DLeX: AI Python
Kanalga Telegram’da o‘tish
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Ko'proq ko'rsatish📈 Telegram kanali DLeX: AI Python analitikasi
DLeX: AI Python (@ai_python) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 21 431 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 6 078-o'rinni va Eron mintaqasida 15 800-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 21 431 obunachiga ega bo‘ldi.
25 Avgust, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -18 ga, so‘nggi 24 soatda esa 1 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 8.13% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.59% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 742 marta ko‘riladi; birinchi sutkada odatda 770 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 10 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent مصنوعی, توییتر, ماهواره, داده, فناوری kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 26 Avgust, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
21 431
Obunachilar
+124 soatlar
-37 kunlar
-1830 kunlar
Postlar arxiv
21 431
آژور کوپایلوت 4 تا Agent در اختیار ادمین های Cloud قرار داده که قراره در تسک های مختلف بهمون کمک کنن.
👉 @ai_python 🦁 ☀️
21 431
برای اونایی که خیلی با چت جی پی تی درد و دل می کنن
👉 @ai_python 🦁 ☀️
ChatGPT’ye aşk şarkısı yapılamaz.
Balkan-Sänger
https://x.com/Mysstikk/status/2090870283984892265
21 431
🏉MITracker: Multi-View Track🏉
👉MITracker is a novel Multi-View Integration Tracker to efficiently integrate multi-view object features and provide stable tracking. Code & Dataset announced💙
👉Review https://t.ly/RTNUo
👉Paper arxiv.org/pdf/2502.20111
👉Repo github.com/XuM007/MITracker
👉Project xum007.github.io/MITracker.github.io
21 431
مفهوم هارنس در مدل های هوش مصنوعی
👉 @ai_python 🦁 ☀️
https://youtu.be/HVF9I25WyVY?si=0yENtGT22ezc6nUs
21 431
استراتژی های کاهش مصرف توکن در مایکروسافت فاندری
👉 @ai_python 🦁 ☀️
https://youtu.be/mB0IyELzjRg?si=W9hgABZ5UX2CagjW
21 431
مایکروسافت یک لب جدید تهیه کرده برای نحوه ارتباط اجنت های هوش مصنوعی که از Work IQ استفاده می کنند، از طریق پروتکل پروتکل A2A
👉 @ai_python 🦁 ☀️
https://microsoft.github.io/copilot-camp/pages/work-iq/02-work-iq-a2a/
21 431
یک بحث بسیار جالبی در گروه مطرح شد که پیشنهاد می کنم حتمن بخونید. درباره آینده هوش مصنوعی. لینک پیام هارو در این جا قرار می دم از اون قسمتی که بسیار جالب هست و بلاگی که لینک شده :
https://t.me/weallarebits/15700
21 431
صفر تا صد مدرک AI-103 مایکروسافت
👉 @ai_python 🦁 ☀️
https://youtu.be/WK2BvjOYTCQ?si=PJkNYT-Z4aJl-Izx
21 431
Repost from Wallet News
Apple or Nvidia: who stays on top?
Apple taught the world to pay for an ecosystem. Nvidia unexpectedly for everyone, including itself, became the foundation of the AI era.
Today Nvidia's market cap is $5.26T, Apple's is $4.5T. The gap is "just" $760B.
21 431
Repost from N/a
♞ گردش اسب؛ یک مسئلهٔ کلاسیک در ریاضیات و شطرنج
آیا اسب میتواند روی هر یک از ۶۴ خانهٔ صفحهٔ شطرنج دقیقاً یکبار قرار بگیرد و در پایان، تنها یک حرکت تا خانهٔ آغاز فاصله داشته باشد؟
در این ویدیو یک گردش بستهٔ معتبر نمایش داده میشود: تمام خانهها بدون تکرار بازدید میشوند و همهٔ جابهجاییها حرکت قانونی اسباند.
در زبان نظریهٔ گراف، هر خانه یک رأس و هر حرکتِ مجاز اسب یک یال است؛ بنابراین چنین گردشی یک دور همیلتونی میسازد.
برای انتخاب حرکتها از روش ابتکاری وارنزدورف استفاده شده است: به خانهای برو که کمترین تعداد حرکتِ بعدی به خانههای بازدیدنشده را دارد.
مسئلهای زیبا در پیوند میان شطرنج، ترکیبیات و نظریهٔ گراف؛ مسئلهای که اویلر نیز آن را بررسی کرده بود.
تهیه و تنظیم: گروه ریاضی مزداهیک
@mazdaahik
21 431
Normal Distribution (PDF, CDF, PPF) in 3 Minutes
👉 @ai_python 🦁 ☀️
https://youtu.be/3VYupIsbLlY?si=XfHt-1z9gIOlkdnQ
21 431
ایده بسیار قشنگی هست برای اینکه Accountability داشته باشیم روی تصمیم های AI و در جایی (گراف) نگهشون داریم. 😍
👉 @ai_python 🦁 ☀️
21 431
Repost from Reza Jafari
همه آنجه که نیازه از DeepSeek Harness بدونید
اگر بخوایم خیلی ساده بگم، DeepSeek Harness یک framework برای ساخت و اجرای coding agentهاست که DeepSeek همراه با V4 Pro بهصورت developer preview منتشر کرده. ایده اصلیش اینه که برخلاف coding agentهای معمولی، همهچیز رو یک سیستم ثابت نبینیم؛ model، tools، skills، sessions و حتی agent loop میتونن به شکل plugin مدیریت و جایگزین بشن.
نکته جذابش اینه که DeepSeek Harness فقط برای مدلهای DeepSeek نیست. میتونید providerهای دیگه رو هم بهش وصل کنید و حتی Claude Code و Codex رو بهعنوان sub-agent وارد workflow کنید. یعنی میتونید یک multi-agent system بسازید که DeepSeek Harness وظیفه orchestration رو برعهده داشته باشه و هر task رو به agent مناسب بسپره.
از نظر قابلیتها هم دستتون نسبتاً بازه؛ میتونید shell، file editing، web search، planning، subagent و workflowهای مختلف رو فعال یا شخصیسازی کنید. حتی در Creator Mode، agent میتونه در حین اجرای session، plugin و tool جدید بسازه و به محیط خودش اضافه کنه.
یکی از بخشهای مهمش هم session logging هست. تقریباً هر چیزی که به model نمایش داده میشه ثبت میشه؛ از tool callها و نتیجهشون گرفته تا context injection و فعالیت sub-agentها. این موضوع برای debugging و فهمیدن اینکه agent دقیقاً چرا یک تصمیم رو گرفته، خیلی کاربردیه.
راهاندازیش هم نسبتاً سادهست و برخلاف Claude Code و Codex، رابط اصلیش یک local web app هست که داخل browser اجرا میشه. تنظیمات هم عمدتاً از طریق YAML قابل کنترل هست و میتونید model، provider، permission و reasoning effort رو تغییر بدید.
در مورد مدلها هم V4 Flash و V4 Pro قابل استفاده هستن. برای بیشتر coding taskهای معمولی، Flash احتمالاً انتخاب اقتصادیتریه و Pro بیشتر برای taskهای سختتر و reasoning-heavy ارزش پیدا میکنه. البته هزینه اصلی مربوط به model API هست و خود harness رایگانه.
در نهایت، چیزی که DeepSeek Harness رو مهم میکنه فقط این نیست که یک coding agent دیگه ساخته؛ بلکه اینه که خود harness رو هم قابل تغییر و composition کرده. یعنی بهجای یک agent با workflow ثابت، میتونید محیطی بسازید که model، tools، sub-agentها و حتی agent loop رو مطابق نیاز خودتون کنار هم قرار بدید.
البته فعلاً developer preview هست و طبیعتاً ممکنه breaking change و rough edge داشته باشه. ولی اگر به coding agentها، multi-agent system یا ساخت agentهای شخصی علاقه دارید، DeepSeek Harness قطعاً پروژهایه که ارزش دنبال کردن داره.
👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبتنام در دوره منتورینگ
🤝 تجارب موفق قبلی بچهها از منتورینگ
@reza_jafari_ai
21 431
Understanding Exponential vs Poisson Distributions
👉 @ai_python 🦁 ☀️
https://youtu.be/n7K8s4vryCQ?si=pcVzHZhnI48iNzhu
21 431
دوشنبه 17 آکوست، پروفسور هوخ غایتا، یک سخنرانی با موضوع فاز بعدی هوش مصنوعی برگزار خواهند کرد، که ورود به آن به رایگان و طریق زوم نیز امکان پذیر خواهد بود.
آقای سپ هوخ غایتا از اساتید دانشگاه JKU لینز هستند که به دلیل همکاری در
