✔️ کمپانی LangChain با ارائه هوش‌مصنوعی open SWE رویای برنامه نویس ها رو محقق کرده

این هوش‌مصنوعی یه برنامه‌نویس خودکاره که علاوه بر برنامه‌نویسی، مهارت آنالیز پروژه ، چیدن استراتژی اجرای کار ، تست داره و در آخر pull Request آماده به شما می‌دهد برای همه ی این کارهارو اتوماتیک و بدون دخالت شما انجام میده
ضمنا مولتی تسک هست و میتونه چندتا کار برنامه‌نویسی رو همزمان اجرا کنه


https://swe.langchain.com/


🆔 @Ai_Tv

◀️یکی از ابزارهای جدید گوگل برای افزایش سرعت برنامه‌نویسی Google Codewiki‌ه.

🟢کافیه لینک ریپوی GitHub‌ رو بذاری، بعدش کل پروژه‌ رو تبدیل می‌کنه به یه راهنمای تعاملی کامل.

🟢دیاگرام می ‌سازه، معماری رو توضیح می‌ده،dependencyها رو باز می‌کنه، مهمتر اینکه می‌تونی با اون ریپازیتوری با کمک جمینای چت کنی و walkthrough بگیری.

https://codewiki.google/github.com/openclaw/openclaw



🆔 @Ai_Tv

✔️Anthropic released a 33-page guide on building Skills.

‼️what are Skills?

A skill is a folder that teaches Claude how to handle specific tasks. You teach it once, and it works every time. No more re-explaining your preferences in every conversation.

Skills aren't locked to Claude. They've been published as an open standard, so you can use them with AI agents like OpenClaw, too.

➕Download the PDF here: https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf


🆔 @Ai_Tv

🗓Jupyter notebook for the AI era


AI superpowers for every data analyst and data scientist

Deepnote is the AI workspace for data professionals, designed to simplify data exploration, accelerate analysis, and quickly deliver actionable insights for you and your team

Combine data, #SQL or #Python code, and visualizations side-by-side on a flexible canvas - enhanced with cutting-edge AI reasoning models.

👍Deepnote can help you to:

➡️Analyze with AI

➡️Describe and visualize: Generate visualizations and code simply by describing your goal.

➡️Auto AI: Write, execute, and debug code with AI.

➡️Code faster: Use our AI data copilot’s context-aware code suggestions to ship faster.

✔️https://deepnote.com/

✔️https://github.com/deepnote/deepnote


#علم_داده #DataScience
🆔 @Ai_Tv

✅تو این ریپو با الگوریتم های هوش‌مصنوعی و اینکه هر مدل چجوری کار میکنن آشنا می شوید

اگه برای استخدام حوزه هوش مصنوعی میخوای اقدام کنی پیشنهاد میکنم اول این ریپو رو ببین برای اینکه کارکرد مدل ها رو یاد میگیری و راحت میتونی تو مصاحبه توضیح بدی

👨‍💻https://github.com/eriklindernoren/ML-From-Scratch


#هوش_مصنوعی
🆔 @Ai_Tv

🔵این ریپو کلی تمپلت آماده N8N داره برای تقریبا همه ی کارها و اتوماسیون ها

🌐https://github.com/enescingoz/awesome-n8n-templates


🆔 @Ai_Tv

▶️ یه پروژه OpenSource به اسم YouTubeAutoDub روی گیت‌هاب هست.
لینک ویدیو رو میدی، خودش:
دانلود می‌کنه ، متن رو استخراج می‌کنه ، ترجمه می‌کنه ، دوبله می‌کنه، ویدیو رو با زبان جدید تحویل میده


🌐https://github.com/mangodxd/youtube-auto-dub


🆔 @Ai_Tv

☕️A Model Context Protocol (MCP) server that helps read GitHub repository structure and important files

✅با استفاده از این ابزار اپن سورس رایگان ؛ در کمتر از یک دقیقه ریپوهای گیتهاب رو تحلیل کنید
این ابزار پوشه ها ،دایرکتوری ها  و فایل های مهم رو  برای کاربر می‌خونه

👨‍💻https://github.com/adhikasp/mcp-git-ingest



🆔 @Ai_Tv

رایگان شد : بوتکمپ پایتون برای علم داده از یودمی

👍Hands On Python Data Science - Data Science Bootcamp

Master Python for Data Science with Real-World Applications: Dive Deep into Data Analysis, Machine Learning...


🟢 Language: English (US)
🟢Expires In: 3D
🟢 Price: $20 => FREE
💚 Coupon: B0727F9E40FF032F89B9

https://www.udemy.com/course/hands-on-python-data-science-data-science-bootcamp/?couponCode=B0727F9E40FF032F89B9


🆔 @Ai_Tv

⭐️ یه ابزار جذاب برای کسایی که با LLM و Agentها کار می‌کنن!

یک افزونه VS Code که ورک‌فلوهای AI/LLM داخل کد رو به صورت گراف تعاملی نمایش می‌ده.

به‌جای اینکه بین فایل‌ها دنبال جریان اجرای مدل بگردید، Codag:
✅ کال‌های LLM رو شناسایی می‌کنه
✅ ارتباط نودها رو رسم می‌کنه
✅نودها رو به سورس کد لینک می‌کنه
✅ با هر تغییر کد، گراف رو آپدیت می‌کنه

https://github.com/michaelzixizhou/codag

#AI #LLM #OpenSource #VSCode #GenAI


🆔 @Ai_Tv

◀️‏یه SQL agent ساختم که متن معمولی رو به کوئری‌های امن و دقیق دیتابیس تبدیل می‌کنه. این چیزیه که باعث میشه واقعاً توی پروداکشن کار کنه:

❌روش ساده‌لوحانه: یه بار صدا زدن LLM، دادن اسکیما، گرفتن SQL — همون لحظه‌ای که کاربر واقعی میاد سراغش می‌شکنه. سوال‌های مبهم، جدول اشتباه، بدون ریکاوری از خطا.

✅راه‌حل: تجزیه‌اش کردم به ۸ نود تخصصی داخل یه گراف LangGraph:
Router → Rewriter → Table Selector → SQL Generator → Validator → Executor → Synthesizer → Visualization
هر کدوم فقط یه کار انجام میدن. edgeهای شرطی هم مسئول routing و retry خودکار هستن.

✅ نکتهٔ طلایی: حلقهٔ retry
اگه SQL یا توی validation رد بشه یا موقع اجرا fail بده، گراف برمی‌گرده به generator و خطا رو داخل کانتکست مکالمه تزریق می‌کنه. LLM می‌بینه چی نوشته بوده و چرا fail شده، و خودش اصلاحش می‌کنه.

۷ تا چیزی که فرق بین دمو و محصول واقعی رو مشخص می‌کنه:
- برای تصمیم‌های دسته‌بندی از function calling استفاده کن، نه parsing متن آزاد
- همیشه خروجی LLM رو با ground truth چک کن — مدل‌ها اسم جدول hallucinate می‌کنن
- روی retry دما رو ببر بالا که همون کوئری خراب رو دوباره نده
- کانتکست خطا رو تزریق کن — «تو X نوشتی، با Y fail شد، درستش کن»
- قبل از اجرا SQL رو validate کن — مثلاً regex برای DROP/DELETE با word boundary
- همه‌چیز رو streaming کن — کاربر نباید ۵ ثانیه به صفحه خالی نگاه کنه
- استفاده از Thread ID برای ایزوله بودن sessionها — چند کاربر، یه deployment، بدون تداخل state

سیستم خودش Vega-Lite chart هم می‌سازه. هیچ chart type ای هاردکد نشده — LLM از روی شکل داده encoding درست رو انتخاب می‌کنه.

کل کد (بک‌اند + فرانت React):
➡️https://github.com/mallahyari/langgraph-sql-agent

توضیح معماری کامل هم داخل newsletter هست.
➡️Newsletter blog:
https://mlnotes.substack.com/p/building-a-production-ready-sql-agent

منبع


🆔 @Ai_Tv

☯️ دوره جامع علم داده (Data Science)

🧠 از مفاهیم پایه تا پروژه‌های واقعی
🐍 به همراه آموزش Python و SQL Server

💯 دوره آنلاین #علم_داده مناسب برای:

✔️ دانشجوها ✔️ تحلیلگران داده ✔️کارکنان واحدهای تخصصی
و
⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن

📌 مشاوره رایگان + مشاهده جزئیات دوره:

🔗 httb.ir/LDGEm

⚪️ گواهینامه معتبر مؤسسه توسعه
---
📈 جمع‌بندی سریع:
✅ دوره آنلاین
✅ شروع با مفاهیم پایه
✅ یادگیری ماشین Python، (ML) و شبکه‌های عصبی
✅ آموزش با Case Study ها و تحلیل‌ها از صنایع و حوزه‌های متعدد

✔️اگر از کولب استفاده می‌کنید، در نسخه رایگان «ماکزیمم ۸ ساعت» بهتون T4 رایگان می‌ده.
برای کار کردن با مدل‌های تا ۸ بیلیون پارامتر (همراه با quantization) و فاین‌تیون کردنشون خوبه. برای مدل‌های بزرگتر کولب پلاس یا پرو باید تهیه کنید. یا راه بهترش اینه برید از modal سرویس بگیرید.

🆔 @Ai_Tv

✅خب ظاهرا OpenClaw قابلیت تاپیک تلگرام رو هم فعال کرده، نیاز نیست به خاطر این فیچر به Discord موو کنید :)

⬅️ واسه فعال کردنش کافیه یه گروه تلگرام بسازید
⬅️برای بات خودتون invite بفرستید
⬅️حتما به بات دسترسی Admin بدید
⬅️ گزینه Topics رو از تنظیمات فعال کنید
⬅️ ازش بخواید که config خودش رو آپدیت کنه

آپشنال ولی مهم: در حالت عادی بات فقط با منشن شدن جواب میده، ازش بخواید داخل تنظیمات requireMention رو به false تغییر بده!


🆔 @Ai_Tv

⬅️نوشن هم به جمع اجنت‌سازها پیوست.

این ایجنت‌ها خودکارن (بدون نیاز به پرامپت). فقط یه هدف بذار، تریگر یا زمان‌بندی بذار، و بقیشو خودشون انجامش میدن.

⬅️از مدیریت و اولویت‌بندی تسک‌ها گرفته تا Q&A داخلی، استندآپ روزانه، و..



🆔 @Ai_Tv

⭐️ بچه ها اگه میخواهید با پروژه و تمرین علم داده رو یاد بگیرید این منابع رو پیشنهاد میکنم

✅اینجا یاد میگیری یه دستیار هوش مصنوعی بسازی که سوالات کاربر ( به زبان طبیعی ) رو به کوئری های SQL تبدیل میکنه

https://huggingface.co/datasets/gretelai/synthetic_text_to_sql

✅اینجا هم یاد میگیری تاثیر کمپین فروش روی افزایش فروش رو تحلیل کنی

https://github.com/andresvourakis/synthetic-e-commerce-data-with-marketing-campaign



🆔 @Ai_Tv