AI education keeps getting better

OpenAI just launched study more in ChatGPT. Instead of just giving answers, it guides through problems step-by-step using Socratic questioning, hints, and self-reflection

2025 is becoming the self-learner's paradise

@Ai_Events

ارائۀ علمی «تحلیل صحنه شنیداری در مغز: چگونه از هیاهو، معنا را بیرون می‌کشیم؟»
(Cortical Mechanisms of Auditory Scene Analysis)

👤ارائه‌دهنده:
میثم امیرسرداری
دانشجوی دکتری در دانشگاه مریلند

📖 مناسب برای همهٔ ذهن‌های کنجکاو و علم‌جو، از نوجوانان تا دانشجویان علاقه‌مند به علوم شناختی، نوروساینس و هوش مصنوعی

❗️پیش‌نیازها: هدفون مناسب و محیط آرام، برای تجربه بهتر آزمایش‌های تعاملی

🗓 دوشنبه، ۱۳ مرداد
⏰ ساعت ۱۸

🔗 لینک ورود به جلسه
🔔 اضافه کردن رویداد به تقویم گوگل

@Ai_Events

متا شما را با AI می‌خواهد!

در یک تغییر بزرگ و جسورانه، شرکت متا (مالک فیسبوک، اینستاگرام و واتساپ) در حال آزمایش نوع جدیدی از مصاحبه‌های شغلی است که در آن داوطلبان می‌توانند از ابزارهای هوش مصنوعی مانند ChatGPT برای حل مسائل برنامه‌نویسی استفاده کنند.

به‌جای استفاده از وایت‌بورد و نوشتن کد روی کاغذ، حالا مصاحبه‌ها بیشتر شبیه به دنیای واقعی کار هستند، جایی که مهندس‌ها از ابزارهای کمکی مانند Copilot یا ChatGPT برای افزایش بهره‌وری استفاده می‌کنند.

متا این سبک جدید را "مصاحبه‌ با کمک هوش مصنوعی" (AI-enabled interviews) می‌نامد و هدف آن این است که ببیند شما چطور با ماشین‌ها فکر می‌کنید، نه فقط اینکه بتوانید یک الگوریتم بنویسید.

در حال حاضر این فرمت به‌صورت آزمایشی و داخلی توسط مهندسان متا اجرا می‌شود تا نقاط ضعف و قوت آن شناسایی شود.

به‌جای تمرکز صرف بر حل مسئله، تمرکز حالا بر نحوه استفاده هوشمندانه از ابزارهای AI قرار گرفته است — مثلاً اینکه چطور یک مشکل را با کمک ChatGPT بشکنید، تجزیه تحلیل کنید، و راه‌حل بسازید.

این تغییر همچنین پاسخی است به پدیده تقلب در مصاحبه‌های فنی، جایی که داوطلبان از AI به‌صورت پنهانی کمک می‌گرفتند. حالا این کمک نه تنها ممنوع نیست، بلکه بخشی از فرآیند است.

✅ نتیجه؟ اگر می‌خواهید در متا استخدام شوید، فقط دانش فنی کافی نیست، شما باید نشان دهید که چطور با هوش مصنوعی همکاری می‌کنید، تصمیم‌گیری می‌کنید، و از آن در زمان مناسب بهره می‌گیرید.

دنیای کار عوض شده — و متا هم مسیر جدیدی برای کشف استعدادها انتخاب کرده است.

@Ai_Events

Elon Musk on X

@Ai_Events

🔵کد باید به شما بگوید چگونه، کامنت باید بگوید چرا!🔵

فرض کنید کدی به شما تحویل می دهند که مربوط به یک سیستم پرداخت است. فایلی را باز می کنید و چیزی شبیه به این میبینید:

# Parse the JSON response
data = json.loads(response.text)

با خودتان فکر میکنید خب این کامنت به چه دردی می خورد؟ خود کد دقیقا همان کار را می کند. سوال این است که چرا چنین فایلی اصلا خوانده و پارس می شود؟ این کد چه فرض هایی دارد و در نهایت می خواهد چکار کند؟ ساعت ها کد را بالا پایین می کنید تا بالاخره میفهمید «آها» و دلیل نهایی آن را می فهمید.

حالا تصور کنید که کد پایین را می بینید:
# The payment gateway sometimes returns a 200 OK with an embedded error message in JSON.
# We parse the body here before the upstream validation so we can extract error codes early.
data = json.loads(response.text)


به یکباره همه چیز روشن می شود: حالا می دانید که چرا این کد اینجا نوشته شده است. این why به شما دقیقا می گوید مساله چیست. این همان تفاوت میان «کامنت‌های چگونه» (توضیح دادن اینکه کد چه می‌کند) و «کامنت‌های چرا» (توضیح دادن منطق و دلیل) است. و در دنیای توسعهٔ نرم‌افزار مدرن، کامنت‌های چرا همیشه برنده‌اند.

کامنت های چگونه هیچ ارزش افزوده ای ایجاد نمی کنند شما باید کدتان آنقدر تمیز باشد که نیازی به کامنت «چگونه» نداشته باشید. برای این کار باید متغیر های با معنا انتخاب کنید و از منطق های پیچیده برای انجام کاری مشخص پرهیز کنید. با این حال چگونه انجام دادن چیزی به شما نمی گوید «چرا» این کار را انجام می دهیم. به صورت مشخص تر کد ها تهی از «نیت» (intention) و «چرایی» هستند. به مثال زیر توجه کنید:

def calculate_settlement_amount(transactions):
    """
    Calculates the final settlement amount.

    Why: 
    - We apply a 3-day rolling average to smooth out FX fluctuations (requested by Finance, Jan 2024).
    - Exclude refunds pending investigation (compliance requirement).
    - Round to 2 decimal places because the downstream ledger rejects more precision.
    """
    # Exclude suspicious refunds
    filtered = [t for t in transactions if not t.pending_investigation]

    # Apply rolling average for FX normalization
    normalized = rolling_average(filtered, days=3)

    # Sum and round
    return round(sum(t.amount for t in normalized), 2)

بدون این کامنت‌ها، یک توسعه‌دهندهٔ آینده ممکن است میانگین متحرک را حذف کند (با این تصور که لازم نیست) یا گرد کردن را تغییر دهد (بی‌آنکه بداند این باعث ایجاد خطا در خروجی این تابع می شود که جای دیگری استفاده می شود). اما با این توضیحات، فوراً می‌فهمد چرا این کد این‌طور نوشته شده محدودیت‌های تجاری، تصمیمات تاریخی و نیازمندی‌های سیستمی.

این اطلاعاتی است که فقط با نگاه به کد نمی‌توان به دست آورد. «کامنت‌های چگونه» با تغییر پیاده‌سازی از بین می‌روند. «کامنت‌های چرا» زنده می‌مانند چون هدف را توضیح می‌دهند، نه نحو کد را.
حالت های استثنایی وجود دارد که کامنت های چگونه می توانند مفید باشند. مثلا زمانی که خود عملیات کمی پیچیده بنظر می رسد. مثلا مورد زیر را در نظر بگیرید

# Bit trick: drops the lowest set bit (faster than looping)
x &= x - 1

با این حال چنین مواردی استثنا هستند

قاعدهٔ طلایی: بگذارید کد «چگونه» را توضیح دهد. بگذارید کامنت «چرا» را توضیح دهد. اگر می‌بینید کامنت فقط چیزی را که کد نشان می‌دهد تکرار می‌کند، ننویسید. اگر دارید توضیح می‌دهید چرا این خط وجود دارد به‌خصوص وقتی دلیلش بدیهی نیست، درست عمل کرده‌اید.
@matlabtips


@Ai_Events

حاجی GPT5 با این همه توهمی که اجدادش داشتن، داره یواش یواش یاد میگیره که اطلاعاتش کامل نیست و نمی‌تونه جواب درست به بعضی از مسائل بده!

@Ai_Events

ما با اون حجم دانایی که اجدادمون داشتند، کماکان متوهم :)))

#موقت

xAI latest Grok model has finished pre-training and will be natively multimodal.

@Ai_Events

اعلام انتشار مجموعه‌داده‌ی فرش ایرانی در پلتفرم Kaggle

به اطلاع پژوهشگران، متخصصان پردازش تصویر و علاقه‌مندان به هنر اصیل ایرانی می‌رساند، مجموعه‌دانه‌ی جدید "Iranian Carpet Dataset: Lechak-Toranj & Afshan" با همت سیامک سربازی و مهدی سربازی در پلتفرم Kaggle منتشر شد.

ویژگی‌های کلیدی این مجموعه‌داده:
✅ شامل تصاویر باکیفیت از دو طرح ماندگار فرش ایرانی: «لچک‌ترنج» و «افشان»
✅ مناسب برای پژوهش‌های حوزه‌ی طبقه‌بندی تصاویر، تولید داده‌های بصری و بازشناسی الگو
✅ دسترسی آزاد و رایگان با شناسه‌ی DOI: [https://doi.org/10.34740/kaggle/dsv/12702937]

📥 دریافت مجموعه‌داده:
علاقه‌مندان می‌توانند از طریق لینک فوق، داده‌ها را دانلود و در پروژه‌های پژوهشی و صنعتی مورد استفاده قرار دهند.

🌐 اطلاعات تکمیلی:
برای دسترسی به مستندات و کدهای مرتبط، به صفحه‌ی گیت‌هاب پروژه مراجعه نمایید:
github.com/mahdisarbazi/Iranian-Carpet-Dataset-Lechak-Toranj-Afshan-Patterns

@Ai_Events

‏تردید نکن که نوری هست.
شاید چندان نباشد که گفته‌اند،
امّا آنقدر هست که از پس تاریکی‌ات برآید.

❤
@Ai_Events

Sam Altman says a child born today will never be smarter than AI. By the time they understand the world, rapid scientific progress will feel normal.

It will be unthinkable that people once used technology less intelligent than themselves. "The 2020s will look like the stone age".

@Ai_Events

دنیا داره عجیب‌تر میشه 😂😂😂
صبح‌تون بخیر

@Ai_Events

Elon launches “Macrohard” — a company run by AI, not people

Elon Musk just announced Macrohard, an xAI spinoff that he describes as “tongue-in-cheek” — but insists it’s real!

@Ai_Events

If you want to see something that will make you feel optimistic about the future, then watch this.

Medical research moves faster with GPT-5. Professor Derya demonstrates its impact.

@Ai_Events

مسیرهای شغلی سنتی در حال دگرگونی هستند. بنیانگذار تیم هوش مصنوعی مولد گوگل اعلام کرد که حتی برای کسب مدرک حقوق یا پزشکی زحمت نکشید، زیرا هوش مصنوعی پیش از فارغ‌التحصیلی شما، هر دو این مشاغل را از بین خواهد برد.

ایشان توصیه کردند: "یا وارد یک حوزه تخصصی شوید (مانند هوش مصنوعی در زیست‌شناسی)... یا اصلاً وارد هیچ حوزه‌ای نشوید."

پنج سال آینده، بسیار شگفت‌انگیز خواهند بود.

@Ai_Events

قیافه اونایی که الان دارن تجربی می‌خونن یا دانشجوی پزشکی هستن:

مصطفی سلیمان، مدیرعامل هوش مصنوعی مایکروسافت و از بنیان‌گذاران دیپ‌مایند، هشدار می‌دهد که شبیه‌سازی بدون‌فکر قابلیت‌های انسانی در هوش مصنوعی، خطرات واقعی ایجاد می‌کند. اکنون زمان مقابله با این چالش‌ها است، نه فقط برای شرکت‌های بزرگ، بلکه برای انبوه توسعه‌دهندگان متن‌بازی که به زودی به این مدل‌های قدرتمند دسترسی خواهند داشت.

پس باید بپرسیم: وقتی این فناوری‌ها در دنیای ما حاضر شوند، چه اتفاقی می‌افتد؟

@Ai_Events

ورکشاپ دو روزه IPM با موضوع
Mathematical Modeling and Learning in Biology

توضیح ورکشاپ:
Mathematics has provided the language to describe, explain, and predict biological phenomena. Today, with the explosive growth of data and artificial intelligence, biology is witnessing a profound shift: traditional mechanistic models are being complemented by powerful learning approaches capable of uncovering hidden patterns and structures in complex datasets. This mini workshop highlights how geometry, topology, and modern algorithms can extend classical approaches. The goal is to explore how the synthesis of theory-driven and data-driven tools is shaping the next generation of biological discovery.

مکان: پژوهشگاه علوم زیستی ipm، فرمانیه

این ورکشاپ رایگان است. صرفا می‌بایست از طریق این لینک ثبت‌نام کنید.

@hamband_sut

@Ai_Events