Вже доступно! Дослідження Telegram за 2025 — головні інсайти року 
DLeX: AI Python
Відкрити в Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Показати більше📈 Аналітичний огляд Telegram-каналу DLeX: AI Python
Канал DLeX: AI Python (@ai_python) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 21 449 підписників, посідаючи 6 349 місце в категорії Технології та додатки та 15 603 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 21 449 підписників.
За останніми даними від 04 червня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -69, а за останні 24 години на -8, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 9.86%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.93% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 2 114 переглядів. Протягом першої доби публікація в середньому набирає 842 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 15.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Завдяки високій частоті оновлень (останні дані отримано 05 червня, 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.
21 449
Підписники
-824 години
-187 днів
-6930 день
Архів дописів
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
