🔥مدل Grok 4.1 معرفی شد؛ جدی‌ترین تلاش xAI برای ساخت «انسان‌وارترین» هوش مصنوعی

✅شرکت xAI نسخه جدید Grok 4.1 را منتشر کرده؛ مدلی که بسیاری از کارشناسان آن را بزرگ‌ترین جهش این مجموعه در حوزه تعامل انسانی می‌دانند. طبق گزارش‌ها، Grok 4.1 در بنچمارک‌های مربوط به هوش هیجانی عملکرد چشمگیری داشته و حالا در مکالمه‌ها طبیعی‌تر، لطیف‌تر و نزدیک‌تر به لحن واقعی انسان حرف می‌زند. پاسخ‌ها دیگر حالت خشک و الگوریتمی سابق را ندارند و مدل توانسته در تولید متن‌های احساسی، خلاقانه و حتی گفت‌وگوهای غیررسمی، رفتار یک انسان واقعی را بهتر تقلید کند.

✅در کنار این پیشرفت‌ها، نرخ خطا یا همان hallucination هم کاهش یافته و طبق داده‌های منتشرشده، Grok 4.1 در تست‌های اطلاعاتی دقیق‌تر عمل کرده است.

✅نسخه جدید هم‌اکنون روی وب‌سایت Grok، اپلیکیشن موبایل و پلتفرم X برای کاربران فعال شده و به‌نظر می‌رسد طی روزهای آینده بحث‌های زیادی درباره آن شکل بگیرد.

https://grok.com/c



#معرفی‌هوش‌مصنوعی

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

No caption....

وقتی دنبال کد می‌گردی و هیچ جا پیدا نمی‌کنی…🤔

همه ما تجربه‌ی گشتن توی گیت‌هاب و پیدا نکردن همون قطعه کد دقیق رو داشتیم. یا اینکه می‌خوای بفهمی یه تابع یا کلاس خاص تو پروژه‌های مختلف چطور استفاده شده، ولی سرچ معمولی خیلی کند و محدود عمل می‌کنه.

اینجاست که Grep.app مثل یه جت شخصی می‌تونه دستت رو بگیره!
این ابزار یه موتور جستجوی کد فوق‌سریع و حرفه‌ایه که می‌تونه:

🔰تو چند میلیون ریپوی عمومی با سرعت نور جستجو کنه

🔰با Regex و فیلترهای پیشرفته دقیقاً همون چیزی که لازم داری پیدا کنی

🔰کدها رو تو زبان‌های مختلف بررسی کنه و نمونه‌های واقعی استفاده رو نشون بده

✅حتی می‌تونه بهت کمک کنه بفهمی بهترین روش استفاده از یک فانکشن چیه یا مشکلات معمول در کدهای مشابه چطور حل شدن.

🌐با یک بار امتحان، می‌فهمی که چرا خیلی‌ها این ابزار رو جزو جدانشدنی فرآیند توسعه‌شون می‌دونن.


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

یک برنامه خیلی مفید و کاربردی از مایکروسافت

⚪️ مایکروسافت یک برنامه رسمی داره به اسم Microsoft PC Manager که امکانات زیر بخشی از امکاناتی هست که در اختیارت می‌زاره :

⚪️ تو بخش Home یه گزینه داره به اسم PC Boost که با یه کلیک رم سیستم‌تون رو آزاد می‌کنه و پردازش‌های اضافی پس‌زمینه رو می‌بنده. همچنین یک گزینه داره به اسم health check که وضعیت کلی سیستم رو برسی می‌کنه و پیشنهادات بهینه سازی میده

⚪️ تو تب Protection هم با کمک Windows Defender سیستم رو اسکن می‌کنه و بد افزار ها و حتی می‌تونه پاپ‌آپ‌های مزاحم رو مسدود کنه.

⚪️تب Storage مخصوص تمیزکاریه فایل‌های موقت، تکراری یا حجیم رو شناسایی و پاک می‌کنه تا فضای ذخیره‌سازی‌تون نفس بکشه

⚪️ در بخش Apps هم می‌تونید برنامه‌های سنگین یا اضافی رو ببندید یا حذف کنید.

⚪️ و در آخر تب Toolbox که مجموعه‌ای از ابزارهای سریع و میانبرهای کاربردی داره و قابل شخصی‌سازیه


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🚀 Google Antigravity معرفی شد!

گوگل با این پلتفرم جدید، Gemini را از یک دستیار ساده به یک همکار واقعی توسعه نرم‌افزار تبدیل کرده است. حالا Gemini می‌تواند به‌صورت خودکار به ادیتور، ترمینال و مرورگر متصل شود، کد بسازد و اجرا کند و بدون نیاز به راهنمایی مرحله‌به‌مرحله، کل چرخه توسعه را مدیریت کند. شما فقط یک هدف سطح بالا تعریف می‌کنید و ادامه مسیر را خودش پیش می‌برد.



🔥 این تحول برای حوزه انفورماتیک پزشکی چه معنایی دارد؟

وقتی ساخت نرم‌افزار آسان‌تر می‌شود، ارزش واقعی تخصص ما از «کدنویسی» به سمت بخش‌های مهم‌تری حرکت می‌کند:

✨ خلاقیت در طراحی راهکارهای سلامت دیجیتال
📊 تحلیل داده‌های پزشکی و تصمیم‌گیری مبتنی بر شواهد
⚙️ ترکیب فناوری با نیازهای بالینی
🧩 درک جریان کارهای پزشکی و طراحی سیستم‌های کاربردی

📌در دنیایی که اجرای کد ساده شده، ارزش اصلی در فکر درست، طراحی دقیق و ساخت راهکارهایی است که واقعاً مشکلات حوزه سلامت را حل کنند.


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

⌨️ GitHub Copilot CLI: راهنمای شروع سریع

🔥دستیار هوش مصنوعی حالا در ترمینال شما!

🚀 نصب و راه‌اندازی:

# نصب Copilot CLI
gh extension install github/gh-copilot

# احراز هویت
gh copilot auth

💡 کاربردهای اصلی:

• توضیح دستورات - درک چیزی که فرمان انجام می‌دهد

gh copilot explain 'find . -name "*.js" -exec rm {} \;'

• تولید دستورات - ایجاد اسکریپت‌های پیچیده

gh copilot suggest "find all python files larger than 1MB"

• عیب‌یابی - رفع خطاهای ترمینال

gh copilot fix "docker build failing with permission error"

🎯 مزایای کلیدی:

· صرفه‌جویی در زمان جستجو
· یادگیری مفاهیم جدید
· کاهش خطاهای دستوری
· یکپارچه با workflow موجود


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🎯 چیت‌شیت «۱۰۰+ کلید میانبر پایتون»


👨🏻‍💻 با این برگه تقلب می‌تونی سرعت کدنویسی و تحلیل داده‌هات رو با کتابخونه‌های مختلف پایتون چند برابر کنی.


⬅️ نکات ضروری Jupyter Notebook.

⬅️ ترکیب‌های کاربردی در Spyder و PyCharm.

⬅️ میانبرهای ناوبری، ویرایش، کامنت‌گذاری، دیباگ و کارهای دیگه.

⬅️ ترفندهای اختصاصی IDE برای تحلیلگرها و دانشمندان داده.


➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🚨 کشف خطاهای تایپی تو کد قبل از اجرا!


👨🏻‍💻 اگه دوست داری قبل از اینکه کدت به مشکل بخوره، خطاهای تایپی رو شناسایی کنی، وقتشه با Pyright آشنا بشی!

📝 یه ابزار سریع برای چک کردن تایپ‌ها تو پایتون که می‌تونه ارورها رو قبل از اجرا پیدا کنه


✅ ویژگی‌های کلیدی Pyright:

◀️ بررسی می‌کنه که تایپ متغیرها و فانکشن‌ها دقیقاً مطابق انتظارت باشه.

◀️ از لحاظ سرعت، ۳ تا ۵ برابر سریع‌تر از Mypy معروف عمل می‌کنه.


🔹 چه بخوای از Pyright استفاده کنی یا Mypy، استفاده از ابزارهای static type checking رو تو کارهات جدی بگیر.



➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

📙 کتاب «برنامه‌نویسی رقابتی با پایتون»


👨🏻‍💻 قبل اینکه برین سراغ سایت‌هایی مثل Leetcode یا Codechef، تمرین‌های این کتاب رو حل کنید.

✏️ خوبیش اینه فقط تئوری نیست و کلی تمرین و مثال عملی داره و از ۱۲۸ الگوریتم مختلف و کلی تکنیک حرف زده و ازشون استفاده کرده.

✅ از طرفی توضیحاتش خیلی روان و قابل فهمه و هر فصل، یه چالش داره که ذهنت رو کاملا درگیر می‌کنه.

➖➖➖➖➖➖➖➖➖➖
🔻 @hitwithit
✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🔴هر ابزاری که از دنیای هوش مصنوعی نیاز داری رو با یه سرچ ساده پیدا کن!

برو تو سایت theresanaiforthat.com و حوزه کاری یا ابزار مورد نیازتو بنویس و هوش های مصنوعی مختلف رو به راحتی پیدا کن!


با این سایت هرکسی یه ارتش یک نفرست!


➖➖➖➖➖➖➖
🔻 @hitwithit
🔻 YouTube
🔻مهارت های فنی در دنیای سلامت

🔴ساخت پروژه تبدیل ویدیو به جزوه ساختارمند


در این ویدیو چی یاد میگیریم ؟

➖چطور مثل یک مهندس نرم افزار فکر کنیم ؟
➖تفکر الگوریتمی چیست؟
➖ پیاده سازی مفاهیم کلیدی برنامه نویسی با یک پروژه کاربردی
➖ چند کتابخانه را باید یاد بگیریم؟
➖ حفظ چند کتابخانه لازم است؟
➖ اشاره به مهارت سرچ و استفاده درست از چت جی‌ پی تی


مشکل اکثر دوستان بعد یادگیری پایتون این است که چطور پروژه ای تعریف و حل میشود ؟ چطور من این همه کتابخانه یاد گرفته ام؟ پایتون غنی از هزاران کتابخانه است، چند تای آن را یاد بگیریم؟
جواب خلاصه اینه که فقط یادگیری هسته اصلی موضوع حوزه تخصصی شما ، اصل ماجراست، تو دوران هوش مصنوعی دیگه یادگیری همه چیز اشتباه وقت گیریه! یادگیری داینامیک یا نیازمند مسئله امروزه
هست.سعی شده تا در ویدیو به این موضوع اشاره بشه هرچند تسلط به این سبک یادگیری نیازمند تکرار و تعریف عملی پروژه هاست.


🧑‍🏫 مدرس: مهرداد حسن زاده

برای دیدن ویدیو کلیک کنید

لینک دسترسی به پروژه

➖➖➖➖➖
🔻 @hitwithit
🔻 YouTube
🔻 مهارت های فنی در حوزه سلامت

🔥 تازه‌ترین شماره HITپلاس آمد؛ از دل دانشگاه، برای آینده سلامت دیجیتال ایران.
نشریه که خودِ دانشجوها رو صدا می‌زنه!

این بار نه فقط مقاله، که چالش‌های واقعی رو بررسی کردیم:
از ربات جراح تا هوش مصنوعیِ تغذیه، از مالکیت داده تا گفت‌وگوی انسان و ماشین.

پشت این جلد:
مدیر مسئولی و سردبیری که خودشون دانشجوی سال اخرن — فائزه کارگران،سارا حسین‌زاده
طراحی که همزمان هم کارهای دانشگاه میگردونه، هم نشریه رو — محمدمهدی مهدویان.
و تیمی از نویسنده‌های دانشجو که هر کدوم یه ایده آتیشین تو آستین دارن.


این نشریه فقط کاغذ نیست؛ یه پُل زنده‌ست بین فناوری و سلامت.
اگر تو هم داری در این باره فکر می‌کنی، حرفی یا طرحی، اینجا جای تو هم هست.


📬 برای تعامل:
لینک‌های مستقیم در صفحه آخر.
حتی می‌تونی مستقیم به ادمین پیام بدی و بگی: «منم می‌خوام بنویسم!»


🎇 یلدایتان پر از نور دانش و گرمای همدلی
امشب، چه در کنار کتاب و قلم، چه در جمع دوستان،
بدانید که فردای سلامت این سرزمین را شما خواهید ساخت.
شبی بلند، اما پر از ستاره‌های امید.


@HIT_NUMS97
#HITپلاس
#یلدا_۱۴۰۴
@CommonSenseCorner_NUMS

🟢 توزیع برنولی (Bernoulli Distribution)
پایه‌ای‌ترین مدل احتمال در پزشکی و سلامت
➖➖➖

🔍 توضیح ساده و شهودی

توزیع برنولی زمانی استفاده می‌شود که نتیجه فقط دو حالت دارد:

• بله / خیر
• مثبت / منفی
• بیمار / سالم
• موفقیت / شکست

در پزشکی، این توزیع تقریباً همه‌جا هست:

• نتیجه تست تشخیصی
• وجود یا عدم وجود عارضه
• پاسخ یا عدم پاسخ به درمان

📌 هر مشاهده فقط ۰ یا ۱ است.

➖➖➖

📐 تعریف ریاضی

اگر متغیر تصادفی X برنولی باشد:

• X = 1 → با احتمال p
• X = 0 → با احتمال (1 − p)

📊 فرمول احتمال (تابع جرم احتمال):

P(X = x) = p^x × (1 − p)^(1 − x)

که در آن:

• x فقط می‌تواند 0 یا 1 باشد
• p = احتمال رخداد (مثلاً مثبت شدن تست)

📌 در سلامت:
p = ریسک / شیوع / احتمال بیماری

---

🟢 سؤال ۳ — برنولی در پزشکی / سلامت (Risk Modeling)

🎯 سناریو

برای هر بیمار نتیجه تست:

• 1 → مثبت
• 0 → منفی

---

📊 داده

120 بیمار داریم:

test_results = [1]*14 + [0]*106

---

❓ سؤال ۱: احتمال مثبت بودن تست چقدر است؟

در توزیع برنولی، بهترین تخمین p برابر است با میانگین داده‌ها:

p̂ = تعداد موارد مثبت ÷ کل بیماران

در این داده:

p̂ = 14 ÷ 120 ≈ 0.117

✅ پاسخ:

📌 حدود 11.7٪ بیماران تست مثبت دارند
این یعنی ریسک مشاهده‌شده در نمونه

➖➖➖

❓ سؤال ۲: آیا این نرخ با شیوع مورد انتظار ۸٪ هم‌خوانی دارد؟

مقایسه ساده:

• شیوع مورد انتظار: 8٪
• شیوع مشاهده‌شده: 11.7٪

📌 اختلاف وجود دارد، اما سؤال مهم‌تر:

> آیا این اختلاف می‌تواند صرفاً ناشی از تصادف نمونه‌گیری باشد؟

برای نتیجه‌گیری قطعی، نیاز به:

• فاصله اطمینان
• یا تست فرض آماری (Binomial Test)

⚠️ نتیجه عملی:

• اختلاف قابل توجه است
• ولی برای تصمیم بالینی قطعی، تحلیل آماری رسمی لازم است

➖➖➖

❓ سؤال ۳: اگر فردا 40 بیمار جدید بیایند،
احتمال اینکه حداقل 1 مورد مثبت داشته باشیم چقدر است؟

اگر احتمال مثبت بودن هر بیمار:

p = 0.117

🔹 احتمال اینکه هیچ بیماری مثبت نباشد:

(1 − p)^40

🔹 پس احتمال اینکه حداقل یک بیمار مثبت باشد:

1 − (1 − p)^40 ≈ 0.99

✅ پاسخ:

📌 حدود 99٪ احتمال دارد حداقل یک تست مثبت ببینیم

این موضوع برای:

• برنامه‌ریزی منابع
• آمادگی درمانی
• مدیریت ریسک

بسیار حیاتی است.

➖➖➖

❓ سؤال ۴: آیا این داده برای تصمیم‌گیری بالینی کافی است؟

پاسخ داده‌کاوی:

احتمالاً نه

دلایل:

• حجم نمونه (120 نفر) متوسط است
• عدم قطعیت تخمین p هنوز بالاست
• تصمیم بالینی نیاز به:

• فاصله اطمینان باریک‌تر
• داده از مراکز مختلف
• کنترل سوگیری نمونه

📌 برای سیاست‌گذاری یا تصمیم درمانی:

> نمونه بزرگ‌تر = ریسک کمتر تصمیم اشتباه

➖➖➖

🧠 جمع‌بندی نهایی

• توزیع برنولی ساده‌ترین مدل برای ریسک در سلامت است
• هر تست تشخیصی = یک آزمایش برنولی
• میانگین داده‌ها = تخمین ریسک
• با برنولی می‌توان:

• شیوع را تخمین زد
• عدم قطعیت را سنجید
• سناریوهای آینده را پیش‌بینی کرد

📌 داده‌کاوی در سلامت یعنی:
ترجمه‌ی 0 و 1 به تصمیم بالینی آگاهانه
➖➖➖➖

🔻 @hitwithit
🔺 Youtube
🔻 داده کاوی در سلامت

📌 واگرایی کولبک–لیبلر (KL)
می‌گه اگر واقعیت یه چیز باشه ولی ما با تصور اشتباه تصمیم بگیریم، چقدر اطلاعات از دست می‌ره.

🩺 مثال پزشکی:
واقعیت می‌گه احتمال بیماری قلبی ۳۰٪ ـه
مدل می‌گه فقط ۱٪
یعنی مدل شدیداً اشتباه فکر می‌کنه → KL بزرگ → تشخیص خطرناک


---

📌 واگرایی جنسن–شنون (JS)
می‌گه دو تا توزیع احتمال چقدر شبیه هم هستن.

🩺 مثال پزشکی:
توزیع علائم بیماران دیابتی
در برابر
توزیع علائم بیماران سندرم متابولیک
علائم شبیه‌ان → JS کوچیک → الگوی بیماری نزدیکه


---

🧠 جمع‌بندی خیلی خلاصه
KL = هزینه‌ی تشخیص اشتباه
JS = میزان شباهت الگوهای بیماری


برای اطلاعات بیشتر بخوانید
➖➖➖➖➖
🔺 @hitwithit
🔺 YouTube
🔺 مهارت فنی در انفورماتیک پزشکی و داده کاوی سلامت

🎙 توضیح خیلی ساده KL Divergence (با مثال پزشکی)

تصور کن دکتر هستی و داری از روی داده‌ها تصمیم می‌گیری.

تو همیشه یه تصویر ذهنی از بدن بیمار داری.
مثلاً:

فکر می‌کنی فشار خون بیماران معمولاً نرماله

یا قند خون اغلب تو یه بازه خاص می‌چرخه

اما بدن واقعی آدم‌ها همیشه دقیقاً مثل تصویر ذهنی ما رفتار نمی‌کنه.

🔍 واگرایی KL دقیقاً اینو می‌سنجه:

اینکه تصویر ذهنی ما از داده‌های پزشکی، چقدر با واقعیت فرق داره

🩺 مثال خیلی ساده: قند خون

فرض کن:

از ۱۰۰۰ بیمار قند خون گرفتی → این می‌شه واقعیت

یه مدل داری که می‌گه:

«قند خون بیماران تقریباً نرمال پخش شده»

حالا سؤال:

این فرض چقدر به داده‌های واقعی نزدیکه؟

KL میاد می‌گه:

اگه عددش کوچیک باشه → فرضت خوبه، می‌تونی بهش اعتماد کنی

اگه بزرگ باشه → فرضت خطرناکه، ممکنه تشخیص غلط بدی

🧠 تشبیه خیلی ملموس

KL مثل اینه که با یه نقشه‌ی اشتباه بری اتاق عمل.

اگه نقشه کمی فرق داشته باشه → شاید هنوز کار راه بیفته

اگه خیلی فرق داشته باشه → فاجعه

KL می‌گه:

نقشه‌ی تو چقدر با بدن واقعی فرق داره؟

🧪 چرا این مهمه؟

چون در پزشکی:

تصمیم درمانی

تشخیص بیماری

پیش‌بینی ریسک

همه بر اساس مدل‌ها انجام می‌شن، نه خود داده خام.

و KL به ما می‌گه:

«این مدل، چقدر امنه؟»

🧾 یک جمله‌ی خیلی کوتاه برای اسلاید یا نوت‌بوک

KL Divergence یعنی اندازه‌ی فاصله‌ی بین چیزی که فکر می‌کنیم داده‌های پزشکی هستن، و چیزی که واقعاً هستن.

🎯 جمع‌بندی یک‌خطی

هرچی KL کمتر → مدل پزشکی مطمئن‌تر
هرچی KL بیشتر → ریسک تصمیم‌گیری بالاتر

➖➖➖➖➖
🔺 @hitwithit

حالا تموم مطالب بالا رو در پایتون ببینیم!

➖➖➖➖
🔻 @hitwithit

🛑پایتون رو یاد بگیریم؟ ارزش یادگیری پایتون در انفورماتیک پزشکی و داده کاوی! ریاضیات چقدر لازمه و ایا یادگیریش اجباریه؟ بیاین یکم از تجربیات خودم بگم

تجربه من ( هرکسی میتونه نظر خودشو داشته باشه):

شما باید بسته به حوزه کاری انتخابی به سمت یادگیری زبان برنامه نویسی مربوطه برید. از جمله فیلد هایی که به رشته فناوری اطلاعات سلامت و انفورماتیک پزشکی نزدیکه میشه میتوان به موبایل هلس و داده کاوی سلامت و IOMT اشاره داشت.
برای یادگیری اپلیکیشن نویسی موبایل ، قطعا پایتون انتخاب خوبی نیست! زبان هایی مثل جاوا، کاتلین، دارت و فریمورک فلاتر و...(قدیمی تر مثل vbs , B4A) به این منظور استفاده میشن. اما برای کار با دیتا و هوش مصنوعی و داده کاوی و همچنین کار های اماری، زبان هایی نظیر R ، متلب، پایتون ، جولیا و... (در موارد متعددی c++ , RUST, javanoscript برای برخی شرایط خاص) همپوشانی عالی ای دارند!
➖اما چرا پایتون رو توصیه میکنم؟
جامعه بزرگتر، منابع بی شمار، یادگیری اسان تر، کتابخانه های غنی ، ساپورت اغلب حوزه ها و... از جمله مواردی هست که برگ برنده پایتون هست. البته زبانی نظیر جولیا به تازگی رشد نسبتا خوبی رو داشته.
➖حالا ایا من حتما باید برنامه نویسی رو یاد بگیرم حالا که دارم این رشته رو میخونم؟
جواب قطعا نه هست!
این بستگی به علاقه، شرایط شما و گاها استعداد و برنامه شما برای اینده داره.
➖ایا با یادگیری برنامه نویسی آینده تضمین شده ای دارم؟
اگر یه فرمول ساده و ثابت برای موفقیت وجود داشت، این همه هرج و مرج و چه کنم چه کنم بین انسان ها نبود😁
قطعا نه! دانش برنامه نویسی یه ابزاره و موفقیت شما به مواردی مثل استمرار، برنامه ریزی، شرایط مکانی زمانی، شبکه سازی ، پول و پارتی و کلی فاکتور دیگه بستگی داره!
با ترکیبی از پکیج مهارت و شبکه سازی میشه چیز های جالبی تجربه کرد!
➖چقدر برای پایتون وقت بزارم؟
خب بنظرم پیچیدست و نمیشه صریح نظر داد ولی پیشنهاد من اینه که یه دید کلی بدست بیارید ( البته بستگی به حوزه کارکردی شما هم داره)، زیاد طولانیش نکنید! امروزه به دلیل بمباران اطلاعات، به خاطر سپردن و یادگیری عمیق هرچیزی درست نیست! منظورم از عمیق یعنی بیش از حد وسواسی بودنه! مهم ترین مهارت توانایی شما در سرچ کردن هست. مهارت پرامپت نویسی، مهارت سرچ مختلف در پایگاه های اطلاعاتی و مهارت وایب کدینگ هم میتونه موثر باشه. مثال معروف من تو کارگاهام برنامه کد گذار با 20 هزار خط کد هست! من نزدیک 5 تا 8 هزار خط کد این برنامه رو با تسلط نسبی بر فریمورک pyqt دستی نوشتم و ما بقی برنامه توسط پرامپت نویسی توسط مدل های AI نوشته شده که با مهارت نسبی قطعات پازل رو بهم وصل کردم!
آیا این یه ضعفه؟ نه اصلا! شرکت ها جدیدن مهارت پرامپت نویسی و کار با ابزار های AI رو به رزومه های خودشون اضافه کردن! باید بدونی چطور و به چه روشی اطلاعات لازم رو از اعماق اینترنت بیرون بکشی!
➖چقدر روی برنامه نویسی دانشگاه حساب کنم؟
تقریبا هیچی! البته بازم بستگی داره ولی معمولا به علت زمان کم، کلیکوروم پر از باگ و قدیمی، همراهمی نکردن همه افراد کلاس به هر دلیلی و...
چیزی که در دانشگاها تدریس میشه معمولا کاربردی نیست....
ترجیحا بصورت self-study باشه! برای شروع کار کتاب خوندن رو هم پیشنهاد نمیدم. کلاس حضوری چی؟ بنظر من وقت گیره ولی اگر لازم داری یکی بالا سرت باشه با عصای موسی، اوکیه...

➖ریاضیات در برنامه نویسی مهمه؟
بستگی داره به حوزت. برای مواردی مثل طراحی سایت و نوشتن اپلیکیشن نه خیلی...(شاید تقریبا نه) ولی برای حوزه هایی مثل هوش مصنوعی، داده کاوی و دیتا آنالیز قطعا بله!
چقدر عمیق بشیم؟ ما که رشتمون مهندسی نیست که ریاضیات زیادی داشته باشه!!!
خب راستش داده کاوی و ماشین لرنینگ فراتر از ساخت یه مدل سادست! کد های رگرسیون،KNN ، SVM تو اینترنت ریخته! یه دستی هم به چت جی پی تی برسونه زودی زده میشه ولی مفاهیمی مثل انتخاب الگوریتم مناسب، تحلیل مدل ، خطایابی ، ارزیابی و... نیازمند دانش ریاضیات و امار و احتماله...

لازم نیست خیلی عمیق واردش شید. من یادگیری نیتیو و داینامیک رو توصیه میکنم. یعنی چی؟ مفاهیمی مثل شناخت توزیع های آماری ( مثلا وقتی داده های من از توزیع برنولی تبعیت میکنند یعنی چی؟ به چه کار میاد؟ نرمال بودن داده ها یعنی چی؟ و...)، مفاهیم پایه ای آمار و احتمالات و از ریاضیات هم مفاهیم جبر خطی ، فضای دکارتی و ماتریس ها و کمی حد و مشتق و انتگرال کافیه اونم نه خیلی عمیق. اونم نه خیلی خشک! یعنی میتونید در حین یادگیری یه الگوریتم ماشین مفاهیم رو یا سرچ کنیدو یا با ویدیو دیدن در دانشگاه یوتیوب کامل کنید. تاکید میکنم امروزه مغز شما دست شماست! توانایی سرچ کردن و کشیدن اطلاعات مورد نیاز در لحظه!
یادگیری تفکر الگوریتمی و پارت پارت کردن مسائل هم سعی کنید با پروژه زدن تمرین کنید.

➖بازار کار چطوره؟
یا بخت یا اقبال! بقول جادی، پول مهمه ولی خب تا زمانی که چیزی برای یادگیری هست، من خوشحالم!
بازار کار تناقض زیاد داره! یکی راضی و یکی کلاش پس معرکه!
خیلی فاکتور ها در پروژه گرفتن شما موثره! مهم تر از استعداد شما، مهارت ارتباط گرفتن، اخلاق حرفه ای در کار، لینکدین و گیت هاب، گاها کمی پارتی و رانت، شهری که توش زندگی میکنید! ( فرض کنید خفن ترین مکانیک دنیایید ولی تو جهانی که همه با اسب و الاغ اینور اونور میرن!) و.... در نقش شما در بازار کار موثره!
🔺من یه جمله ای دارم که ممکنه بهش گارد بگیرید! ممکنه مخالف باشید ولی بنظرم خوندن فقط صرف رشته فناوری اطلاعات سلامت و انفورماتیک پزشکی بصورت خام، درست نیست! رشته ما یه اقیانوس به عمق 1 وجبه! همه چیز کار کرده هیچی بلد نیست!
یادگیری مهارت فنی رو جدی بگیرید! پز دانشگاه تاپ دادن و من انفورماتیکی ، فناوری سلامتی هستم، بعد دوران دانشجویی از سرتون میپره! واقعی بالا بیاید... معیار ارزیابی رو، روی خلق اثر و ارزش قرار بدید نه فلان دانشگاه یا رشته خوندن!
تا دلتون بخواد اساتید بی سواد دانشگاه تهرانی داریم :)
یادگیری مهارت هم تضمین آینده نیست ولی شانس رو بالا میبره!
از ترند هاهم کور کورانه پیروی نکنید!
یادگیری زبان خارجه (‌بسته به هدف) رو هم جدی بگیرید...

آرزوی موفقیت برای تک تک بچه های رشته و جایگاه رشته رو دارم

مهرداد حسن زاده