dataplusscience | Unsorted

Telegram-канал dataplusscience - علم داده (Data Science)

6108

🗨 ارتباط با ما (تبلیغات، سوال، پیشنهاد و انتقاد): ‏📩 @Contact2Mebot 💯 کانال دوم ما: @Datascientists_Files 💎 در پیام‌رسان بله(آپدیت اتومات): https://ble.ir/dataplusscience 💡 در پیام‌رسان ایتا(آپدیت اتومات): https://eitaa.com/DataPlusScience

Subscribe to a channel

علم داده (Data Science)

🐝 ‏ پلتفرم Buzz: تحولی در تعامل انسان و ایجنت‌های هوش مصنوعی

‏پروژه Buzz، جدیدترین ابتکار جک دورسی (خالق توییتر)، به‌عنوان یک فضای کار متن‌باز و غیرمتمرکز معرفی شده است که با هدف هماهنگی تیم‌های ترکیبیِ متشکل از انسان و ایجنت (Agent) طراحی شده است. برخلاف ابزارهایی مانند Slack که برای ارتباطات انسانی ساخته شده‌اند، Buzz محیطی بومی برای تعامل همزمان انسان و ایجنت فراهم می‌کند.

🧠 ‏ این پلتفرم بر پایه پروتکل Nostr بنا شده و هر ایجنت دارای هویت و کلید اختصاصی است. این معماری نه‌تنها امنیت را ارتقا می‌دهد، بلکه اجازه می‌دهد هر ایجنتی با پروتکل ACP، ازجمله Claude Code و Codex، به‌راحتی متصل شود. هر پروژه در اینجا به یک چتِ مجهز به کد تبدیل می‌شود که تاریخچه کامل گفتگوها، کامیت‌ها و ریوها را در خود نگه می‌دارد.

⚡ ‏ علاوه بر این، Buzz یک Git-hosting پیشرفته دارد که برای مدیریت روِ ایجنت‌ها (گروهی از ایجنت‌های همکار) بهینه شده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Buzz_Platform #Nostr_Protocol

Читать полностью…

علم داده (Data Science)

🐡 ‏ معرفی مدل جدید Fugu-Ultra v1.1

🚀 ‏ شرکت Sakana AI به‌تازگی نسخه ارتقایافته مدل خود یعنی Fugu-Ultra v1.1 را منتشر کرد. این نسخه با بهره‌گیری از جدیدترین مدل‌های پیشرو (Frontier Models)، بهبود عملکرد چشمگیری را در تمامی benchmarkهای استاندارد تجربه کرده است.

📊 ‏ میانگین رشد دقت این مدل نسبت به نسخه 1.0 به حدود 7.9 واحد می‌رسد. بیشترین پیشرفت در شاخص‌های ProgramBench و Terminal Bench 2.1 مشاهده می‌شود که نشان‌دهنده توانمندی بالای مدل در محیط‌های تخصصی برنامه‌نویسی است.

🧠 ‏ این مدل در حوزه‌های coding، وظایف مبتنی بر ایجنت (Agentic Tasks) و استدلال‌های منطقی پیچیده، بسیار بهینه‌تر عمل می‌کند. نکته حائز اهمیت این است که تمامی این قابلیت‌های فنی ارتقایافته، بدون افزایش قیمت نسبت به نسخه قبلی ارائه شده‌اند.

⚡ ‏ توسعه‌دهندگان اکنون می‌توانند پروژه‌های عملیاتی سنگین‌تری را با همان هزینه قبلی پیش ببرند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Fugu_Ultra #ProgramBench

Читать полностью…

علم داده (Data Science)

🧠 ‏ پیشرفت‌های جدید نورالینک در کنترل تجهیزات

🚀 ‏ شرکت Neuralink در تازه‌ترین دستاورد خود اعلام کرد که بیماران دارای ایمپلنت این شرکت، اکنون قادر هستند صندلی‌های چرخ‌دار خود را تنها با استفاده از سیگنال‌های مغزی و قدرت تفکر کنترل کنند.

💡 ‏ این پیشرفت نشان‌دهنده گام بزرگی در بهبود رابط مغز و کامپیوتر (BCI) است که می‌تواند استقلال حرکتی بیشتری را برای افراد دارای معلولیت‌های حرکتی شدید فراهم کند. استفاده از فناوری‌های عصبی برای تعامل مستقیم با دنیای فیزیکی، پتانسیل بالایی در بازگرداندن توانمندی‌های حرکتی به کاربران دارد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Neuralink #BCI

Читать полностью…

علم داده (Data Science)

🚀 ‏ معرفی بنچمارک جامع FrontierBench

‏نسخه جدید بنچمارک محبوب TerminalBench با تغییراتی بنیادین به FrontierBench ارتقا یافت. این ابزار شامل ۷۴ وظیفه عملیاتی دشوار و دستی در حوزه‌های مختلف است که برای سنجش واقع‌گرایانه مدل‌های هوش مصنوعی طراحی شده‌اند.

🔬 ‏ سناریوهای این بنچمارک بسیار کاربردی هستند؛ از بهینه‌سازی سیستم‌های KV-cache (حافظه موقت کلید-مقدار برای شتاب‌دهی پاسخ‌دهی) بدون قطعی سرویس تا محاسبات پیچیده مالی برای ذخایر بانکی و مدیریت پویای ناوگان حمل‌ونقل کالا. تمرکز اصلی بر ارزش اقتصادی و توانایی حل مسائل دنیای واقعی در شرایط در حال تغییر است.

📊 ‏ در ارزیابی مدل‌های پیشرو، GPT-5.6 Sol با موفقیت در حدود یک‌سوم وظایف، عملکردی هم‌تراز با Fable 5 ثبت کرده است، با این تفاوت که مدل OpenAI حدود ۴۰ درصد ارزان‌تر بوده و ۵۰ درصد توکن کمتری مصرف می‌کند. در مقابل، مدل Sonnet 5 با وجود هزینه بالاتر و مصرف توکن زیاد، نتایج ضعیف‌تری داشته که نشان‌دهنده ناکارآمدی آن در این تست‌هاست.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#FrontierBench #KV_cache

Читать полностью…

علم داده (Data Science)

🤖 ‏ معرفی مدل Unified Video Dense Prediction برای پردازش ویدیویی

🔬 ‏ مدل جدید UniD با هدف یکپارچه‌سازی وظایف پیش‌بینی چگال در ویدیو معرفی شده است. این مدل قادر است به‌طور همزمان چندین خروجی مختلف از جمله نقشه عمق (depth)، نرمال‌های سطحی، بخش‌بندی معنایی (semantic segmentation) و تشخیص مرزها را تولید کند.

🧠 ‏ این معماری همچنین برای درک بهتر صحنه، جزئیات پیچیده‌تری نظیر بخش‌های بدن انسان، albedo، سایه‌ها و ویژگی‌های مواد موجود در ویدیو را استخراج می‌کند. این رویکرد Unified به جای استفاده از مدل‌های مجزا، پتانسیل بالایی در ارتقای درک بصری ماشین در کاربردهای پیچیده ویدیویی دارد.

📊 ‏ بررسی دقیق‌تر این پژوهش و جزئیات فنی آن در منابع زیر در دسترس است.


‏https://arxiv.org/pdf/2607.21592
‏https://unid-video.github.io/
‏https://github.com/YihongSun/UniD

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#UniD #Dense_Prediction

Читать полностью…

علم داده (Data Science)

🚀 ‏ معرفی قابلیت Plan Mode در ابزار Manus

‏ابزار هوشمند Manus که پیش‌تر مستقیماً به سراغ پیاده‌سازی پروژه‌ها می‌رفت، اکنون با معرفی قابلیت جدید Plan Mode، رویکرد خود را متحول کرده است. در این حالت، سیستم پیش از هر اقدامی، وظیفه محوله را به‌دقت تحلیل و امکان‌سنجی کرده و یک طرح اجرایی جامع برای کاربر تدوین می‌کند.

🧠 ‏ این ویژگی یکی از بزرگ‌ترین چالش‌های AI agents یعنی درک نادرست از نیازمندی‌ها را هدف قرار داده است. کاربران اکنون می‌توانند پیش از تأیید نهایی، طرح ارائه شده را ویرایش، توسعه یا کاملاً بازنویسی کنند تا از صحت مسیر اطمینان حاصل شود.

⚡ ‏ اگر Manus در طول فرآیند به اطلاعات بیشتری نیاز داشته باشد، با پرسیدن سوالات شفاف‌ساز، اهداف و محدودیت‌ها را دقیق‌تر مشخص می‌کند. همچنین می‌توانید این حالت را در اواسط پروژه فعال کنید تا ابزار متوقف شده و برای مراحل باقی‌مانده، برنامه‌ریزی مجدد انجام دهد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Manus #Plan_Mode

Читать полностью…

علم داده (Data Science)

🤖 ‏ نفوذ موفق مدل Kimi K3 به Redis

🔬 ‏ مدل هوش مصنوعی Kimi K3 در یک دستاورد فنی قابل‌توجه، تنها در عرض ۲۷ دقیقه و با به‌کارگیری ۳۲ عامل (agent) خودمختار، موفق به کشف یک آسیب‌پذیری 0day و اجرای RCE (اجرای کد از راه دور) روی سرورهای Redis شده است. این عملیات نشان‌دهنده توانمندی بالای مدل‌های جدید در تحلیل ساختارهای پیچیده نرم‌افزاری و خودکارسازی فرآیند اکسپلویت‌نویسی است.

🧠 ‏ این آسیب‌پذیری که از نوع خطای حافظه در بارگذاری stream consumer-group است، به دلیل مکانیزم double free رخ می‌دهد. این باگ در واقع نمونه‌ای از نقص مشابه در CVE-2026-25243 بوده که علی‌رغم اصلاحات قبلی، همچنان نسخه‌های ۷.۴.۹ و ۸.۶.۳ را تحت تأثیر قرار می‌داد و نهایتاً در نسخه ۸.۸.۰ برطرف شد.

⚡ ‏ مدل در زنجیره اکسپلویت خود برای نسخه ۶.۲.۲۲، با بهره‌گیری از تکنیک‌های پیچیده‌ای نظیر UAF و نشت اطلاعات از libc، کنترل سیستم را به دست گرفته است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Kimi_K3 #Redis_RCE

Читать полностью…

علم داده (Data Science)

🚀 ‏ پیش‌بینی تحول خیره‌کننده بازار رباتیک

‏طبق گزارش‌های جدید، صنعت رباتیک در آستانه یک جهش تاریخی قرار دارد و پیش‌بینی می‌شود تا سال ۲۰۴۰ با رشدی ۳۷۰ برابری، ارزش بازار خود را از کمتر از ۱ میلیارد دلارِ کنونی به ۳۷۰ میلیارد دلار برساند. محرک اصلی این تحول عظیم، توسعه ربات‌های انسان‌نما و سیستم‌های چندمنظوره هوشمند است.

📊 ‏ روند رشد این صنعت در اواخر دهه ۲۰۲۰ میلادی پایدار خواهد بود و انتظار می‌رود از ابتدای دهه ۲۰۳۰، سرعت توسعه شتاب قابل‌توجهی به خود بگیرد. در تقسیم‌بندی جغرافیایی، چین پیشتاز کسب بیشترین سهم از این بازار نوظهور خواهد بود و پس از آن اروپا، آمریکای شمالی، ژاپن و کره جنوبی قرار دارند.

🧠 ‏ این جهش مدیون پیشرفت‌های اخیر در حوزه‌های هوش مصنوعی، سنسورها و فناوری باتری است که مقیاس‌پذیری و کاربردی‌شدن ربات‌ها را به شدت افزایش داده‌اند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#ربات #Harmonic_Drive_Systems

Читать полностью…

علم داده (Data Science)

🤖 ‏ قابلیت جدید Router در ادیتور Cursor

⚡ ‏ ابزار Cursor به‌تازگی از قابلیت جدیدی به نام Router رونمایی کرده است که در حالت Auto mode به‌صورت خودکار، بهینه‌ترین مدل زبانی را برای هر درخواست انتخاب می‌کند. کاربران می‌توانند با تنظیم پارامترهای بهینه‌سازی روی «کیفیت»، «هزینه» یا «توازن»، مدیریت هوشمندتری بر مدل‌های مورد استفاده داشته باشند.

🔬 ‏ نتایج تست‌های واقعی نشان می‌دهد که حالت Intelligence قادر است کیفیتی مشابه مدل Fable 5 high را با ۶۰٪ کاهش هزینه ارائه دهد. همچنین حالت Balance نسبت به مدل Opus 4.8 عملکرد بهتری در رضایت کاربر داشته و حدود ۳۶٪ صرفه‌جویی مالی برای تیم‌ها به همراه دارد.

📊 ‏ بررسی معیارهای Cost per Commit (هزینه به ازای هر عملیات ثبت کد) نیز برتری اقتصادی این قابلیت را تأیید می‌کند؛ به‌طوری‌که هزینه در حالت Balance به ۴.۶۳ دلار کاهش یافته، در حالی که مدل Opus 4.8 Thinking هزینه‌ای معادل ۷.۳۴ دلار دارد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Cursor_Router #LLM_Optimization

Читать полностью…

علم داده (Data Science)

🤖 ‏ تخته‌سیاه هوشمند با قابلیت پردازش بلادرنگ

⚡️ ‏ در کنفرانس جهانی هوش مصنوعی ۲۰۲۶ در شانگهای، فناوری جدیدی رونمایی شد که می‌تواند نحوه آموزش ریاضیات را متحول کند. این تخته‌سیاه هوشمند قادر است معادلات ریاضی دست‌نویس را به صورت آنی به نمودارهای پویا تبدیل کند.

🧠 ‏ این سیستم علاوه بر تحلیل معادلات، توانایی تبدیل اسکچ‌های ساده به مدل‌های سه‌بعدی تعاملی را در لحظه دارد. با استفاده از این ابزار، مفاهیم انتزاعی ریاضی که درک آن‌ها برای دانش‌آموزان دشوار است، به شکلی بصری و تجربه‌محور نمایش داده می‌شوند.

🚀 ‏ ادغام چنین تکنولوژی‌هایی در محیط‌های آموزشی می‌تواند تعامل بین استاد و دانشجو را افزایش داده و سرعت یادگیری مباحث پیچیده هندسی و جبری را به‌طور چشمگیری بهبود ببخشد. این دستاورد نشان‌دهنده گام بزرگ دیگری در کاربردی‌سازی هوش مصنوعی در حوزه آموزش (EdTech) است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#تخته #مدل

Читать полностью…

علم داده (Data Science)

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #67 | 📦 10 پست
🕐 چهارشنبه 1405/04/31 ساعت 14:00 تا پنجشنبه 1405/05/01 ساعت 14:00

🤖 مدل‌های زبانی بزرگ


مدل Grok 4.5 با امتیاز 1543 در صدر مدل‌ها قرار دارد و رقبای چینی نظیر Qwen 3.8 Max با ظرفیت ۲.۴ تریلیون پارامتر به سرعت در حال پیشرفت هستند.
🔗 مشاهده پست

مدل GPT-5.6 موفق شد با ارائه یک مثال نقض، حدس ۳۰ ساله Dinitz-Garg-Goemans در نظریه گراف را رد کند و توانایی استدلال ریاضی خود را به اثبات برساند.
🔗 مشاهده پست

ایجنت Bionic در LM Studio به عنوان یک راهکار Local-first برای پردازش اسناد و کدنویسی معرفی شده است که با استفاده از مدل‌های متن‌باز، امنیت و مالکیت داده‌ها را تضمین می‌کند.
🔗 مشاهده پست


🦾 ابزارهای تخصصی و پژوهش

ابزار جدید Gigatoken با سرعت ۲۴.۵۳ گیگابایت بر ثانیه و استفاده از زبان Rust، فرآیند توکنایز کردن را تا ۹۸۹ برابر سریع‌تر از ابزارهای رایج انجام می‌دهد.
🔗 مشاهده پست

شرکت Lightricks مدل Clean Plate را برای حذف هوشمند اشیاء از ویدیوها در ورک‌فلوهای ComfyUI عرضه کرده که بر پایه متد IC-LoRA برای مدل LTX-2.3 توسعه یافته است.
🔗 مشاهده پست

سرویس Synthetic Video Detector انویدیا با استفاده از مدل‌های DINOv2 و DINOv3، قابلیت تشخیص ویدیوهای تولید شده توسط هوش مصنوعی را فراهم کرده است.
🔗 مشاهده پست


🛡 امنیت، اخلاق و صنعت

بنیاد Cisco Foundation AI مجموعه ابزارهای متن‌باز خود شامل Foundation-Sec و مدل‌های ایجنتی Antares را برای ارتقای امنیت سایبری منتشر کرد.
🔗 مشاهده پست

دولت آمریکا شرکت Moonshot AI را متهم کرده که برای توسعه مدل Kimi K3، به صورت غیرقانونی از تکنیک Distillation برای کپی‌برداری از مدل‌های شرکت Anthropic استفاده کرده است.
🔗 مشاهده پست


🎓 آموزش و منابع علم داده

کتاب Cracking the Data Science Interview به عنوان راهنمایی جامع برای تسلط بر مفاهیم پایه، آمار، Data Wrangling و مهندسی ویژگی جهت موفقیت در مصاحبه‌های شغلی منتشر شد.
🔗 مشاهده پست

این کتاب با پوشش ۱۸ مفهوم کلیدی مانند Overfitting و تریدآف Bias/Variance، مسیر حرفه‌ای شدن برای داوطلبان ورود به حوزه‌های داده‌محور را هموار می‌کند.
🔗 مشاهده پست


📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

Читать полностью…

علم داده (Data Science)

🤖 ‏ رد یک حدس ۳۰ ساله ریاضی توسط GPT-5.6

⚡ ‏ مدل GPT-5.6 به تازگی موفق شده است یکی از مسائل مهم حل‌نشده در نظریه گراف را با ارائه یک مثال نقض به چالش بکشد. این دستاورد بزرگ، حدس Dinitz-Garg-Goemans را هدف قرار داده که از سال ۱۹۹۹ به عنوان یک قضیه پایه در حوزه بهینه‌سازی شبکه و جریان مطرح بود.

🔬 ‏ این حدس ادعا می‌کرد که می‌توان یک راهکار کسری را به یک راهکار صحیح بدون افزایش هزینه تبدیل کرد. اما با تحقیقات Dmitry Rybin که از این مدل برای بررسی مسئله استفاده کرد، مشخص شد که این فرض در حالت کلی نادرست است و می‌توان شرایطی را یافت که در آن نقض ظرفیت رخ می‌دهد.

📊 ‏ جالب اینکه مدل تنها با پرامپت‌های ساده‌ای نظیر «یک پیشرفت علمی ایجاد کن» و بدون دریافت دستورالعمل‌های تخصصی پیچیده، طی چند ساعت به این نتیجه رسیده است. در تحلیل گراف ارائه شده، برای هزینه جریان کسری ۵۸، مشخص شد که هر جریان غیرقابل‌تجزیه با نقض ظرفیت ۱۵، هزینه‌ای حداقل برابر با ۶۰ دارد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#GPT_5 #حدس_دینیتز_گارگ_گوئمانس

Читать полностью…

علم داده (Data Science)

⚠ ‏️ جنجال بزرگ نقض مالکیت معنوی توسط Moonshot AI

🔬 ‏ دولت آمریکا کمپانی Moonshot AI را متهم کرده که برای توسعه مدل Kimi K3، به‌صورت مخفیانه از مدل Fable متعلق به شرکت Anthropic سوءاستفاده کرده است. طبق ادعای وزارت بازرگانی آمریکا، این شرکت با ایجاد یک پلتفرم اختصاصی، دست به یک کمپین Distillation (فرایند انتقال دانش از یک مدل بزرگ به مدل کوچک‌تر) در مقیاس صنعتی زده است.

⚡ ‏ گفته می‌شود این شرکت برای دور زدن سیستم‌های شناسایی و آموزش مدل‌های خود، به‌طور مداوم روش‌های دسترسی را تغییر داده و از منابع پردازشی GB300 در کشور تایلند بهره برده است. مقامات آمریکایی تأکید دارند که اگرچه Distillation در صنعت برای بهینه‌سازی مدل‌ها امری رایج و قانونی است، اما کپی‌برداری پنهانی و گسترده از مدل‌های پیشرو بدون مجوز، یک تخلف جدی است.

🧠 ‏ برای اثبات این ادعا، محققان بر Statistical Fingerprints (اثرانگشت‌های آماری پنهان در خروجی مدل) متمرکز شده‌اند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Kimi_K3 #Model_Distillation

Читать полностью…

علم داده (Data Science)

🚀 ‏ ابزار Clean Plate برای مدل LTX-2.3

‏شرکت Lightricks به تازگی مدل تخصصی Clean Plate را برای مدل ویدیویی قدرتمند LTX-2.3 با ابعاد 22B پارامتر معرفی کرده است. این مدل که در دسته IC-LoRA (یک روش کم‌هزینه برای سازگاری مدل‌ها) قرار می‌گیرد، برای کاربردهای حرفه‌ای و پس‌پردازش (Post-production) ویدیو طراحی شده است.

🧠 ‏ این شبکه عصبی قادر است به صورت خودکار اشیاء ناخواسته شامل افراد، عابران پیاده و وسایل نقلیه را از ویدیو حذف کند. پس از حذف سوژه، مدل به‌طور هوشمندانه پس‌زمینه را بازسازی کرده و تصویری تمیز و بدون نقص ارائه می‌دهد.

⚡ ‏ این فناوری در قالب یک LoRA ویدیو به ویدیو عمل کرده و به‌سادگی در ورک‌فلوهای استاندارد ComfyUI ادغام می‌شود. با وجود نبود پلاگین اختصاصی برای نرم‌افزارهایی نظیر Premiere یا DaVinci، این ابزار گام بزرگی برای ساده‌سازی فرآیندهای پیچیده ویرایش ویدیویی مبتنی بر هوش مصنوعی محسوب می‌شود.

‏دسترسی به وزن‌های مدل در HuggingFace

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#LTX_2 #IC_LoRA

Читать полностью…

علم داده (Data Science)

📚 ‏ معرفی کتاب تخصصی برای مصاحبه‌های علم داده

🚀 ‏ کتاب جدید Cracking the Data Science Interview توسط انتشارات Packt منتشر شد. این منبع که به عنوان راهنمایی جامع برای داوطلبان این حوزه طراحی شده، توسط Leondra R. Gonzalez و Aaren Stubberfield به نگارش درآمده است.

💡 ‏ هدف اصلی این کتاب، ارتقای مهارت‌های داوطلبان برای موفقیت در فرآیندهای استخدامی با استفاده از نکات کلیدی و تجربیات متخصصان صنعت است. مطالب این اثر مسیر حرفه‌ای شدن در دنیای علم داده را هموارتر می‌کند.

🔬 ‏ مقدمه تخصصی این کتاب توسط دکتر Angela Baltes، دانشمند داده در UnitedHealth Group نوشته شده که اعتبار علمی آن را تضمین می‌کند. این کتاب برای تمامی افرادی که قصد ورود به جایگاه‌های شغلی داده‌محور را دارند، یک مرجع کاربردی و ضروری محسوب می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Cracking_the_Data_Science_Interview #Packt

Читать полностью…

علم داده (Data Science)

🤖 ‏ تحلیل تخصصی معماری سخت‌افزار برای هوش مصنوعی

⚡ ‏ دنیای سخت‌افزارهای AI حول ۵ معماری اصلی می‌چرخد که هرکدام توازن متفاوتی میان انعطاف‌پذیری، موازی‌سازی و دسترسی به حافظه برقرار می‌کنند. پردازنده‌های مرکزی یا CPU با هسته‌های قدرتمند برای وظایف منطقی و سیستم‌عامل بهینه شده‌اند، در حالی که GPU با هزاران هسته کوچک، پادشاه بلامنازع آموزش شبکه‌های عصبی و محاسبات ماتریسی موازی است.

🧠 ‏ واحدهای پردازش تنسور یا TPU با طراحی گوگل، از واحدهای MAC برای جریان موجی داده‌ها استفاده می‌کنند تا نیاز به جابجایی مداوم در حافظه حذف شود. در مقابل، NPUها نسخه‌های بهینه‌شده برای لبه (Edge) هستند که با مصرف توان بسیار اندک، عملیات استنتاج را در دستگاه‌هایی مثل گوشی‌های هوشمند انجام می‌دهند.

🚀 ‏ نسل جدید سخت‌افزارها یعنی LPU ساخته شرکت Groq، با حذف کامل حافظه خارجی و تکیه بر SRAM روی تراشه، تأخیر را به حداقل رسانده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#LMCache #Groq

Читать полностью…

علم داده (Data Science)

🤖 ‏ بهینه‌سازی ایجنت‌های کدنویس با Harness Handbook

🔬 ‏ محققان در مقاله جدیدی به بررسی چالش ویرایش کد توسط ایجنت‌های هوشمند پرداخته‌اند. در مدل‌های فعلی، ساختار پراکنده فایل‌ها باعث می‌شود ایجنت‌ها بخش‌هایی از پیاده‌سازی را نادیده بگیرند، لذا پیشنهاد شده است که مخازن کد به‌جای فایل، بر اساس رفتار (Behavior) توصیف شوند.

⚡️ ‏ ابزار Harness Handbook با ترکیب تحلیل ایستا (Static Analysis) و LLM، نقشه‌ای از رفتار سیستم می‌سازد. این نقشه با سه سطح جزئیات، به ایجنت کمک می‌کند تا ابتدا رفتار هدف را شناسایی کرده و سپس با دقت بالا به سراغ کد اصلی برود.

📊 ‏ نتایج ارزیابی‌ها بسیار درخشان است؛ کیفیت برنامه‌ریزی در تسک‌های Codex از ۲۸.۳٪ به ۳۸.۳٪ افزایش یافت. همچنین در مدل Terminus-2، این شاخص از ۲۶.۷٪ به ۴۵.۶٪ رسید که نشان‌دهنده اثربخشی بالای این رویکرد است.

🧠 ‏ علاوه بر دقت، مصرف توکن‌های بخش برنامه‌ریز (Planner) نیز بین ۸.۶٪ تا ۱۲.۷٪ کاهش یافت.

Paper: https://arxiv.org/abs/2607.13285

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Harness_Handbook #Terminus_2

Читать полностью…

علم داده (Data Science)

🚀 ‏ آشنایی با فریم‌ورک‌های محبوب یادگیری عمیق

🧠 ‏ PyTorch یک کتابخانه متن‌باز (Open-source) برای یادگیری عمیق است که توسط Meta توسعه یافته و به دلیل انعطاف‌پذیری بالا و استفاده از گراف محاسباتی پویا، در پروژه‌های تحقیقاتی و صنعتی بسیار محبوب است. این ابزار به دلیل سازگاری کامل با Python، پشتیبانی عالی از عملیات دیباگینگ و بهره‌گیری از قدرت GPU Acceleration (شتاب‌دهنده گرافیکی)، انتخابی استاندارد برای توسعه مدل‌های پیشرفته هوش مصنوعی به شمار می‌رود.

‏

🔹 ‏ یادگیری آسان: منحنی یادگیری ملایم برای کاربران جدید.
🔹 ‏ جامعه کاربری گسترده: وجود اکوسیستم قوی تحقیقاتی و منابع آموزشی فراوان.
🔹 ‏ ساختار داینامیک: امکان تغییر رفتار مدل در زمان اجرا برای انعطاف بیشتر.
‏


⚡️ ‏ در مقابل، Keras یک API سطح بالا است که به عنوان رابط کاربری روی TensorFlow اجرا می‌شود تا فرآیند طراحی شبکه‌های عصبی را به شدت ساده کند. این ابزار با ارائه اینترفیس‌های بسیار ساده برای ساخت، آموزش و ارزیابی مدل‌ها، نیاز به نوشتن کدهای پیچیده را به حداقل می‌رساند.

📊 ‏ این فریم‌ورک گزینه‌ای ایده‌آل برای Fast Prototyping (نمونه‌سازی سریع) است و به‌طور بومی از معماری‌های CNN، RNN و مدل‌های پیشرفته Transformers پشتیبانی می‌کند. Keras به دلیل انتگراسیون کامل با تنسورفلو و کاهش حجم کدنویسی، بهترین نقطه شروع برای افرادی است که قصد ورود به دنیای یادگیری عمیق را دارند.



📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#PyTorch #Keras

Читать полностью…

علم داده (Data Science)

‏🇨🇳 جهش ریاضی مدل هوش مصنوعی چینی

🚀 ‏ شرکت RedNote که پشت پلتفرم Xiaohongshu قرار دارد، از دستاورد خیره‌کننده مدل هوش مصنوعی جدید خود با نام dots-note-3.0 خبر داد. این مدل موفق شد در آزمون المپیاد جهانی ریاضی (IMO) به نمره کامل ۴۲ از ۴۲ دست یابد که اولین مورد در نوع خود برای مدل‌های هوش مصنوعی محسوب می‌شود.

🧠 ‏ اهمیت این موفقیت در ماهیت آزمون IMO نهفته است که بر خلاف بنچمارک‌های معمول، گزینه‌ای نیست. هر پاسخ نیازمند ارائه یک اثبات کتبی کامل است و داوران انسانی تک‌تک خطوط استدلال را بررسی می‌کنند؛ کوچک‌ترین نقص منطقی منجر به کسر امتیاز می‌شود.

⚙ ‏️ این مدل برای حل مسائل از یک agentic loop (حلقه خودکار عامل‌محور) بهره می‌برد که در آن مدل، اثبات‌ها را با استفاده از Python تولید، تست، اصلاح و بازنویسی می‌کند تا به دقت نهایی برسد. نکته قابل‌توجه این است که این عملکرد درخشان توسط کوچک‌ترین نسخه از خانواده مدل‌های dots3 به دست آمده است که نشان‌دهنده بهینگی بالای معماری آن است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#dots_note_3_0 #agentic_loop

Читать полностью…

علم داده (Data Science)

🤖 ‏ مقایسه عملکرد مدل‌های پیشرفته در بنچمارک بازی آرکید

🔬 ‏ نتایج اجرای مدل‌های Kimi K3، Fable 5، Gemini 3.6 Flash و GPT 5.6 Sol Ultra در یک بنچمارک شبیه‌سازی بازی آرکید منتشر شد. مدل Fable 5 با ارائه حرکات کاملاً طبیعی و بدون هیچ‌گونه لگ، موفق شد تمیزترین عملکرد را در این ارزیابی ثبت کند.

⚡ ‏ نکته جالب درباره Gemini 3.6 Flash، رفتار تطبیقی آن است؛ این مدل در ابتدا سنگین عمل می‌کند اما با پیشرفت در بازی، چابک‌تر شده و در عین حال ۶۵٪ توکن کمتر مصرف می‌کند که بازدهی بالایی را نشان می‌دهد.

📊 ‏ در این میان GPT 5.6 Sol به عنوان یک مدل همه‌فن‌حریف، گیم‌پلی بسیار پایداری ارائه داد که فاقد هرگونه باگ یا خطای فنی بود.

🧩 ‏ در نهایت، مدل متن‌باز Kimi K3 به عنوان پدیده غیرمنتظره ظاهر شد که با وجود هزینه بسیار کمتر، از نظر کیفیت انیمیشن با Fable 5 برابری می‌کند و تحسین بسیاری را برانگیخت. این نتایج نشان‌دهنده پیشرفت چشمگیر مدل‌ها در تعاملات بلادرنگ است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Kimi_K3 #Fable_5

Читать полностью…

علم داده (Data Science)

🤖 ‏ قابلیت جدید Claude برای خودکارسازی دسکتاپ

🚀 ‏ شرکت Anthropic قابلیت نوآورانه‌ای به نسخه دسکتاپ Claude افزوده است که به کاربران اجازه می‌دهد بدون نیاز به نوشتن پرامپت‌های متنی پیچیده، تنها با ثبت فعالیت‌های خود، اسکریپت‌های اتوماسیون (کد برنامه‌نویسی برای انجام خودکار وظایف) ایجاد کنند. این ابزار در فضای کاری Cowork و با گزینه Record a skill در دسترس است.

⚡ ‏ فرآیند کار به این صورت است که کاربر با فعال‌سازی قابلیت ضبط صفحه، مراحل یک تسک روتین را در محیط دسکتاپ اجرا کرده و هم‌زمان توضیحات خود را بیان می‌کند. مدل هوش مصنوعی با تحلیل دقیق ویدیو و صوت، تمامی کلیک‌ها و تایپ‌ها را شناسایی کرده و آن‌ها را به یک Skill قابل استفاده مجدد تبدیل می‌کند.

🧠 ‏ این ویژگی که برای کاربران پلن‌های Pro، Max و Team فعال شده، گامی مهم در جهت جایگزینی دستورات متنی با آموزش مبتنی بر تماشا (Demonstration-based learning) است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Anthropic #Record_a_skill

Читать полностью…

علم داده (Data Science)

🚀 ‏ رونمایی از مدل ویدئویی Black Forest Labs

‏تیم Black Forest Labs که پیش‌تر با ارائه مدل‌های متن‌به‌تصویر FLUX شناخته شده بود، بالاخره جزئیات اولیه از مدل ویدئویی خود را منتشر کرد. این تیم اکنون خبر از توسعه FLUX 3 می‌دهد که تحولی در رویکرد آن‌ها محسوب می‌شود.

🧠 ‏ نکته کلیدی در مورد این مدل جدید، قابلیت تولید چندوجهی (Multimodal) آن است. گفته می‌شود FLUX 3 یک مدل یکپارچه است که توانایی تولید هم‌زمان تصویر، ویدئو و صوت را در یک ساختار واحد دارد.

⚡ ‏ پیش‌بینی می‌شود سطح کیفی خروجی‌های این مدل در رقابت با مدل‌های ویدئویی پیشرفته Google قرار بگیرد. انتشار این مدل به‌صورت تدریجی در هفته‌ها و ماه‌های آتی برنامه‌ریزی شده است.

‏باید دید آیا این مدل جدید می‌تواند استانداردهای فعلی در تولید ویدئوهای هوش مصنوعی را جابه‌جا کند یا خیر.

‏اطلاعات بیشتر در وب‌سایت رسمی

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Black_Forest_Labs #FLUX_3

Читать полностью…

علم داده (Data Science)

🤖 ‏ امنیت پیش‌دستانه با قابلیت Claude Security

‏شرکت Anthropic قابلیت Claude Security را در قالب یک پلاگین برای Claude Code در وضعیت بتا عرضه کرده است. این ابزار به توسعه‌دهندگان اجازه می‌دهد مستقیماً از طریق ترمینال، کل ریپازیتوری یا تغییرات جدید (diff) را قبل از کامیت کردن کد برای یافتن حفره‌های امنیتی اسکن کنند.

🧠 ‏ معماری این ابزار مبتنی بر یک سیستم چندعامله (Multi-agent) است. عامل اول وظیفه ترسیم نقشه کد و تحلیل مدل تهدید را بر عهده دارد و عامل دوم به‌صورت مستقل یافته‌ها را بازبینی می‌کند.

⚡ ‏ فرایند اصلاح کد تنها زمانی انجام می‌شود که سیستمِ تاییدکننده (Verifier) از سه مورد اطمینان کامل داشته باشد: رفع دقیق آسیب‌پذیری، عدم ایجاد نقص امنیتی جدید و حفظ رفتار منطقی کد. در صورت عدم احراز هر یک از این شرایط، ابزار به جای ارائه پچ، دلیل فنی عدم اصلاح را گزارش می‌کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Claude_Security #Multi_agent

Читать полностью…

علم داده (Data Science)

🫛 ‏ معرفی مدل UpCount برای شمارش هوشمند اشیاء

⚡ ‏ مدل جدید UpCount یک رویکرد پیشرفته و کاملاً Class-Agnostic (بدون وابستگی به کلاس اشیاء) برای شمارش اشیاء ارائه می‌دهد که نیاز به نمونه مرجع ندارد. این معماری با بهره‌گیری از یک ViT (مدل مبتنی بر ترنسفورمر) که با روش MAE پیش‌آموزش دیده، دقت بالایی در تحلیل‌های بصری کسب کرده است.

🔬 ‏ در این سیستم، بازسازی ویژگی‌ها به سبک DPT و تکنیک Joint Bilateral Upsampling (افزایش رزولوشن با حفظ لبه‌ها) مشابه متد FeatUp ترکیب شده‌اند. این ترکیب قدرتمند امکان استخراج نقشه‌های تراکم دقیق را فراهم می‌کند.

🧠 ‏ فرآیند کاری مدل شامل ۸ مرحله حیاتی است که با دریافت تصویر ورودی شروع می‌شود. پس از استخراج ویژگی‌های اصلاح‌شده برای شمارش و تعیین پیشنهادات (Proposal)، سیستم از یک Verifier-head برای افزایش اطمینان تایید استفاده می‌کند.

📊 ‏ خروجی نهایی حاصل ضرب نقشه پیشنهادات در لایه تایید است که در نهایت اشیاء را با دقت Pixel-wise مشخص می‌کند.

🔗 ‏ GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#UpCount #Class_Agnostic

Читать полностью…

علم داده (Data Science)

📊 ‏ رشد خیره‌کننده Google Cloud

🚀 ‏ در گزارش مالی اخیر، درآمد واحد ابری شرکت Alphabet با رشدی ۸۲ درصدی نسبت به سال گذشته به ۲۴.۸ میلیارد دلار در یک فصل رسیده است. این رقم نشان‌دهنده پتانسیل رسیدن به درآمد سالانه ۱۰۰ میلیارد دلار است. همچنین تعهدات قراردادی این بخش به ۵۱۴ میلیارد دلار صعود کرده که به‌مراتب از پیش‌بینی ۴۸۸ میلیاردی تحلیل‌گران فراتر رفته است.

🧠 ‏ موتور محرک اصلی این رشد، تقاضا برای زیرساخت‌های هوش مصنوعی، به‌ویژه پردازنده‌های گرافیکی ابری، تراشه‌های اختصاصی TPU و دسترسی به مدل‌ها از طریق Vertex AI (پلتفرم مدیریت چرخه حیات مدل‌های هوش مصنوعی) است. این نتایج، نخستین آزمون جدی برای ارزیابی بازگشت سرمایه در مسابقه جهانی احداث مراکز داده است.

⚡ ‏ پیش‌بینی می‌شود غول‌های فناوری تا سال ۲۰۲۶ بیش از ۷۰۰ میلیارد دلار صرف توسعه زیرساخت‌های محاسباتی کنند. یکی از عوامل کلیدی این جهش، همکاری با Anthropic است که سفارش خرید نزدیک به یک میلیون تراشه TPU را ثبت کرده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Google_Cloud #TPU

Читать полностью…

علم داده (Data Science)

⚡️ ‏ معرفی Gigatoken: توکنایزر فوق‌سریع با زبان Rust

‏ابزار جدید Gigatoken با دستیابی به سرعت خیره‌کننده ۲۴.۵۳ گیگابایت بر ثانیه، انقلابی در فرآیند توکنایز کردن (تبدیل متن به توکن برای مدل‌های زبانی) ایجاد کرده است. این عملکرد در مقایسه با HuggingFace tokenizers و tiktoken که به سرعت‌های بسیار پایین‌تری در همان سخت‌افزار می‌رسند، تا ۹۸۹ برابر سریع‌تر است.

🚀 ‏ راز این سرعت در مهندسی دقیق ساختار اجرا نهفته است. برخلاف ابزارهای معمول که از موتورهای سنگین Regex برای پیش‌پردازش استفاده می‌کنند، Gigatoken از یک جدول جستجوی بایت برای طبقه‌بندی سریع و تکنیک SWAR برای پردازش داده‌های ۸ بایتی استفاده می‌کند. این ابزار با استفاده از دو نشانگر مستقل و پردازش خارج از نظم، گلوگاه‌های پردازشی را حذف می‌کند.

🧠 ‏ همچنین قابلیت Pretoken caching برای کلمات تکراری، فرآیند رمزگذاری BPE را به‌شدت تسریع می‌کند.


🔗 ‏ GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Gigatoken #SWAR

Читать полностью…

علم داده (Data Science)

🤖 ‏ ابزار جدید NVIDIA برای شناسایی ویدئوهای هوش مصنوعی

🔬 ‏ شرکت NVIDIA در کنفرانس SIGGRAPH از سرویس Synthetic Video Detector رونمایی کرد. این ابزار تخصصی که برای رسانه‌ها و خبرگزاری‌ها طراحی شده است، قادر است اصالت ویدئوها را بررسی کرده و تفاوت میان فیلم‌های واقعی و محتوای تولید شده توسط هوش مصنوعی را تشخیص دهد. این مدل حتی قادر است ردپای نامرئی نسل‌های مصنوعی را در ویدئوهای فشرده شبکه‌های اجتماعی نیز شناسایی کند.

🧠 ‏ هسته مرکزی این سرویس بر پایه مقاله‌ای ارائه شده در NeurIPS 2025 است و نسخه بهینه‌شده‌تری از راهکار برنده مسابقات SAFE Challenge در کنفرانس ICCV 2025 محسوب می‌شود. سیستم با تقسیم ویدئو به فریم‌های 504 در 504 پیکسلی، آن‌ها را از دو مدل بینایی ماشین DINOv2 و DINOv3 عبور می‌دهد.

📊 ‏ این مدل به هر فریم امتیازی بین ۰ تا ۱ اختصاص می‌دهد که میانگین آن‌ها شاخص نهایی اعتبار ویدئو را مشخص می‌کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Synthetic_Video_Detector #DINOv3

Читать полностью…

علم داده (Data Science)

🤖 ‏ معرفی Bionic، ایجنت تخصصی LM Studio

🚀 ‏ ابزار LM Studio با معرفی Bionic، گام بزرگی برای استفاده بهینه از مدل‌های متن‌باز (Open Models) برداشته است. با پیشرفت چشمگیر مدل‌هایی نظیر Kimi K2.6 و GLM 5.2، استفاده از مدل‌های محلی برای کاهش هزینه‌ها و حفظ مالکیت استک هوش مصنوعی، اکنون یک انتخاب هوشمندانه و عملیاتی است.

🧠 ‏ ایجنت Bionic در انجام کارهای مبتنی بر اسناد و برنامه‌نویسی سرآمد است. شما می‌توانید از آن بخواهید که اسنادی مانند اسلایدها، فایل‌های متنی و جداول را ایجاد یا ویرایش کند، قراردادها را بازبینی کرده و فرم‌ها را تکمیل نماید. در زمینه کدنویسی نیز، این ابزار قابلیت‌های کامل یک Coding Agent حرفه‌ای را ارائه می‌دهد.

🔒 ‏ نکته کلیدی، ماهیت Local-first این ابزار است که به هسته اصلی LM Studio وفادار مانده، اما اکنون برای نخستین بار پشتیبانی از مدل‌های ابری پیشرو را نیز ممکن کرده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#LM_Studio #Bionic_Agent

Читать полностью…

علم داده (Data Science)

📚 ‏ راهنمای جامع موفقیت در مصاحبه‌های علم داده

‏اگر برای ورود به بازارهای شغلی هوش مصنوعی آماده می‌شوید، کتاب Cracking the Data Science Interview یک منبع کلیدی برای تسلط بر مفاهیم و تکنیک‌های این حوزه است. این اثر با رویکردی مشابه منابع موفق برنامه‌نویسی، ابتدا مفاهیم پایه را تشریح کرده و سپس با مجموعه‌ای از سوالات هدفمند، شما را برای چالش‌های واقعی آماده می‌کند.

🧠 ‏ ساختار آموزشی این اثر شامل سرفصل‌های زیر است
‏

🔹 ‏ پیش‌نیازها: مرور مبانی آمار، احتمال، جبر خطی و علوم کامپیوتر.
🔹 ‏ ایده‌های کلیدی: بررسی ۱۸ مفهوم اساسی از جمله Overfitting، تریدآف Bias/Variance، رایانش ابری و نفرین ابعاد.
🔹 ‏ مهارت‌های عملی: آموزش تکنیک‌های Data Wrangling (آماده‌سازی داده)، مهندسی ویژگی و پاک‌سازی داده.
🔹 ‏ مدل‌های یادگیری ماشین: پوشش الگوریتم‌هایی نظیر Random Forests، Boosting، شبکه‌های عصبی و PCA.
🔹 ‏ یادگیری تقویتی: بررسی مفاهیم Q-Learning و مدل‌های پیشرفته‌تر آن.


📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Bias_Variance #Data_Wrangling

Читать полностью…

علم داده (Data Science)

🛡 ‏️ انتشار مدل‌های متن‌باز سیسکو برای امنیت سایبری

🚀 ‏ بنیاد Cisco Foundation AI با هدف ارتقای امنیت سایبری، مجموعه‌ای از مدل‌های هوش مصنوعی، دیتاست‌ها و ابزارهای تخصصی خود را به صورت متن‌باز منتشر کرده است. این ابتکار شامل ابزارهای پیشرفته برای تحلیل آسیب‌پذیری‌ها، هوش تهدید (Threat Intelligence) و اتوماسیون وظایف کارشناسان امنیت است.

💻 ‏ از مهم‌ترین خروجی‌های این پروژه می‌توان به مدل Foundation-Sec و مدل‌های ایجنتی (Agentic Models) فشرده با نام Antares اشاره کرد که به‌طور اختصاصی برای شناسایی کدهای آسیب‌پذیر طراحی شده‌اند. این استراتژی نشان می‌دهد که برخلاف تصور، متن‌باز بودن مدل‌ها نه تنها بحران امنیتی ایجاد نمی‌کند، بلکه به حل آن کمک خواهد کرد.

🧠 ‏ توسعه‌دهندگان و محققان اکنون می‌توانند با بررسی ساختار این مدل‌ها، نقاط ضعف احتمالی را شناسایی کرده و به‌صورت مشارکتی پروتکل‌های دفاعی را بهبود بخشند.

🤗 ‏ Hugging Face

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما


#Foundation_Sec #Antares

Читать полностью…
Subscribe to a channel