دستاوردهای یادگیری عمیق(InTec)
Kanalga Telegram’da o‘tish
9 968
Obunachilar
+524 soatlar
+277 kun
+8230 kun
Ma'lumotlar yuklanmoqda
O'xshash kanallar
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Oktabr '26Okt '26
Oktabr '26
+116
1 kanalda
Sentabr '26
+194
4 kanalda
Get PRO
Avgust '26
+155
0 kanalda
Get PRO
Iyul '26
+168
2 kanalda
Get PRO
Iyun '26
+178
2 kanalda
Get PRO
May '26
+114
2 kanalda
Get PRO
Aprel '26
+36
0 kanalda
Get PRO
Mart '26
+16
0 kanalda
Get PRO
Fevral '26
+93
1 kanalda
Get PRO
Yanvar '26
+148
3 kanalda
Get PRO
Dekabr '25
+100
1 kanalda
Get PRO
Noyabr '25
+100
2 kanalda
Get PRO
Oktabr '25
+122
1 kanalda
Get PRO
Sentabr '25
+204
0 kanalda
Get PRO
Avgust '25
+234
2 kanalda
Get PRO
Iyul '25
+156
5 kanalda
Get PRO
Iyun '25
+196
2 kanalda
Get PRO
May '25
+204
3 kanalda
Get PRO
Aprel '25
+227
4 kanalda
Get PRO
Mart '25
+287
4 kanalda
Get PRO
Fevral '25
+256
2 kanalda
Get PRO
Yanvar '25
+197
1 kanalda
Get PRO
Dekabr '24
+252
3 kanalda
Get PRO
Noyabr '24
+310
1 kanalda
Get PRO
Oktabr '24
+366
4 kanalda
Get PRO
Sentabr '24
+362
3 kanalda
Get PRO
Avgust '24
+363
0 kanalda
Get PRO
Iyul '24
+525
3 kanalda
Get PRO
Iyun '24
+422
2 kanalda
Get PRO
May '24
+404
2 kanalda
Get PRO
Aprel '24
+647
8 kanalda
Get PRO
Mart '24
+458
1 kanalda
Get PRO
Fevral '24
+325
2 kanalda
Get PRO
Yanvar '24
+273
1 kanalda
Get PRO
Dekabr '23
+386
4 kanalda
Get PRO
Noyabr '23
+47
2 kanalda
Get PRO
Oktabr '23
+40
0 kanalda
Get PRO
Sentabr '23
+114
0 kanalda
Get PRO
Avgust '23
+112
0 kanalda
Get PRO
Iyul '23
+102
0 kanalda
Get PRO
Iyun '23
+216
0 kanalda
Get PRO
May '23
+112
0 kanalda
Get PRO
Aprel '23
+156
0 kanalda
Get PRO
Mart '23
+110
0 kanalda
Get PRO
Fevral '23
+235
0 kanalda
Get PRO
Yanvar '23
+259
0 kanalda
Get PRO
Dekabr '22
+125
0 kanalda
Get PRO
Noyabr '22
+95
0 kanalda
Get PRO
Oktabr '22
+134
0 kanalda
Get PRO
Sentabr '22
+186
0 kanalda
Get PRO
Avgust '22
+113
0 kanalda
Get PRO
Iyul '22
+104
0 kanalda
Get PRO
Iyun '22
+95
0 kanalda
Get PRO
May '22
+95
0 kanalda
Get PRO
Aprel '22
+113
0 kanalda
Get PRO
Mart '22
+163
0 kanalda
Get PRO
Fevral '22
+67
0 kanalda
Get PRO
Yanvar '22
+80
0 kanalda
Get PRO
Dekabr '21
+45
0 kanalda
Get PRO
Noyabr '21
+101
0 kanalda
Get PRO
Oktabr '21
+28
0 kanalda
Get PRO
Sentabr '21
+63
0 kanalda
Get PRO
Avgust '21
+174
0 kanalda
Get PRO
Iyul '21
+42
0 kanalda
Get PRO
Iyun '21
+35
0 kanalda
Get PRO
May '21
+40
0 kanalda
Get PRO
Aprel '21
+24
0 kanalda
Get PRO
Mart '21
+38
0 kanalda
Get PRO
Fevral '21
+116
0 kanalda
Get PRO
Yanvar '21
+76
0 kanalda
Get PRO
Dekabr '20
+1 830
0 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 22 Oktabr | +6 | |||
| 21 Oktabr | +6 | |||
| 20 Oktabr | +13 | |||
| 19 Oktabr | +2 | |||
| 18 Oktabr | +14 | |||
| 17 Oktabr | +3 | |||
| 16 Oktabr | +14 | |||
| 15 Oktabr | +3 | |||
| 14 Oktabr | +1 | |||
| 13 Oktabr | +1 | |||
| 12 Oktabr | +4 | |||
| 11 Oktabr | +2 | |||
| 10 Oktabr | +2 | |||
| 09 Oktabr | +5 | |||
| 08 Oktabr | +5 | |||
| 07 Oktabr | +5 | |||
| 06 Oktabr | +8 | |||
| 05 Oktabr | +5 | |||
| 04 Oktabr | +4 | |||
| 03 Oktabr | +2 | |||
| 02 Oktabr | +5 | |||
| 01 Oktabr | +6 |
Kanal postlari
https://t.me/per3onnel/772
تو وضعیت تحریم برای اون‌هایی که کارت گرافیک سری
30xx به بعد با رم 64G یا بیشتر دارند (بعضی شرکت‌ها دارند این کانفیگ رو یا حتی بهترش رو) و با توجه به شرایط اینترنت که داره نفس‌های آخرش رو میکشه.
Project Maya
می‌تونه به خیلی‌ها کمک کنه؛ چیزی که متوجه شدم این هست که این repo هم یک فورک دیگه از Strata هست که بجای
Qwen3.8-Flash
مدل‌های
GLM-5.3.-Flash (321B)
Deepseek-v4.1-Flash-1017 (748B)
رو پشتیبانی می‌کنه که خب بخاطر اجرای Deepseek خیلی نظرات رو جلب کرده (جدیدترین نسخه فلش هست)| 2 | openai
هم ایران رو رسما تحریم کرد | 1 709 |
| 3 | راجب پست سوالات زیاد بود ولی یک مورد رو چندین نفر از پرسیده بودند گفتم اینجا بنویسم.
سوال این بود که؛ چطوری مقاله رو پیاده‌سازی می‌کنم ؟
تصمیم گیری‌ها و ...
منم به نوعی به این چالش خوردم پس با داستان خودم توضیح میدم :
من سال ۲۰۱۵-۲۰۱۶ که شروع کردم معروف‌ترین فریمورک هوش مصنوعی Tensorflow بود و سالی هم بود که open source شد تقریبا کل بازار دستش بود پس منم با همین فریمورک شروع کردم.
چندسال بعد که Pytorch توی بخش ریسرچ جا باز کرد دیگه بین دوتا فریمورک توی چرخش بودم (برای دپلوی روی تنسورفلو - برای تحقیق روی پایتورچ)
با اینکه مفاهیم رو خیلی خوب می‌دونستم ولی سوییچ کردن دائم بین دوتا فریمورک و خب تجربه کم روی پایتورچ اوضاع رو خیلی برام سخت کرده بود؛ کدهام روی تنسورفلو بار اول کار میکرد روی پایتورچ همش به ارور میخورد؛ وقتی به مشکلات کدهام نگاه میکردم متوجه شدم یک سری از اونها توی dimension, نحوه برخورد پایتورچ با ماتریس‌ها هست مثلا channel first, channel last یودن یا توابعی مثل einsum و ...
و یک سری از موارد هم مربوط به این بود که من فریمورک رو خبلی خوب بلد نیستم.
از همون موقع با یک راهکار دیگه شروع کردم کد زدن؛
اول ریاضیات
بعد ترین و بچ و ...
یعنی چی ؟
اول شروع میکردم به کد زدن عادی یک تابع دارای ضرب ماتریس و ... اگر پارامتری برای آموزش داشت مثل weight ها اون رو با torch.rand مقدار دهی میکردم (این کار برای train اشتباه هست چون grad رو نداره) و فقط مطمئن میشدم اگر batch نباشه با rand چیزی که نوشتم از نظر ریاضیات و ضرب ماتریس و ... درست عمل می‌کنه (وقتی ورودی ثابت باشه؛ خروجی رو دستی میشه حساب کرد)
از این مرحله که گذشت؛ شروع میکردم تابع رو تغییر دادن اینبار batch رو هم درنظر میگرفتم.
همیشه از index های منفی سعی می‌کنم استفاده کنم چون توی پایتورچ index های آخر معمولا ثابت هستند تغییرات توی index های اولی هست منظورم اینه :
مثلا دیتای تضویر رو فرض کنید
B x C x H x W
طول و عکس بعد maxpool یا یک عملکرد ریاضی مثل اون تغییر می‌کنه (کم پیش میاد)
بعدش به Channel میرسید؛ توی conv این زیادی تغییر می‌کنه
و در آخر به batch میرسید که توسط یوزر ست میشه
بعد از اون تابعی که داشتم رو بررسی میکردم؛
آیا نیاز به پارامتری داره که در طول train تغییر کنه ؟
آیا رفتارش در طول train با valid فرق می‌کنه ؟
اگر جواب سوالاتی مثل این موارد بله بود؛ توی مرحله بعدی اونارو به nn.Module تبدیل میکردم و با nn.Parameter پیش میرفتم.
اگر جواب این سوالات خیر بود؛ اونوقت کارم تموم شده چون اون تابع نیازی به ذخیره یا تغییر هیچ state ایی نداره.
همین ۳ تا قدم کلی از مشکلات تصمیم گیری رو برطرف میکرد برام (هنوزم همینطوری کد میزنم) و خیلی مسائل رو ساده‌تر میکرد؛ بخصوص وقتی خیلی زیاد بین ۲ تا فریمورک سوییچ میکردم
امیدوارم برای شماهم مفید باشه. | 1 715 |
| 4 | @DevChaiChat
سوال و بحث‌ها و ...
مربوط به این گروه هست (هروقت صحبت از گروه می‌کنم)
داخل گروه بالا که بشید لیست قوانین رو می‌بینید.
بخونید و اگر موافق و پایبند بودید روی لینک خصوصی که گذاشته شده کلیک کنید.
اگر دوس ندارید سوال یا بحثی رو توی گروه مطرح کنید؛ توی دایرکت هر کانال می‌تونید پیام بدید.
بصورت خصوصی به اکانتم اگر پیام بدید فرصت نگاه کردن هم نمی‌کنم | 1 562 |
| 5 | خلاصه دنیای ML Engineer و حتی Research به گند کشیده شده (این فقط برنامه‌نویسی و VibeCode نیست) حجم noise انقدر زیاد شده که متخصص‌های واقعی پیدا کردنشون خیلی خیلی سخت شده.
توی این مصاحبه‌ها ماها هممون چندسالی هست که روی این زمینه‌ها کار کردیم می‌دونستیم چی میخوایم و آدم با سواد چی رو بلد باید باشه حالا مقایسه کنید با شرکت‌هایی که ۱ شبه میخواند AI اضافه کنند. | 1 761 |
| 6 | چندوقت پیش مدیر یکی از شرکت‌هایی که ۳ سال پیش باهاش کار میکردم باهام تماس گرفت و گفت برای استخدام ۲ تا نیروی ML Engineer دعوت به همکاری زدند و ۱۶۷ تا روزمه دستشون رسیده و نمیرسند که توی ۱ هفته بررسی کنند.
برای همین ازم خواست که برای کمک به ۲ تا مصاحبه کننده دیگه (از نیروهاش) کمک کنم (وقتی پرداخت دلاری انجام میدی حتی اگر مبلغ بالا نباشه آدمای زیادی علاقمند میشوند)
————————-
پلن اینطوری شد که ما یک جلسه باهم رفتیم ۴ نفری تا تصمیم بگیریم سوالات مصاحبه و شیوه ارزیابی یکسان باشه که بخاطر سخت‌گیری‌ها و پروژه‌های شخصی مصاحبه کننده‌ها نیروی مناسب به اشتباه رد نشه.
توی جلسه رندم ۱۰-۱۵ تا رزومه رو باز کردیم لینکدین‌ها رو نگاه می‌کردی همه پیغمبر ML Engineering و AI Specialist و ... بودند
پست‌هاشون رو که می‌خوندی متوجه بد بودن اوضاع می‌شدی.
پیشنهاد دادم بجای اینکار به همشون یک ایمیل بزنیم و مقاله DDPM رو بفرستیم؛ توی اطلاع رسانی به همگی گفته شد که مقاله رو بخونید برای مرحله اول مصاحبه؛ به این ترتیب پیش رفتیم.
۳ تا سوال توی مرحله اول پرسیده میشد (سوال اول و پیاده‌سازی کد سوال دوم رو اگر نتونند انجام بدند درجا مصاحبه تموم میشه)
۱ - توی صفحه ۴ مقاله دو مورد pseudocode برای train, generate وجود داره فرمول ریاضی مربوط به generation رو توضیح بدید و دلیل وجود عبارت آخر (نویز) چیه ؟
این برای درک مقاله بود و نه چیز دیگه.
۲- تصویر مربوط به
Scaled dot-product Attention
Mulit-Head Attention
همراه با توضیحاتش بصورت خلاصه (به انگلیسی) + یک random seed خاص و دیتایی برای q, k, v داده میشد.
بر اساس اون توضیحات و تصاویر باید این ۲ تا تابع رو پیاده‌سازی می‌کردند.
تمام موارد از مقاله Attention is all you need اومده بود فقط یک مقدار توضیحات رو تغییر دادم و موارد مورد نیاز برای پیاده‌سازی رو کنار هم آوردم و ساده سازی کردم. (این مورد توی ایمیل برای کسی گفته نشده بود و ارسال نشده بود) فقط گفته بودیم کد هم داره این مصاحبه.
۳- یک سری سوالات کلی دیگه درمورد ابزارهای دیگه بود.
قبل از مرحله اول توی مرحله خوندن ایمیل ۴۳ نفر ایمیل فرستادند که مقاله خوندن کارشون نیست؛ بعدا توی لینکدین دیدیم خیلی‌ها از تیم Marketing, Social media و ... هستند و چون از API استفاده می‌کنند فکر می‌کنند که ML Engineer شدند (وقتی کسی بالاسرت نیست که بهت تو دهنی بزنه واسه حرف مفتایی که می‌زنی این میشه)
۳ تا ازین افراد دوره آموزش AI دارند توی لینکدین که فکر می‌کنم نزدیک هم هست؛ البته تنها مدرس‌ها نیستند ولی خب
توی مصاحبه و توی سوال اول؛ ۵۴ نفر دیگه رو باهاشون خدافظی کردیم. خیلی‌هاشون فقط چون سطح زبانشون خوب بود فکر می‌کردند مقاله رو بخونند و وارد بشوند که همون سوال اول رو گیر می‌کردند؛ دسته اول اصلا نمی‌دونستند اون عبارت noise هست؛ دسته دوم اصلا نمی‌تونستند توضیح بدند چرا.
این مصاحبه‌ها بیشتر از ۱ روز وقت مارو نگرفت.
تا همین مرحله از ۱۶۷ نفر ۹۷ نفر حذف شدند.
توی سوال بعدی؛ نزدیک به ۳۶ نفر گفتند که اصلا با پایتورچ کد نزدند تا حالا.
۱۳ نفر پیاده‌سازی خود پایتورچ رو فقط تحویل دادند (متد آماده رو صدا زدند)
۷ نفر هم بر این باور بودند که کد زدن مرده و باید با LLM کد زد (شعور قد تخم مرغ؛ چون سناریو براشون توضیح داده شده بود شما عضو این تیم هستید و تحقیقات رو قراره به کد تبدیل کنید)
اینطوری ۵۶ نفر دیگه هم از دور خارج شدند.
نهایتا ما ۴ روز وقت برامون موند (کلا مصاحبه ۹ روز طول کشید تقریبا ۲ مرحله) که از ۱۴ نفری که موندند ۵ نفر پیاده‌سازی‌هاشون توی ضرب ماتریسی و dimension ها اشتباه داشت و باعث میشد خروجی اشتباه بدند و با ابزارهای دیگه ML Engineering هم کار نکرده بودند.
البته ۳ نفرشون تازه کار بودند و بنظرم آینده خوبی دارند توی فیلد.
فقط و فقط ۹ نفر واقعا ML Engineer بودند و می‌فهمیدند دارند چیکار می‌کنند که نهایتا ما با ۲ نفر بهترین قرارداد بستیم.
بدون تعارف بگم؛ پروفایل همه شرکت‌کننده‌ها توی لینکدین نوشته متخصص هوش مصنوعی (هیچی از هوش مصنوعی حالیشون نبود)
واقعا از چند نفر شخصا پرسیدم می‌دونی loss چیه ؟ یا Optimizer چیکار می‌کنه ؟
یکیشون برگشت گفت شما دارید بیش از حد تخصصی‌اش می‌کنید که من تو مصاحبه رد بشم وگرنه من اینجایی که کار می‌کنم اصلا ازین سوالا ازم نشد.
خیلی‌هاشون دارند دوره - سمینار و ... برگزار می‌کنند تا از شما متخصص هوش مصنوعی بسازند.
بعضی‌هاشون حتی پس زمینه کد زدن هم نداشتند؛ گفتم بالاتر از چه تیم‌هایی وارد شدند. | 1 684 |
| 7 | اما از همه اینا بهتر دیگه مشکلی که خودت پیدا کردی رو حل کنی.
و شک نکنید وقتی روش کار می‌کنید کلی ایده بیشتر و بهتر به ذهنتون میزنه؛ همیشه بعد از شروع به کار این ایده‌ها میاد.
۲ سال پیش بهم می‌گفتی یک روزی برای لینوکس و ویندوز موزیک پلیر می‌نویسم توی روزای تعطیلم؛ قطعا می‌گفتم دیوونه شدی
۱۰ سال پیش می‌گفتی؛ می‌گفتم خطرناکی واسه جامعه
ولی خب کمتر از ۲ ماه پیش به اینجا رسیدم که همه موزیک پلیرها کار کردن باهاش سخته (هزاران کار رو انجام میده)؛ حواس پرت کن هست و UI/Theme های خیلی مزخرفی داره
و نشستم چیزی که خودم دوس داشتم رو برای استفاده شخصی زدم
https://github.com/pykeras/JaFplayer
بعدش کلی از بچه‌های گروه علاقمند شدند و ایده دادند که روشون کار کردم شد چیزی که هرروز دارم استفاده می‌کنم.
چرا می‌گم پروژه‌ای باشه که مشکل خودتون رو حل می‌کنه ؟
نیاز داشتم یک Bulk Tag Editor بهش اضافه کنم ولی کل هفته پیش سرم شلوغ بود (۱ ساعت هم وقت خالی نداشتم) اینقدر این پروژه برای استفاده خودم مهم هست که تمام قرار ملاقات و بیرون رفتن و ... دیروز (روز تعطیلم) رو کنسل کردم و نشستم پای اضافه کردن فیچرها و فیکس مشکلاتش و ...
دارم برای جمعه دیگه هم همین برنامه رو میریزم.
خلاصه که فقط کافیه دست به کد بشید؛ ایده و مشکل و ... زیاد هست برای حل کردن.
و اینکه یکی دیگه یک نسخه ضعیف ازش راه‌اندازی کرده که با تبلیغات معروفم شده نذارید دلیل این بشه که بگید این ایده اجرا شده پس انجامش نمیدم.
مثلا من ۲-۳ روز هست به این نتیجه رسیدم به یک ابزار نیاز دارم مثل
Cloud provider
ها که با چندتا کلیک همه چیز رو در اختبارم بذاره
Postgres, Redis, S3, ...
و دارم بهش فکر می‌کنم با چه چیزایی روی سرویس‌های AWS, Digital Ocean , ... مشکل داشتم برای اجرای سریع و تست منظورم هست. | 1 651 |
| 8 | این مورد:
این موضوع برای من فوق‌العاده جواب داده و تا امروز دست بهش نزدم.
تمرین خیلی خوبی هم هست.
جای پیشرفت هم بسیار بسیار زیاد داره بخصوص اینکه مدل‌های هوش مصنوعی درک بالاتری هم پیدا کردند | 1 748 |
| 9 | #موقت
دوستان این موارد همش پروژه هست؛ نیازی نیست دائم بپرسید برای رزومه چی کد بزنم. | 1 779 |
| 10 | #موقت
اشتباه توی اون کانال نوشتم ولی پست برای اینجا بود. | 1 327 |
| 11 |  بعد می‌گید چرا دیگه پست نمی‌ذارم.
وضعیت رو ببین خداوکیلی، همون جمله اول رو بخونید.
مدل میلیارد پارامتری یا ۱۸ کیلوبایت؟
من این دلقک بازی ۱۸ کیلوبایتی رو می‌گم چطوری ۰ کیلوبایت کنید، ولی حداقل توش کلی کانسپت برنامه‌نویسی یاد میگیرید:
صفحه شطرنجی بازی رو علامت بزنید، پیکسل قبلی که سبز بوده و پیکسلی که تازه سبز شده رو پیدا کنید این میشه جهت حرکت مار.
پیکسل قرمز هم اون سیب هست،
لبه‌‌های فضای بازی و البته پیکسل‌های سبز توی Grid محدوده ممنوع شما هست.
همش با if, else حل میشه.
نیازی به وقت تلف کردن سر ساخت دیتاست و ... نداره
از گفتن جملات احمقانه و مقایسه مدل میلیارد پارامتری با توانایی‌های بالاتر با یک مدل احمقانه هم جلوگیری می‌کنه.
پینوشت:
طرف برای جمله فارسی توی زبان مادری راجب پروژه‌ای که مثلاً زده مشکل داره، ۲ تا پاراگراف رو داده LLM براش نوشته.
واقعاً دکمه رو فشار میده ؟
من ازین چیزا خسته شدم،
مصاحبه‌های چند روز آینده (بعد تعطیلات رو) انجام بدم وقتی تموم شد یک آمار بهتون میدم از هفته‌ای که گذشت.
شاید شما هم متوجه حرفم شدید. (درک وضعیت منظورم هست) | 1 655 |
| 12 | تقریباً ۳ هفته‌اس دارم این پروژه رو میزنم با
Rust, Tauri v2
و هرچی دوستان بیشتری تست می‌کنند ایده‌های جالبتری بهش اضافه میشه.
فعلاً فقط نسخه لینوکس رو داریم و روی ورژن
v0.2.0
هستیم (شاید بعداً ویندوز و مک هم اضافه شد)
اگر دوست داشتید تست کنید توی کانال
https://t.me/per3onnel
فایل‌های باینتری برای دبیان، ردهت و آرچ وجود داره
پینوشت:
بعد از انتشار v1.0.0 بصورت open source منتشر خواهد شد | 2 244 |
| 13 |  +6تم دیفالت Kanagawa هست و ۷ تم معروف دیگر ترمینال هم بصورت پیشفرض وجود داره (تم‌هایی که اضافه می‌کنید بین ورژن‌ها آپدیت نمی‌مونه؛ اگر فکر می‌کنید لازم هست که این مورد رو هم اضافه کنم که توی دیتابیس ذخیره بشه)
Kanagawa (default)
Argonaut
Tokyo Night
Catppuccin Mocha
Nord
Gruvbox Dark
One Dark
Night Owl | 1 643 |
| 14 | Cline Desktop (Beta)
منتشر شده؛ خوبی این مورد این هست که کاملا
open source
هست این بنظرم یکی از بزرگترین مزیت‌هاش هست (بخصوص برای من و افرادی مثل من که به شرکت‌های خصوصی با افتضاحات این چندسال اعتماد ندارند)
همچنان البته بنظرم لازم هست که یک مقدار ادیت شخصی روش بزنید اما یک نکته خیلی خوبی که داره این هست که با Tauri توسعه داده شده مثل music player ایی که من توسعه دادم (به ورژن ۱ برسه open source می‌کنم چون الان خیلی کثیف هست و فقط قراره کار کنه تو نسخه فعلی) :
https://t.me/per3onnel/654
درنهایت کار کردن با Tauri برای اون‌هایی که Rust رو بلد هستند اصلا کار سختی نیست و این پروژه هم تا جایی که من کدهای بکندش رو بررسی کردم خوب و تمیز نوشته شده که برای تمرین و یادگیری هم خیلی گزینه خوبی می‌تونه باشه.
توی Tauri یکی از فریمورک‌های معروف فرانت برای ساخت ui استفاده میشه و Rust بکند رو بعهده می‌گیره برای همین هم زیبایی رو داره و هم سرعت خیلی بالایی بهتون میده که خب توی این پروژه هم React برای اینکار استفاده شده.
این پروژه ارزش بررسی کردن سورس کد رو داره. | 3 197 |
| 15 |  می‌دونستید کل ارائه رو می‌تونید به comic book تبدیل کنید ؟
هر مدلی که Image generation داشته باشه (مثال بالا Gemini Notebook هست)
برای کسایی که حافظه تصویری قویتری دارند این روش خیلی جواب هست.
پینوشت:
سورس دیتای تصویر بخشی از ارائه خودم هست؛ قراره ۱۲-۱۶ ساعت آموزش Axum بدم.
بطوریکه از روز بعدش بکند پروژه جدید رو روی Axum شروع به کد زدن کنند و از اونجایی که از درست کردن powerpoint نفرت دارم؛ به ذهنم رسید این کار رو بکنم (چون ۹۰٪ کد هست) برای مواقعی که کد نیست و باید توضیح بدم این بهترین گزینه هست بنظرم. | 2 341 |
| 16 | what is Jev ?
Bullshit
simple classifier + Pydantic that people used to practice when they start learning AI. But now that nobody use their brain anymore, people think it's a breakthrough in AI and computer science.
روی این یکی می‌تونید به خودم رفرنس بدید. | 3 300 |
| 17 | حالا که به این موضوع علاقه‌مند شدید باید بگم که؛ جاندارانی با مغز بزرگتر هم توی صف هستند برای این تحقیقات. | 1 |
| 18 | گوگل مغز یک حشره رو مپ کرده و بصورت open source هم منتشرش کرده تا اینجا یک کار تحقیقاتی هست.
بعد یک سری آدم اومدند؛ این حشره رو توی کارهای مختلف شبیه‌سازی کردند
حشره توی بازی‌های مختلف
حشره توی دنیای کریپتو
حشره توی معاملات بورسی
و ...
بعضی‌هاش واقعا نتایج جالبی داره و ایده‌های خنده‌دار هم توش بسیار بسیار زیاده.
Google Research
Github | 5 040 |
| 19 | این داستان رو قدیما سر آموزش‌های مربوط به دیتاساینس تعریف میکردم.
اهمیت
train/test split
یادش بخیر | 3 471 |
| 20 | دلیل اینکه راجب حل مسئله‌ی Navier-Stokes چیزی ننوشتم این بود که گفته‌های OpenAI رو باور نداشتم.
چرا ؟
اونایی که از قبل من رو می‌شناسند می‌دونند من علاقه‌ای هم به فیزیک دارم (شاید متوجهش نشم ولی بهش علاقه دارم و دنبال می‌کنم)
مسائل زیادی اونجا بهینه‌سازی یا حل شده توی ۱ سال اخیر و با کمک AI اما توی تمام موارد نقش AI استفاده از ترکیب‌های متفاوت فرمول‌ها بوده و یک فیزیکدان پشت داستان بوده.
دلیل اصلی که هیچکدوم از شرکت‌های AI هم روش مانور نمیدن همین هست که چیزی برای اونها نداره.
تکنیکی که استفاده میشه هم مثل روشی هست که باعث کشف Neptune شد
Urbain Le Verrier, who calculated the predicted position of Neptune.
داستان پشت Open AI هم بنظر میاد همین باشه؛ agentها از دیتای دو نفر ریاضیدان استفاده کردند که دقیقا داشتند روی این مسئله کار می‌کردند و بسیار هم پیشرفت داشتند.
با توجه به چیزهایی که من توی ۱ سال گذشته توی کامیونیتی فیزیک دیدم؛ کاملا حرف ریاضیدان‌ها رو قبول می‌کنم.
More on Youtube | 2 668 |
