PhiloLearn | فیلولرن
Відкрити в Telegram
🔵 فیلو یعنی مشتاق و لرن یعنی یادگیری 📘 در نتیجه فیلولرن یعنی مشتاق یادگیری 📘 https://www.youtube.com/@PhiloLearn
Показати більше1 476
Підписники
+424 години
+97 днів
+230 днів
Триває завантаження даних...
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
вересень '26вер '26
вересень '26
+26
в 0 каналах
серпень '26
+31
в 1 каналах
Get PRO
липень '26
+30
в 1 каналах
Get PRO
червень '26
+30
в 1 каналах
Get PRO
травень '26
+29
в 1 каналах
Get PRO
квітень '26
+11
в 0 каналах
Get PRO
березень '26
+2
в 1 каналах
Get PRO
лютий '26
+19
в 1 каналах
Get PRO
січень '26
+20
в 0 каналах
Get PRO
грудень '25
+37
в 1 каналах
Get PRO
листопад '25
+26
в 0 каналах
Get PRO
жовтень '25
+22
в 0 каналах
Get PRO
вересень '25
+14
в 2 каналах
Get PRO
серпень '25
+7
в 0 каналах
Get PRO
липень '25
+18
в 1 каналах
Get PRO
червень '25
+22
в 1 каналах
Get PRO
травень '25
+30
в 0 каналах
Get PRO
квітень '25
+13
в 0 каналах
Get PRO
березень '25
+30
в 2 каналах
Get PRO
лютий '25
+47
в 1 каналах
Get PRO
січень '25
+104
в 5 каналах
Get PRO
грудень '24
+50
в 0 каналах
Get PRO
листопад '24
+35
в 0 каналах
Get PRO
жовтень '24
+40
в 0 каналах
Get PRO
вересень '24
+42
в 3 каналах
Get PRO
серпень '24
+50
в 1 каналах
Get PRO
липень '24
+100
в 1 каналах
Get PRO
червень '24
+65
в 0 каналах
Get PRO
травень '24
+84
в 0 каналах
Get PRO
квітень '24
+99
в 0 каналах
Get PRO
березень '24
+104
в 1 каналах
Get PRO
лютий '24
+136
в 1 каналах
Get PRO
січень '24
+91
в 2 каналах
Get PRO
грудень '23
+168
в 2 каналах
Get PRO
листопад '23
+153
в 11 каналах
Get PRO
жовтень '23
+92
в 1 каналах
Get PRO
вересень '23
+324
в 0 каналах
Get PRO
серпень '23
+376
в 0 каналах
Get PRO
липень '23
+60
в 0 каналах
Get PRO
червень '23
+241
в 0 каналах
Get PRO
травень '23
+100
в 0 каналах
Get PRO
квітень '23
+726
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 27 вересня | 0 | |||
| 26 вересня | +1 | |||
| 25 вересня | +4 | |||
| 24 вересня | +3 | |||
| 23 вересня | +1 | |||
| 22 вересня | +1 | |||
| 21 вересня | +2 | |||
| 20 вересня | +3 | |||
| 19 вересня | 0 | |||
| 18 вересня | +1 | |||
| 17 вересня | 0 | |||
| 16 вересня | +1 | |||
| 15 вересня | +1 | |||
| 14 вересня | 0 | |||
| 13 вересня | 0 | |||
| 12 вересня | +2 | |||
| 11 вересня | +1 | |||
| 10 вересня | 0 | |||
| 09 вересня | 0 | |||
| 08 вересня | 0 | |||
| 07 вересня | 0 | |||
| 06 вересня | +2 | |||
| 05 вересня | +1 | |||
| 04 вересня | 0 | |||
| 03 вересня | +1 | |||
| 02 вересня | 0 | |||
| 01 вересня | +1 |
Дописи каналу
یه سایت کیوت پیدا کردم.
سایت https://explainshell.com/ اینطوریه که بهش یه کامند میدید و اون هم به صورت تصویری قسمت به قسمت کامند رو براتون توضیح میده
@PhiloLearn
| 2 |  «داداش اینا که AI بود»؛ فحش جدید نوجوونا😂
گاردین نوشته تحقیرآمیزترین عبارت امسال بین نوجوونها شده «That's so AI». یعنی وقتی میخوان بگن یه چیزی جعلی و بیکیفیته اینو به کار میبرن. جالب اینجاست که بین عامهی مردم، خودِ AI داره به نماد بیاعتمادی به محتوا تبدیل میشه، نه فقط صرفا یه ابزار.
🔗 منبع
✉️ t.me/MatinSenPaii | 118 |
| 3 |  یه سایت اومده شبیه Pirate Bay ولی برای مدلهای LLM متنباز.
وزن مدلها رو میتونی با تورنت بگیری.
ایده سادهست ولی برای دسترسی راحت به مدلهای بزرگ میتونه مفید باشه.
https://huggingbay.xyz/
@DevTwitter | <Reza/> | 47 |
| 4 |  روز دستگاه های تبدیل قهوه به کد مبارک 💔
کد تخفیف به مناسبت روز برنامه نویس: MjU2
@GitPush_Shop | 309 |
| 5 |  سلام به همگی؛ 🤠
بالاخره وقتش رسید و قراره دوره عملی دوآپس رو با هم شروع کنیم. سعی کردم مباحث رو طوری بچینم که از مفاهیم پایهای تا بالا آوردن یه سیستم واقعی رو پوشش بده و تمرکزمون روی یادگیری کاربردی باشه. این دوره کاملاً رایگانه، ولی به خاطر ماهیت تمرینمحور بودن و وقتی که باید برای بررسی کارها بذاریم، ظرفیت رو محدود نگه میدارم تا کیفیت حفظ بشه. اگه وقت و انگیزه کافی برای وقت گذاشتن روی این مسیر رو دارید، ممنون میشم فرم زیر رو پر کنید یا با کسی که نیاز داره به اشتراک بذارید
🔗 لینک فرم پرسلاین 🤝
@ahplogs | 370 |
| 6 | سلام به همگی؛ 🤠
بالاخره وقتش رسید و قراره دوره عملی دوآپس رو با هم شروع کنیم. سعی کردم مباحث رو طوری بچینم که از مفاهیم پایهای تا بالا آوردن یه سیستم واقعی رو پوشش بده و تمرکزمون روی یادگیری کاربردی باشه. این دوره کاملاً رایگانه، ولی به خاطر ماهیت تمرینمحور بودن و وقتی که باید برای بررسی کارها بذاریم، ظرفیت رو محدود نگه میدارم تا کیفیت حفظ بشه. اگه وقت و انگیزه کافی برای وقت گذاشتن روی این مسیر رو دارید، ممنون میشم فرم زیر رو پر کنید یا با کسی که نیاز داره به اشتراک بذارید
🔗 لینک فرم پرسلاین 🤝
@ahplogs | 1 |
| 7 | آیا میدانستید پروژه دیفالت فلاتر صلوات شماره؟ | 496 |
| 8 | خب مجوز G انگار لغو شده و سر این موضوع تافل و دولینگو مارو کنسل کردن.
یک مجوز دیگه هم هست تحت عنوان D-1 که اگر این رو لغو کنن شما باید بجای جیمیل از چاپارمیل استفاده کنید متاسفانه =)
https://ofac.treasury.gov/recent-actions/20140207_33
@SohrabContents | 442 |
| 9 |  در پی اقدامات بی دلیل و احمقانه ی خودم در زندگی، تصمیم گرفتم که یه ناخنکی به فلاتر هم بزنم و خب پس از چند روز درگیری با ایرانی بودن خودم بلاخره موفق شدم که یه hello world لعنتی رو روی صفحه ایمولیتور ببینم | 430 |
| 10 |  سارا کانر داره نگاهت میکنه... خجالت بکش
@GitPush_Shop | 409 |
| 11 | آقا ما توی ناین کرفت حدود دو ماهه که VPS هم ارائه میدیم 👀
ناینکرفت چند ساله که روی گیمسرور، مخصوصاً ماینکرفت و تراریا، کار میکنه. توی این مدت، هم در ناینکرفت و هم چند بیزنس دیگه، کلی تجربهی مدیریت سرور، شبکه و حفظ آپتایم جمع کردیم.
امسال گفتیم وقتی زیرساخت و تجربهش رو داریم، چرا VPS ندیم؟
الان VPSهای ناینکرفت رو راه انداختیم؛ فعلاً پلنهای اقتصادی با لوکیشن ایران داریم که برای خیلی از نیازها کاملاً جواب میده. بهزودی هم سرورهای Enterprise با سختافزار قویتر و لوکیشنهای دیتاسنتری بیشتر ارائه میکنیم.
اگه سؤال، نظر یا پیشنهاد خاصی دارید، خوشحال میشیم بهم بگین :) | 420 |
| 12 |  جایگزین متن باز Fonto، رایگان، تحت وب
دیگه برای استوریاتون پول اشتراک ندید😁
و اگر دوست داشتید، از بالا(علامت قلب) به سازنده دونیت کنید تا لایسنس تجاری بخره و فونتهای خفنتر واستون بذاره.
لینک پروژه:
https://github.com/FontWoW/FontWoW.github.io
لینک سایت:
https://fontwow.github.io | 410 |
| 13 |  Немає тексту... | 495 |
| 14 | داشتم میگشتم که رسیدم به این شبیه ساز سیاهچاله
https://blackhole.plav.in/
و خب این ریپازیتوری که باهاش شبیه ساز رو ساختن که توسعه پیدا کرده برای شبیه سازی رفتار نور اگر اشتباه نکنم:
https://github.com/aplavin/Synchray.jl
@PhiloLearn | 453 |
| 15 | این شبکه عصبی دو تا ویژگی داره:
1-شبکههای بازگشتی از اطلاعات گذشته استفاده میکنند.
2-در شبکههای بازگشتی، پارامترها یا وزنها بین زمانها به اشتراک گذاشته میشوند. به این معنا که همان وزنها برای هر مرحله زمانی استفاده میشوند.
به صورت کلی این شکبه میاد ورودی رو از ما دریافت میکنه با وزن حافظه قبلی که آموزش دیده ترکیب میکنه و میره مرحله بعدی یعنی مثلا من یک گربه مشکی دارم میاد پنج لایه درست میکنه:
من + یک + گربه + مشکی+ دارم
هر لایه میاد بررسی میکنه "من" رو وارد لایه اول میکنه با حافظه قدیمی که داره میاد محاسبات ریاضی انجام بعد یه خروجی میده برای لایه بعدی که "یک" هستش بعد میاد پردازی که سر من + اطلاعات گذشته انجام داده رو بعلاوه یک رو میده لایه اول و الی اخر تا برسه لایه اخر تا بتونه در آخر برای ما یک پاسخ یا خروجی تولید بکنه علت اینکه بهش میگن بازگشتی اینه که به حافظه خودش بر میگرده جهت گرفتن اطلاعات، این شبکه عصبی برای پیش بینی کلمه بعدی میاد از کلمه قبلی + حافظه قبلی وزنی که درست کرده میاد بین پارامتر های میگرده و کلمه بعدی رو پیش بینی میکنه
ساختار عکس بالا چیه حالا؟ برای اینکه بهتر توضیح بدم این قسمت رو از هوش مصنوعی کمک گرفتم
بیایید شکل را تجزیه کنم:
شکل یک RNN را نشان میدهد که در سه مرحله زمانی کار میکند (t=1, t=2, t=3).
هر مرحله دارای:
- ورودی (مثل "d", "o", "g" در پایین)
- مغز/حالت نهان (h0, h1, h2, h3 - بوکس های سبز بزرگ)
- خروجی (مثل "o", "g", "e" در بالا)
- وزنهای مختلف:
- Wx: وزن ورودی
- Wh: وزن حالت نهان (بازگشتی)
- Wy: وزن خروجی
داخل هر بوکس سبز، درونافزایی (مثل a11، a12، a1j) وجود دارد که نشاندهنده ضرب و جمعهای داخلی است.
بیایید این را به شکل بسیار ساده برای مبتدی توضیح دهم:
1. شکل یک جمله را پردازش میکند
2. هر بوکس سبز = مغز شبکه در یک مرحله
3. فلشهای بالا = خروجی (پیشبینی)
4. فلشهای چپ = ورودی (کلمات)
5. فلشهای افقی = حافظه که از مرحله قبل میآید# توضیح شکل RNN
## کلی نگاه کن
این شکل نشان میده که **RNN چطوری یک جمله رو کلمهکلمه پردازش میکنه** در **3 مرحله متوالی**:
t=1 → t=2 → t=3
(لحظهی اول) (دوم) (سوم)
---
## هر مرحله چیکار میکنه؟
| عنصر | معنی |
|------|------|
| **بوکس سبز بزرگ (h)** | 🧠 **مغز شبکه** — جایی که حافظه نگاه داشته میشه |
| **Wx** | وزن **ورودی** (کلمه الان) |
| **Wh** | وزن **حافظه** (کلمات قبلی) — **همین بازگشتی است!** |
| **Wy** | وزن **خروجی** (پیشبینی) |
| **"d", "o", "g"** | کلمات **ورودی** (پایین) |
| **"o", "g", "e"** | کلمات **خروجی** (بالا) |
---
## مرحله به مرحله چیارتش؟
### 🟢 مرحله اول (t=1)
ورودی: "d"
↓
h0 (حافظه اول، خالی) + Wh
+
"d" (ورودی) + Wx
↓
h1 (حافظه جدید)
↓
خروجی: "o"
### 🟢 مرحله دوم (t=2)
ورودی: "o"
↓
h1 (حافظه قبلی) + Wh ← **یادش آمد "d" رو دید!**
+
"o" (ورودی جدید) + Wx
↓
h2 (حافظه جدید)
↓
خروجی: "g"
### 🟢 مرحله سوم (t=3)
ورودی: "g"
↓
h2 (حافظه قبلی) + Wh ← **یادش آمد "d" و "o" رو دید!**
+
"g" (ورودی جدید) + Wx
↓
h3 (حافظه جدید)
↓
خروجی: "e"
## داخل بوکس سبز چیه؟
دروننویسیها مثل **a₁₁، a₁₂، a₁ⱼ** نشان میدهند:
- **حساب و کتاب** (ضرب و جمع)
- **اعدادی که شبکه بهکار میبرد**
تو نیاز نداری اینها رو یاد بگیری. فقط بدون که **داخل این بوکس ریاضیات پیچیدهای انجام میشه!**
---
## خلاصه ساده
**این شکل میگه:**
> "ما کلمه "dog" را تشخیص میدهیم. شبکه هر بار یک کلمه میبیند، خروجی میده، و **یادش را برای دفعه بعد نگاه میدارد**. این همان **بازگشتی** است!"
🎯 **بازگشتی** = حافظه (h) **به خودش برمیگردد** و دوباره استفاده میشه!
و در نهایت این شبکه به دلیل بررسی توالی و داشتن حافظه از داده های قبل بهتر میتونه جملات رو درک کنه و پاسخ مناسب بده ولی اگر به یاد داشته باشید تو شبکه عصبی ترنسفورمر گفته بودم آموزشش بسیار کنده به محدودیت حافظه میخوریم و اینکه کلمات و جمله های طولانی رو ممکنه فراموش کنه به همین دلیل بود که بعد ها متخصیص با مکانیزم توجه به سمت شبکه های عصبی ترنسفورمر و سپس به ال ال ام های امروزی رسیدن با این اوصاف ان شبکه عصبی رو میشه بابابزرگ ال ال ام های امروزی دانست و در نهایت لینک های مفید جهت مطالعه:
لینک1
لینک2
@PhiloLearn | @NyxHrafn | 411 |
| 16 |  شبکه عصبی بازگشتی یا Recurrent neural network پدربزرگ LLM ها!
@PhiloLearn | @NyxHrafn | 297 |
| 17 |  یه چیز بشدت باحال و بامزه و شاید کاربردی پیدا کردم.
اومدن نحوه عملکرد دیتابیس پستگرس رو به صورت ۳ بعدی و قابل گشتن در آوردن و تمام بخش هاش رو خیلی جذاب توضیح دادن.
لینک شهر پستگرس:
https://nikolays.github.io/PGSimCity/
لینک ریپازیتوری:
https://github.com/NikolayS/PGSimCity
@PhiloLearn | 390 |
| 18 | این شبکه عصبی وقتی معرفی شد اومد نواقصات و مشکلات شبکه عصبی بازگشتی(RNN) رو پوشش داد و تونست تحول بزرگی در حوزه هوش مصنوعی بده و مدل های زبانی بزرگی مثل GPT کمک کنه توسعه پیدا بکنن
این مدل به جای اینکه مثل RNN بیاد کلمات رو یکی یکی پشت سر هم بررسی کنه تا بتونه کلمات رو درک کنه که در این مسیر ممکنه اطلاعات رو گم یا فراموش بکنه یا نتونه ارتباط درستی بین کلمات پیدا کنه میاد تمامی داده هارو هم زمان بررسی میکنه به شکل موازی میاد با یک ترفند ریاضی به نام مکانیزم توجه یا Attemtion Mechanism متوجه میشه که در جمله بلند ما باید به چه کلماتی توجه کنه و ارتباط بین اون کلمات رو پیدا کنه شبکه یاد میگیره که کلمهها رو بر اساس اهمیت، به یکدیگر متصل کنه
ساختار کلی این شبکه چجوریه؟
بخش اول از یک انکودر ساخته شده که میاد همزمان کل توکن مارو به شکل موازی وارد میکنه و پردازش انجام میده و وزن کلمات و رابطه اون هارو رو برای چندین بار بررسی میکنه که قدرت پردازشی زیادی میخواد برای این کار(علت گرونی رم و کارت گرافیک رو فهمیدین🗿)
بخش دوم هم دیکودر هست که میاد برای ما جواب رو تولید میکنه
ولی خب این شبکه عصبی به کمک واحد های پردازشی سرعت آموزش بالایی داره و اینکه در متون بلند به راحتی میتونه رابطه کلمات اول و اخر جمله رو پیدا کنه ولی معایبی هم داره مثل هزینه بالا پردازش هست مثلا برای پردازش هزار کلمه باید یک میلیون پردازش انجام بده! و همچنين برای تمرین همچین شبکه شما نیازمند یه حجم عظیمی اطلاعات هستین تا بتونید مدل رو آموزش بدین تا بتونید خروجی دقیق و خوبی ازش بگیرید بخاطر همینه که شرکت های بزرگ از مدل ها یک بیلیون پارامتری به یک تريليون پارامتری رسیدن
و در نهایت لینک های مفید:
لینک۱
لینک۲
@PhiloLearn | @NyxHrafn | 316 |
| 19 |  شبکه عصبی ترنسفورمر یا transformer neural network این شبکه عصبی یک انقلاب تو عرصه هوش مصنوعی هست!
@PhiloLearn | @NyxHrafn | 295 |
| 20 |  به به، AGI تایید شد....
#fun
@PhiloLearn | 330 |
