🎓 مجموعه دروس تخصصی دانشگاه Stanford برای تسلط بر LLMs

📑 بخش اول: مبانی و معماری ـ جلسه ۱: مفهوم Transformer ـ جلسه ۲: مدل‌ها و متدهای بهینه‌سازی ـ جلسه ۳: گذار به مدل‌های زبانی بزرگ

⚙️ بخش دوم: توسعه و آموزش ـ جلسه ۴: استراتژی‌های Training ـ جلسه ۵: تکنیک‌های Fine-tuning

🧠 بخش سوم: استدلال و عاملیت ـ جلسه ۶: مکانیسم‌های Reasoning ـ جلسه ۷: بررسی Agentic LLMs

📊 بخش چهارم: ارزیابی و ترندها ـ جلسه ۸: متدولوژی Evaluation ـ جلسه ۹: تحلیل Current Trends


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📊 تحلیل ۱۰۰ تریلیون توکن؛ واقعیت استفاده از مدل‌های بزرگ زبانی

در این اینفوگرافی، مهم‌ترین نتایج گزارش «State of AI» را می‌بینید؛ گزارشی که توسط OpenRouter منتشر شده و بر پایه‌ی تحلیل بیش از ۱۰۰ تریلیون توکن واقعی از تعامل کاربران با مدل‌های زبانی بزرگ در دنیای واقعی تهیه شده است.

این نتایج نشان می‌دهند که:
🤖 اکوسیستم LLMها چندمدلی شده
💻 برنامه‌نویسی به کاربرد غالب تبدیل شده
🧠 استنتاج عامل‌محور (Agentic) به حالت پیش‌فرض رسیده
🌍 مدل‌های متن‌باز و به‌ویژه مدل‌های چینی نقش کلیدی دارند
📈 کیفیت و حل مسئله مهم‌تر از قیمت هستند

این اینفوگرافی، خلاصه‌ای دقیق از الگوهای واقعی استفاده از هوش مصنوعی در سال ۲۰۲۵ است؛ نه بر اساس دمو یا بنچمارک، بلکه بر اساس داده‌های واقعی.

دسترسی به نسخه کامل گزارش

📊👨‍🏫 @DataPlusScience | @Data➕Science

ترندهای کلیدی AI Agent در افق ۲۰۲۶ | Google Cloud

گزارش AI Agent Trends 2026 گوگل کلاد نشان می‌دهد سازمان‌ها از استفاده ابزاری از AI به سمت سیستم‌های عامل هوشمند (Agentic Systems) در حال حرکت‌اند. این گزارش بر پایه تحلیل داده‌های سازمانی، مصاحبه با رهبران AI و نتایج کمی ROI of AI 2025 تدوین شده است.

۵ ترند اصلی گزارش:

👤 Agents for every employee
ایجنت‌ها به دستیار دائمی کارکنان تبدیل می‌شوند و نقش انسان به تعریف هدف، تصمیم‌گیری و نظارت راهبردی ارتقا می‌یابد.

⚙️ Agents for every workflow
فرآیندهای سازمانی به گردش‌کارهای چندایجنتی end-to-end و پیوسته تبدیل می‌شوند.

🤝 Agents for customers
تجربه مشتری از پاسخ‌های قاعده‌محور به تعاملات شخصی‌سازی‌شده و مبتنی بر داده‌های واقعی ارتقا می‌یابد.

🛡 Agents for security
امنیت از مدیریت هشدارها به تحلیل، اولویت‌بندی و اقدام نیمه‌خودکار منتقل می‌شود.

📈 Agents for scale
ایجاد ارزش در مقیاس بیش از فناوری، به توسعه مهارت‌های انسانی برای مدیریت ایجنت‌ها وابسته است.

📊👨‍🏫 @DataPlusScience

میلاد با سعادت امیرالمؤمنین علی علیه‌السلام و روز مرد را تبریک و تهنیت عرض می‌نماییم.


📊👨‍🏫 @DataPlusScience | @Data➕Science

📊 گزارش فعالیت کانال در سال ۲۰۲۵

🔁 در سال ۲۰۲۵، تعداد ۱۰۳ پست در کانال منتشر شد. این مطالب در مجموع بیش از ۱۶۵٬۳۰۳ بازدید داشته و بیش از ۶٬۳۱۰ بار بازنشر شده‌اند.

➕ در این بازه، ۱٬۰۰۹ نفر به اعضای کانال اضافه شدند که نشان‌دهنده رشد تدریجی و اعتماد مخاطبان به محتوای کانال است.

✨ امیدواریم در سال جدید با افزایش تعداد پست‌ها و تداوم فعالیت، حضور پررنگ‌تری در کانال داشته باشیم.

📩 در صورت داشتن هرگونه پیشنهاد یا انتقاد، می‌توانید پیام خود را به این آیدی ارسال کنید:
👉 @Contact2Mebot

🙏 سپاس از همراهی شما

📊👨‍🏫 @DataPlusScience | @Data➕Science

با سلام و احترام خدمت مخاطبان گرامی کانال

پس از ماه‌ها عدم فعالیت و محدودیت در دسترسی به اینترنت بین‌المللی، اکنون امکان آغاز مجدد فعالیت کانال فراهم شده است.

در این مدت، برنامه‌ریزی برای ارتقای کیفیت و توسعه فعالیت‌های کانال انجام شده و با طراحی سازوکاری جدید، فرآیند تولید و پیشنهاد محتوای کانال با بهره‌گیری از فناوری‌های هوش مصنوعی انجام خواهد شد.

هدف از این مسیر، تبدیل کانال به مرجعی تخصصی برای انتشار اخبار، تحولات، آموزش‌ها و ابزارهای حوزه هوش مصنوعی و علم داده به زبان فارسی است.

امید است با توکل بر خدا و همراهی شما مخاطبان گرامی، فصل جدید فعالیت کانال با کیفیتی بالاتر و محتوایی کاربردی‌تر ادامه یابد.

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی

شهادت رهبر معظم انقلاب اسلامی، حضرت آیت‌الله سیدعلی حسینی خامنه‌ای، و جمعی از فرماندهان و هم‌میهنان عزیزمان در پی تجاوز وحشیانه آمریکایی-صهیونیستی را تسلیت عرض می‌کنیم. 🏴

#تا‌پای‌جان‌برای‌ایران

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی

شهادت مظلومانه دانش‌آموزان، معلمان و کارکنان مدرسه شجره طیبه میناب در پی حمله جنایتکارانه آمریکا و رژیم صهیونیستی را تسلیت عرض می‌کنیم. 🏴

هدف قرار دادن کودکان و محیط آموزشی، سند دیگری بر ماهیت ضدانسانی و جنایت‌بار آمریکا و اسرائیل است؛ جنایتی که هرگز از حافظه ملت ایران پاک نخواهد شد.

#میناب۱۶۸

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی

‏🤖 ساخت مدل‌های زبانی بزرگ (LLM) شبیه GPT از ابتدا با PyTorch

‏این پروژه آموزشی در 10 نوت‌بوک، معماری مدل‌های زبانی بزرگ (LLM) را به بخش‌های ساده تقسیم کرده و امکان ساخت آن‌ها را از ابتدا با استفاده از فریم‌ورک PyTorch فراهم می‌کند. این مجموعه کاملاً عملی و مناسب برای افراد مبتدی است.

‏

‏🔹 این مجموعه شامل ۱۰ نوت‌بوک است که توضیحات گام‌به‌گام ارائه می‌دهند.
‏🔸 هدف اصلی شکستن معماری پیچیده LLMها به اجزای قابل فهم است.
‏💡 محتوا کاملاً عملی (hands-on) است و برای شروع یادگیری LLMها توسط مبتدیان طراحی شده.
‏

‏🔗 مخزن GitHub

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی

#آموزش #GPT4o

‏🤖 آپدیت بزرگ Claude Opus 4.8 از Anthropic
‏⚡️ مدل Claude Opus 4.8 با تمرکز بر صداقت و توانایی تشخیص خطای خود، جهش قابل توجهی داشته است. این نسخه قادر است مشکلات کد خود را چهار برابر بیشتر شناسایی کند.

‏🔸 همچنین، ویژگی گردش‌کارهای پویا (dynamic workflows) معرفی شده است که به صدها زیر-عامل هوش مصنوعی اجازه می‌دهد به صورت موازی روی پروژه‌های بزرگ و مهاجرت‌ها کار کنند.

‏

‏🔹 صداقت بیشتر: Claude Opus 4.8 در ارزیابی خروجی‌های خود و شناسایی مشکلات کد، بسیار دقیق‌تر عمل می‌کند.
‏💡 همکاری چندعاملی: امکان اجرای صدها عامل هوش مصنوعی به صورت همزمان برای تسریع پروژه‌های پیچیده فراهم شده است.
‏

‏🚀 جزئیات بیشتر در: خبر رسمی Anthropic

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #Claude

🚀 به‌روزرسانی بزرگ Google Colab با تمرکز بر AI

‏گوگل Colab را با رویکرد «AI-first» به‌طور گسترده‌ای بازطراحی کرده است. این به‌روزرسانی شامل ادغام بومی یک عامل علم داده مبتنی بر Gemini در رابط کاربری است که به کاربران امکان می‌دهد تا به کمک هوش مصنوعی، وظایف پیچیده علم داده را با سهولت بیشتری انجام دهند.

‏

‏💡 اکنون ویرایشگر Colab بیشتر شبیه به Cursor شده است و عامل Gemini (نسخه به‌روزشده) به صورت داخلی در رابط کاربری تعبیه شده است.
‏🎯 این عامل نه تنها در سلول‌ها قابل فراخوانی است، بلکه یک نوار ابزار جدید در پایین صفحه، پنجره‌ای در سمت راست برای بحث و اجرای کامل پایپ‌لاین‌ها با مدل باز می‌کند.
‏✅ عامل Gemini کل نوت‌بوک را به عنوان زمینه درک می‌کند و می‌تواند به صورت مستقل سلول‌ها را ایجاد و اجرا کند، فایل‌ها را تحلیل کند، نمودار بسازد و مدل‌ها را آموزش دهد.
‏🛠 علاوه بر این، پیشنهادات خودکار برای رفع خطاها به صورت تفاوت (diffs) مستقیماً درون سلول‌ها نمایش داده می‌شوند که کارایی را افزایش می‌دهد.
‏🔄 گوگل قول داده است که به زودی «ویژگی‌ها، ادغام‌ها و عامل‌های بیشتری» را به Colab اضافه کند.
‏

📊 Data➕Science

‏🤖 پلاگین امنیتی Claude Code برای شناسایی آسیب‌پذیری کد

‏Anthropic پلاگینی جدید برای Claude Code منتشر کرده است که کد را حین ویرایش از نظر آسیب‌پذیری بررسی می‌کند. این ابزار به صورت یک security-hook عمل کرده و با شناسایی مشکلات قبل از مرحله Pull Request، تا 40% در زمان بازبینی نهایی کد صرفه‌جویی می‌کند.

‏

‏🔹 شناسایی خودکار: پلاگین به طور خودکار هنگام ذخیره و ویرایش فایل‌ها فعال شده و مشکلات امنیتی را قبل از ارسال کد برای بازبینی شناسایی می‌کند.
‏🔸 الگوهای ناامن: علاوه بر آسیب‌پذیری‌های آشکار، این ابزار قادر به تشخیص الگوهای کد ناامن و جلوگیری از دسترسی عوامل هوش مصنوعی به فایل‌های حساس است.
‏💡 دسترسی رایگان: این پلاگین برای تمام کاربران Claude Code به صورت رایگان در دسترس است.
‏

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #Anthropic

‏🚀 نقشه راه جامع مهندسی هوش مصنوعی

‏این نقشه راه ۸ مرحله‌ای، مسیر یادگیری مهندسی هوش مصنوعی را از مبانی برنامه‌نویسی تا استقرار مدل‌ها و ساخت پروژه‌های واقعی پوشش می‌دهد. مراحل شامل یادگیری زبان پایتون، ساختار داده، الگوریتم‌ها، کار با داده، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی مولد (Generative AI)، اتوماسیون و عامل‌های هوشمند، و در نهایت استقرار و MLOps است.

‏🔹 مرحله ۱: مبانی برنامه‌نویسی با پایتون، ساختار داده، الگوریتم‌ها، APIها، JSON و مفاهیم شی‌گرایی (OOP) آغاز می‌شود. ابزارهای کلیدی شامل Visual Studio Code، Git و GitHub هستند.
‏🔸 مرحله ۲: پردازش و تحلیل داده شامل پاکسازی داده، بصری‌سازی، مهندسی ویژگی (Feature Engineering) و مبانی SQL است. کتابخانه‌های مهم عبارتند از Pandas، NumPy و Matplotlib.
‏💡 مرحله ۳: یادگیری ماشین به یادگیری نظارت‌شده (Supervised Learning)، نظارت‌نشده (Unsupervised Learning)، آموزش مدل و ارزیابی آن می‌پردازد. چارچوب‌های اصلی Scikit-learn و XGBoost هستند.
‏🧠 مرحله ۴: یادگیری عمیق شامل شبکه‌های عصبی، CNN، RNN، ترنسفورمرها (Transformers) و تنظیم دقیق مدل‌ها (Fine-Tuning) است. چارچوب‌های کلیدی TensorFlow، PyTorch و Keras می‌باشند.
‏🚀 مرحله ۵: هوش مصنوعی مولد و LLMها بر مهندسی پرامپت (Prompt Engineering)، چت‌بات‌های هوش مصنوعی، کاربردهای RAG (Retrieval-Augmented Generation) و عامل‌های هوش مصنوعی تمرکز دارد. ابزارهای مهم شامل ChatGPT، LangChain، LlamaIndex و Hugging Face Transformers هستند.
‏⚡️ مرحله ۶: اتوماسیون و عامل‌های هوش مصنوعی شامل اتوماسیون گردش کار، سیستم‌های هوش مصنوعی خودکار، فراخوانی ابزار (Tool Calling) و سیستم‌های چندعاملی (Multi-Agent Systems) است. پلتفرم‌های یادگیری شامل n8n، CrewAI و AutoGen هستند.
‏☁️ مرحله ۷: استقرار و MLOps به توسعه API، Docker، Kubernetes، مبانی CI/CD و استقرار در ابر (Cloud Deployment) می‌پردازد. پلتفرم‌های کلیدی FastAPI، Docker، Kubernetes و AWS هستند.
‏🎯 مرحله ۸: ساخت پروژه‌های واقعی مهندسی هوش مصنوعی برای تقویت مهارت‌ها با پروژه‌هایی مانند تحلیلگر رزومه، ربات پشتیبانی مشتری، محصول SaaS مبتنی بر هوش مصنوعی، دستیار صوتی و سیستم اتوماسیون گردش کار.

‏

‏🔹 ابزارهای برنامه‌نویسی مانند Visual Studio Code برای ویرایش کد و Git/GitHub برای مدیریت نسخه ضروری هستند.
‏🔸 کتابخانه‌های کلیدی علم داده شامل Pandas برای دستکاری داده، NumPy برای محاسبات عددی و Matplotlib برای بصری‌سازی است.
‏💡 چارچوب‌های یادگیری عمیق مانند TensorFlow و PyTorch امکان ساخت و آموزش شبکه‌های عصبی پیچیده را فراهم می‌کنند.
‏🧠 ابزارهای هوش مصنوعی مولد مانند LangChain و LlamaIndex به توسعه برنامه‌های مبتنی بر LLM کمک می‌کنند.
‏🚀 پلتفرم‌های اتوماسیون مانند CrewAI و AutoGen برای ساخت سیستم‌های چندعاملی کارآمد هستند.
‏☁️ ابزارهای استقرار مانند Docker و Kubernetes برای بسته‌بندی و مدیریت برنامه‌های هوش مصنوعی در محیط‌های مختلف حیاتی‌اند.
‏

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی

#آموزش #Transformers

‏🤖 SkillOpt مایکروسافت: بهینه‌سازی مهارت ایجنت‌ها بدون تغییر مدل

‏مایکروسافت SkillOpt را معرفی کرده، روشی برای آموزش مهارت‌های ایجنت‌های هوش مصنوعی بدون نیاز به بازآموزی مدل پایه. این رویکرد، فایل دستورالعمل‌های ایجنت را به عنوان آرتیفکتی قابل آموزش در نظر می‌گیرد.

‏💡 به جای دستکاری مدل، یک مدل بهینه‌ساز مجزا تغییرات دقیقی را در سند مهارت پیشنهاد می‌دهد. این تغییرات تنها در صورت بهبود عملکرد بر روی مجموعه اعتبارسنجی پذیرفته می‌شوند.

‏📊 نتایج نشان داد که SkillOpt بر روی 6 بنچمارک، 7 مدل و 3 حالت کاری (direct chat, Codex, Claude Code) آزمایش شد و در تمام 52 مورد بررسی شده، بهترین یا هم‌رده بهترین عملکرد را داشت.

arxiv.org/abs/2605.23904

📊 Data➕Science — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#محصول #AgentAI