision
👨💻👩💻پشتیبان دوره ها:
@classvision_support
لینک گروه:
@tf2kera...”
Завдяки високій частоті оновлень (останні дані отримано 17 листопада, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
Завантажуємо дані
| Дата | Залучення підписників | Згадування | Канали | |
| 16 листопада | +3 | |||
| 15 листопада | 0 | |||
| 14 листопада | +2 | |||
| 13 листопада | +9 | |||
| 12 листопада | 0 | |||
| 11 листопада | +1 | |||
| 10 листопада | +4 | |||
| 09 листопада | +1 | |||
| 08 листопада | 0 | |||
| 07 листопада | 0 | |||
| 06 листопада | +4 | |||
| 05 листопада | +4 | |||
| 04 листопада | +1 | |||
| 03 листопада | 0 | |||
| 02 листопада | +1 | |||
| 01 листопада | +3 |
| 2 | 🎓 یکی از قشنگترین پیامهایی که این مدت گرفتم
چند روز پیش یکی از دانشجوهای قدیمیم، که سالها پیش در جهاد دانشگاهی شریف باهام کلاس داشت، بهم پیام داد. ایشون چند ماه پیش در دانشگاه ماینتس آلمان دکترا رو دفاع کرده، با تحقیق در موسسه ماکس پلانک برای پژوهش پلیمر. موضوع پایاننامهاش استفاده از یادگیری عمیق (CNN، ترنسفورمر و LSTM) برای اندازهگیری دقیق حرکت قطرههای آب روی سطوح از روی ویدیو بوده. 🤯
در بخش تشکر پایاننامهاش، از کسانی که علاقهاش رو به فیزیک و کامپیوتر ساینس شکل دادن یاد کرده، و خوشحالم که تدریس ما هم بخشی از این مسیر بوده.
برای من، این بزرگترین پاداش تدریسه. وقتی کلاس تموم میشه، آدم نمیدونه اون جرقهای که زده شد کجا میرسه. و حالا میبینم یکی از همون جرقهها به اینجا رسیده. 🙏
یادم میمونه که تو تدریس، فقط انتقال مطلب مهم نیست؛ شور و علاقهای که منتقل میکنیم گاهی از خود مطلب ماندگارتره.
📄 پایاننامه ایشون (برای کسانی که کنجکاوند):
https://openscience.ub.uni-mainz.de/items/129c0e44-b142-4156-9401-d554969a5d51 | 1 645 |
| 3 | 🧬 🧬 AlphaGenome 2 : A New Era in Understanding DNA
گوگل دیپمایند از نسل جدید مدل هوش مصنوعی خود با نام AlphaGenome 2 رونمایی کرد؛ مدلی که با هدف درک بهتر ارتباط بین تغییرات ژنتیکی و بیماریها توسعه داده شده است.
این مدل میتواند پیشبینی کند که تغییرات در توالی DNA چگونه بر عملکرد ژنها در انواع مختلف سلولهای بدن تأثیر میگذارند. این موضوع اهمیت زیادی دارد؛ زیرا یک تغییر ژنتیکی ممکن است در یک نوع سلول اثرگذار باشد، اما در سلولهای دیگر تأثیر متفاوتی داشته باشد.
🔬 چند نکته درباره این مدل:
🔹 آموزشدیده با بیش از ۱۰۰ میلیون پروفایل سلولی از ۶۸ بافت مختلف.
🔹 شناسایی تقریباً دو برابر تعداد بیشتری از تغییرات ژنتیکی مؤثر بر بیان ژن، در مقایسه با بهترین مدل قبلی.
🔹 قابلیت تحلیل انواع جدید سلولها و بررسی اثر تغییرات ژنتیکی بدون نیاز به آموزش مجدد مدل.
🚀 هدف اصلی این پروژه، کمک به پژوهشگران برای درک بهتر نقش تغییرات ژنتیکی در بیماریها و شناسایی مسیرهای زیستی مرتبط با آنهاست.
این مدل در حال حاضر برای تحقیقات غیرتجاری از طریق API در دسترس است و هنوز صرفاً کاربرد پژوهشی دارد.
🔗 معرفی رسمی و جزئیات بیشتر:
https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/
@cvision | 2 119 |
| 4 | لینک دانلود ضبط شده این کارگاه
این لینک 7 روز فعال سات. لطفا در صورت نمایل در این مدت دانلود کنید | 2 166 |
| 5 | دوستان صدا دست من نیست. اما ویدیو را ضبط میکنم تو کانال میگذارم | 2 377 |
| 6 | https://www.aparat.com/Kashanuniversity/live | 2 376 |
| 7 | این کارگاه از آپارات نیز لایو منتشر خواهد شد | 2 290 |
| 8 | 🤯 وقتی هوش مصنوعی از صفر یک سیستمعامل میسازه!
یکی از شگفتانگیزترین آزمایشهای آنتروپیک با مدل Claude Fable 5.2، ساخت یک سیستمعامل کامل از یک پوشه خالی بوده!
💻 در این آزمایش، مدل با هماهنگکردن بیش از ۱۰۰۰ ایجنت هوش مصنوعی، طی ۸ روز بهصورت شبانهروزی کدنویسی، تست و بازبینی انجام داده.
🔥 نتیجه، یک سیستمعامل آزمایشی قابل اجرا روی لپتاپ بوده که امکانات زیر رو داره:
🔹 هسته اختصاصی سیستمعامل
🔹 درایورهای دیسک، کیبورد و شبکه
🔹 سیستم ذخیرهسازی دائمی فایلها
🔹 محیط گرافیکی با پنجرههای قابل استفاده
🔹 صفحه ورود و نصبکننده سیستمعامل
🔹 قابلیتهای داخلی مبتنی بر Claude | 2 643 |
| 9 | 🚀 آنتروپیک با معرفی دو مدل جدید، قدرت هوش مصنوعی رو به سطح تازهای رسوند!
شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و Claude Mythos 5.2 رونمایی کرده که برای حل مسائل پیچیده برنامهنویسی، مهندسی و تحقیقات علمی طراحی شدن.
🔥 چند مورد از قابلیتهای چشمگیر این مدلها:
🔹 افزایش سرعت تولید پاسخ تا ۳۰ درصد نسبت به نسل قبل
🔹 عملکرد بهتر در کدنویسی، استدلال و تحلیل تصاویر
🔹 حل دو مسئله باز در فیزیک سیاهچالهها
🔹 طراحی سه دستگاه الکترونیکی کاربردی از صفر
🔹 پیشرفت قابلتوجه در امنیت سایبری و شناسایی آسیبپذیریها
نکته جالب اینکه این دو مدل از یک هسته مشترک استفاده میکنن؛ نسخه Fable برای استفاده عمومی با محدودیتهای ایمنی بیشتر عرضه شده و نسخه Mythos برای سازمانهای تأییدشده در حوزههای تخصصی در دسترسه.
🤯 اما یکی از عجیبترین دستاوردهاش ساخت یک سیستمعامل واقعیه که در پست بعدی بهش میپردازیم!
🔗 منبع: وبلاگ رسمی آنتروپیک
#هوش_مصنوعی #کلود #آنتروپیک | 2 388 |
| 10 | 🧠 کارگاه آموزشی W2 | مدلهای بینایی-زبانی
(VLM)
🌐 برای ثبت نام در کنفرانس کلیک کنید.
@mvip2026
@kashan_ict | 2 123 |
| 11 | 💎 با مکتبخونه، بورسیه دانشگاه هاروارد شو!
🎉 مکتبخونه به مناسبت تولد ۱۵ سالگیش یک قرعهکشی ویژه برگزار کرده؛ از بورسیه آموزشی دانشگاه هاروارد به ارزش ۲۰۰۰ دلار گرفته تا اشتراک ChatGPT Plus و اشتراک مکتبخونه.
🔥 علاوه بر جوایز قرعهکشی، تخفیفهای ویژه تولد مکتبخونه هم فعال شده:
▪️ ۸۰٪ تخفیف اشتراک یکساله
▪️ تا ۷۰٪ تخفیف دورههای آموزشی
🧠 اگه به یادگیری ماشین و یادگیری عمیق علاقه داری یا با ابزارهایی مثل TensorFlow مدلهای هوش مصنوعی توسعه میدی، این فرصت خوبیه که دانش و مهارتهات رو ارتقا بدی و در کنارش، شانس برندهشدن جوایز جذاب رو هم داشته باشی.
⏳ مهلت شرکت: تا ۲۲ آبان
🎁 میخوای بدونی چطور میتونی توی قرعهکشی شرکت کنی؟
🔗 برای مشاهده جوایز و شرایط شرکت، کلیک کن | 2 551 |
| 12 | Немає тексту... | 1 |
| 13 | 🚀 اوپنایآی از مدل جدید تولید تصویر خودش رونمایی کرد!
مدل GPT-Image 2.6 با سرعت بیشتر، ویرایش دقیقتر و قابلیت جذاب ساخت تصاویر متحرک GIF معرفی شد.
🔥 مهمترین قابلیتهای این نسخه:
🔹 سرعت بالاتر: تولید تصاویر تا ۵۰٪ سریعتر از نسخه قبلی انجام میشه.
🔹 ساخت تصاویر متحرک: حالا میتونید فقط با یک پرامپت، تصاویر متحرک با فرمت GIF بسازید.
🔹 ویرایش هوشمندتر: امکان تغییر بخشهای مشخص تصویر با حفظ جزئیات، ظاهر کاراکترها و هماهنگی تصاویر بهتر شده.
🔹 خروجی وکتور: قابلیت دریافت خروجی SVG برای استفاده در طراحی سایت، اپلیکیشن و کارهای گرافیکی اضافه شده.
🔹 امکانات توسعهدهندگان: دو مدل Flare برای سرعت بیشتر و Sunburst برای کیفیت و جزئیات بالاتر از طریق API در دسترس قرار گرفتن.
✅ دسترسی: این مدل از همین حالا برای تمام پلنهای ChatGPT و Codex فعال شده.
به نظر میرسه اوپنایآی داره ابزار تولید تصویر خودش رو به یک ابزار کاملتر برای طراحی و تولید محتوای حرفهای تبدیل میکنه.
🔗 منبع: معرفی رسمی و مشاهده نمونهها
#هوش_مصنوعی #OpenAI #AI | 3 360 |
| 14 | مستندات فارسی شده opencv :
https://learnopencv.ir/docs/
، همچنین لینک به این مستندات در نوت بوک های کورس مکتب خونه اضافه شد | 3 431 |
| 15 | نسخه فارسی و تحت وب Deep Learning with Python ویرایش 3
https://introtodeeplearning.ir/books/dlwp/ | 6 773 |
| 16 | کسانی که تازه شروع کردند، میدونند که پیش نیاز اکثر فریم ورکهای مرتبط با هوش مصنوعی پایتونه، دوست داشتید در کانال بالا عضو شده و از سایتش مطالب را مرور کنید | 5 171 |
| 17 | 🐍 چالش پایتون ۱ | += روی لیست؛ تغییر یا ساختن؟
خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔
a = [1, 2, 3]
b = a
b += [4]
b = b + [5]
print(a, b)
👇 جوابت را در کوییز زیر بزن، بعد توضیح کامل را در سایت بخوان.
#چالش_پایتون #پایتون #Python
📢 @PyLab | 5 087 |
| 18 | مهلت استفاده تا پایان این هفته است | 1 787 |
| 19 | 🎯 Jev کجا به درد میخورد و کجا نه؟
Jev بیشتر از اینکه جای GPT یا Claude را بگیرد، میتواند یک «لایهی تصمیمگیری» سریع و ارزان باشد. یعنی برای کارهای کوچک و پرتعداد که الان بیخودی برای هرکدام یک مدل بزرگ صدا میزنیم.
تقسیم کار پیشنهادی (Separation of Concerns):
• تصمیمهای کوچک و پرتعداد ← Jev
• تحلیل، reasoning و تولید محتوا ← GPT / Claude / Gemini
• قوانین قطعی، محاسبات و محدودیتهای حساس ← Code
• تصمیمهای پرریسک ← انسان
نمونه کاربردها:
• CRM: دستهبندی مشتریها بر اساس احتمال ریزش، اهمیت یا نوع درخواست
• Support و Lead Scoring: تشخیص فوریت، تیم مناسب و ارزش سرنخها
• Agent Routing: انتخاب agent، tool یا مدل مناسب قبل از شروع کار سنگین
• RAG: حذف اسناد کمربط و re-rank نتایج
• QA و Moderation: بررسی کیفیت، ارتباط و ریسک خروجی مدلها، و پرچمگذاری محتوای مشکوک
• Workflow Automation: تعیین شاخهی فرایند برای هر درخواست
• باشگاه مشتریان و بازاریابی: انتخاب نوع پیشنهاد، تخفیف یا کمپین مناسب هر گروه
⚠️ اما Jev «خیلی باهوشتر» نیست؛ برای یک نوع خاص از هوش بهینه شده و روی مسئلههای مبهم افت میکند. دو نمونه:
1️⃣ Browser automation
تیم WebMCP (Idan Levin) با ترکیب Jev و WebMCP همهی 49 task را حل کرد. ولی این ترکیب دو مدل بود: Jev ابزار را انتخاب میکرد و یک LLM سریع (Mercury 2.5) آرگومانها را مینوشت، چون Jev متن تولید نمیکند. وقتی Jev مستقیم با کنترلهای صفحه مرورگر را میراند، فقط 25 از 49 task حل شد. خود نویسندگان میگویند این نتیجهی harness آنهاست و سقف عمومی Jev نیست.
2️⃣ تشخیص phishing
در یک benchmark مستقل روی 2000 ایمیل (ایمیلهای synthetic)، دقت مستقیم Jev فقط 62.6٪ بود و Claude Haiku 4.5 به 81.3٪ رسید.
ولی وقتی همان مسئله به 5 سؤال سادهتر شکسته شد (مثلاً: لینک به free hosting اشاره دارد؟ فشار و فوریت دارد؟)، یک رگرسیون لجستیک روی جوابهای Jev به 95.1٪ رسید. حتی یک قانون ثابت روی یکی از این سیگنالها 89.5٪ میداد.
در همین تست Jev حدود 3 برابر سریعتر (239ms در برابر 687ms) و حدود 12 برابر ارزانتر ($0.038 در برابر $0.462 برای هر هزار ایمیل) از Haiku بود. یعنی در مقایسه با یک مدل سبک، ضریبها خیلی کمتر از «40x تا 200x» است.
پس جای درست Jev «مغز کل سیستم» نیست، بلکه یک قطعهی سریع برای تصمیمهای محدود داخل یک معماری بزرگتر است. اگر یک استارتاپ هزاران تصمیم کوچک، تکراری و مشخص دارد، جذاب است. هرچه تصمیم مبهمتر، چندمرحلهایتر یا پرریسکتر شود، بهتر است به یک مدل قویتر یا انسان سپرده شود.
منابع:
https://madewithjev.com/builds/webmcp-benchmark
https://github.com/anisselbd/jev-phishing-bench | 3 624 |
| 20 | 🧠 Jev از TypeSafe AI؛ مدلی که متن نمینویسد، تصمیم میگیرد
TypeSafe AI روز ۱۵ سپتامبر ۲۰۲۶ با ۴۰ میلیون دلار سرمایه معرفی شد و اولین مدلش، Jev، را در حالت early access (با waitlist) عرضه کرد. بنیانگذار و CEO آن، Diogo Almeida، سابقهی کار در OpenAI دارد و از نویسندگان مقالهی InstructGPT است.
ایده جالب است: بهجای ساختن یک LLM بهتر برای تولید متن، مدلی بسازیم که مستقیم برای تصمیمگیری داخل نرمافزار طراحی شده.
**مشکل کجاست؟**
LLMها برای chat عالیاند، ولی در automation هنوز دردسر دارند: خروجی string است و باید parse و validate شود، latency بالاست و confidenceای که خودشان میدهند همیشه قابل اعتماد نیست.
**Jev چه میکند؟**
Jev از دستهی جدیدی به اسم System One Models** است (نامش از تمایز System 1 و System 2 دنیل کانمن آمده):
• ورودی: متن یا state نامرتب (مثلاً JSON) + مجموعهای سؤال تایپشده
• خروجی: از قبل type مشخص دارد؛ انتخاب بین گزینهها (`Choice`)، امتیاز (`Score`) یا بله/خیر با احتمال (`Noul`)، همراه با confidence
• همهی سؤالها در یک query و بهصورت موازی جواب داده میشوند، نه توکنبهتوکن مثل LLMهای autoregressive
آموزش هم با روشی به اسم **RLCD** (Reinforcement Learning for Calibrated Decisions) انجام شده. هدفش این است که احتمالها واقعاً معنی داشته باشند: وقتی مدل میگوید ۹۰٪ مطمئنم، انتظار میرود تقریباً در ۹۰٪ موارد مشابه درست باشد.
**ادعاهای شرکت:
• latency حدود 70 تا 500 میلیثانیه، یعنی 40x تا 200x سریعتر از LLMهای frontier در taskهای System One
• قیمت `$0.042` برای هر یک میلیون توکن ورودی؛ خروجی رایگان
• «no type errors»: چون خروجی از قبل schema دارد، مدل نمیتواند مقداری خارج از ساختار تعریفشده برگرداند
⚠️ «no type errors» یعنی خروجی type-safe است، نه اینکه «هیچوقت اشتباه نمیکند». تصمیم میتواند از نظر ساختار کاملاً معتبر باشد و باز هم غلط. بیشتر اعداد بالا هم از benchmarkهای خود شرکت است.
منبع:
https://typesafe.ai/blog/introducing-system-one-models-and-jev | 2 813 |
