uz
Feedback

Firibgarlarga uchmang! Telemetrio bunday kanallarni topadi va belgilaydi 👉 Belgini ko‘rmoqchi bo‘lsangiz, obuna bo‘ling

DLeX: AI Python

DLeX: AI Python

Kanalga Telegram’da o‘tish

هوش‌مصنوعی و برنامه‌نویسی توییتر : https://twitter.com/NaviDDariya لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq

Ko'proq ko'rsatish

📈 Telegram kanali DLeX: AI Python analitikasi

DLeX: AI Python (@ai_python) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 21 313 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 6 192-o'rinni va Eron mintaqasida 16 434-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 21 313 obunachiga ega bo‘ldi.

03 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -72 ga, so‘nggi 24 soatda esa -2 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

  • Tasdiqlash holati: Tasdiqlanmagan
  • Jalb etish (ER): Auditoriya o‘rtacha 8.04% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.70% ini tashkil etuvchi reaksiyalarni to‘playdi.
  • Post qamrovi: Har bir post o‘rtacha 1 714 marta ko‘riladi; birinchi sutkada odatda 788 ta ko‘rish yig‘iladi.
  • Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 16 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 لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 04 Noyabr, 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.

21 313
Obunachilar
-224 soatlar
+127 kun
-7230 kun
Postlar arxiv
یک خانواده از LLM ها اکنون می توانند تا حدود زیادی نقش Decompile کدهای باینری را به عهده بگیرند : @ai_python این مدل ها بر رو
یک خانواده از LLM ها اکنون می توانند تا حدود زیادی نقش Decompile کدهای باینری را به عهده بگیرند : @ai_python این مدل ها بر روی 4 بیلیون توکن سورس کد زبان سی و اسمبلی کدهای متناظر Train شده اند. Paper Link

یه پلت فرم باحال که باهاش می تونید خیلی راحت مایگریت کنید. برای مثال به نظر من لایبرری OpenAI خیلی سریع تغییر می کنه. @ai_pyt
یه پلت فرم باحال که باهاش می تونید خیلی راحت مایگریت کنید. برای مثال به نظر من لایبرری OpenAI خیلی سریع تغییر می کنه. @ai_python با استفاده از این پلت فرم وقتی که لایبرری OpenAI رو آپدیت می کنید، می تونید چک کنید که کجای کدتون نیاز به تغییر داره تا با ورژن جدید سازگار بشه. https://app.grit.io/ @ai_python البته grit فقط برای OpenAI نیست. خیلی کتابخونه های دیگه رو هم پشتیبانی می کنه. مثل Next.js یا حتی مهاجرت از Chai به Jest https://app.grit.io/migrations/new

پیاده سازی RAG با استفاده از MongoDB به عنوان Vector Database

مقایسه جامه وکتور دیتابیس ها : @ai_python https://superlinked.com/vector-db-comparison/

@ai_python تفاوت های کلیدی LangChain و LlamaIndex
@ai_python تفاوت های کلیدی LangChain و LlamaIndex

Repost from N/a
🌱 تخفیف نوبرانه فرادرس — ۷۰⁒ تخفیف در بزرگترین جشنواره سال 💯 برای اولین بار، همه‌ی آموزش‌های فرادرس با تخفیف ویژه ۷۰ درصدی
🌱 تخفیف نوبرانه فرادرس — ۷۰⁒ تخفیف در بزرگترین جشنواره سال   💯 برای اولین بار، همه‌ی آموزش‌های فرادرس با تخفیف ویژه ۷۰ درصدی در دسترس شماست!   🔹 برنامه نویسی پایتون + مثال های عملی   🔹 کاربرد ChatGPT در علم داده   🔹 برنامه‌ نویسی R - تحلیل داده‌ های تاریخ و زمان   🔹 هوش مصنوعی – مقدماتی   🔹 تجزیه و تحلیل و آماده سازی داده ها با پایتون   🎁 کد تخفیف: EYD43   👈 مشاهده سایر آموزش‌ها - [کلیک کنید] @FaraDars - فرادرس

لانگ فیوز، یکی از پلت فرم های LLM Engineering است که شامل قابلیت های زیر برای LLM Application ها هست : 👨‍💻 Traces 👨‍💻 Eva
لانگ فیوز، یکی از پلت فرم های LLM Engineering است که شامل قابلیت های زیر برای LLM Application ها هست : 👨‍💻 Traces 👨‍💻 Evals 👨‍💻 Prompt Management 👨‍💻 Metrics حال، به تازگی، این پلت فرم اپن سورس با Llama Index هم Integrate شده. @ai_python جهت اطلاعات بیش تر به این پست مراجعه کنید.

@ai_python شمای ماژول Model I/O در لانگ چین Medium
@ai_python شمای ماژول Model I/O در لانگ چین Medium

تاپ ترین دوره های رایگان هوش مصنوعی برگرفته از صفحه Generative AI در لینکداین @ai_python
تاپ ترین دوره های رایگان هوش مصنوعی برگرفته از صفحه Generative AI در لینکداین @ai_python

Repost from N/a
📣 برای اولین بار در فرادرس — ۷۰⁒ تخفیف برای تمامی آموزش‌ها 💣 🌸 در جشنواره «به سوی بهار» با کد تخفیف EYD43 هر آموزشی را که
📣 برای اولین بار در فرادرس — ۷۰⁒ تخفیف برای تمامی آموزش‌ها 💣   🌸 در جشنواره «به سوی بهار» با کد تخفیف EYD43 هر آموزشی را که دوست دارید با تخفیف ویژه دریافت کنید.   💠 ورود به صفحه جشنواره — [کلیک کنید]   ✅ دسترسی سریع به تمامی آموزش‌ها 👇👇   🔸 جدیدترین آموزش‌های دو ماه اخیر   🔸 پرمخاطب‌‎ترین آموزش‌های یک ماه اخیر   🔸 آموزش‌های طبقه‌بندی شده @FaraDars - فرادرس

اگر این روزها با RAG Evaluation درگیر هستید یا قرار هست در آینده درگیرش بشید، این نوشتار فرمول های متریک های مورد استفاده در RAG Evaluation و معنای آن ها را بسیار بسیار ساده و با مثال های خیلی خوبی بیان کرده است: @ai_python https://medium.com/@rupeshyadav153/evaluation-of-retrieval-augmented-generation-rag-using-ragas-on-human-annotated-and-synthetic-09c4b825c298

امروز یک مقایسه اجمالی انجام دادیم از دو تا ابزار RAG Evaluation مشهور و حرفه ای. که با شما هم به اشتراک می ذاریم. @ai_python
امروز یک مقایسه اجمالی انجام دادیم از دو تا ابزار RAG Evaluation مشهور و حرفه ای. که با شما هم به اشتراک می ذاریم. @ai_python

@ai_python اینفوگرافی توضیح RAG از دیدگاه تقسیم به یک بخش Generation و در سمت دیگر Retrieval
@ai_python اینفوگرافی توضیح RAG از دیدگاه تقسیم به یک بخش Generation و در سمت دیگر Retrieval

یک دیاگرام بسیار عالی از Pipeline یک سیستم RAG به زبان بسیار ساده @ai_python استخراج شده از دوره های deeplearning.ai
یک دیاگرام بسیار عالی از Pipeline یک سیستم RAG به زبان بسیار ساده @ai_python استخراج شده از دوره های deeplearning.ai

@ai_python 👨‍💻 🤷🏻‍♂️
@ai_python 👨‍💻 🤷🏻‍♂️

به نظرتون با توجه به LLM های تا این حد Long Context که امروزه در اختیار داریم، آیا هنوز وجود RAG مورد نیاز هست؟ از این جهت که این LLM ها می توانند این حجم از داده را مستقیم مورد آنالیز و جست و جو قرار دهند! @ai_python پاسخ در این ویدیو تا حدودی داده شده است : https://youtu.be/UlmyyYQGhzc?si=LHuZRHyRc8VtTCuh لینک های گیت هابشم که توی توضیحات خود ویدیو هست. اما اگه وقت ندارید ویدیو رو ببینید و صرفن کنجکاو هستید که نتیجه نهایی رو بدونید : Overall, the analysis shows that RAG cannot currently be completely replaced by long contexts in LLMs, as finding multiple facts from long contexts at the same time is not guaranteed. More research is needed to improve skills. But long contexts are very promising! 👨‍💻

Repost from N/a
🚀 رایگان آموزش ببین و کلی مهارت یاد بگیر... 🎯 با مجموعه آموزش‌‌های رایگان فرادرس، در کوتاه‌ترین زمان ممکن به چیزی که میخوای
🚀 رایگان آموزش ببین و کلی مهارت یاد بگیر... 🎯 با مجموعه آموزش‌‌های رایگان فرادرس، در کوتاه‌ترین زمان ممکن به چیزی که میخوای میرسی!   ▫️ یادگیری ماشین با پایتون در ۱۸۰ دقیقه   ▫️ کتابخانه‌های پایتون برای یادگیری ماشین و یادگیری عمیق   ▫️ چت جی پی تی ChatGPT چه کار می کند؟   ▫️ مفاهیم پایه در یادگیری تقویتی ماشین   ▫️ تبدیل متن به گفتار در پایتون با کتابخانه pyttsx3   👈 سایر آموزش‌های رایگان - [اینجا ببینید]   @FaraDars - فرادرس