Audio
@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.
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.
Audio
@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.
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.
Audio
@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
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
Audio
@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.
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.
Audio
@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 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.
Audio
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.
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.
Audio
این منبع از یک پست وبلاگی مایکروسافت آژور با عنوان "Agent Factory: Top 5 agent observability best practices for reliable AI" استخراج شده است که بر اهمیت قابلیت مشاهده عامل (agent observability) در توسعه و استقرار سیستمهای هوش مصنوعی قابل اعتماد تأکید دارد.
@ai_python
این مقاله توضیح میدهد که قابلیت مشاهده عامل فراتر از نظارت سنتی با اضافه کردن ارزیابیها و حاکمیت، دید عمیقی از عملکرد، تصمیمگیری و نتایج عوامل هوش مصنوعی در طول چرخه حیاتشان فراهم میکند.
@ai_python
همچنین، این مقاله پنج بهترین روش برای دستیابی به این قابلیت مشاهده را معرفی میکند، مانند انتخاب مدل مناسب، ارزیابی مداوم، ادغام ارزیابیها در خطوط لوله CI/CD، اسکن آسیبپذیریها با تیم قرمز هوش مصنوعی، و نظارت بر عوامل در تولید. در نهایت، Azure AI Foundry Observability به عنوان یک راهحل یکپارچه برای مدیریت تمام این جنبهها معرفی میشود که توسعهدهندگان را قادر میسازد تا هوش مصنوعی قابل اعتماد و ایمن در مقیاس بزرگ بسازند.
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
خلاصه این ویدیو به زبان فارسی (پادکست مصنوعی)
این کلیپ یوتیوب به بررسی مشکلات ادغام زبان در اتریش میپردازد و بر این تأکید دارد که اتریش در میان کشورهای اتحادیه اروپا بیشترین نابرابری آموزشی موروثی را دارد.
این ویدئو شرایط متناقض کنونی را برجسته میکند که در آن مقامات به شدت بر لزوم یادگیری زبان آلمانی تأکید میکنند، اما اقدامات حمایتی کافی برای تسهیل این فرآیند را ارائه نمیدهند. همچنین به چالشهای پیش روی کودکان و بزرگسالان در یادگیری زبان آلمانی اشاره دارد و آزمونهای سنجش زبان فعلی را به دلیل عدم اعتبار و نقص در روش اجرا مورد انتقاد قرار میدهد.
در نهایت، این کلیپ بر اهمیت رویکردی جامع و حمایتگرانه از سوی جامعه و سیاستگذاران برای ترویج دوزبانگی و ادغام مؤثر مهاجران در نظام آموزشی و اجتماعی تأکید میکند.
گروه تمرین پرسش و پاسخ زبان آلمانی : https://news.1rj.ru/str/+7T0smNaqtqZlOGI0
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
این مقاله محدودیتهای بنیادی مدلهای بازیابی مبتنی بر وکتور امبدینگ را بررسی میکند، بهویژه زمانی که این مدلها با وظایف پیچیدهتر، مانند استدلال یا پیروی از دستورالعملها، روبرو میشوند.
https://arxiv.org/pdf/2508.21038
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
این مقاله روش جدیدی به نام پیشبینی ترتیب توکن (TOP) را معرفی میکند که هدف آن بهبود آموزش مدلهای زبانی بزرگ (LLM) است. برخلاف روشهای سنتی که فقط توکن بعدی را پیشبینی میکنند (NTP) یا روشهای کمکی مانند پیشبینی چند-توکن (MTP) که توکنهای آینده را به طور دقیق پیشبینی میکنند، TOP مدل را برای رتبهبندی توکنهای آینده بر اساس نزدیکیشان آموزش میدهد.
نویسندگان استدلال میکنند که پیشبینی دقیق توکنهای آینده در MTP بسیار دشوار است و منجر به بهبودهای نامنظم میشود، اما TOP با یک لایه اضافی ساده و با استفاده از «زیان یادگیری برای رتبهبندی» (learning-to-rank loss)، عملکرد کلی مدلهای زبانی را در معیارهای استاندارد NLP بهبود میبخشد و با افزایش مقیاس مدل نیز عملکرد بهتری دارد.
لینک مقاله : https://www.alphaxiv.org/pdf/2508.19228
Please open Telegram to view this post
VIEW IN TELEGRAM
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 :
https://arxiv.org/html/2509.01187v1
به زودی پادکست فارسی مصنوعی توضیحات این مقاله در این جا درج خواهد شد :
👍1
پیشگویی_پاسخ_کشف_راز_سرعت_و_دقت_مدل_های_زبانی_انتشاری_با_متد_P.mp4
43.3 MB
لینک ویدیو خلاصه تر : https://youtu.be/BLdc5d4TMYE
لینک مقاله : https://www.alphaxiv.org/pdf/2508.19982
توضیحات فارسی نوشتاری به زودی در کانال @ai_python
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Video Has Become Core to Consumer Decision-Making.mp4
29.7 MB
این گزارش نشان میدهد که چگونه ویدیو به یک بخش اساسی از فرآیند تصمیمگیری مصرفکننده تبدیل شده است و بر اساس یک مطالعه کانتار، یک منظره ویدیویی اولویتدار در حال ظهور است.
زبان فارسی
https://partners.wsj.com/google-youtube/the-future-of-video-planning/video-has-become-core-to-consumer-decision-making/
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
ارتش_نامرئی_هوش_مصنوعی_در_ماداگاسکار.mp4
34.7 MB
این گزارش تأثیر شگرف هوش مصنوعی را بر اقتصاد و زندگی مردم ماداگاسکار بررسی میکند و نشان میدهد که چگونه این کشور فقیر به بازاری جذاب برای شرکتهای بزرگ فناوری جهانی تبدیل شده است.
بخش عمدهای از نیروی کار، مانند داویدرا تامسون، به عنوان حاشیهنویس داده (Data Annotators) برای آموزش الگوریتمهای شرکتهایی چون گوگل و آمازون فعالیت میکنند، اغلب با دستمزدهای پایین و بدون قرارداد رسمی. با این حال، کار در بخش هوش مصنوعی، که با شرایطی بهتر و درآمدی بالاتر از میانگین ملی همراه است، برای افراد خوششانسی چون الینا، یک فرصت بزرگ محسوب میشود و جوانان ماداگاسکار را به سمت تحصیل در این رشته جذب کرده است.
در مقابل این مشاغل تکراری و اغلب استثمارگرانه، مهندسان بومی همچون فیتاهین و فاهاسوآوان با تأسیس آزمایشگاه هوش مصنوعی ماداگاسکار (LIAM) در حال توسعه راهحلهای بومی هوش مصنوعی برای رفع مشکلات محلی، مانند تشخیص بیماریهای گیاهی کشاورزان، هستند تا ثابت کنند که ماداگاسکار میتواند به جای یک مجری ساده، خالق فناوری خود باشد.
خلاصه کوتاه تر : https://youtu.be/AK-wiwbtTwA
ویدیو اصلی :
https://youtu.be/5uQopUq4DeM?si=szS2JyozTSe80WSH
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
این گزارش به بررسی اجمالی «ایبوگین»، یک ترکیب روانگردان طبیعی میپردازد که به دلیل پتانسیل چشمگیر خود برای درمان اعتیاد به مواد افیونی، تقریباً در یک شب مورد توجه قرار گرفته است. ایبوگین، که از قرنها پیش در مراسم روحانی آفریقای غربی استفاده میشده، به صورت اتفاقی در سال ۱۹۶۲ به عنوان درمانی برای اعتیاد کشف شد و توانایی آن در متوقف ساختن ولع و علائم ترک را برجسته ساخت.
با وجود شواهد حکایتی و مطالعات کوچک که نرخ موفقیت قابل توجهی را در ترک مواد افیونی نشان میدهند، این دارو به دلیل خطر جدی ایجاد مسمومیت قلبی و مرگ، در ایالات متحده غیرقانونی و در ردهبندی مواد مخدر قرار دارد؛ بنابراین، هزاران آمریکایی ناامید برای دریافت این درمان تحت نظارت پزشکی به کلینیکهایی در کشورهایی مانند مکزیک روی میآورند.
در نهایت، با وجود نبود درک کامل از سازوکار ایبوگین و نیاز به تحقیقات بیشتر، ایبوگین به عنوان یک تغییردهنده قوی الگوهای منفی عمل میکند و اکنون تلاشهایی در ایالات متحده، از جمله در تگزاس، برای تأمین بودجه آزمایشهای بالینی رسمی و ارزیابی ارزش درمانی آن آغاز شده است.
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
این متن، نقشه راهی جامع برای فراگیری داکر از سطح مبتدی تا حرفهای ارائه میدهد که هدف اصلی آن حل مشکل «روی ماشین من کار میکند» از طریق بستهبندی برنامهها با تمام وابستگیهایشان در کانتینرهای استاندارد شده است.
این راهنما با معرفی مفاهیم بنیادی داکر آغاز میشود و بر اهمیت درک مسئلهای که داکر حل میکند، تأکید دارد؛ سپس به استفاده عملی از تصاویر موجود در DockerHub میپردازد. در ادامه، یادگیری نحوه ساخت تصاویر سفارشی با استفاده از Dockerfile را آموزش میدهد و مفاهیم پیشرفتهتری مانند شبکهسازی داکر (Docker Networking)، Docker Compose برای مدیریت برنامههای چند کانتینری و حجمهای داکر (Docker Volumes) برای پایداری دادهها را تشریح میکند.
در نهایت، این نقشه راه با تمرکز بر بهترین شیوههای تولید (Production Best Practices)، از جمله استفاده از تگهای نسخهبندی شده و ساختهای چندمرحلهای، و همچنین ادغام داکر در خطوط لوله CI/CD و معرفی Kubernetes به عنوان گام منطقی بعدی برای مدیریت کانتینرها در مقیاس بالا، به پایان میرسد.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
Audio
این متن رونوشتی از یک وبینار در مورد Azure NetApp Files (ANF) است که یک سرویس ذخیرهسازی با عملکرد بسیار بالا در پلتفرم مایکروسافت اژور (Azure) محسوب میشود و با همکاری NetApp ارائه شده است. سخنرانان، ANF را بهعنوان یک سرویس شخص اول (First Party Service) کاملاً مدیریتشده و یکپارچه در اژور معرفی میکنند که برای پردازشهای کاری بسیار نیازمند به عملکرد بالا، مانند سرورهای فایل سازمانی، محاسبات با عملکرد بالا (HPC)، دسکتاپهای مجازی، و پایگاههای داده (مانند SAP و اوراکل) طراحی شده است. ویژگیهای کلیدی این سرویس شامل تأخیر زیر یک میلیثانیه، پشتیبانی از چندین پروتکل فایل (SMB و NFS، و قابلیت Dual Protocol)، و ویژگیهای مدیریت داده سازمانی مانند ذخیرهسازی پویا (Dynamic Storage)، محافظت از دادهها از طریق اسنپشاتهای سریع، و قابلیت بازیابی بلایای طبیعی (DR) از طریق تکثیر بین منطقهای است.
هدف اصلی این وبینار، نمایش مزایای عملکردی و سهولت مدیریت ANF با ارائه مثالهای واقعی از بهبود سرعت شبیهسازیها و کاهش زمان پشتیبانگیری در محیطهای مشتریان است.
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
Video models are zero-shot learners and reasoners
این متن علمی با این فرض که مدلهای ویدیویی در حال تبدیل شدن به مدلهای بنیادین عمومی برای بینایی ماشین هستند، همان نقشی را ایفا میکنند که مدلهای زبان بزرگ (LLM) برای پردازش زبان طبیعی ایفا کردند.
نویسندگان نشان میدهند که مدل Veo 3 تواناییهای شگفتانگیز یادگیری و استدلال صفر-مرحلهای (zero-shot) را در طیف گستردهای از وظایف بصری از ادراک (مانند تشخیص لبه و تقسیمبندی) تا مدلسازی فیزیکی و دستکاری صحنه از خود نشان میدهد.
این تواناییهای نوظهور، به ویژه قابلیت "زنجیره فریمها" (Chain-of-Frames یا CoF) که معادل بصری استدلال گام به گام در LLMهاست، نشاندهنده پیشرفت سریع مدلهای ویدیویی به سمت تبدیل شدن به یک مدل عامگرا برای درک بصری است. این تحقیق استدلال میکند که با وجود عملکرد ضعیفتر در مقابل مدلهای تخصصی، سیر تکاملی مدلهای ویدیویی، آینده بینایی ماشین را به سمت معماریهای واحد و عمومی هدایت خواهد کرد.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4❤🔥2🥰2
Audio
لینک مقاله : https://arxiv.org/pdf/2402.03300
این منبع، مدل زبان بزرگ متنباز جدیدی به نام DeepSeekMath 7B را معرفی میکند که مرزهای توانایی استدلال ریاضی را جابهجا کرده است.
این مدل با پیشآموزش مستمر بر روی ۱۲۰ میلیارد توکن مرتبط با ریاضیات که با دقت از دادههای عمومی وب (Common Crawl) استخراج شدهاند، به دقت ۵۱.۷% در معیار رقابتی MATH دست یافته که قابل مقایسه با مدلهای بسته مانند Gemini-Ultra و GPT-4 است.
علاوه بر دادههای مقیاس بزرگ و باکیفیت، نویسندگان از یک الگوریتم یادگیری تقویتی کارآمد و کمهزینه به نام Group Relative Policy Optimization (GRPO) استفاده کردهاند تا عملکرد مدل را بهبود بخشیده و نشان دهند که آموزش کد، توانایی استدلال ریاضی را تقویت میکند.
بهطور کلی، این مقاله رویکردهای نوآورانه در جمعآوری داده و بهینهسازی مدل را برای ارتقاء چشمگیر قابلیتهای ریاضی مدلهای زبان متنباز تشریح میکند.
Please open Telegram to view this post
VIEW IN TELEGRAM
Audio
منبع
این منبع که توسط StartWien ارائه شده است، راهنمایی جامعی را به زبان فارسی برای تازهواردان به وین فراهم میکند و بر نظام آموزشی وین تمرکز دارد. این راهنما موضوعات کلیدی از جمله مراقبت رایگان از کودکان برای نوزادان تا ۶ ساله و جزئیات مربوط به ثبتنام و یک سال کودکستان اجباری را پوشش میدهد.
بخشهای مفصلی به تحصیلات مدرسه اجباری از دبستان (Volksschule) تا مقاطع بالاتر مانند دبیرستان (AHS) و انواع مدارس فنی و حرفهای اختصاص یافته است، که مسیرهای مختلف آموزشی تا ماتورا (دیپلم) را تشریح میکند. علاوه بر این، اطلاعاتی درباره آموزش اجباری تا ۱۸ سالگی، امکان تطبیق مدارک تحصیلی خارجی، و منابعی برای کمک و مشاوره رایگان به دانشآموزان و والدین ارائه میدهد تا ادغام موفقیتآمیز آنان در جامعه وین تسهیل گردد.
بهترین کار این است که با ایمیل ها و شماره تلفن های تماس ارائه شده برای اطمینان تماس بگیرید :
ایمیل اول :
schulplatz@bildung-wien.gv.at
اگر شما در حین سال تحصیلی به وین نقل مکان کرده اید، فرزند شما که در سن تحصیل میباشد، میتواند هر زمان در یک مدرسه شروع به تحصیل کند. در این صورت از طریق پست الکترونیکی با schulplatz@bildung-wien.gv.at تماس بگیرید.
ایمیل دوم :
هنوز سوالی دارید؟
تیم StartWien در اداره ادغام و تنوع (MA 17) با کمال میل به شما کمک میکند.
Stadt Wien - Integration und Diversität
1080 Wien, Friedrich-Schmidt-Platz 3
E-Mail: post@ma17.wien.gv.at
Telefon: +431400081510
Please open Telegram to view this post
VIEW IN TELEGRAM