👆🏼 استفاده از هوش مصنوعی برای مبارزه با جرم
- با نگاهی به مقاله‌ی یوروپُل

@hoghough_khososi

@navidcasts

پادکست مصنوعیِ پروژه شکوفایی ایران با تمرکز بر برنامه مرتبط با توسعه فناوری های هوش مصنوعی در ایران

@navidcasts

این پادکست، از ویدیویی آموزشی از مایکروسافت لرن است که به معرفی و پیکربندی فضای کاری Azure Machine Learning می‌پردازد. این ویدیو توضیح می‌دهد که چگونه دانشمندان داده می‌توانند از سرویس Azure Machine Learning برای آموزش و مدیریت مدل‌های یادگیری ماشینی خود استفاده کنند. همچنین، به بررسی منابع و دارایی‌های مرتبط با این سرویس، مانند حساب ذخیره‌سازی، Key Vault، Application Insights و Container Registry، و نحوه تعامل با آن‌ها از طریق رابط کاربری پورتال Azure، Azure Machine Learning Studio، Azure CLI و Python SDK می‌پردازد. در نهایت، این منبع به تشریح مدیریت دسترسی‌ها، پیکربندی داده‌ها (Data Stores و Data Assets)، انواع منابع محاسباتی (Compute) و نحوه تعریف و استفاده از محیط‌های (Environments) Docker-based برای اطمینان از سازگاری و تکرارپذیری در فرآیندهای یادگیری ماشینی می‌پردازد.

@navidcasts

این پادکست مصنوعی شامل مجموعه‌ای از سخنرانی‌ها و ویدئوهایی از همایش روز ایمونولوژی ۲۰۲۵ است که بر موضوع مغز و ایمنی**، به‌ویژه درک و درمان اختلالات عصبی تمرکز دارد. سخنرانان، از جمله **پرزیدنت IUIS و EFIS**، بر اهمیت روزافزون **نوریمونولوژی در توضیح مکانیسم‌های بیماری و توسعه درمان‌ها، از سرطان گرفته تا بیماری‌های خودایمنی مانند ام‌اس و آلزایمر**، تاکید می‌کنند. برخی سخنرانی‌ها به بررسی دقیق **مسیرهای نوروایمنی**، از جمله نقش **نورون‌های حسی در ترمیم پوست و مقاومت در برابر عفونت‌ها، و همچنین ارتباط بین میکروبیوم روده و اختلالات مغزی**، می‌پردازند. هدف کلی، برجسته‌سازی پیشرفت‌های سریع در ایمونولوژی، ارتقاء همکاری علمی، و دفاع از **سرمایه‌گذاری در علم در مواجهه با بدبینی فزاینده عمومی است.

@navidcasts


کشف اخیر در دانشگاه نورت‌وسترن نشان می‌دهد که داروی آسم زیلوتون (Zileuton)، که توسط سازمان غذا و داروی آمریکا (FDA) تایید شده است، پتانسیل زیادی برای جلوگیری از واکنش‌های آلرژیک شدید به غذا، به ویژه آنافیلاکسی، دارد. این موفقیت پس از شناسایی یک ژن کلیدی به نام DPEP1 در موش‌ها به دست آمد که نقش اساسی در تنظیم آنافیلاکسی ایفا می‌کند.


با مسدود کردن مسیر مربوط به این ژن با استفاده از زیلوتون، دانشمندان توانستند تقریباً تمام پاسخ‌های آلرژیک در موش‌هایی که قبلاً به شدت مستعد آلرژی غذایی بودند را از بین ببرند. این رویکرد جدید، یک روش "خارج از چارچوب" برای درمان آلرژی‌های غذایی ارائه می‌دهد که می‌تواند میلیون‌ها نفر را در برابر واکنش‌های تهدیدکننده زندگی محافظت کند و همچنین به توضیح علت عدم واکنش برخی افراد به آلرژن‌ها کمک کند.

@navidcasts

هکرهای گروه "Romcom" با سوءاستفاده از چندین آسیب‌پذیری در نرم‌افزار فشرده‌سازی فایل WinRAR، به سازمان‌ها نفوذ کرده و اقدام به سرقت پول می‌کنند. یکی از آسیب‌پذیری‌های اخیر (CVE-2025-8088) به نحوه مدیریت جریان‌های داده جایگزین (ADS) در WinRAR مربوط می‌شود؛ این یک ویژگی NTFS است که به مهاجمان اجازه می‌دهد کدهای مخرب را پنهان کنند. با استفاده از تکنیک "پیمایش دایرکتوری" (Directory Traversal)، هکرها می‌توانند فایل‌های مخرب را در مکان‌هایی بالاتر از انتظار، مانند پوشه‌های موقت سیستم، قرار دهند.

این امر منجر به بارگذاری بدافزار توسط برنامه‌های قانونی (مثل مرورگر Edge) می‌شود و مهاجمان کنترل سیستم را به دست می‌آورند. در نهایت، این آسیب‌پذیری‌ها بیشتر مسائل منطقی یا اعتبارسنجی هستند تا خرابی حافظه، که بهره‌برداری از آن‌ها را برای هکرها آسان‌تر می‌کند.

@navidcasts

این پادکست راهنمایی جامع برای نحوه نوشتن Unit Test های مؤثر در پایتون ارائه می‌دهد و بر اهمیت آن‌ها در توسعه نرم‌افزار تأکید می‌کند. ابتدا چالش‌های تست کدی را که به درخواست‌های خارجی (مانند فراخوانی API) متکی است، توضیح می‌دهد و تکنیک‌هایی مانند مانکی پچینگ (monkey patching) و ماکینگ (mocking) را معرفی می‌کند تا بتوان وابستگی‌ها را شبیه‌سازی کرد و کد را به صورت ایزوله تست کرد.

@ai_python


سپس، به بررسی ویژگی‌های پیشرفته‌تر Pytest (مانند fixtures، پارامترسازی، و مدیریت استثناها) می‌پردازد که نوشتن تست‌ها را آسان‌تر و قدرتمندتر می‌کنند. در نهایت، با ارائه نکات عملی برای طراحی تست خوب، از جمله بازسازی کد برای قابلیت تست‌پذیری بهتر و سازماندهی ساختار فایل‌های تست، به مخاطبان کمک می‌کند تا رویکردی کارآمدتر در تست‌نویسی داشته باشند.

منبع پادکست مصنوعی :

https://youtu.be/EIV_ixKGPmc?si=I1eZQs4xHR8DDj8R

@navidcasts


این منبع، راهنمای جامعی برای راه‌اندازی و مدیریت فضای کاری یادگیری ماشین Azure است. در ابتدا، به معرفی و تشریح معماری Azure Machine Learning شامل اجزای اصلی مانند فضای کاری (Workspace)، منابع مدیریت شده، سرویس‌های مرتبط، وابستگی‌ها و دارایی‌ها می‌پردازد. سپس، جزئیات ایجاد و استفاده از منابع محاسباتی (Compute Resources) از جمله نمونه‌های محاسباتی (Compute Instances) و خوشه‌های محاسباتی (Compute Clusters) را بیان می‌کند که برای آموزش و استقرار مدل‌های یادگیری ماشین ضروری هستند. بخش‌های بعدی بر گردش کار داده‌ها (Data Workflow)، ایجاد و مدیریت حساب‌های ذخیره‌سازی (Storage Accounts)، ذخیره‌سازی‌های داده (Data Stores) و دارایی‌های داده (Data Assets) تمرکز دارند که همگی برای ذخیره و دسترسی به داده‌ها در پروژه‌های یادگیری ماشین حیاتی هستند.

@navidcasts

این ویدئو به بررسی قابلیت‌های یادگیری ماشینی خودکار (AutoML) در Azure Machine Learning می‌پردازد و نشان می‌دهد که چگونه می‌توان پروژه‌های یادگیری ماشین را با مهارت کمتری آغاز کرد و مدل‌های پایه با کیفیت مناسبی را به سرعت تولید کرد. گوینده توضیح می‌دهد که AutoML برای تعیین احتمال پرداخت جریمه پارکینگ از مجموعه داده‌های بلیت‌های پارکینگ شیکاگو استفاده می‌کند. او گام به گام فرایند راه‌اندازی یک کار AutoML، از انتخاب مجموعه داده و نوع مشکل تا پیکربندی تنظیمات پیشرفته مانند معیار اولیه، مدل‌های مسدود شده و معیارهای خروج، به تفصیل شرح می‌دهد. در نهایت، ویدئو به مزایای این ابزار، از جمله توانایی آن در کاهش سطح مهارت مورد نیاز برای راه‌اندازی یک پروژه و ارائه یک خط مبنای کیفیت مدل، اشاره می‌کند.

این منبع به بررسی عمیق دو موضوع کلیدی در توسعه هوش مصنوعی می‌پردازد:


تقویت حافظه بلندمدت برای Agent های هوش مصنوعی با استفاده از یکپارچه‌سازی LangGraph و MongoDB، و پیاده سازی هوش مصنوعی اخلاق محور در سیستم‌های هوش مصنوعی از طریق هوش مصنوعی ساختاری (Constitutional AI) و قابلیت‌های داده‌ای MongoDB.

@ai_python

بخش اول بر اهمیت توانایی Agent های هوش مصنوعی برای به خاطر سپردن اطلاعات در چندین جلسه تاکید دارد و راهکار MongoDB Store for LangGraph را معرفی می‌کند که امکان ذخیره‌سازی مداوم اطلاعات را فراهم می‌آورد. بخش دوم، هوش مصنوعی ساختاری را به عنوان یک روش خودگردانی اخلاقی برای مدل‌های هوش مصنوعی توضیح می‌دهد و نشان می‌دهد که چگونه MongoDB با قابلیت‌هایی مانند کنترل دسترسی مبتنی بر Role و جستجوی برداری پیشرفته، زیرساخت لازم برای پیاده‌سازی این چارچوب‌های اخلاقی را فراهم می‌کند. در نهایت، بلاگ، به پتانسیل هوش مصنوعی در بهبود عملیات تحریریه و ایجاد جریان‌های کاری کارآمدتر برای تولید محتوا نیز اشاره دارد.

بلاگ مرتبط در تاریخ 29 آگوست در کانال @ai_python منتشر خواهد شد.

این منبع به معرفی StoxLSTM می‌پردازد، یک شبکه حافظه طولانی کوتاه مدت گسترش‌یافته (xLSTM) که با متغیرهای پنهان تصادفی ترکیب شده است. هدف اصلی آن بهبود قابلیت پیش‌بینی سری‌های زمانی، به‌ویژه در داده‌های پیچیده و پرنویز، با وارد کردن مدل‌سازی فضای حالت به معماری xLSTM است. با مدل‌سازی پویایی‌های پنهان به‌عنوان یک فرآیند تصادفی، StoxLSTM توانایی بیشتری در درک الگوهای زمانی پیچیده و عدم قطعیت‌های ذاتی در داده‌ها نشان می‌دهد. نتایج تجربی گسترده‌ای که در چندین مجموعه داده استاندارد ارائه شده‌اند، نشان می‌دهند که StoxLSTM به‌طور مداوم از روش‌های پیشرفته قبلی پیشی می‌گیرد و استحکام و قابلیت تعمیم‌پذیری بهتری را در کارهای پیش‌بینی کوتاه‌مدت و بلندمدت ارائه می‌دهد :

https://arxiv.org/html/2509.01187v1

به زودی پادکست فارسی مصنوعی توضیحات این مقاله در این جا درج خواهد شد :