برای امروز به حجم 200 گیگ vpn فقط به تعداد محدود برای شرایط عادی فقط 320 تومن برای تهیه بهم پیام بدید

@Farzadh1h

vless://cea77aa4-4543-4611-b361-37eadcbc434b@help.gadgetflow.ir:443?encryption=none&fp=chrome&pbk=0FXKuodi-cwZ7X-rlB36zxuNqliBKNWS4yDgNSxaemM&security=reality&sid=b38333&sni=yahoo.com&spx=%2FCqI2UlzjvenmilW&type=tcp#IranGadgetFlow-Test5

تست برای امروز

یک مدل زبانی دقیقاً چه مقدار از داده‌های آموزشی را حفظ می‌کند و چه مقدار واقعاً الگوهای عمومی را یاد می‌گیرد؟

روش‌های رایج، مانند استخراج یک متن از مدل یا تشخیص حضور آن در داده آموزشی، نمی‌توانند به‌طور کامل میان حفظ‌کردن داده و تعمیم‌دادن تفاوت بگذارند. آن‌ها به همین دلیل یک تعریف اطلاعاتی جدید ارائه می‌کنند که مقدار دانسته‌های مدل درباره هر نمونه را با واحد بیت اندازه می‌گیرد.

🔸 How much do language models memorize?
#مقاله

☑️ @AI_DeepMind
✅ @AI_Person

این #مقاله بررسی می‌کند که یک شبکه عصبی در شرایط واقعی آموزش، حداکثر چند نمونه را می‌تواند کاملاً یاد بگیرد. سؤال اصلی این است که آیا تعداد پارامترهای مدل واقعاً معیار مناسبی برای تعیین ظرفیت آن است یا معماری، داده، تابع فعال‌سازی و الگوریتم بهینه‌سازی نیز ظرفیت عملی مدل را تغییر می‌دهند.

تعداد پارامترهای یک شبکه عصبی به‌تنهایی مشخص نمی‌کند چه مقدار داده را می‌تواند یاد بگیرد.

شبکه‌های عصبی معمولاً در حفظ داده‌های تصادفی بسیار کم‌کارآمدتر از چیزی هستند که شمارش پارامترها نشان می‌دهد. اما وقتی داده دارای ساختار واقعی باشد، معماری مناسب می‌تواند الگوهای مشترک را استفاده کند و حتی بیشتر از تعداد پارامترهای خود نمونه‌های معنادار را برازش کند. CNN، ReLU، افزایش عمق، SGD و برخی روش‌های پارامتردهی، همگی ظرفیت عملی مدل را تغییر می‌دهند.

این مقاله نشان می‌دهد انعطاف‌پذیری واقعی شبکه عصبی نه فقط به تعداد پارامترها، بلکه به نحوه سازمان‌دهی پارامترها، ساختار داده و مسیری که الگوریتم آموزش در سطح loss طی می‌کند بستگی دارد.

🔸 Just How Flexible are Neural Networks in Practice?

#شبکه_عصبی #ایده_جذاب

☑️ @AI_DeepMind
✅ @AI_Person

آیا یک مدل می‌تواند پوشه‌ای شامل داده‌های پزشکی خام، پراکنده و دارای قالب‌های متفاوت را به داده‌ای استاندارد و قابل‌استفاده برای هوش مصنوعی تبدیل کند؟

این مقاله نشان می‌دهد پیش از تشخیص پزشکی با هوش مصنوعی، یک گلوگاه بنیادی وجود دارد: تبدیل صحیح، مستند و قابل‌اعتماد داده‌های خام و ناهمگون پزشکی به داده‌های استاندارد و آماده برای مدل‌های هوش مصنوعی.

🔸 Solve the Missing First Step: Can VLMs Standardize Raw Heterogeneous Medical Data?

#علوم_پزشکی #بینایی_ماشین #مدل_بنیادی #مقاله

☑️ @AI_DeepMind
✅ @AI_Person

اشتراک رایگان دولینگو!

وارد حساب کاربری بشید و لینک زیر باز کنید کد ردیم بزنید تمام


▪️ https://duolingo.com/redeem

▪️ Code: DUOBNBJUNE2026

اگر قبلا ردیم کد زدید نیازه با اکانت جدید بزنید.

این مقاله با عنوان (RSM) تلاش می‌کند روش‌های مختلفِ فاین‌تیون‌کردن مدل‌های تولید #تصویرِ Diffusion و Flow با استفاده از «پاداش» را در یک چارچوب واحد توضیح دهد. نویسندگان KAIST نشان می‌دهند که روش‌هایی مانند PPO، GRPO، PCPO، TempFlow-GRPO، VGG-Flow و SQDF، با وجود تفاوت ظاهری، در اصل یک هدف مشترک دارند: هدایت مدل به سمت تولید نمونه‌هایی با پاداش بالاتر، در حالی که مدل خیلی از مدل پایه دور نشود.

نکته جالب برای بحث RL که قبلاً داشتیم: این مقاله می‌گوید تفاوت PPO/GRPO با روش‌های گرادیانیِ فاین‌تیون Diffusion، الزاماً تفاوت در «هدف نهایی» نیست؛ آن‌ها اغلب فقط روش‌های متفاوتی برای تخمین همان سیگنال هدایت پاداش‌اند. بنابراین، مسئله اصلی بیشتر بهینه‌سازیِ bias–variance–compute است: تعادل بین سوگیری، واریانس و هزینه.

▪️ Reward Score Matching: Unifying Reward-based Fine-tuning for Flow and Diffusion Models

پ.ن: مقاله برگزیده کنفرانس ICML 2026

#یادگیری_تقویتی #مقاله #دیفیوژن #مقاله #کنفرانس

☑️ @AI_DeepMind
✅ @AI_Person

این مقاله مسئله ثابت‌بودن مدل‌های زبانی پس از آموزش را بررسی می‌کند. مدل‌های فعلی می‌توانند اطلاعات جدید را موقتاً در متن گفتگو نگه دارند، اما معمولاً قادر نیستند این تجربه‌ها را به دانش بلندمدت موجود در پارامترهای خود تبدیل کنند. نویسندگان برای حل این مشکل چارچوبی به نام «خواب» پیشنهاد می‌کنند که طی آن، مدل تجربه‌ها و اطلاعات کوتاه‌مدت را مرور کرده و با استفاده از تقطیر دانش و یادگیری تقویتی، آن‌ها را بدون فراموش‌کردن دانش قبلی به حافظه پایدار منتقل می‌کند.

این چارچوب مرحله دیگری به نام «رویاپردازی» دارد که در آن مدل با کمک #یادگیری_تقویتی، داده‌ها و تمرین‌های مصنوعی تولید می‌کند تا دانش جدید را تمرین کرده و توانایی‌های قبلی خود را بهبود دهد. آزمایش‌ها در زمینه‌هایی مانند درک متن‌های طولانی، یادگیری پیوسته، افزودن دانش جدید و استدلال ریاضی نشان می‌دهند که این روش می‌تواند مدل‌های زبانی را از سیستم‌هایی ثابت به مدل‌هایی تبدیل کند که به‌طور مداوم از تجربه‌های خود یاد می‌گیرند و دانششان را تثبیت می‌کنند.

▪️ Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories

#مقاله #مدل_زبانی

☑️ @AI_DeepMind
✅ @AI_Person

این مقاله چارچوبی به نام CORAL برای تکامل خودکار چند عامل هوش مصنوعی در مسائل باز و بلندمدت معرفی می‌کند. برخلاف روش‌های تکاملی قبلی که به قوانین ثابت و جست‌وجوی از پیش طراحی‌شده وابسته‌اند، در CORAL چند عامل برای مدت طولانی و به‌صورت ناهم‌زمان فعالیت می‌کنند، ایده‌های مختلف را آزمایش می‌کنند، نتایج خود را بازبینی می‌کنند و از طریق یک حافظه مشترک، دانش و تجربه‌هایشان را در اختیار یکدیگر قرار می‌دهند. سازوکار «ضربان قلب» نیز وضعیت عامل‌ها را کنترل کرده و هنگام توقف یا انحراف در فرایند، مداخله می‌کند.

ا CORAL روی مسائل #ریاضی، الگوریتمی و بهینه‌سازی سیستم‌ها ارزیابی شده و در ۱۰ وظیفه به نتایج برتر دست یافته است. این روش با تعداد ارزیابی کمتر، نرخ بهبود ۳ تا ۱۰ برابر بیشتر از روش‌های تکاملی ثابت داشته است. در یکی از مسائل مهندسی کرنل Anthropic نیز چهار عامل هم‌تکامل‌یابنده امتیاز اجرای محاسبات را از ۱۳۶۳ به ۱۱۰۳ چرخه کاهش دادند. نتیجه اصلی مقاله این است که استقلال بیشتر عامل‌ها، حافظه پایدار، تقسیم مسیرهای جست‌وجو و تبادل تجربه میان چند عامل می‌تواند کشف راه‌حل‌های جدید را سریع‌تر و مؤثرتر کند.

▪️ CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery

#مقاله

☑️ @AI_DeepMind
✅ @AI_Person

آیا می‌دانستید تصاویر پروفایل شما می‌تواند ابزار اخاذی شبکه‌های سایبری شود؟ طی روزهای اخیر کاربران بسیاری قربانی سودجویی این شبکه‌ها در پلتفرم تلگرام شده‌اند.

گزارش‌های جدید نشان می‌دهد کانال‌های متعددی با استخراج تصاویر حساب‌های کاربری، ضمن هتک حرمت افراد، درخواست واریز رمزارز می‌کنند. نیروهای انتظامی تاکنون چندین مدیر مرتبط با این پرونده‌ها را دستگیر کرده‌اند.

کارشناسان هشدار می‌دهند که در صورت مواجهه با چنین مواردی هرگز باج‌خواهی دیجیتال را نپذیرید

برای خواهران و برادران خودتان هم شده اگر چنین صفحات مجازی میبینید ریپورت کنید تا حذف شوند زنجیره امنیت و خاطر خانواده خودتان هم شده را با اعتماد به یک دیگر رقم بزنید و فضای زندگی رو اسایش را برای هم رقم بزنید. از عضویت در این کانالها خودداری کنید ممکن هست روزی اطلاعات فیک شما دستخوش بازی این کانالها قرار بگیره پس لطفا مراقبت از خود خواهر، برادر، مادر، پدر فرزندانتون رو جدی بگیرید خانواده پناهگاه آدم هست دیگران ناامن‌ش نکنند.

فیلم از پیج زومیت

برای امروز شارژ مجدد فیلترشکن به حجم 200 گیگ vpn فقط به تعداد محدود برای شرایط عادی فقط ۴۰۰ تومن برای تهیه بهم پیام بدید

@Farzadh1h

مردم جنوب ایران پاره تن ایرانن❤️🌻

شروع ثبت‌نام دوره تخصصی

تولید محتوای فنی با هوش مصنوعی

✨ از ایده تا تولید محتوای حرفه‌ای با کمک AI
با تدریس:
👨‍🏫 مدرس دوره: آرین فروزش
👩‍🏫 مدرس دوره: دکتر پریا ابراهیمی

✅ آشنایی با هوش مصنوعی و مدل‌های مولد
✅ زیرساخت فنی و پردازش تصویر
✅ تولید و ویرایش متن با هوش مصنوعی
✅ تولید تصویر با AI
✅ ویرایش تصویر و بهبود خروجی‌ها
✅ ترکیب حرفه‌ای متن و تصویر
✅ طراحی Workflow حرفه‌ای و اجرای پروژه نهایی
✅ برگزاری آزمون پایانی

🎓 ارائه گواهی معتبر پایان دوره از دانشگاه آزاد اسلامی واحد کرج

📌 مناسب برای تمامی علاقه‌مندان
📌 بدون محدودیت رشته، سن و وابستگی دانشگاهی
📌 ورود برای عموم آزاد است

🕒 مدت دوره: ۱۲ ساعت آموزشی

💻 نحوه برگزاری: حضوری / آنلاین

📞 شماره تماس و پیش‌ثبت‌نام: 09196441445

📬 برای ارتباط و اطلاعات بیشتر: https://xn--r1a.website/Ai_azad

🌐 ثبت‌نام:
meshkat.iau.ir/c/25148

🔺 آخرین اخبار و رویدادهای دانشگاه آزاد اسلامی واحد کرج را دنبال کنید 👇

سـایـت | ایـتـا | تلگــرام | آیـگپ | ســروش | اینستاگرام

📲 @akhbarkiau115
🔷 روابط عمومی و ارتباطات اجتماعی دانشگاه آزاد اسلامی استان البرز

دوره آموزشی تولید محتوای فنی با هوش مصنوعی

این دوره برای کسایی که قصد دارند محتوا با هوش مصنوعی تولید کنند و یادبگیرند چطوری با چت بات های هوش مصنوعی کار کنند و محتوا برای وبسایتها و تبلیغات درست کنند مفید هست اگر قصد دارید راجب بدونین مدل های مولد چکار میکنن این دوره برای شماست.

🎓 ارائه گواهی معتبر پایان دوره از دانشگاه آزاد اسلامی واحد کرج

📌 مناسب برای تمامی علاقه‌مندان
📌 بدون محدودیت رشته، سن و وابستگی دانشگاهی
📌 ورود برای عموم آزاد است

🌐 ثبت‌نام:
meshkat.iau.ir/c/25148

یا رب! ز بادِ فتنه نگهدار خاک پارس
چندان که خاک بُوَد و باد را بقا


بگو به خواب که امشب میا به دیده‌ی من
جزیره‌ای که ملکان تو بود، آب گرفت

یک دل آسوده نتوان یافت در زیر فلک
در بساط آسیاب یک دانه نشسته نیست

به یاد جوانانی که سهمشان از فردا، یه نام ماندگار شد. برای سربازانی که در خاب نازشون دیگر بیدار نشدند برای جنوب ایران و سیستان قلبم برای همه شما شکست.
شما مام وطن هستین ما را وطن غمگین کرد وگرنه ما غم زیاد داریم بغض زیاد داریم ما اهل جنوبیم ما ایرانیم😭😭

آلمان مدل Soofi S را با ۳۰ میلیارد پارامتر به صورت #متن_باز منتشر کرد.

▪️ A Sovereign, Open-Source Foundation Model for German and English
▪️ A Sovereign, Open-Source Foundation Model for German and English Soofi S HuggingFace

این مدل در مقایسه با مدلهای هم رده خودش از کیفیت بسیار خوبی هم دارا هستش

☑️ @AI_DeepMind
✅ @AI_Person

فروش یک ماهه هر گیگ 12 تومن برای شرایط عادی

آفر ویژه 200 گیگ یک ماهه برای شرایط عادی کانال روی تمام شبکه ها اپتیمایز شد الان میتونید با قیمت 450 تومن تهیه کنید


فروش فیلترشکن OpenVPN قابل ارایه و پشتیبانی حتی در زمان نت ملی برای تمام پلتفرمهای هوش مصنوعی و ... بدون ضریب

مناسب همه فعالیتها قابل استفاده در زمان قطعی نت، چند کاربره و یک ماهه

۱۱۰ گیگ تعداد کاربر نامحدود 3700
55 گیگ تعداد کاربر نامحدود 2700
حجم و تعداد کاربر نامحدود ۷ میلیون

ا IP ثابت آمریکا، آلمان، ترکیه موجود هست.

مناسب استفاده شخصی، شرکتها و استارت آپ ها، تریدرها و دارای IP ثابت

حداکثر سرعت قابل ارایه 16 مگابایت

برای تهیه به من پیام بدید 👇👇

@Farzadh1h

خواستم به این سوال جواب بدم:

دوستان بین
Data engineering
Computer vision engineering
Ml engineering
کدوم آینده بهتری داره؟
از نظر اشباع بازار و تهدید Ai

در میان مهندسی داده، مهندسی #یادگیری_ماشین و مهندسی #بینایی_ماشین، مهندسی داده از نظر امنیت شغلی، گستردگی بازار و مقاومت در برابر هوش مصنوعی انتخاب مطمئن‌تری است. مهندسی یادگیری ماشین درآمد و ظرفیت رشد بیشتری دارد، اما ورود به آن سخت‌تر و رقابت در سطح جونیور بیشتر است. بینایی ماشین نیز حوزه‌ای تخصصی برای #رباتیک، #پزشکی، خودروهای خودران و صنایع هوشمند است، اما تعداد فرصت‌های شغلی آن محدودتر است. بهترین مسیر بلندمدت، ترکیب مهندسی داده با مهندسی یادگیری ماشین است.

برای ورود به مهندسی داده باید ابتدا SQL، Python، PostgreSQL، Git و Linux را یاد گرفت. سپس ابزارهایی مانند Pandas، dbt و Apache Airflow برای پردازش، پاک‌سازی و ساخت خط لوله داده اهمیت دارند. در مراحل پیشرفته‌تر، Spark و PySpark برای پردازش داده‌های بزرگ، Kafka برای داده‌های لحظه‌ای، Docker برای استقرار و یکی از پلتفرم‌های AWS، Azure یا Google Cloud برای کار حرفه‌ای ضروری می‌شوند.

برای مهندسی یادگیری ماشین، مهارت‌های پایه شامل Python، NumPy، Pandas، SQL، Git، Linux و Jupyter Notebook است. Scikit-learn، XGBoost یا LightGBM برای مدل‌های معمولی و PyTorch برای یادگیری عمیق استفاده می‌شوند. پس از ساخت مدل، ابزارهایی مانند FastAPI، Docker و MLflow برای استقرار و مدیریت مدل لازم‌اند و در پروژه‌های پیشرفته‌تر نیز Airflow، DVC، Kubernetes، Spark، CUDA و سرویس‌های Cloud کاربرد دارند.

مهندسی بینایی ماشین حوزه‌ای تخصصی با فرصت‌های مهم در رباتیک، خودروهای خودران، پزشکی، کارخانه‌های هوشمند، پهپادها و پردازش تصاویر ماهواره‌ای است. بااین‌حال، تعداد موقعیت‌های شغلی آن نسبت به مهندسی داده و یادگیری ماشین کمتر است. کارهای ساده‌ای مانند #تشخیص_اشیا و دسته‌بندی تصاویر با مدل‌های آماده آسان‌تر شده‌اند؛ بنابراین مهارت‌هایی مانند بینایی سه‌بعدی، SLAM، ترکیب حسگرها، پردازش سریع، CUDA و Edge AI ارزش بیشتری دارند.

#هوش_مصنوعی #منابع #داده

☑️ @AI_DeepMind
✅ @AI_Person

کتابچه آموزشی RNNs and LSTMs تاریخچه تا مباحث مبانی این الگوریتم ها

#منابع #کتاب #شبکه_عصبی #الگوریتمها

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person