«چت‌باتی که ما طراحی کردیم در حالت دمو و بدون دسترسی به APIهای اشتراکی و داده بشدت محدود معرفی شده و طبیعتاً محدودیت‌هایی دارد. با این حال، هدف ما از ابتدا خدمت به جامعه‌ی کامپیوتر کرمانشاه و دانشگاه بوده و هیچ‌وقت ادعای غیرواقعی نداشتیم. 

جالب اینجاست کسانی که حتی نحوه‌ی ساخت یک چت‌بات ساده را نمی‌دانند، از تریبون(یکی از چنل های دانشگاه ) استفاده می‌کنند تا به جای یادگیری، تخریب کنند. اگر واقعاً دانش و جرأت دارید، با اسم و اکانت خودتان پست بزنید؛ پشت پرده و ناشناس بودن فقط نشان می‌دهد که سطح سوادتان آن‌قدر پایین است که حتی از دیده شدن نامتان می‌ترسید. 

انتقاد سازنده همیشه ارزشمند است، اما تخریب و کوچک‌نمایی نه به پیشرفت فردی کمک می‌کند و نه به اعتبار دانشگاه. ما مطمئنیم که مسیر درست را می‌رویم و موفقیت هر پروژه‌ای در ابتدا با نیشخند همراه است، اما در نهایت نتیجه‌ی کار مشخص خواهد کرد چه کسی اهل عمل است و چه کسی فقط اهل حرف.»


خطاب به افرادی که خودشون میدونن🙌

ما حتی یک شب قبل نمایشگاه صرفاً برای اینکه ظاهر پروژه آماده باشه یک دمو ساده زدیم نه مدلی ترین شده بود نه به API وصل بود با همین نسخه‌ی خام چندین شرکت معتبر برای پیاده‌سازی روی سایت‌هاشون با ما ارتباط گرفتن این یعنی کار ما حتی در ابتدایی‌ترین حالت هم دیده شد.
شما پشت چنل ناشناس قایم می‌شید و تخریب می‌کنید چون جرأت ندارید با اسم و هویت خودتون وارد بحث بشید این ترس بهترین سند ضعف شماست ما مسیرمون روشنه و نتیجه‌ی کار در نهایت مشخص می‌کنه چه کسی اهل عمله و چه کسی فقط اهل حرف
ایشالا وقتی پروژه‌های واقعی شرکت‌ها روی کار بیاد می‌فرستیم خدمتتون تست کنید شاید اون موقع تازه بفهمید ماشین لرنینگ یعنی چی تا اون زمان بهتره به همون وردپرس‌کاری😂و شعارهای بی‌پشتوانه ادامه بدید چون سطح فنی این بحث بالاتر از چیزی هست که شما توان ورود بهش داشته باشید

بینایی ماشین چیه؟
فناوری‌ای که به کامپیوترها یاد می‌ده تصاویر و ویدئوها رو مثل انسان ببینن و تحلیل کنن.

کارهای اصلیش:
- تشخیص تصویر (مثلاً سگ یا گربه)
- تشخیص اشیاء (پیدا کردن عابر یا ماشین در خیابان)
- بخش‌بندی تصویر (جدا کردن هر پیکسل بر اساس شیء)

- OCR (خواندن متن از عکس‌ها)
- بازشناسی چهره

کاربردها در دنیای واقعی:
- خودروهای خودران
- پزشکی و تشخیص بیماری
- امنیت و نظارت
- کنترل کیفیت در صنعت
- فیلترها و افکت‌های شبکه‌های اجتماعی

جذابیت برای یادگیری؟
از پروژه‌های ساده مثل تشخیص دست‌نوشته شروع می‌کنی و می‌تونی تا پروژه‌های پیشرفته مثل تشخیص پلاک خودرو یا چهره پیش بری.


بهترین مقاله برای اشنایی بیشتر و نحوه یادگیری بینایی ماشین :

کلیک کنید

❗️لینک رو با فیلتر باز کنید ، زبان اصلیه ولی میتونید از مترجم مرورگرها استفاده کنید

#Computer_vision
CODELAB | GpCodeLab

گوگل هم به میم وایرال 67 پیوسته
اگر عدد 67 رو در گوگل جستجو کنید، صفحه نتایج به شکل بامزه‌ای بالا و پایین می‌شه؛ درست شبیه حرکت دست‌ها در این میم معروف

صدای بلند همیشه نشونه قدرت نیست گاهی فقط نشونه خالی بودن درونه
زمان فرقش رو نشون می‌ده🤞🏻

🔴یه هکر ادعا کرده اطلاعات 69 میلیون شهروند ایرانیو مثل اسم ، فامیلی ، شماره تماس ، آدرس خونه و کد ملیو هک کرده و برای فروش گذاشته توی دارک وب

CODELAB | GpCodeLab

🧠 پروژه جنجالی Conduit؛ وقتی AI می‌خواد قبل از حرف‌زدن، فکر آدم رو بخونه!

استارتاپ آمریکایی Conduit توی فقط شش ماه، حدود 10 هزار ساعت داده عصبی از هزاران داوطلب جمع کرده؛ هدفش هم اینه که هوش مصنوعی، چند ثانیه قبل از اینکه حرف بزنی یا تایپ کنی، حدس بزنه چی توی ذهنته.

داوطلب‌ها تو اتاق‌های کوچیک میشینن ، دو ساعت با مدل حرف میزنن یا تایپ میکنن و همزمان یه کلاه حسگر، فعالیت مغزشون رو ثبت میکنه. این داده‌ها قبل از گفتنِ جمله ذخیره میشن و برای آموزش مدل‌های «رمزگشایی فکر» استفاده می‌شن.

حالا کل دیتاست با فرمت Zarr 3 ذخیره شده و Conduit میگه این بزرگ‌ترین مجموعه داده عصبی دنیاست.

CODELAB | GpCodeLab

این پروژه اوپن سورس عجیب و جالب می‌تونه بیش از 1000 فرمت فایل مختلف رو به هم دیگه تبدیل کنه، برای ساخت سایت و ربات تلگرام عالیه.


github.com/C4illin/ConvertX

@Linuxor

📲 High Speed MTProto Proxy

🟠مخصوص آیفون
CONNECT TO PROXY

🔵مخصوص همراه اول
CONNECT TO PROXY

🟡مخصوص ایرانسل
CONNECT TO PROXY

CODELAB | GpCodeLab

استخراج ویژگی (Feature Extraction) چیست؟

در یادگیری ماشین، داده‌های خام (مثل پیکسل‌های یک عکس یا هزاران سطر متن) اغلب دارای اطلاعات «زائد» یا نویز هستند. Feature Extraction فرایندی است که این داده‌های حجیم را به یک مجموعه داده‌ی کوچک‌تر و غنی‌تر تبدیل می‌کند تا مدل فقط روی «متغیرهای کلیدی» تمرکز کند.

#ML
CODELAB | GpCodeLab

​چرا به آن نیاز داریم؟
​فشرده‌سازی اطلاعات: حجم داده کمتر می‌شود بدون اینکه اطلاعات مهم از دست برود.
​بهبود دقت: وقتی نویز حذف شود، مدل الگوهای واقعی را بهتر تشخیص می‌دهد.
​کاهش زمان آموزش: مدل با داده‌های سبک‌تر، سریع‌تر Train می‌شود.

​🛠 تکنیک‌های کلیدی بر اساس نوع داده:
​۱. در داده‌های عددی و جدولی:

​PCA (تحلیل مؤلفه‌های اصلی):
ادغام ویژگی‌های مرتبط با هم برای کاهش ابعاد (مثلاً ترکیب طول و عرض برای رسیدن به مفهوم «مساحت»).


​۲. در پردازش تصویر (Vision):
​HOG :
به جای بررسی تک‌تک پیکسل‌ها، خطوط و زوایای مهم تصویر استخراج می‌شود.

​Deep Learning:
در مدل‌های جدید، لایه‌های اول شبکه عصبی (CNN) خودشان این کار را به صورت خودکار انجام می‌دهند.


​۳. در پردازش متن (NLP):

​Word Embeddings:
تبدیل کلمات به برداشتهای ریاضی (Vector) که معنای کلمه را در خود دارند (مثل Word2Vec).


​⚠️ یک اشتباه رایج: Selection vs Extraction
​در Feature Selection، ما چند تا از ستون‌های دیتاسیت را «گلچین» می‌کنیم.
​در Feature Extraction، ما دیتای اصلی را «تغییر» می‌دهیم و ویژگی‌های کاملاً جدیدی خلق می‌کنیم که قبلاً وجود نداشتند.


منبع : GeeksforGeeks
#ML
CODELAB | GpCodeLab

بدون اغراق یکی از بهترین یوتیوبرهای فارسی زبان که به‌صورت کاملاً رایگان دانش خودش رو در اختیار مخاطبان قرار داده
آموزش‌هایی بسیار دقیق کاربردی و به‌دور از حاشیه، با تمرکز روی موضوعات مهمی مثل Data Science، شبکه، Machine Learning، Deep Learning و برنامه‌نویسی پایتون

کیفیت محتوا در کنار فن بیان قوی باعث می‌شه یادگیری هم لذت‌بخش باشه هم عمیق

پیشنهاد می‌کنم حتماً کانالش رو سابسکرایب کنید و ویدیوهاش رو ببینید
من خودم کاملاً اتفاقی باهاش آشنا شدم و واقعاً از این حجم دانش و شیوه‌ی ارائه لذت بردم

https://youtube.com/@techwithhasanabbasi?si=jkHK8zh_PAPnyh8I

براتون آرزو میکنم ذهنتون
انقد درگیر خودتون
اهدافتون وخوشیاتون باشه
که وقت نکنید زندگی دیگرانو نقد کنید بد کسی رو بگيد
يا خودتونو با کسی مقایسه کنید🤞🏻

🧩 محیط مجازی (venv) چیه و چرا باید ازش استفاده کنیم؟

اگه با پایتون کار می‌کنی محیط مجازی یا venv یکی از مهم‌ترین ابزارهایی هست که باید بشناسی
venv یک فضای کاملاً جداگانه برای هر پروژه می‌سازه تا هر پروژه کتابخانه‌ها و نسخه‌های مخصوص خودش رو داشته باشه و هیچ تداخلی بین پروژه‌ها پیش نیاد

🎯 چرا venv مهمه؟
✔️می‌تونی نسخه‌های مختلف کتابخانه‌ها رو در پروژه‌های متفاوت بدون مشکل استفاده کنی

✔️ از خراب شدن پروژه‌ها بعد از نصب یک کتابخانه جدید جلوگیری می‌کنه

✔️ ساختار کارت رو حرفه‌ای‌تر و قابل‌اعتمادتر می‌کنه

✔️ کار تیمی و انتقال پروژه به دیگران رو خیلی راحت‌تر می‌کنه

هر پروژه باید محیط خودش رو داشته باشه با venv کنترل کامل دست توست و مطمئن می‌شی هیچ پروژه‌ای قربانی پروژه‌ی دیگه نمی‌شه

CODELAB | GpCodeLab

یلدا فقط طولانی ترین شبه
نه پایان مسیر
زندگی شبیه یه پروژه بزرگه
پر از ارور پر از دیباگ پر از ریفکتور
ولی آخرش یه خروجی داره که فقط مال خودته
امشب استراحت کن
ولی فردا دوباره ادامه بده
هدفتو ول نکن حتی اگه کسی باورش نداره
چون آدمی که ادامه میده بالاخره میرسه
و بدون
تو خیلی بیشتر از چیزی که فکر میکنی ارزش داری
امیدوارم امشب کنار خانواده و آدمای دوست داشتنی زندگیت
حال دلت خوب باشه
یلداتون مبارک🍉♥️

📱 خفن ترین آپدیت ChatGPT | شخصیت ChatGPT حالا قابل تنظیم‌تر از همیشه شد

🔊شرکت OpenAI در آپدیت جدید ChatGPT امکان شخصی‌سازی لحن و رفتار چت‌بات رو اضافه کرده. حالا میتونید میزان گرما و اشتیاق پاسخ‌ها رو کم، زیاد یا روی حالت پیش‌فرض بذاری و حتی مشخص کنی چقدر از ایموجی، تیتر و لیست استفاده بشه.

🔊همه این تنظیمات از بخش Personalization داخل پروفایل در دسترسه. علاوه بر این، ویرایش مستقیم متن ایمیل داخل چت هم ممکن شده؛ یعنی میتونی فقط بخش دلخواه متن رو انتخاب کنی و همون قسمت رو ویرایش یا قالب‌بندی کنی.

+ این تغییرها باعث می‌شه ChatGPT بیشتر با سلیقه کاربر هماهنگ بشه و نقش پررنگ‌تری توی کارهای روزمره داشته باشه.

CODELAB | GpCodeLab

شرکت OpenAI بالاخره قابلیت پین کردن چت‌ها رو به ChatGPT اضافه کرد
📌 از این به بعد می‌تونید مکالمات مهم و پرکاربردتون رو بالای لیست چت‌ها نگه دارید و سریع بهشون دسترسی داشته باشید

🔀 علاوه بر این قابلیت Branch کردن چت‌ها که قبلاً فقط در نسخه وب در دسترس بود
📱 حالا به اپ موبایل ChatGPT هم اضافه شده
✨ با این ویژگی می‌تونید از یک مکالمه چند مسیر مختلف بسازید و ایده‌ها رو جداگانه ادامه بدید

🤖 یه آپدیت کاربردی برای کسایی که جدی با ChatGPT کار می‌کنند

CODELAB | GpCodeLab

​ تحلیل اکتشافی داده یا EDA چیست؟
​به زبان ساده، EDA یعنی «کارآگاه‌بازی با داده‌ها». قبل از اینکه سراغ مدل‌های پیچیده هوش مصنوعی بریم، باید بفهمیم توی داده‌هامون چه خبره.

​ اهداف اصلی EDA:
​کشف الگوها: پیدا کردن روابط مخفی بین متغیرها.
​شناسایی سوتی‌ها: پیدا کردن داده‌های غلط، پرت (Outliers) یا خالی.
​فرضیه‌سازی: پرسیدن سوالات درست از داده برای رسیدن به بیزینس پلن.

​ ۳ ابزار کلیدی در EDA:
​آمار توصیفی: میانگین، میانه و واریانس (فهمیدنِ حدود اعداد).
​بصری‌سازی: رسم نمودار (Scatter, Histogram, Box plot) برای دیدن توزیع داده.
​بررسی همبستگی: فهمیدن اینکه تغییر یک متغیر چه تاثیری روی بقیه داره.
​📌 خلاصه فرآیند:
​بررسی ابعاد داده ⬅️ پاکسازی (حذف مقادیر خالی) ⬅️ رسم نمودار ⬅️ تحلیل روابط ⬅️ آماده‌سازی برای مدل‌سازی.
​
نکته: بدون EDA، شما فقط دارید روی تاریکی تیراندازی می‌کنید! این مرحله ۹۰٪ وقت یک کارشناس داده را می‌گیرد.
#data_science
CODELAB | GpCodeLab