علم داده (Data Science)

03 January 2026 11:42

📊 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

علم داده (Data Science)

29 December 2025 12:19

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

علم داده (Data Science)

24 December 2025 18:07

🎓 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

علم داده (Data Science)

21 December 2025 18:09

📊 پنج سطح بلوغ هوش مصنوعی ایجنتیک | چارچوبی کاربردی برای درک و پیاده‌سازی سیستم‌های خودمختار

🔹 سطح ۱ | ربات وظیفه‌ای قطعی
اجرای اقدامات از پیش تعریف‌شده و محدود
مثال: بازنشانی رمز عبور، فرم‌های ساده

🔹 سطح ۲ | عامل آماده‌ساز
پیش‌نویس و اجرای جزئی وظایف چندمرحله‌ای
نیاز: بازبینی اجباری انسانی
مثال: پیش‌نویس قرارداد، گزارش‌های هفتگی

🔹 سطح ۳ | اپراتور تخصصی
مدیریت کامل گردش‌کاری روتین
نظارت: بررسی نمونه‌ای
مثال: پاسخ تیکت‌ها، گزارش‌گیری خودکار

🔹 سطح ۴ | متخصص نیمه‌خودمختار
عملکرد صحیح در ~۹۸٪ موارد
نظارت: تأیید فقط در مواقع استثنا
مثال: مدیریت قیمت، سفارش‌گذاری با بودجه

🔹 سطح ۵ | حل‌کننده مستقل مسئله
تجزیه مسائل نوین و تولید دانش
وضعیت: فعلاً غیرقابل دسترسی برای تولید


📚 Cal Al-Dhubaib & Ivan Lee | ODSC


📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

16 December 2025 12:09

📘مکانیزم Self-Attention در مدل‌های زبانی بزرگ

در این ارائه ابتدا محدودیت‌های معماری‌های بازگشتی (RNN و LSTM) و چالش وابستگی‌های بلندمدت تحلیل می‌شود.
سپس گذار مفهومی به Transformer و منطق حذف محاسبات ترتیبی تشریح می‌گردد.
در ادامه بردارهای Query، Key و Value و نقش آن‌ها در محاسبه توجه بررسی می‌شوند.
همچنین فرآیند ریاضی Scaled Dot-Product و Softmax به‌صورت گام‌به‌گام توضیح داده شده است.
در نهایت مفاهیم Multi-Head Attention، Positional Encoding و جریان تولید متن مرور می‌شوند.

این فایل برای دانشجویان و متخصصان علوم داده و یادگیری عمیق که به دنبال درک دقیق سازوکار توجه هستند، مناسب است.

🔗 Lhuqita Fazry
➖➖➖➖➖➖➖➖➖➖➖➖


📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

09 December 2025 17:24

معرفی کتابخانه PandasAI 🐼: آینده تحلیل داده با هوش مصنوعی

این کتابخانه پایتون به شما اجازه می‌دهد که با استفاده از زبان طبیعی (مثل انگلیسی) با دیتافریم‌های pandas خود کار کنید. این ابزار به عنوان یک مکمل برای pandas عمل می‌کند و با کمک مدل‌های زبانی بزرگ (LLMs)، تحلیل داده را به یک گفتگوی ساده تبدیل می‌کند.

ویژگی‌های کلیدی:
📊 پرسش و پاسخ با زبان طبیعی
📈 رسم نمودار و مصورسازی
🔗 کار با چندین دیتافریم

این کتابخانه ابزاری قدرتمند برای تمام متخصصان داده، تحلیلگران و هر کسی است که می‌خواهد سریع‌تر و هوشمندانه‌تر با داده‌ها کار کند.

🔗 برای شروع و مشاهده مثال‌های بیشتر، به مخزن گیت‌هاب این پروژه سر بزنید:
https://github.com/sinaptik-ai/pandas-ai


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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

09 December 2025 17:06

🚀 خلاصه‌برگ Agentic AI


در این فایل یک مرور بسیار خلاصه از مبانی هوش مصنوعی عامل‌محور ارائه شده است.

✨ چرخه عامل: Reasoning → Action → Feedback
🧩 اجزای اصلی: مغز LLM، حافظه، ابزارها، برنامه‌ریزی
🔬 معماری‌ها: ReAct، Plan-and-Solve، Reflexion
🤝 سیستم‌های چندعاملی (MAS) و الگوهای همکاری
🛠 فریم‌ورک‌ها: LangGraph، AutoGen، CrewAI
⚠️ چالش‌ها و معیارهای ارزیابی

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

03 December 2025 18:08

🧠 مراحل ایجاد سیستم RAG: هشت گام ضروری

تصویر بالا، ۸ گام کلیدی سیستم RAG (تولید تقویت‌شده با بازیابی) را نشان می‌دهد که دانش LLM را به‌روز و تقویت می‌کند:

🗂 جمع‌آوری داده‌ها: دریافت داده‌های متنوع (API، وب، ETL) برای ایجاد مخزن دانش اولیه.

🧹 پاک‌سازی و پیش‌پردازش: حذف PII، استانداردسازی و اجرای OCR برای افزایش کیفیت و اعتبار داده‌ها.

✂️ قطعه‌بندی و ساختاربندی: تقسیم اسناد به قطعات (Chunks) با اندازه بهینه، جهت حفظ بافت و بازیابی دقیق‌تر.

🧬 تولید امبدینگ: تبدیل متون به بردارهای عددی (Vector) توسط مدل‌های ترنسفورمر برای درک معنایی.

🗃 پایگاه داده وکتور: ذخیره و سازماندهی بردارها در دیتابیس‌های تخصصی (Pinecone) برای جستجوی سریع.

🔍 بازیابی و رتبه‌بندی: یافتن مرتبط‌ترین بردارها با جستجوی هیبرید و رتبه‌بندی مجدد (Re-ranking) برای دقت نهایی.

📝 ارکستراسیون و پرامپت‌سازی: تزریق قطعات بازیابی شده به پرامپت و هدایت LLM برای تولید پاسخ دقیق.

📊 ارزیابی و نظارت: سنجش عملکرد با معیارهای کمی و بازخورد انسانی، جهت شناسایی توهم (Hallucination) و بهبود.

➖➖➖➖➖➖➖➖➖➖➖➖

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

25 November 2025 18:08

بر اساس نتایج مطالعه‌ اخیر Gartner که بر مبنای نظرسنجی از گروهی از مدیران ارشد فناوری اطلاعات انجام شده است، الگوی تغییر بودجه‌ فناوری از سال ۲۰۲۵ تا ۲۰۲۶ نسبتاً روشن است. بیشترین رشد بودجه به حوزه‌های هوش مصنوعی مولد، هوش مصنوعی و هوش تجاری و تحلیل داده‌ها اختصاص دارد؛ به‌طوری‌که بیش از ۸۰ درصد پاسخ‌دهندگان در این حوزه‌ها از افزایش بودجه خبر داده‌اند و میانگین رشد به‌ترتیب حدود ۳۸، ۳۶ و ۲۵ درصد گزارش شده است!


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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

14 November 2025 18:26

پایگاه‌های داده برداری

این تصویر، سامانه‌های Vector Database و پایگاه‌های دادهٔ پشتیبان Vector Search را در چهار رده نشان می‌دهد:

۱) اختصاصی متن‌باز: ابزارهایی مانند Chroma، Vespa، LanceDB، Marqo، Qdrant و Milvus که به‌طور ویژه برای ذخیره‌سازی و بازیابی برداری طراحی شده‌اند.

۲) عمومی متن‌باز با جستجوی برداری: شامل OpenSearch، ClickHouse، PostgreSQL و Cassandra که این قابلیت را به‌صورت ماژولی ارائه می‌کنند.

۳) اختصاصی تجاری: Weaviate و Pinecone که خدمات سازمانی و مدیریت‌شده فراهم می‌سازند.

۴) عمومی تجاری با پشتیبانی برداری: Elasticsearch، Redis، Rockset و SingleStore که امکان جستجوی برداری را در کنار دادهٔ سنتی فراهم می‌کنند.

مطالعه بیشتر

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

06 November 2025 12:09

جی‌پی‌تی (GPT) شبیه چه کسی است؟!

در پژوهشی از دانشگاه هاروارد، پاسخ‌های GPT به مجموعه‌ای از شاخص‌های روان‌شناختی و ارزش‌های اجتماعی (با تکیه بر داده‌های World Values Survey از ۹۴ هزار نفر) با پاسخ‌های مردم ۶۵ کشور مقایسه شده است. یافته‌ها نشان می‌دهند که GPT شباهت زیادی به جوامع غربی (Western)، تحصیل‌کرده (Educated)، صنعتی (Industrialized)، ثروتمند (Rich) و دموکراتیک (Democratic) (که با اصطلاح WEIRD شناخته می‌شوند) دارد و در مقابل، فاصله زیادی با جوامعی مانند اتیوپی، پاکستان یا قرقیزستان.

در واقع، GPT بیشتر شبیه ساکنان جوامع WEIRD است: فردگرا (individualistic)، و دارای سبک تفکر تحلیلی (analytic thinking). وقتی از GPT می‌پرسند "انسان معمولی کیست؟"، تصویری که ارائه می‌دهد با خودپنداره‌ی رابطه‌محور (relational self-concept) که در بسیاری از فرهنگ‌ها رایج است، فاصله دارد. این یعنی GPT نه تنها از دیدگاه خاصی به جهان نگاه می‌کند، بلکه تصورش از "انسان عادی" هم WEIRD است.

متن کامل مقاله را اینجا بخوانید

➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇
📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

02 November 2025 08:49

🧠 کتاب مهندسی هوش مصنوعی (AI Engineering)

📘 این کتاب تازه منتشر شده مجموعه‌ای ساختارمند از مبانی و فناوری‌های کلیدی مهندسی هوش مصنوعی است؛ مسیری از طراحی مدل تا استقرار سیستم‌های هوشمند در مقیاس صنعتی.

⚙️ مهندسی داده (Data Engineering): شامل جمع‌آوری، یکپارچه‌سازی و پاک‌سازی داده‌ها برای ساخت پایگاه دانشی قابل‌اتکا جهت مدل‌های یادگیری.

🧩 یادگیری ماشین (Machine Learning): فرآیند انتخاب الگوریتم، تنظیم ابرپارامترها، و ارزیابی عملکرد مدل‌ها بر پایه‌ی داده‌های تجربی.

🧬 یادگیری عمیق (Deep Learning): توسعه‌ی شبکه‌های عصبی پیچیده با چارچوب‌های TensorFlow و PyTorch برای تحلیل داده‌های غیرخطی و چندبعدی.

🧠 عملیات یادگیری ماشینی (MLOps): خودکارسازی چرخه‌ی آموزش، ارزیابی، نسخه‌بندی و استقرار مدل‌ها در مقیاس سازمانی.

☁️ استقرار و نظارت (Deployment & Monitoring): طراحی معماری‌های ابری، پایش مستمر عملکرد و تضمین پایداری و اخلاق مدل در محیط تولید.


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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

22 October 2025 07:31

🧠 تکنیک‌های پیشرفته‌ی RAG

📘 این کتابچه راهنمایی برای بهینه‌سازی سامانه‌های تولید مبتنی بر بازیابی (Retrieval-Augmented Generation) است؛ مدلی که دقت و واقع‌گرایی پاسخ‌های مدل‌های زبانی بزرگ (LLMs) را با اتصال به پایگاه دانش بیرونی افزایش می‌دهد.

📊 کتاب چهار مرحله‌ی اصلی RAG را پوشش می‌دهد:

🔹 نمایه‌سازی (Indexing): شامل پیش‌پردازش داده و استراتژی‌های تقسیم‌بندی (Chunking) برای بهبود ساختار و جست‌وجو
🔹 پیش‌بازیابی (Pre-Retrieval): بازنویسی و مسیردهی هوشمند پرسش‌ها با کمک مدل‌های زبانی بزرگ
🔹 بازیابی (Retrieval): استفاده از فیلتر متادیتا، جست‌وجوی ترکیبی (Hybrid Search) و فاین‌تیون مدل‌های Embedding
🔹 پس‌بازیابی (Post-Retrieval): باز‌رتبه‌بندی (Re-ranking)، فشرده‌سازی متن و مهندسی پرامپت (Prompt Engineering) برای افزایش کیفیت پاسخ

این منبع برای پژوهشگران و توسعه‌دهندگانی مناسب است که می‌خواهند عملکرد سیستم‌های RAG و Chatbot خود را بهبود دهند.


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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

09 October 2025 19:03

🤖 هوش‌ مصنوعی‌ مولد در عمل (Hands-On Generative AI)

📘 کتابی از انتشارات O’Reilly (۲۰۲۵) که به‌صورت کاربردی نحوه‌ی درک و پیاده‌سازی مدل‌های مولد (Generative Models) را آموزش می‌دهد. نویسندگان با تکیه بر تجربه‌های واقعی، روش استفاده از مدل‌های باز برای تولید متن، تصویر و صدا را شرح داده و ملاحظات اخلاقی را برجسته می‌کنند.

🧩 بخش نخست (Leveraging Open Models) به مفاهیم مدل‌های مولد، سازوکار ترنسفورمرها (Transformers)، فشرده‌سازی با VAE و ساخت مدل‌های Stable Diffusion و CLIP می‌پردازد.

🧠 بخش دوم (Transfer Learning) آموزش Fine-Tuning مدل‌های زبانی و تصویری را با ابزارهایی چون DreamBooth، LoRA و Quantization توضیح می‌دهد.

🎨 بخش پایانی (Going Further) کاربردهای خلاقانه‌ی Text-to-Image و Audio Generation را بررسی کرده و حوزه‌های نوینی چون 3D Vision، Video Generation و Multimodal AI را معرفی می‌کند.

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

03 October 2025 19:23

📊 ماتریس مهارت‌های کلیدی در نقش‌های نوین هوش مصنوعی

این ماتریس نشان می‌دهد نقش‌های مختلف در اکوسیستم AI به مجموعه‌های متفاوتی از توانمندی‌ها نیاز دارند:

🤖 مهندس یادگیری ماشین (ML Engineer) و دانشمند داده (Data Scientist) بیشترین بار مهارتی را دارند؛ از الگوریتم‌های یادگیری ماشین و تحلیل آماری تا Deep Learning و MLOps.

📝 مهندس مدل‌های زبانی (LLM Engineer) و مهندس پرامپت (Prompt Engineer) بر مهارت‌های نوظهور مانند LLMs، RAG و Prompt Engineering متمرکز هستند.

🏗 معمار هوش مصنوعی (AI Architect) و مهندس تصمیم (Decision Engineer) باید توانایی بالایی در System Design & Architecture و طراحی سامانه‌های تصمیم‌یار داشته باشند.

دیگر نقش‌ها مانند مدیر مدل‌سازی (Model Manager) یا مهندس تحلیلی (Analytics Engineer) نیز به ترکیبی از مهارت‌های داده‌ای، مدل‌سازی و رهبری نیاز دارند.

🔑 پیام اصلی این ماتریس این است که آینده شغلی در AI تنها با یک ابزار یا زبان برنامه‌نویسی ساخته نمی‌شود؛ بلکه نیازمند ترکیب چندلایه‌ای از مهارت‌های فنی، داده‌ای، معماری و اخلاقی است که هر نقش را متمایز می‌کند.

📊👨‍🏫 @DataPlusScience

علم داده (Data Science)

03 January 2026 11:40

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


📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

29 December 2025 06:57

📊 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.

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

23 December 2025 09:08

کیفیت، امنیت و حکمرانی؛ مقدم بر نوآوری‌های داده و هوش مصنوعی

نتایج گزارش BARC Data, BI & Analytics Trend Monitor 2026 نشان می‌دهد که در افق ۲۰۲۶، «زیرساخت اعتماد» یعنی کیفیت داده، امنیت/حریم خصوصی و حکمرانی داده، همچنان بر موج‌های نوظهور فناوری تقدم دارد. این گزارش که با حمایت MicroStrategy و به‌صورت پایش روند تکرارشونده منتشر شده، بر پایه ۱,۵۷۹ پاسخ معتبر تهیه شده است.

در صدر اولویت‌ها، کیفیت داده و امنیت با امتیاز ۷.۹ قرار دارند که بیانگر تمرکز سازمان‌ها بر اتکاپذیری، کاهش ریسک و انطباق است. پس از آن، فرهنگ داده‌محور، حکمرانی داده و هوش مصنوعی و سواد داده اهمیت بالایی یافته‌اند. در مقابل، GenAI و Agentic AI عمدتاً پس از تثبیت این بنیان‌ها دنبال می‌شوند.

توضیحات بیشتر:
https://zaya.io/4972p

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

19 December 2025 18:16

📘 یادداشت‌های آمار: راهنمای جامع مباحث آماری

💡 این فایل شامل مفاهیم پایه و پیشرفته آماری است که به صورت ساده و کاربردی توضیح داده شده‌اند. مباحث شامل انواع داده‌ها، آزمون‌های آماری و تکنیک‌های تحلیل داده است که برای دانشجویان و محققین مفید است.


📊 مفاهیم پایه: شامل آمار توصیفی (Descriptive Statistics) و استنباطی (Inferential Statistics).
📌 اندازه‌گیری گرایش مرکزی: میانگین (Mean)، میانه (Median) و مد (Mode).
📏 اندازه‌گیری پراکندگی: واریانس (Variance) و انحراف معیار (Standard Deviation).
🗂 انواع داده‌ها و مقیاس‌ها: داده‌های اسمی (Nominal)، ترتیبی (Ordinal)، فاصله‌ای (Interval) و نسبتی (Ratio).
🧪 آزمون‌های آماری: آزمون Z، آزمون T، آزمون خی دو (Chi-Square)، و تحلیل واریانس (ANOVA).
📈 توزیع‌های احتمالی: توزیع نرمال (Normal Distribution)، دوجمله‌ای (Binomial) و پواسون (Poisson).
🧮 قضیه حد مرکزی (Central Limit Theorem): تحلیل توزیع نمونه‌ها با اندازه‌های بزرگ.
🔗 تحلیل داده‌های پراکنده: کوواریانس (Covariance) و همبستگی (Correlation).


📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

15 December 2025 09:10

📊 آنتروپیک، رهبر جدید بازار Enterprise LLM

بازار مدل‌های زبانی بزرگ در سال ۲۰۲۵ وارد فاز تازه‌ای شد. Anthropic با تصاحب ۴۰٪ سهم بازار Enterprise، جایگاه نخست را از OpenAI گرفت.

در همین حال، سهم OpenAI از ۵۰٪ به ۲۷٪ کاهش یافت و Google با رشدی چشمگیر از ۷٪ به ۲۱٪ رسید. اکنون این سه بازیگر، ۸۸٪ بازار Enterprise را در اختیار دارند.

برتری Anthropic در حوزه Coding چشمگیر است: ۵۴٪ سهم بازار و تبدیل شدن Claude Code به یک Game Changer واقعی؛ مدلی که ۱۸ ماه متوالی صدرنشین LLM Leaderboards بوده است.

در واقع تمرکز استراتژیک بر Code Generation، عامل کلیدی موفقیت Anthropic در بازار Enterprise بوده است.

📌 Menlo Ventures, 2025

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

09 December 2025 17:13

🎯 راهنمای جامع مصاحبه‌های شغلی هوش مصنوعی مولد (Generative AI)

💼 این فایل به عنوان یک منبع کاربردی، شما را برای موفقیت در مصاحبه‌های شغلی مرتبط با هوش مصنوعی مولد آماده می‌کند.

📋 در این راهنما، مجموعه‌ای از سوالات فنی پرتکرار، از مفاهیم پایه‌ای تا مباحث پیشرفته مانند معماری Transformer، مدل‌های Diffusion و تکنیک‌های Fine-tuning، پوشش داده شده است.

💡 مطالعه این منبع به تمام علاقه‌مندان و متخصصانی که قصد ورود به این حوزه را دارند، جهت کسب آمادگی و افزایش تسلط بر مفاهیم کلیدی توصیه می‌شود.

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

09 December 2025 08:47

🌙🍉 بلندترین شب سال، بهترین زمان برای شروع!

🌟 از روز دانشجو تا شب یلدا، تخفیف‌ 20٪ دوره آموزشی دانشمند داده به تعداد خیلی محدود!

هر داده یه دنیای پنهان از فرصت‌هاست…
با دوره جامع دانشمند داده یاد بگیر چطور این فرصت‌ها رو پیدا کنی و تبدیل به یکی از پرتقاضاترین متخصص‌های بازار کار بشی! 💡✨

✅ یادگیری عملی پایتون برای تحلیل داده‌ها 🐍
✅ کشف دنیای یادگیری ماشین و هوش مصنوعی 🤖
✅ اجرای پروژه‌های واقعی برای ورود حرفه‌ای به بازار کار 📈

⏰ ظرفیت محدود ـ همین امروز قدم اول رو بردار و آینده‌ت رو با داده‌ها بساز!
➖➖➖➖➖➖➖➖➖➖➖➖
🌐جهت مشاهده اطلاعات دوره کلیک کنید 👇
https://B2n.ir/hx6270
➖➖➖➖➖➖➖➖➖➖➖➖
☎️ مشاوره و ثبت‌نام: 02167641999
📲مشاوره تلگرام: 09222477250
Telegram Bot
➖➖➖➖➖➖➖➖➖➖➖➖
✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص

علم داده (Data Science)

25 November 2025 18:20

🤖🧠 شورای LLM | اجماع چندمدلی برای پاسخ‌های دقیق‌تر

رویکرد LLM Council به‌جای تکیه بر یک مدل زبانی، چند LLM را هم‌زمان وارد بازی می‌کند تا مثل یک «شورای کارشناسی هوش مصنوعی» روی یک سؤال فکر کنند، پاسخ بدهند و خطای همدیگر را بگیرند.

فرآیند سه‌مرحله‌ای است:

1️⃣ هر مدل به‌طور مستقل پاسخ خودش را تولید می‌کند.
2️⃣ مدل‌ها به‌صورت ناشناس پاسخ‌های بقیه را از نظر دقت، انسجام و عمق تحلیل ارزیابی و رتبه‌بندی می‌کنند.
3️⃣ یک مدل به‌عنوان «رئیس شورا» بهترین بخش‌ها را ترکیب می‌کند و یک پاسخ نهایی منسجم و بهینه می‌سازد.

کاربرد این رویکرد برای سناریوهای تصمیم‌گیری حساس، تحلیل‌های علمی و مسائل پیچیده است؛ جایی که یک خروجی واحد کافی نیست و نیاز به چند دیدگاه الگوریتمی وجود دارد.

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

25 November 2025 18:05

آشنایی با ترنسفومر

تولید شده توسط مدل Gemini 3 Nano Banana pro!

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

08 November 2025 08:53

📌 آشنایی با عامل‌های هوش مصنوعی (AI Agents)
🔹 یک راهنمای جامع برای درک عامل‌های هوش مصنوعی و نحوه عملکرد آن‌ها

این داکیومنت توسط گوگل منتشر شده و به بررسی مفهوم عامل‌های هوش مصنوعی (AI Agents) می‌پردازد. عامل‌ها می‌توانند از مدل‌های زبانی استفاده کنند، داده‌ها را پردازش کنند، ابزارهای مختلف را به کار گیرند و تصمیم‌گیری‌های هوشمندانه‌ای انجام دهند.

📝 سرفصل‌ مطالب:
✅ معرفی عامل‌های هوش مصنوعی و تفاوت آن‌ها با مدل‌های زبانی (Language Models)
✅ بررسی معماری شناختی (Cognitive Architecture) عامل‌ها
✅ استفاده از ابزارها (Tools) برای تعامل با داده‌های واقعی
✅ پیاده‌سازی عامل‌های هوش مصنوعی با LangChain و Vertex AI
✅ نمونه‌کدهای کاربردی برای استفاده از عامل‌ها در محیط‌های تولیدی

📌 این مستند برای توسعه‌دهندگان، پژوهشگران و علاقه‌مندان به هوش مصنوعی که می‌خواهند با عامل‌های هوش مصنوعی کار کنند، بسیار مفید است.

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

05 November 2025 06:36

🎓 هفته رایگان DataCamp

از ۱۲ تا ۱۸ آبان، فرصت دارید به تمام دوره‌های آموزشی DataCamp به‌صورت کامل و رایگان دسترسی داشته باشید.
در این بازه می‌توانید مهارت‌های داده‌محور مورد علاقه‌تان را یاد بگیرید، پروژه‌های عملی انجام دهید و حتی گواهی پایان‌دوره معتبر دریافت کنید.

🔗 لینک دسترسی: datacamp.com

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

26 October 2025 18:35

📊 نقشه مهارت‌های علم داده (Data Science Competency Map)

🧠 این نمودار چارچوب مهارتی علم داده را نشان می‌دهد؛ ترکیبی از دانش ریاضی، آماری و فنی برای تحلیل، مدل‌سازی و استقرار سامانه‌های هوشمند داده‌محور.

📐 ریاضیات: جبر خطی، بهینه‌سازی و کاهش بُعد برای پایه‌گذاری الگوریتم‌های تحلیلی

💻 برنامه‌نویسی: تسلط بر Python، R و پایگاه‌های داده (SQL، MongoDB)

🎲 احتمال و آمار: توزیع‌ها، آزمون فرض و رگرسیون برای اعتبارسنجی نتایج

⚙️ مهندسی ویژگی: انتخاب و تولید ویژگی‌های مؤثر در یادگیری مدل

🤖 یادگیری ماشین: آموزش، ارزیابی و بهینه‌سازی مدل‌ها با رویکرد داده‌محور

🧬 یادگیری عمیق: طراحی شبکه‌های عصبی با TensorFlow و PyTorch

💬پردازش زبان NLP: تحلیل متون و بردارهای معنایی واژه‌ها

📊 بصری‌سازی داده: Tableau، Power BI و Qlik برای تحلیل تصویری

☁️ استقرار مدل: Azure، Flask و Django برای پیاده‌سازی عملیاتی

✨ تلفیق این مهارت‌ها زیربنای نقش دانشمند داده (Data Scientist) را می‌سازد.

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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

16 October 2025 15:30

🎓 دوره تخصصی Building Agentic AI Systems — with Andrew Ng

🔹 این دوره‌ی رایگان توسط Andrew Ng، از بنیان‌گذاران Google Brain و Coursera، ارائه شده و به آموزش طراحی و توسعه‌ی سامانه‌های Agentic AI می‌پردازد.

سرفصل‌های اصلی این دوره:
1️⃣ مقدمه بر هوش مصنوعی عاملی (Introduction to Agentic AI) — آشنایی با مفهوم iterative multi-step workflows و مزایای آن نسبت به مدل‌های سنتی.
2️⃣ الگوی بازتاب (Reflection Pattern) — طراحی سازوکارهایی برای self-critique و output improvement.
3️⃣ الگوی استفاده از ابزارها (Tool Use Pattern) — اتصال مدل به APIs, databases و محیط‌های code execution.
4️⃣ نکات عملی در پیاده‌سازی (Practical Implementation) — evaluation metrics, error analysis و system optimization.
5️⃣ برنامه‌ریزی و چندعاملی (Planning & Multi-Agent Systems) — ساخت autonomous agents و هماهنگی بین چند عامل هوشمند.

🧠 پروژه نهایی: توسعه‌ی یک Research Agent خودکار برای جمع‌آوری داده، تحلیل و تولید گزارش پژوهشی.

🔗 ثبت‌نام : https://zaya.io/a8r0a
➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience

علم داده (Data Science)

08 October 2025 13:30

🧠 نقشه‌ راه توسعه عامل‌های هوشمند (AI Agents)

این اینفوگرافی، ساختار هفت‌مرحله‌ای طراحی یک AI Agent را تبیین می‌کند:

1️⃣ تعریف System Prompt – تعیین Goals، Roles و Instructions به‌منظور تعریف رفتار و محدوده تصمیم‌گیری عامل.
2️⃣ مدل زبانی (LLM) – انتخاب مدل زبانی پایه و تنظیم Parameters جهت تطبیق با نیاز مسئله.
3️⃣ ابزارها (Tools) – یکپارچه‌سازی ابزارها، APIs و MCP Servers برای دسترسی به داده‌ها و اکشن‌های محیطی.
4️⃣ حافظه (Memory) – طراحی ساختارهای حافظه (Episodic، Vector DB، SQL DB و File Store) برای نگهداری دانش و زمینه.
5️⃣ ارکستراسیون (Orchestration) – مدیریت Workflows، Triggers، Message Queues و تعامل Agent2Agent به‌صورت پویا.
6️⃣ رابط کاربری (UI) – طراحی لایه‌ی تعامل کاربر با عامل برای مشاهده، هدایت و کنترل رفتار.
7️⃣ ارزیابی هوشمند (AI Evals) – ارزیابی و بهبود مستمر از طریق Performance Metrics و تحلیل تطبیقی خروجی‌ها.


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

📊👨‍🏫 @DataPlusScience | @Data➕Science

علم داده (Data Science)

03 October 2025 19:02

سرمایه‌گذاری و شراکت غول‌های مشاوره در دنیای عامل‌های هوش مصنوعی

این نقشه نشان می‌دهد که شرکت‌های بزرگ مشاوره‌ای مثل Accenture، Deloitte، KPMG، PwC، EY، McKinsey، BCG و Bain از سال ۲۰۲۳ تاکنون بیش از صد مورد شراکت، سرمایه‌گذاری و خرید در استارتاپ‌های مرتبط با AI Agents داشته‌اند.

برای آشنایی بیشتر با اینکه چگونه این موج تازه، مدل سنتی صنعت مشاوره را دگرگون می‌کند، این مطلب را بخوانید.


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

📊👨‍🏫 @DataPlusScience | @Data➕Science