⚙️🤖 انجمن مکانیک با همکاری کانون رباتیک و هوش مصنوعی دانشگاه علم و فرهنگ برگزار می‌کند

🏎 پخش زنده فینال مسابقات فرمول یک ابوظبی
🔥 سه مدعی قهرمانی در سه جایگاه اول استارت!

📅 تاریخ: ۱۶ آذر
🕓 زمان: ۱۶:۲۰
📍 مکان: کلاس ۶۱۲

「@Robotic_usc」🤖

🎉🎓 روز دانشجو مبارک! 🎓🎉

🌿 روز دانشجو، نماد تلاش، پشتکار و کنجکاوی دانشجویان، فرصتی ارزشمند برای بازنگری و گسترش علم و نوآوری است. در این روز، امید داریم که مسیر پیش رو برای تمامی دانشجویان، پژوهشگران و علاقه‌مندان به علم و فناوری، سرشار از موفقیت، پیشرفت و دستاوردهای ارزشمند باشد.

✨️ از طرف کانون رباتیک و هوش مصنوعی دانشگاه علم و فرهنگ، این روز خجسته را به همه همراهان عزیز تبریک عرض می‌کنیم و آرزومندیم که همواره گام‌های بلندی در مسیر دانش و نوآوری برداشته شود.


「@Robotic_usc」🤖

✨جشن یلدای دانشجویی

🔸با حضور دانشجویان، استادان و کارکنان خانواده بزرگ علم و فرهنگ

🔺برنامه‌ها: گفتگو با جواد انصافی (بازیگر، کارگردان و پژوهشگر هنرهای نمایشی)، اجرای تئاتر، اجرای موسیقی، پادکست، مسابقه، نمایش و فروش دست‌سازه‌های دانشجویان، حافظ‌خوانی و ...

▫️شنبه 29آذر1404 / از ساعت 13
▫️سالن همایش‌های بین‌المللی دانشگاه علم و فرهنگ

🍮 لینک ثبت‌نام شرکت در جشن یلدای دانشجویی

🔸هم‌زمان با جشن یلدای دانشجویی

✨ویژه‌برنامه چله‌گاه

🔺اجرای بازی‌های بومی و پذیرایی از شرکت‌کنندگان با خوراک‌های سنتی ایرانی

▫️شنبه 29آذر1404 / از ساعت 10 تا 12
▫️حیاط علم دانشگاه علم و فرهنگ

🌙 شب یلدا مبارک!

✨ باشد که این روشنایی شب یلدا زندگی شما را با شادی بی‌پایان پر کند، سلامتی و طول عمر شما با گذشت هر سال افزایش یابد، و شادی‌ها و موفقیت‌های شما بی‌حد و مرز باشد، شب یلدا مبارک :)

「@Robotic_usc」🤖

📣 فراخوان عضویت در نشریه علمی ربوساینس

🤖 به رباتیک، هوش مصنوعی و فناوری علاقه داری؟
✨ نشریه ربوساینس برای تکمیل تیم خود از دانشجویان خلاق و باانگیزه دعوت به همکاری می‌کنه

🔬 پژوهش و تحقیق
✍️ نویسندگی
📝 ویرایش
🎨 صفحه‌آرایی و طراحی
🎙 تولید و تدوین محتوای صوتی
📱 مدیریت و تولید محتوای فضای مجازی

🚀 ربوساینس جاییه که علاقه‌ات تبدیل می‌شه به تجربه‌ای واقعی. منتظر حضورت هستیم!

🔹️ جهت کسب اطلاعات بیشتر و پیوستن به تیم به شناسه زیر پیام دهید
@Usc_robotic_admin


「@Robotic_usc」🤖
「@RoboScience」🤖

اگر امروز هوش مصنوعی می‌تواند با ما گفتگو کند، متن‌ها را ترجمه کند، مقاله‌ها را خلاصه کند یا حتی کد بنویسد، بخش بزرگی از این توانایی را مدیون «ترنسفورمرها»ست. اسمشان شاید کمی پیچیده به نظر برسد، اما ایدهٔ پشت آن‌ها خیلی انسانی است. به‌جای اینکه به یک ماشین سرد و پیچیده فکر کنید، تصور کنید با کسی طرف هستید که شنوندهٔ خوبی در یک گفت‌وگوی گروهی است.



۱) ترنسفورمرها دقیقاً چه هستند؟

ترنسفورمرها نوعی مدل هوش مصنوعی‌اند که برای کار با چیزهایی ساخته شده‌اند که ترتیب در آن‌ها مهم است؛ به‌ویژه زبان. جمله‌ها، مکالمه‌ها، پاراگراف‌ها و حتی کدها همگی دنباله‌اند، چون جابه‌جا شدن اجزایشان معنی را عوض می‌کند.

یک گفت‌وگوی چندنفره را در نظر بگیرید. هر نفر کل بحث را می‌شنود و بعد تصمیم می‌گیرد کدام بخش‌ها برای پاسخ دادن مهم‌ترند. کسی منتظر نمی‌ماند تا حرف‌ها یکی‌یکی از دهان نفر قبلی به گوشش برسد. همه به کل ماجرا دسترسی دارند.

ترنسفورمر هم همین‌طور عمل می‌کند. به‌جای اینکه مثل یک خوانندهٔ کند، کلمه‌به‌کلمه جلو برود، کل جمله را با هم می‌بیند و رابطهٔ بین بخش‌های مختلف آن را می‌فهمد. همین باعث می‌شود در تشخیص معنا، لحن و ارتباط بین واژه‌ها خیلی قوی‌تر باشد.



۲) چرا ترنسفورمرها این‌قدر مهم شدند؟

مدل‌های قدیمی‌تر هوش مصنوعی وقتی با متن‌های طولانی یا پیچیده روبه‌رو می‌شدند، زود به مشکل می‌خوردند. آن‌ها متن را مرحله‌به‌مرحله می‌خواندند؛ مثل کسی که بخواهد داستانی را حفظ کند، اما فقط اجازه داشته باشد هر جمله را یک‌بار بشنود. طبیعی است که در این حالت، خیلی از جزئیات مهم فراموش می‌شود.

ترنسفورمرها این مشکل را با تغییر روش جریان اطلاعات حل کردند. آن‌ها به هوش مصنوعی اجازه می‌دهند:

مکالمه‌های طولانی را دنبال کند، بدون اینکه اول صحبت‌ها را از یاد ببرد

منظور واقعی کلمات را در متن بفهمد، مثلاً اینکه «او» دقیقاً به چه چیزی اشاره دارد

سریع‌تر یاد بگیرد، چون لازم نیست همه‌چیز را پشت‌سرهم پردازش کند


به همین دلیل است که ترنسفورمرها پایهٔ اصلی چت‌بات‌ها، مترجم‌ها، دستیارهای نوشتن و ابزارهای کدنویسی شده‌اند. آن‌ها هوش مصنوعی را هم قوی‌تر کردند و هم استفاده از آن را در دنیای واقعی ممکن‌تر.



۳) ترنسفورمرها چطور کار می‌کنند؟

در قدم اول، کلمات به شکل‌هایی تبدیل می‌شوند که هوش مصنوعی بتواند با آن‌ها کار کند؛ چیزی شبیه برداشت کلی از معنای هر کلمه. در کنار آن، جای هر کلمه در جمله هم مشخص می‌شود تا ترتیب حفظ شود.

ایدهٔ اصلی اینجا «توجه» است. درست مثل گفت‌وگوی انسانی، همهٔ کلمات ارزش یکسانی ندارند. وقتی می‌شنوید «کتاب روی میز سنگین است»، ناخودآگاه «سنگین» را به «کتاب» ربط می‌دهید، نه به «میز». ترنسفورمرها هم یاد می‌گیرند همین کار را بکنند.

هر کلمه تصمیم می‌گیرد به کدام کلمات دیگر بیشتر توجه کند و به کدام کمتر. این باعث می‌شود معنا خیلی سریع در کل جمله پخش شود، حتی اگر کلمات مهم از هم فاصله داشته باشند.

این فرآیند چند بار تکرار می‌شود، شبیه وقتی که یک پاراگراف را دوباره می‌خوانید. هر بار، درک عمیق‌تر می‌شود و معنا شفاف‌تر.



اگر بخوایم یک نتیجه گیری کلی داشته باشیم میتونیم بگیم که ترنسفورمرها موفق‌اند چون زبان را مثل یک گفت‌وگوی زنده می‌بینند: همه‌چیز را می‌شنوند، روی بخش‌های مهم تمرکز می‌کنند و با مرور دوباره، فهمشان را بهتر و عمیق‌تر می‌کنند.





「@Robotic_usc」🤖

ایده‌ی اصلیِ «Embedding» چیه؟

Embedding یعنی: تبدیل یک چیز (مثل یک کلمه، عکس، آهنگ، محصول) به یک سری عدد به شکلی که معنی/شباهت‌ها داخل اون عددها حفظ بشه.

مثل اینه که به هر چیز، یک کد عددیِ هوشمند بدیم و نه صرفا یک شماره‌ی تصادفی بلکه کدی که نشان بده «این چیز به چی شبیهه و از چی دوره».



چرا اصلاً باید چیزی را عددی کنیم؟

کامپیوتر با “معنی” مستقیم کار نمی‌کنه؛ با عدد کار می‌کنه.
پس اگر بخوایم مدل‌های هوش مصنوعی “فهم” نسبی از کلمات یا اشیا داشته باشن، باید اون‌ها رو به عدد تبدیل کنیم.

اما نکته‌ی مهم:

یک شماره‌گذاری ساده مثل: “گربه = 1، سگ = 2” به درد نمی‌خوره
چون از 1 و 2 نمی‌فهمیم گربه و سگ “شبیه” هم‌اند و هر دو حیوان‌اند.


حالا Embedding میاد این مشکل رو حل می‌کنه.



تشبیه شهودی به نقشه‌ی شهرِ معنی‌ها

تصور کن یک نقشه‌ی بزرگ داری (مثل Google Maps)، ولی این نقشه برای معناست.

هر کلمه/چیز یک نقطه روی نقشه است.

چیزهای شبیه هم، نزدیک هم قرار می‌گیرند.

چیزهای بی‌ربط، دور از هم قرار می‌گیرند.


مثلاً روی این نقشه:

“گربه” نزدیک “سگ” و “حیوان” است.

“تهران” نزدیک “ایران” و “پایتخت” است.

“پیتزا” نزدیک “غذا” و “پنیر” است.


پس embedding مثل اینه که به هر چیز، یک آدرس روی نقشه‌ی معنا بدیم.



Embedding دقیقاً چه خروجی می‌دهد؟

خروجی embedding معمولاً یک لیست از عددهاست. مثلاً (فقط نمونه‌ی خیالی):

“گربه”:
[0.12, -0.4, 0.88, ...]

“سگ”:
[0.10, -0.35, 0.9, ...]


این عددها طوری یاد گرفته می‌شن که:

“گربه” و “سگ” نزدیک باشند،

“گربه” و “هواپیما” دور باشند.


این “نزدیکی/دوری” یعنی شباهت معنایی یا کاربردی.



چرا embeddings قدرتمندند؟

چون به مدل اجازه می‌دهند کارهای مهمی را راحت‌تر انجام دهد:

پیدا کردن چیزهای مشابه (کلمات، محصولات، تصاویر)

دسته‌بندی بهتر

فهمیدن جمله‌ها حتی اگر دقیقاً همان کلمات قبلی نباشند

پیشنهاد دادن (recommendation)






「@Robotic_usc」🤖

🎙️ خبر خوش برای علاقه‌مندان رباتیک و هوش مصنوعی!

🚀 با افتخار اعلام می‌کنیم که پادکست انگلیسی Roboscience کانون رباتیک و هوش مصنوعی دانشگاه علم و فرهنگ به زودی در کنار پادکست فارسی آغاز به کار می‌کند!

🤖 هدف ما این است که علاوه بر ارائه مطالب علمی و آموزشی به زبان فارسی، یک مرجع انگلیسی هم برای علاقه‌مندان فراهم کنیم تا بتوانید دانش و مهارت‌های خود را در حوزه رباتیک و هوش مصنوعی به صورت دو زبانه تقویت کنید.

💡 منتظر اپیزودهای جذاب، مصاحبه با متخصصین، بررسی پروژه‌های نوآورانه و گفت‌وگوهای چالشی باشید!

🎧 برای دنبال کردن پادکست‌ها و به‌روزرسانی‌ها، کانال ما را دنبال کنید و همراه ما باشید.

✨ به پادکست Roboscience خوش آمدید!


「@Robotic_usc」🤖
「@RoboScience」🤖

🤖⚙️ کانون علمی و فرهنگی رباتیک و هوش مصنوعی با همکاری انجمن علمی و دانشجویی مهندسی مکانیک برگزار می‌کند:

✨️ تور بازدید از چهارمین پارک علوم و فناوری های نرم و صنایع فرهنگی

🚀 دستاورد های خلاق و دانش بیان
حوزه هوش مصنوعی

📅 زمان: سه‌شنبه ۹ دی‌ماه ۱۴۰۴
⏰ ساعت: ۱۳ الی ۱۴

🔹️ علاقه مندان می توانند جهت کسب اطلاعات بیشتر و ثبت نام در این تور به شناسه زیر پیام دهند.
@Usc_robotic_admin

「@Robotic_usc」🤖